行业趋势与研究方向 - 自动驾驶前沿研究方向窗口期有限 正被大厂和头部高校激烈竞争[2] - 对于计算机和自动化背景的研究者 深度学习方向如VLA、端到端、世界模型具有从入门到工作及读博的广阔发展空间[2] - 对于机械和车辆背景的研究者 建议从传统PnC、3DGS等算力要求低、入手简单的方向开始学习[2] - 行业前沿研究方向包括端到端、VLA、世界模型、强化学习、3D目标检测、多传感器融合、3DGS、BEV感知、Occupancy Network、多任务学习、语义分割、轨迹预测、运动规划、扩散模型、Flow matching、点云感知、毫米波雷达、单目感知、车道线/在线高精地图等[3] 研究支持服务 - 提供涵盖论文选题、全流程指导、实验指导及申博指导等研究支持服务[6][9] - 服务已成功帮助多篇论文被CVPR、AAAI、ECCV、CoRL、ICLR、IROS、ICRA、ACL等顶会顶刊收录[7] - 服务覆盖的论文级别包括自动驾驶顶会/顶刊 CCF-A/B/C SCI一区至四区 中科院1至4区 EI/中文核心 以及毕设论文、申博和比赛等[10]

行业技术趋势与共识 - 行业共识认为2026年将是自动驾驶领域“结硬寨，打呆仗”的一年，算法层面短期内看不到重大变革，技术重点转向对端到端、视觉语言动作模型等前沿技术的量产优化[1] - 技术发展方向明确，当前阶段需要攻克工程化应用的“硬骨头”，因此行业人力招聘重点倾向于有经验的算法工程师，并开放了大量职位[1] - 端到端和视觉语言动作模型技术方向的关键词包括：BEV感知、大模型、扩散模型、强化学习[1] 核心课程内容与结构 - 课程第一章概述端到端自动驾驶，涵盖其发展历史、从模块化到端到端的演进原因，并分析一段式、二段式及视觉语言动作模型范式的优缺点与适用场景[6] - 课程第二章重点讲解端到端技术涉及的背景知识，包括视觉语言动作模型所需的大语言模型、扩散模型及强化学习，以及一段式端到端涉及的BEV感知，这些内容被认为是未来两年求职面试的高频技术关键词[6][7] - 课程第三章聚焦二段式端到端，解析其定义与出现原因，并讲解领域内的经典算法与前沿进展[7] - 课程第四章为核心精华部分，深入讲解一段式端到端的多个子领域，包括基于感知、世界模型、扩散模型以及当前最热的基于视觉语言动作模型的方法[8] - 课程第五章设置大作业，以基于人类反馈的强化学习微调进行实战，该技术可迁移至视觉语言动作模型相关算法中，具有良好延展性[9] 关键技术模块详解 - 课程详细讲解Transformer基础及其在视觉领域的应用，并涵盖为多模态大模型奠定基础的CLIP和LLaVA模型[11] - 深入介绍BEV感知基础知识，解释其如何应用于自动驾驶核心感知任务[11] - 讲解扩散模型理论及其在输出多模轨迹预测中的应用，这是当前学术界与工业界尝试落地的热点[11] - 介绍视觉大语言模型相关的强化学习技术，包括基于人类反馈的强化学习及其在视觉大语言模型训练中的作用[11] - 基于世界模型的方法被重点介绍，因其应用广泛，不仅可用于场景生成、端到端驾驶，还可用于闭环仿真，是近两年的热门技术方向[12] - 基于扩散模型的端到端方法自2023年下半年兴起，其与基于模型的方法或视觉语言动作模型结合，可更好地适应环境不确定性，课程配套相关实战讲解[12] - 基于视觉语言动作模型的端到端方法被视为当前该领域的“皇冠”，上限高、难度大，行业招聘需求旺盛，课程选取了业界代表性工作并设置实战环节[12] 课程目标与受众要求 - 课程旨在推动端到端技术在工业界的落地，帮助学员真正理解端到端自动驾驶[10] - 期望学员学完后能达到具备约1年经验的端到端自动驾驶算法工程师水平，掌握涵盖多种方法的技术框架，并对关键技术有深刻理解[15] - 学员需自备GPU，推荐算力在RTX 4090及以上，并需具备一定的自动驾驶领域基础、相关技术概念知识以及编程与数学基础[13]

行业痛点与市场需求 - 复现视觉语言动作模型任务面临高成本障碍，可用的机械臂基本价格在1.5万元以上，加上相机等传感器，对自学者或缺乏设备的群体构成硬伤 [3] - 开源低成本机械臂虽可用，但初学者在数据采集、模型训练和动作生成方面普遍遇到困难，难以调出预期效果，大量时间浪费在踩坑上 [4][5] - 将数据、VLA模型、训练优化及部署整套流程打通对初学者非常困难，特别是π0、π0.5、GR00T等模型在数据采集和训练中存在诸多技巧 [5] - 市场存在强烈的低成本学习与入门需求，许多学生和从业者希望在预算有限的情况下也能完成各类VLA任务 [7] 解决方案与课程产品 - 具身智能之心平台基于SO-100机械臂和LeRobot框架，复现了ACT、GR00T、π0、π0.5等方法，旨在解决缺乏真机、真机昂贵及不知如何上手的问题 [8] - 平台联合业内VLA专家开发了国内首个《面向实战与求职的VLA小班课》，课程内容全面，涵盖机械臂硬件、数据采集、VLA算法、模型评测、仿真、主流模型部署、VLA+世界模型、真机实验及具身产业讲解 [9][14] - 该课程被描述为目前平台最大、最完整的课程，采用软硬结合方式，旨在帮助学员更有效地学习 [15] - 购买课程的学员将获赠一套SO-100机械臂，包含示教臂和执行臂 [18] 课程价值与学员收获 - 课程中的项目经验可写入简历，所学技巧可作为面试答案，能帮助学员节省大量试错时间 [12] - 课程面向多类人群，包括正在具身领域求职、需要实战项目的学生；VLA领域的入门及进阶者；从事具身智能研究的本硕博学生；希望从传统CV、机器人或自动驾驶领域转行的人员；以及对具身智能感兴趣的其他人员 [25] - 学员完成课程后，预期能对具身产业和落地有清晰认识，简历上积累足够多的项目支撑，达到具备1-2年以上经验的算法工程师水平 [27] 讲师背景与课程安排 - 讲师为某机器人公司VLA高级研究员，拥有5年以上机器人行业实战经验，聚焦产学研协同落地，熟练掌握具身智能全栈技术，并在IEEE Trans系列、Neural Networks等顶级期刊发表学术论文10余篇 [21] - 课程对硬件有明确建议：推理建议使用RTX 3060及以上显卡，训练建议使用2张以上RTX 3090 Ti显卡，学员也可自租云服务器资源 [25] - 课程要求学员具备一定的Python和PyTorch基础 [25] - 课程开课时间表从2025年12月30日持续至2026年2月25日，共分九章 [28] - 课程价格为788元 [29]

课程核心定位与目标 - 课程为端到端与VLA自动驾驶进阶实战教程，旨在推动端到端技术在工业界落地，助力学员理解端到端自动驾驶 [8] - 课程联合工业界专家开设，内容涵盖学术界与工业界最前沿的技术栈，包括BEV感知、视觉语言模型、扩散模型、强化学习等 [1] - 课程目标是使学员学完后能达到约1年经验的端到端自动驾驶算法工程师水平，掌握技术框架并能够复现主流算法 [13] 课程内容架构 - **第一章：端到端算法介绍** 概述端到端自动驾驶发展历史、概念起源、从模块化到端到端的演进，并分析一段式、二段式及VLA范式的优缺点与适用场景 [4] - **第二章：端到端的背景知识** 作为课程重点，详细讲解VLA涉及的大语言模型、扩散模型及强化学习，以及一段式端到端涉及的BEV感知，为后续学习奠定基础 [4][9] - **第三章：二段式端到端** 聚焦二段式端到端，解析其定义与出现原因，并讲解经典算法PLUTO、CVPR'25的CarPlanner及最新工作Plan-R1，对比其与一段式端到端的优缺点 [5] - **第四章：一段式端到端与VLA** 作为课程精华部分，涵盖基于感知、世界模型、扩散模型及VLA的一段式端到端子领域，探讨各方法如何解决端到端终极目标 [6] - **第五章：课程大作业 - RLHF微调** 提供RLHF微调实战，涉及预训练与强化学习模块搭建及实验，该技术可迁移至VLA相关算法，具有良好延展性 [7] 关键技术深度解析 - **BEV感知** 讲解其基础知识，以及如何基于BEV实现自动驾驶核心感知任务，如3D检测、车道线识别、OCC及轨迹预测与规划 [9] - **扩散模型** 讲解其理论知识，并指出基于扩散模型输出多模轨迹是当前学术界与工业界热点，多家公司正尝试落地 [9] - **视觉大语言模型与强化学习** 讲解VLM相关的强化学习技术，包括RLHF及其在VLM训练中的作用，以及上半年热门技术GRPO [9] - **一段式端到端细分领域** 详细讲解基于感知的方法（如UniAD、地平线VAD、CVPR'24的PARA-Drive）、基于世界模型的方法（如AAAI'25的Drive-OccWorld、OccLLaMA）、基于扩散模型的方法（如DiffusionDrive、Diffusion Planner、DiffE2E）以及基于VLA的方法（如小米ORION、慕尼黑工大OpenDriveVLA、ReCogDrive） [10] 课程实战与前沿应用 - 课程包含配套实战，例如在扩散模型小节配套讲解Diffusion Planner实战，在VLA小节选择小米ORION作为实战，该开源项目截至2025年7月已开放推理与评测模块 [10] - 世界模型被强调为近两年非常热的技术方向，因其应用广泛，可用于场景生成、端到端驾驶及闭环仿真 [10] - VLA被视为目前端到端自动驾驶的皇冠，上限高且难度大，因此行业招聘需求旺盛，代表了新一代自动驾驶量产方案的预研方向 [10] 讲师资质与课程特色 - 讲师Jason拥有C9本科与QS50博士学历，已发表2篇CCF-A论文及若干CCF-B论文，现任国内TOP主机厂算法专家，从事端到端、大模型、世界模型等前沿算法的预研与量产，并主持完成多项自动驾驶感知与端到端算法的产品量产交付 [2] - 课程内容基本为工业界和学术界的Baseline，兼顾经典工作与最新前沿进展 [1] - 课程为小班课，随到随学，提供视频与答疑服务 [1] 学员收获与面向人群 - 学员将掌握端到端技术框架，涵盖一段式、两段式、世界模型、扩散模型等方法 [13] - 学员将对BEV感知、多模态大模型、强化学习、扩散模型等关键技术有更深刻了解，并可复现扩散模型、VLA等主流算法框架 [13] - 学员能够将所学应用到项目中，真正搞懂如何设计自己的端到端模型，并可在实习、校招、社招中受益 [13] - 课程面向具备一定自动驾驶领域基础、熟悉Transformer大模型、强化学习、BEV感知等基本概念，并具备概率论、线性代数及Python、PyTorch语言基础的学员，学习需自备GPU，推荐算力在4090及以上 [11] 行业趋势与技能需求 - 端到端自动驾驶是学术界与工业界的前沿方向，VLA范式是目前发展的焦点 [1][10] - 第二章所涉及的背景知识被总结为未来两年求职面试频率最高的技术关键词 [5] - 基于扩散模型输出多模轨迹能更好地适应自动驾驶不确定的环境，是当前热点 [10]

自动驾驶领域学术研究趋势与方向 - 行业观察到自动驾驶领域的研究方向呈现前沿与差异化并存的格局 前沿方向包括视觉语言模型、端到端自动驾驶、强化学习、3D高斯泼溅和世界模型[2] 相对竞争较少的赛道包括开集目标检测、占据网络以及小样本/零样本学习[2] - 针对不同专业背景的研究者 行业建议采用差异化的学习路径 计算机和自动化背景的研究者更适合深度学习相关的前沿方向 如视觉语言模型、端到端和世界模型 因其在职业和学术发展上空间广阔[2] 机械和车辆背景的研究者则建议从传统规划与控制、3D高斯泼溅等方向入手 这些方向对算力要求较低且更易入门[2] - 行业普遍认为 研究能力的提升依赖于持续的方法论训练 包括大量阅读论文、积极交流并逐步形成独立的思考和创意[2] 论文辅导服务覆盖的研究方向 - 公司提供的论文辅导服务覆盖了自动驾驶领域广泛的研究与技术方向[3] 核心感知方向包括端到端模型、视觉语言模型、3D目标检测、BEV感知、占据网络、语义分割、轨迹预测、单目感知以及车道线与在线高精地图构建[3] - 服务同时涵盖规划控制与前沿模型技术 具体包括运动规划、强化学习、扩散模型、流匹配[3] 在多模态融合与特定传感器领域 服务涉及多传感器融合、点云感知和毫米波雷达感知[3] - 其他支持的研究方向还包括3D高斯泼溅和多任务学习[3] 论文辅导服务内容与成果 - 公司提供的核心服务包括论文选题、论文全流程指导以及实验指导[6] - 服务延伸至博士申请指导领域[7] - 公司宣称其中稿率很高 并有大量论文被顶级会议和期刊收录 包括CVPR、AAAI、ECCV、CoRL、ICLR、IROS、ICRA、ACL等[7] 论文辅导服务的目标发表渠道 - 公司辅导的论文目标发表渠道涵盖自动驾驶领域的顶级会议 包括CCF-A、CCF-B、CCF-C等级别的会议[10] - 目标期刊包括SCI一区至四区 以及中科院分区的一区至四区期刊[10] - 服务也支持EI检索期刊、中文核心期刊的发表 并覆盖毕业设计论文、博士申请以及竞赛相关的论文需求[10]

公司概况与创始人背景 - 灵初智能是一家专注于具身智能领域，特别是灵巧手核心技术的初创公司，由00后创业者陈源培联合创立 [6] - 公司团队被誉为“科学家密度最高”的具身智能创企，并拥有“学术大牛+产业老兵”的跨代团队优势 [6] - 公司于2024年成立即获得高瓴创投、蓝驰创投领投的天使轮融资，并跻身英伟达初创加速计划，与智元机器人达成深度合作 [6] 技术路线与核心优势 - 公司坚定押注真实数据，认为无论是合成数据还是仿真数据，都会在数据迁移到机器人时出现“具身差距”问题，无法真正适配真实场景的复杂需求 [4][19] - 公司通过自研的Psi-SynEngine方案，将真实数据采集成本降至马斯克团队的1/10，破解了行业数据瓶颈 [4][6][20] - 公司计划在2026年构建百万小时级别的全球最大灵巧手操作数据集，并以此训练具身智能基础模型，旨在打造该领域的“ChatGPT” [6][21] - 在技术架构上，公司认为视觉语言动作模型现阶段效果最好，但未必是终局，未来三五年有足够数据后才能验证出更强架构 [3][21] 产品定位与行业认知 - 公司选择聚焦灵巧手，认为手部是通用机器人的“终极接口” [16] - 评判灵巧手的首要标准是“落地好用”，高精度和视触觉融合是下一代竞争关键，但存在增加自由度损失稳定性、增加精度损失动态响应的技术悖论 [18] - 灵巧手的核心挑战在于与未知物体的交互，需要整合视觉、触觉、力觉信息进行判断、决策和实时调整，而非简单的预设动作复现 [17] 行业发展与竞争格局 - 行业存在“过热”迹象，新兴行业初期共识分散，后期趋同扎堆，出现泡沫是发展必然 [22] - 未来3年，行业格局将是“赢家通吃”，软硬件技术路线会收敛，率先拥有大规模数据并占据生态位的玩家将更具优势 [23] - 机器人ToC家庭场景的规模化落地预计至少还需要10年时间 [24] 中美产业对比 - 中美在具身智能领域的发展差异源于国情：美国主攻模型突破，中国强在制造与应用 [25] - 中美模型差距没那么大，国内能追上，但中国的供应链和应用场景优势，美国短期难以赶超 [5][25] - 机器人赛道比拼的是场景与软硬件的耦合，中国在这方面优势非常大 [25]

行业整体动态 - 自动驾驶行业在整体下沉的关键节点竞争激烈 卷技术 卷成本 卷效率 [1] - 行业人才流动显著 上半年及当前有大量自动驾驶领域人才转行至具身智能 无人机等行业 L4/具身/无人机行业正在大批量招人 [1] - 自动驾驶作为相对成熟的AI领域 其算法人才非常受欢迎 头部企业如大疆 宇树 智元 哈啰等提供的薪资很到位 [1] - 自动驾驶从业者因具备使用大集群 解决各种复杂场景问题以及上下游协同能力强等经验 在其他相关行业备受青睐 [2] 公司业务发展 - 公司业务在年内进行了拓展 扩充了许多B端客户 并开始尝试从线上走向线下 [1] - 公司在C端的内容策略正从普适性内容逐渐转向专业化和精细化 [1] 技术发展趋势 - 自动驾驶头部技术收敛到几个大方向 包括一段式端到端 VLA 世界模型 强化学习 [3] - 行业中游厂商仍在攻坚OCC 无图技术 多传感器融合感知等领域 [3] - 相关技术公司计划在明年开放大量职位 [3] 行业社区与信息 - 自动驾驶之心付费社区的成员在年内正式突破4000人 [3] - 该社区提供技术路线发展 各类圆桌讨论 研报 职位信息等内容 [3]

文章核心观点 本次圆桌讨论聚焦于具身智能领域的视觉-语言-动作模型，与会专家普遍认为当前VLA的总体架构已趋于标准化和模块化，但模型的泛化能力与落地应用之间仍存在显著差距。未来发展的关键驱动力将来自数据、3D表征学习、强化学习与模仿学习的结合，以及感知与控制模块的逐步统一。 VLA的架构与模型现状 - 当前VLA的总体架构已相对收敛，形成了一种标准范式，即以视觉语言模型为基座，嫁接一个动作输出模块 [14][16] - 尽管架构趋同，但核心差异并非架构本身，而在于数据驱动 [14] - 当前从业者的工作多是在此标准框架下进行“小修小补”，例如引入触觉、记忆等新模块 [15] - 从实际表现看，VLA已能学习叠衣服等长程复杂任务，比去年进步明显，但其泛化性能尚不足以支撑落地 [16] VLA当前痛点与挑战 - 模型将VLM的2D图像与文本特征强行映射到3D动作空间，导致泛化性损失 [17] - VLA的硬件和数据可能成为限制，使精细化操作难以实现 [13] - 当前开源的VLA架构同质化严重，但尚不能确定这就是最佳架构，未来可能有更好的架构出现 [18] - VLM基座模型对3D物理世界的理解非常不充分，缺乏精准的空间grounding能力 [49] VLA未来可能的发展方向 - **3D表征学习**：让特征从2D更好地迁移到3D，利用3D预训练模型提升泛化性和性能 [17][43] - **训练范式创新**：结合强化学习与模仿学习 [43][45]。模仿学习效率高，可完成80%到90%的任务，而强化学习能处理失败数据并激发更高智能 [46] - **与世界模型结合**：使模型具备预判和脑补未来的能力，而不仅是基于当前时刻预测动作序列 [50] - **模块化与系统整合**：VLA作为提供先验知识的基座，需要与世界模型、RL等多种技术点在系统中协同安排，共同解决问题 [48][50] 感知与控制的统一路线 - 从长远目标看，感知与控制最终会趋向统一，形成一个“大一统”的端到端模型 [22][27][35] - 但在实现路径上，由于有大量迫切的现实问题需要解决，目前仍需分模块研发，例如导航场景仍需高精度的专用感知模型 [23][27] - 通过先进行模块化的端到端探索，积累各子领域的经验，才能最终迈向统一 [24][27] - 即使在实现大一统模型后，为建立安全互信和提供策略兜底，保留部分模块化输出（如OCC）仍有必要 [36] 自动驾驶经验对具身智能的借鉴 - 自动驾驶被视为具身智能的一个特殊场景，其完整的技术发展脉络（从模块化到端到端）对具身领域有重要参考价值 [34] - 自动驾驶领域将感知与控制结合后，解决了拟人化和处理复杂长尾案例的难题，这同样适用于具身智能 [34] - 具身智能可以直接对标自动驾驶的最新技术，但因其要求完全自动化，对规则和可解释性的需求可能比自动驾驶更严格 [38] 强化学习在新时代的角色 - 大模型的出现为强化学习提供了强大的起点，使其能够利用大规模算力，进入新的发展阶段 [31] - 强化学习作为一种工具，其算法并未收敛，需要针对不同任务（如数字空间推理与物理空间学习）开发不同的高效方法 [30] - 在具身智能产品化或追求AGI的路径上，不能只专注于强化学习，而需要更全面的知识面，整合模仿学习、VLA基座等多种范式 [46]

π系列VLA模型的技术演进与行业影响 - π系列被视为视觉语言动作（VLA）领域的里程碑，其通过持续技术突破引领生成式AI时代的机器人学习范式，重塑了行业应用逻辑 [2] - 2024年10月发布的π0首创Flow Matching连续动作轨迹预测，突破传统离散动作精度瓶颈，为精密制造、自动驾驶等场景提供毫米级操作基础 [3] - 2025年4月发布的π0.5通过异构任务协同训练与层次化推理，在陌生环境复杂任务泛化成功率高达94%，利用人类视频训练使数据成本降低90%，大幅提升了跨本体适应性并降低了机器人规模化部署门槛 [3] - 2025年11月发布的π0.6通过RECAP强化学习赋能零样本泛化与高效微调，在真实世界中的效率与精度超越人类，实现了工业级高任务完成率与数十分钟快速换型，推动了柔性生产落地 [3] - 其模型能力引领通用机器人从实验室走向工业制造、家庭服务等实景应用，成为2025年以来业界众多VLA模型的核心参考 [3] - 不少公司基于π系列搭建自己的真机演示，或基于其思路进行改进优化，该系列的新工作发布总能引起行业反响 [3] 行业学习与应用的挑战 - 尽管π系列先进，但存在模型不易调试、难以达到预期效果的问题，导致许多从业者将大量时间“浪费”在踩坑上 [4] - 对于初学者而言，想要基于π系列完成从数据、VLA模型训练优化到部署的一整套任务非常困难，有的甚至踩坑半年仍无法真正入门或取得较好效果 [5] - 行业中存在对缺乏真机、缺乏项目指导的普遍需求 [7] 具身智能之心的VLA实战课程解决方案 - 为解决上述挑战，具身智能之心平台联合业内VLA专家开发了国内首个《面向实战与求职的VLA小班课》 [8] - 该课程手把手带领学员复现π0系列等方法，旨在解决缺乏真机和项目指导的问题 [7][8] - 课程内容全面，涵盖机械臂硬件、数据采集、VLA算法、VLA评测、仿真、主流VLA模型部署、VLA+世界模型、各类真机实验以及具身产业讲解等 [13] - 课程被描述为目前该平台最大、最完全的一门课程，采用软硬结合的方式助力有效学习 [14] - 购买课程的学员将获赠一套SO-100机械臂（包含示教臂和执行臂） [16] - 课程讲师为某机器人公司VLA高级研究员，拥有5年以上机器人行业实战经验，聚焦产学研协同落地，并在顶级期刊发表学术论文10余篇 [19] 课程目标人群与收获 - 课程面向正在具身领域求职需要实战项目的同学、VLA领域需要进阶的同学、从事具身智能研究的各学历层次学生、希望从传统领域转行进入具身的同学，以及对领域感兴趣的其他人员 [24] - 课程要求学员具备一定的Python和PyTorch基础，推理建议使用RTX 3060及以上显卡，训练建议使用2张以上RTX 3090 Ti显卡或可自租云服务器资源 [24] - 学员学后预期能掌握真机调试与数据采集、各类VLA算法在真机上的部署，并对VLA模型量化及具身产业落地有清晰认识 [24] - 完成课程后，学员简历上将有足够多的项目支撑，学完可达到具备1-2年以上经验的算法工程师水平 [24] 课程安排与信息 - 课程于2025年12月30日正式开课，后续章节将持续至2026年2月25日 [27] - 课程购买后不支持退款，有效期为2年，并提供微信VIP群内答疑服务 [25]

行业整体动态与竞争格局 - 自动驾驶行业在整体市场下沉的关键节点竞争激烈 各公司卷技术 卷成本 卷效率 [1] - 行业公司业务模式呈现多元化发展 例如从线上服务拓展至线下 从服务C端用户转向同时拓展B端客户 [1] - 面向消费者的服务内容正从普适性内容向专业化 精细化方向演进 [1] 人才市场与流动趋势 - 自动驾驶算法人才在就业市场非常受欢迎 大量人才从自动驾驶领域流向具身智能 无人机等新兴行业 [1] - 多家头部企业为自动驾驶算法人才提供具有竞争力的薪资 例如大疆 宇树 智元 哈啰等公司 [1] - 自动驾驶领域从业者因具备使用大规模计算集群 解决各种极端案例以及强大的上下游协同能力而备受其他行业青睐 [2] - 预计明年自动驾驶行业中游厂商将释放大量职位 [3] 核心技术发展方向 - 行业头部技术收敛于几个明确方向 包括一段式端到端模型 视觉语言动作模型 世界模型以及强化学习 [3] - 行业中游厂商当前技术攻坚重点集中在占用网络 无图化技术以及多传感器融合感知等领域 [3] 行业生态与信息平台 - 自动驾驶之心付费社区成员数量已正式突破4000人 该平台提供技术路线发展 行业圆桌讨论 研究报告及职位信息等内容 [3]