关于发布商Proactive - 发布商是一家提供全球金融新闻与在线广播的机构 其内容由经验丰富的独立新闻记者团队制作 旨在为全球投资者提供快速、易获取、信息丰富且可操作的商业与金融新闻 [2] - 发布商专注于中小型市值公司市场 同时也覆盖蓝筹股公司、大宗商品及更广泛投资领域的信息 其内容旨在激发和吸引积极的个人投资者 [3] - 发布商的新闻团队覆盖全球主要金融和投资中心 在伦敦、纽约、多伦多、温哥华、悉尼和珀斯设有办事处和演播室 [2] 关于发布商的报道领域 - 发布商的报道范围广泛 包括但不限于生物技术与制药、采矿与自然资源、电池金属、石油与天然气、加密货币以及新兴的数字和电动汽车技术等领域 [3] 关于发布商的内容制作 - 发布商在内容制作中采用前瞻性技术 其人类内容创作者拥有数十年的宝贵专业知识和经验 同时团队也借助技术来协助和增强工作流程 [4] - 发布商偶尔会使用自动化和软件工具 包括生成式人工智能 但所有发布的内容均经过人工编辑和撰写 遵循内容生产和搜索引擎优化的最佳实践 [5]

通用磨坊 - 公司第四季度调整后每股收益为1.10美元，超出市场预期 [2] - 公司季度营收为48亿美元，超出市场预期的47亿美元，但同比有所下降 [2] - 公司毛利率超过34% [2] - 宠物业务部门表现强劲，实现11%的双位数增长 [3] - 国际销售额增长6% [3] - 北美市场表现疲软，特别是谷物食品业务 [3] - 公司对2026财年每股收益的指引区间为3.58至3.79美元，市场预期为3.65美元 [4] - 公司预计2026财年有机净销售额增长在-1%至+1%之间 [4] - 由于业绩和指引超预期，公司股价当前上涨2% [4] 特斯拉 - 公司股价近期创下新高，并可能继续创下里程碑 [5][6] - 华尔街大牛Wedbush此前预测特斯拉将重获增长势头 [5] - 过去一年股价表现震荡，与去年创纪录时的环境不同 [6] - 去年股价上涨部分得益于公司与前总统特朗普的密切关系，但后来关系恶化 [6][7] - 马斯克曾为特朗普竞选投入数百万美元，并因此在政府中获得关键职位，后因支出法案产生分歧 [7] - 近期推动股价的因素包括价值数十亿美元的薪酬方案获批，以及机器人出租车服务的进展 [8][9] - 公司本周在奥斯汀进行了无安全员的机器人出租车服务测试 [9] Fortinet - 摩根大通将Fortinet评级从“中性”下调至“减持”，并将其目标价从85美元下调至75美元 [10] - 该行认为Fortinet在2026年将面临日益增长的阻力，主要担忧是大型网络安全平台将更具主导优势 [10] - 该行认为公司增长前景面临风险，且过度依赖硬件市场份额的增长，这限制了其发展潜力 [11] - 覆盖该股的大多数分析师持“持有”评级，市场共识不强 [11] - 该股年内表现逊于标普500指数，消息公布当日下跌1.5%，年初至今下跌14% [12]

股价表现与短期目标 - 特斯拉股价于12月16日周二创下488美元的历史新高[1] - 人工智能模型ChatGPT-5.2认为特斯拉股价“非常接近”500美元，并可能在数周内达到该里程碑[2] - 该预测基于特斯拉股价在发布时盘前交易已超过490美元[2] - 人工智能模型预测，若市场保持积极，特斯拉股价可能在接下来的2至6周内达到500美元，即2026年1月下旬或2月中旬[6] 股价驱动因素 - 推动股价乐观情绪的关键催化剂是自动驾驶和人工智能技术的进展[3] - 公司本周在Robotaxi测试方面取得进展，且首席执行官埃隆·马斯克日益强调近期技术趋势[3] 市场观点分歧 - 许多分析师仍认为公允价值低于500美元，基于盈利、增长和电动汽车需求等基本面因素，当前股价可能被高估[4] - 欧洲的电动汽车需求正在放缓[4] - 自12月15日以来，未来12个月的目标价获得瑞穗证券从475美元上调至530美元，并得到Webdush的赞扬[8] - 摩根士丹利和高盛分别重申425美元和400美元的目标价，意味着潜在下行空间分别为13.24%和18.35%[8] - 人工智能的预测总体看涨但短期谨慎，处于本周人类分析师观点的中间位置[7] 风险与不确定性 - 前景取决于投资者情绪和势头能否持续[4] - 人工智能模型对预测保留了怀疑空间[4]

公司近期动态与产品发布 - Innoviz Technologies Ltd 宣布将参加2026年1月6日至9日在美国拉斯维加斯举行的国际消费电子展，并在西厅7318号展位进行展示 [1] - 公司将在CES 2026上首次展示其新的InnovizThree激光雷达，同时展示InnovizTwo激光雷达平台和InnovizSMART激光雷达传感器 [1] - 展位将提供现场产品演示，包括预定的激光雷达技术测试驾驶 [3][7] 公司管理层与战略合作 - 公司联合创始人兼首席执行官Omer Keilaf表示，此次参展紧随近期与戴姆勒卡车和Torc Robotics宣布建立合作伙伴关系之后，该合作验证了公司为广泛自动驾驶和智能应用提供一流激光雷达解决方案的承诺 [2] - CES与会者将有机会与公司高层管理团队会面，深入了解公司的愿景、即将开展的项目及其在推动跨行业激光雷达技术方面的作用 [4] 产品技术细节与展示内容 - **InnovizThree**：下一代激光雷达技术，采用挡风玻璃后安装设计，旨在无缝集成到车辆设计中，同时提供卓越性能 [7] - **InnovizTwo短至中程**：展示在极短距离内的先进能力，这对于在复杂城市环境中安全操控至关重要 [7] - **InnovizTwo远程**：为高速公路自动驾驶提供卓越的分辨率，演示还将展示公司创新的遮挡解决方案，确保即使在镜头被污垢、昆虫或雨滴遮挡时也能可靠运行 [7] - **InnovizSMART**：专为智能应用构建的激光雷达解决方案，集成了NVIDIA Jetson Orin平台，用于强大的实时边缘AI处理 [7] 公司业务定位与市场地位 - Innoviz是全球激光雷达技术的领导者，作为一级供应商为世界领先的汽车制造商提供服务 [6] - 公司的激光雷达和感知软件“看”得比人类驾驶员更好，减少了出错的可能性，满足了汽车行业对性能和安全性最严格的期望 [6] - 公司在美国、欧洲和亚洲开展业务，其产品已被国际公认的高端汽车品牌选中用于消费车辆，并被其他商业和工业领导者用于广泛的用例 [6][8]

公司概况 - 公司业务专注于为多种商业应用场景开发自动驾驶技术 [1] - 公司目前正处于高速增长阶段 并计划进行业务扩张 [1] 作者背景 - 文章作者为亚利桑那州立大学学生 对科技和金融市场有浓厚兴趣 [1] - 作者主要专注于分析科技公司 特别是涉及人工智能基础设施构建、云计算和整体数字化转型的公司 [1] - 作者的投资方法植根于理解企业基本面和未来增长轨迹 旨在识别内在价值高于当前股票市值的公司 [1] - 作者通过持续研究分析 致力于将复杂的金融和技术趋势转化为直接的投资观点 [1]

公司融资动态 - Waymo作为Alphabet旗下的自动驾驶部门 正进行新一轮融资谈判 计划筹集超过150亿美元资金[2] - 此轮融资由母公司Alphabet领投 公司估值预计将接近1000亿美元[2] 行业与公司地位 - Waymo是自动驾驶出租车制造商 属于Alphabet公司[2]

文章核心观点 - 小鹏汽车董事长何小鹏认为当前没有AI泡沫，未来AI市场存在巨大机遇 [1][5][11] - 整体上，AI仍处于发展的最初阶段（0到0.1），并将推动社会巨大变革 [4][10] 关于美国的新创业和机器人 - 美国在AI、生物、金融领域的创业较多，其中硅谷在SaaS和物理AI机器人领域的创业特别多，估值也特别高 [2][9] - 何小鹏此次交流的近三十位AI领域朋友中，约一半（近十五位）是从事机器人创业的，集中度很高 [2][9] - 中美机器人公司技术路径存在差异：中国公司多从关节和控制入手，美国公司多从模型入手 [2][9] - 人形机器人领域未来将是巨头间的竞争，而不同的专用机器人领域将存在大量不同领域的选手，并拥有非常多的成功机会 [1][2][9] 关于物理AI - 行业普遍期望从语言大模型走向多模态甚至世界模型 [3][10] - 未来3年，最有可能产生重大突破的领域可能不是数字世界，而是物理AI领域 [3][10] - 物理AI领域的具体突破可能包括：自动驾驶直接达到准L4或完整L4级别；人形机器人实现从类似自动驾驶L1到L4初阶的快速跨越 [3][10] - 物理AI的发展速度可能比数字AI慢，但其改变生活的力度会更大 [3][10] 关于AI泡沫 - 任何科技时代（如互联网、新能源汽车）都存在阶段性或局部性泡沫，这是市场从混沌到有序的必然竞争过程 [4][10] - 中美市场存在差异：中国AI估值比较合理，美国估值则被认为“实在有一点高” [4][10] - 中美关注点不同：中国更关注市场应用，美国更关注前沿研究 [4][10] 关于AGI的到来 - 当前AI能力主要基于模仿学习和强化学习，类似自动驾驶通过快速学习百万人驾驶习惯，能比大部分人开车更好更安全，并出现涌现能力，但这并非真正的创造力 [6][12] - 真正的通用人工智能（AGI）仍需多项能力突破，包括从多模态到世界模型、持续学习、长时序洞见和规划能力等 [6][12] - AGI的完全到来可能还需要数年时间，并等待部分底层能力的再次提高 [6][12]

文章核心观点 - 现有自动驾驶系统依赖实时车载传感器，在视野受限、遮挡或极端天气条件下性能受限，而人类驾驶员具备利用道路记忆的能力 [2] - 复旦大学等机构提出一种新范式，通过引入离线检索的地理图像（如谷歌地图）作为额外输入，赋予自动驾驶模型“回忆”能力，这是一种低成本、高鲁棒且即插即用的感知增强方案 [2] - 该方法在多个核心自动驾驶任务上建立了基准测试，实验表明能有效提升部分任务的性能，并将开源相关代码、数据和基准以支持后续研究 [3] 技术方案与数据构建 - 技术核心是将离线检索的地理图像作为额外输入引入自动驾驶系统，图像可从谷歌地图API或已存储的自动驾驶数据集中轻松获取，无需额外传感器 [2] - 在实验中，通过谷歌地图API检索地理图像，扩展了nuScenes数据集，并将新数据与自车轨迹进行对齐 [3] - 构建了名为“nuScenes-Geography”的离线记忆库，数据来源包括街景、卫星图和历史数据 [10] 性能提升与实验结果 - 该方法在五个核心自动驾驶任务上建立了基准：目标检测、在线建图、占用预测、端到端规划和生成式世界模型 [3] - 在线建图任务的mAP提升了13.4% [3] - 占用预测任务中，静态类的mIoU提升了2.57% [3] - 夜间端到端规划任务的碰撞率从0.55%降至0.48% [3] - 大量实验表明，该扩展模态能够提升部分任务的性能 [3] 研究影响与后续计划 - 该工作通过空间召回（Spatial Retrieval）的方式，大幅提高了感知、决策和生成式仿真性能 [10] - 研究团队将开源数据集构建代码、数据及基准测试，旨在为这一新自动驾驶范式的后续研究提供支持 [3] - 该研究被总结为“长时记忆世界模型，赋予决策系统‘回忆’能力” [7]

加州监管裁决与特斯拉营销行为 - 加州行政法法官裁定特斯拉关于其Autopilot和完全自动驾驶系统的营销具有欺骗性[1] - 法官的裁决基于加州车管局今年早些时候提起的诉讼 于11月21日做出[3] - 州监管机构发现特斯拉将其驾驶辅助技术品牌化为“完全自动驾驶”和“自动驾驶”具有误导性 其网站描述该系统“旨在能够在驾驶员座位上的人无需采取任何行动的情况下进行短途和长途旅行”[4] 潜在的惩罚措施与最终处理 - 加州法院建议暂停特斯拉在该州的车辆销售和制造许可证30天[2] - 加州车管局最终决定不追究暂停其制造许可证 并对暂停销售许可证施加了90天的暂缓执行 为公司提供充足时间修改营销实践并重新命名“自动驾驶”术语[5] - 车管局主管表示希望公平对待公司 给予其机会在行政法法官做出裁决后寻找解决方案[5] 公司股价与业务动态 - 尽管在其最大国内市场面临监管阻力 特斯拉股价在周二飙升3.07%至每股489.88美元的新纪录高点 隔夜下跌0.89%[6] - 市场对该公司自动驾驶功能的乐观情绪持续升温 首席执行官确认已开始在奥斯汀测试没有人类“安全监控员”乘坐的机器人出租车[6]

核心观点 - 研究团队提出了一种名为DriveVGGT的新型视觉几何Transformer模型，专门用于解决自动驾驶场景中多相机、低重叠视野下的4D场景重建难题 [2] - 该模型通过显式引入并有效利用相机相对位姿先验，显著提升了多相机系统的几何预测一致性与推理效率 [2] - 在nuScenes数据集上的实验表明，DriveVGGT在相机位姿估计、深度估计的精度以及推理速度上均优于现有的VGGT系列方法 [11][24][27][30] 技术背景与挑战 - 4D场景重建是从视觉传感器预测几何信息的关键任务，基于相机的方案因低成本在自动驾驶领域被广泛研究 [5] - 前向方法（如VGGT）能直接输出预测，无需迭代优化，泛化能力更强，但在应用于自动驾驶多相机系统时面临两大局限 [5][6] - 局限一：自动驾驶车辆摄像头为平衡视场与成本，视角差异大、图像重叠度低，模型难以识别相似特征并预测有效的图像位姿关系 [6] - 局限二：摄像头相对位姿标定信息易于获取，但因其与前向模型预测结果存在尺度差异，无法直接有效利用，导致几何标记间尺度模糊 [6] DriveVGGT模型架构与创新 - 模型旨在充分利用相机相对位姿信息，提升相机位姿估计和深度估计等几何任务的性能 [10] - 提出一个高效的两阶段流程处理多相机图像 [11] - 第一阶段：使用时序视频注意力模块独立处理每个相机的视频序列，利用单相机序列中的时空连续性，初步输出序列位姿和几何标记 [9][13] - 第二阶段：提出多相机一致性注意力模块，通过将归一化的相对位姿嵌入作为额外标记注入，并采用窗口注意力机制，实现不同摄像头图像在有限序列长度内的交互，建立一致性关系 [9][11][15] - 引入相对位姿嵌入模块，对真实世界相机位姿进行归一化并映射到与模型标记相同的维度，以缓解输入输出间的尺度差异 [14] - 最终，预测头将优化后的特征解码为相对位姿、序列位姿和深度的预测结果 [16] 实验结果与分析 - **实验设置**：在nuScenes数据集上进行，该数据集包含6个低重叠摄像头采集的图像，使用700个场景训练，150个验证，图像分辨率从1600x900降至518x280 [19][23] - **位姿估计性能**：在输入210张图像（35帧）的场景中，DriveVGGT(VGGT)的AUC(30)指标达到0.7200，优于原始VGGT的0.6871和fastVGGT的0.6830 [24][25] - **深度估计性能**：在35帧场景中，DriveVGGT(fastVGGT)的Abs Rel指标达到0.3539，表现最佳，显示了其处理长序列多相机视频的能力 [27][29] - **推理速度**：DriveVGGT(VGGT)在35帧场景中的推理时间仅为原始VGGT的50%，实现了更快的推理速度 [30] - **消融实验**：验证了各模块的有效性，仅使用时序视频注意力的基线模型AUC(30)仅为0.039，加入相对位姿嵌入后提升至0.7855，完整DriveVGGT达到0.8010 [34][36] - **窗口注意力**：测试表明窗口大小为3时能在性能与效率间取得最佳平衡 [38] - **尺度预测**：基于尺度的对齐方法在15帧场景下将Abs Rel从0.3805降至0.3666，证明了尺度预测头能将深度转换至真实世界尺度的有效性 [39][40]