Agentic AI核心概念与技术演进 - Agentic AI是基于大语言模型（LLM）的自主软件系统，通过感知、推理、规划与工具调用能力实现复杂任务自动化执行，技术演进从规则引擎发展到目标导向架构 [1][22] - 核心能力包括自然语言理解与推理（支持模糊指令逻辑分析）、自主规划与工具集成（通过思维链/树状思维分解任务）、记忆机制与闭环反馈（短期/长期记忆结合RAG技术） [3][25][28][31] - 系统分类：单Agent适用于特定领域简单任务（响应快、成本低），多Agent通过"主管-协作者"模型处理复杂任务（如投资分析、赛事诊断） [36][38] 技术架构与前沿技术 - 关键技术模块包括目标定义与任务管理（ReAct框架形成闭环）、环境交互与沙箱技术（硬件级虚拟化隔离）、多Agent通信协议（A2A/MCP协议标准化工具连接） [3][32] - 前沿技术包含Agentic RAG系统（动态获取最新数据）、Computer Use/Browser Use（自动化流程操作）、端到端训练内化模型能力 [4][25] 构建方案与场景适配 - 亚马逊云科技提供三类方案：专用Agent（Amazon Q，开箱即用）、全托管服务（Amazon Bedrock Agents，快速集成）、完全自建Agent（Strands Agents，深度定制） [1][12] - 选择依据包括任务确定性（专用Agent适合标准化流程）、灵活性需求（自建Agent满足特殊业务流程） [1] 行业应用案例与价值验证 - 金蝶国际：优化ERP系统智能提单流程，员工通过自然语言描述需求实现自动化单据提交 [1][12] - Formula 1：赛事根因分析从数周缩短至几小时，通过Agent分析日志数据提升诊断效率 [2][12] - 制造业：采购合同关键条款识别与物流单信息提取减少人工错误，金融领域：整合市场数据生成可视化决策报告 [4] 未来趋势与挑战 - 趋势：模型能力内化减少外部依赖、标准化协议推动"AgentOS"生态形成、通用与垂直场景分化（个人助理vs专业领域） [4][26] - 挑战：复杂任务推理链断裂、多Agent协同中的上下文丢失、幻觉问题需结合RAG提升输出可信度 [4][38] 市场前景 - 到2028年企业软件应用中33%将集成Agentic AI技术，技术发展推动各行业智能化变革 [26][5]

大语言模型的自信与动摇行为研究 核心观点 - 大语言模型如GPT-4o和Gemma 3存在"固执己见"和"被质疑就动摇"的冲突行为，表现为初始自信但易受反对意见影响而改变答案 [2][3] - 模型行为与人类认知存在偏差：在记忆机制下表现出类似人类的观点维护倾向，但无记忆机制时对反向建议过度敏感，易放弃正确初始答案 [4][5][16][17] 实验设计 - 采用两轮回答实验：第一轮为初始回答，第二轮引入虚构建议LLM的反馈（同意/反对/中立）后观察最终决策 [7][8] - 关键变量为初始答案是否可见：可见时模型倾向于坚持原答案（类似人类行为），隐藏时改变答案概率显著提高 [10][11][12][13] - 反馈建议设置三大属性：态度类型（同意/反对/中立）、准确率标签（50%-100%梯度）、规范化信息呈现方式 [18] 行为机制分析 - 训练层面：强化学习从人类反馈（RLHF）导致过度迎合外部输入，缺乏对信息可靠性的独立判断 [19] - 决策逻辑：依赖文本统计模式而非逻辑推理，反对信号与修正答案的高频关联易使模型被表面反对带偏 [19] - 记忆机制：初始答案可见时路径依赖强化固执性，隐藏时因失去锚点而让反对建议主导决策 [21] 潜在影响 - 多轮对话场景中，模型可能被后期错误反对信息干扰而偏离正确结论 [22] - 当前模型无法自我验证答案正确性，决策质量受外部反馈质量显著影响 [19][21]

AI生成图像检测技术 - 核心观点：厦门大学与腾讯优图实验室联合提出AIGI-Holmes方法，通过"大模型+视觉专家"协同架构解决AI生成图像检测的可解释性与泛化能力问题 [2][5] - 技术亮点：采用双视觉编码器架构（LLaVA+NPR视觉专家）同时处理高级语义和低级视觉特征 [6] - 训练流程：包含视觉专家预训练、监督微调(SFT)和直接偏好优化(DPO)三阶段 [7] - 推理优化：协同解码策略融合视觉专家与大语言模型预测结果，权重分配为1:1:0.2 [8][25] 性能表现 - 基准测试：在POGAN、StyleGAN2等17种生成模型检测中平均准确率达93.16%，显著优于CNNSpot(70.78%)等传统方法 [11] - 跨数据集验证：在COCO、Flickr等数据集上检测准确率保持100%，对SDXL、DALL·E-3等新模型检测准确率超99% [29][30] - 鲁棒性测试：JPEG压缩(98.7%)、高斯模糊(97.9%)等干扰下性能下降幅度小于5%，显著优于AIDE(90.7%)等竞品 [35] 关键技术实现 - 数据构建：Holmes-Set数据集含45K图像+20K标注，覆盖13类生成缺陷（人脸异常/物理法则错误等） [15][19] - 自动标注：采用Qwen2VL-72B等4种大模型进行多专家评审，设计通用正向/负向/特定缺陷三类prompt [18][19] - 偏好修正：通过人工标注修正SFT输出，使用Deepseek生成修改前后解释对用于DPO训练 [21] 解释能力评估 - 客观指标：BLEU-1(0.622)、ROUGE-L(0.375)等自然语言指标超越GPT-40(0.433) [32] - 主观评分：人类ELO评分达11.42，优于Pixtral-124B(10.472)等基线模型 [32] - 抗干扰性：JPEG压缩下解释指标(BLEU-1等)波动小于5%，保持语义一致性 [34] 行业应用前景 - 技术局限：存在幻觉问题（错误解释正常特征）及细粒度缺陷检测挑战 [36][37] - 迭代方向：将针对多模态大模型幻觉问题、解释客观评估指标开展优化 [39] - 开源资源：代码与论文已在GitHub和arXiv平台公开 [39]

视觉-语言-动作(VLA)模型综述 核心观点 - VLA模型通过整合视觉感知、自然语言理解和机器人控制，实现跨模态智能决策，是机器人技术的变革性突破[3] - 当前已梳理102个VLA模型、26个基础数据集和12个仿真平台，形成完整技术生态[3] - 未来发展方向包括可扩展预训练协议、模块化架构设计和稳健多模态对齐策略[3] 技术架构 - **主流架构范式**：采用基于Transformer的视觉/语言骨干网络，通过跨模态注意力融合多模态输入，典型代表包括RT-2、OpenVLA等[9] - **三流编码设计**： - 视觉编码器处理RGB图像（ViT/DINOv2等）[13] - 语言编码器嵌入指令（LLaMA/PaLM等）[15] - 状态编码器处理机器人本体感受数据[11] - **动作生成机制**：扩散策略（Octo）和自回归Transformer（Gato）成为主流解码方式[15] 数据集发展 - **演进趋势**： - 早期：EmbodiedQA等简单状态-动作映射数据集[22] - 中期：ALFRED等引入多模态感官流[22] - 当前：Open X-Embodiment整合22个机器人实体和500+任务数据[5] - **评估框架**：通过任务复杂性和模态丰富度二维指标量化数据集质量，最高分Kaiwu兼具极高任务复杂性和七种模态[23][29] 仿真平台 - **关键功能**： - AI2-THOR：逼真室内场景生成[34] - NVIDIA Isaac Sim：支持激光雷达/IMU等多传感器[35] - MuJoCo：高精度接触力建模[35] - **技术瓶颈**：物理准确性不足、语言接地API缺失制约仿真到现实的迁移效果[47] 应用领域 - **六大方向**： - 操作与任务泛化（RT-2/Octo）[37] - 自主移动（NaVILA）[38] - 人机交互（RoboNurse-VLA）[38] - 专用机器人平台（QUAR-VLA）[38] - 虚拟环境（JARVIS-VLA）[38] - 边缘计算（Edge VLA）[38] 技术挑战 - **架构层面**：模态融合不充分、跨实体泛化能力弱[43][44] - **数据层面**：任务多样性不足、模态不平衡[45] - **仿真层面**：视觉-物理保真度难以兼顾[47] 未来方向 - 开发可学习的分词器统一多模态输入[49] - 构建长视距跨域基准测试体系[49] - 推进可微分物理引擎和标准化语言接口[50]

研究背景与核心思路 - 传统机器人模仿学习受限于硬件和操作成本，难以突破数据规模和任务多样性 [3] - 人类操作行为构成海量潜在训练数据，全球数十亿人在机器人期望工作的场景中持续活动 [3] - 核心突破在于人类与机器人的动作空间差异可通过几何变换近似，无需直接基于机器人数据训练视觉-语言-动作模型 [3] - 先在人类第一视角视频上训练模型，再通过少量机器人演示微调，实现技能迁移 [3] 模型架构与动作空间设计 - 以NVILA-2B为基础框架，输入包括当前及历史第一视角视觉观测、语言指令、动作查询token和人类本体感觉 [5] - 动作头预测未来1秒内的动作序列，采样频率30 Hz [6] - 动作空间采用人类手腕位姿和MANO手模型的前15个PCA主成分，兼顾紧凑性与表达力 [8] - 通过3D变换对齐坐标系，结合逆运动学转换为机器人末端执行器位置 [11] 数据组成与训练 - 整合四个来源的第一视角视频，形成约50万图像-动作对的大规模人类操作数据集 [12] - 数据集涵盖TACO（23%）、HOI4D（25%）、HoloAssist（39%）、HOT3D（13%），涉及33种刚性物体 [12] - 训练损失函数包括L2损失（针对手腕平移和手部关节角回归）和rot6D旋转损失 [10] 评估基准与实验结果 - 基于NVIDIA IsaacSim构建仿真基准，包含12个任务，通过世界坐标系相机位姿解决标注不一致问题 [14] - 人类数据预训练的EgoVLA在短视距和长视距任务中成功率提升约20% [16] - 在seen视觉背景下，EgoVLA的成功率和进度率显著优于无预训练的基线 [18] - 在unseen视觉背景下，EgoVLA短视距任务成功率仅小幅下降，而无预训练模型下降23% [20] 数据规模与多样性影响 - 人类数据多样性越高，模型泛化越好，整合多数据集的模型在短视距任务上的表现显著优于单一数据集训练的模型 [23] - 仅用50%机器人演示数据的EgoVLA性能明显下降，尤其长视距任务 [23] - 依赖带手腕和手部姿势标注的人类数据，当前数据获取仍有局限 [23] - 需少量机器人数据微调才能部署，零样本迁移能力不足 [23]

业务发展 - 打造了四个IP矩阵：自动驾驶之心、具身智能之心、3D视觉之心、大模型之心，覆盖知识星球、公众号、视频号、哔哩哔哩、知乎等平台 [2] - 从纯线上教育转型为全栈式服务平台，新增硬件业务、论文辅导和求职业务，并在杭州设立线下办公室 [2] - 知识付费仍是核心业务，但重点拓展了硬件教具、线下培训和求职招聘等多元化服务 [2] 技术方向 - 自动驾驶行业正经历大模型引发的智驾方案升级，从VLM/VLA向更先进的端到端解决方案演进 [2] - 具身智能和大模型是重点孵化方向，已举办多期圆桌论坛，受到学术界和产业界广泛关注 [2] - 视觉大语言模型(VLM)在自动驾驶中的应用包括预训练、迁移学习和知识蒸馏等多个技术分支 [9][12][13] 社区建设 - 自动驾驶之心知识星球已成为国内最大的自动驾驶技术社区，拥有近4000名成员和100+行业专家 [4] - 社区覆盖30+自动驾驶技术学习路线，包括端到端自动驾驶、BEV感知、Occupancy等前沿方向 [4] - 每周活跃度位居国内前20，注重成员积极性和技术交流 [4] 内容体系 - 知识星球包含四大板块：技术领域分类汇总、科研界顶级大佬直播、求职资料分享和痛点问题解答 [7] - 整理了视觉大语言模型、世界模型、扩散模型和端到端自动驾驶四大前沿技术方向的资源 [6] - 汇总了多个Awesome资源库，涵盖VLM架构、推理策略、安全隐私等细分领域 [8] 数据集资源 - 整理了VLM预训练使用的多个大型数据集，包括LAION5B(5B图文对)、WuKong(100M中文图文对)等 [15] - 汇总了自动驾驶相关数据集，如nuScenes、Waymo Open Dataset、BDD100K等，涵盖感知、预测、规划等任务 [21][22] - 收集了语言增强的自动驾驶系统数据集，支持自然语言导航和空间推理等高级功能 [22] 应用领域 - 智能交通领域应用包括语言引导车辆检索、视觉问答和视频异常识别等技术 [23] - 自动驾驶感知方向涉及行人检测、3D目标检测和开放词汇语义分割等任务 [24] - 定位规划领域探索语言引导导航、轨迹预测和运动规划等解决方案 [25] 行业趋势 - 世界模型在自动驾驶中快速发展，涵盖3D场景理解、未来场景演化和物理原理建模等方向 [30][31] - 扩散模型在自动驾驶中的应用包括场景生成、数据增强和轨迹预测等多个方面 [33][39] - 端到端自动驾驶研究聚焦多模态融合、可解释性和长尾分布处理等关键问题 [45][55]

自动驾驶技术发展现状 - 自动驾驶技术正处于从辅助驾驶（L2/L3）向高阶无人驾驶（L4/L5）跨越的关键阶段 [2] - 2025年自动驾驶、具身智能、大模型Agent三大赛道是AI竞争高地 [2] - 端到端自动驾驶成为主流学习方向，建议从BEV感知开始逐步深入 [2] 自动驾驶技术社区 - 自动驾驶之心知识星球是国内最大的自动驾驶学习社区，拥有近4000名成员 [2] - 社区汇聚100+行业专家，提供30+技术方向学习路线 [2] - 覆盖端到端自动驾驶、世界模型、视觉大语言模型等前沿方向 [2][4] 视觉大语言模型研究 - CVPR 2024发布多篇视觉语言模型预训练论文，涉及效率提升和公平性优化 [11] - 视觉语言模型评估涵盖图像分类、文本检索、行为识别等任务 [16][17][18] - 大规模预训练数据集包括LAION5B（50亿图文对）、WebLI（120亿图文对） [15] 自动驾驶数据集 - 主流自动驾驶数据集包括nuScenes、Waymo Open Dataset、BDD100K等 [21] - 语言增强数据集支持自然语言导航、视觉问答等任务 [22] - 图像分类评估数据集包含ImageNet-1k（128万训练图）、CIFAR-100等 [16] 技术应用领域 - 智能交通领域应用包括语言引导车辆检索、视觉问答系统 [23] - 自动驾驶感知方向研究语言引导3D检测、开放词汇分割等任务 [24] - 决策控制领域探索大语言模型在轨迹预测和运动规划中的应用 [25][26] 世界模型研究进展 - 2024年发布DriveWorld、GAIA-1等驾驶世界模型，支持场景生成与理解 [30][32] - 世界模型可预测未来视觉观测并辅助规划决策 [32] - 研究涵盖4D场景重建、占用预测等方向 [32] 扩散模型应用 - 扩散模型在自动驾驶中用于场景生成、数据增强和轨迹预测 [39] - CVPR 2024发布MagicDriveDiT等街景生成模型 [39] - 研究聚焦时空一致性、多视角生成等挑战 [39] 端到端自动驾驶 - 方法分为模仿学习、强化学习和多任务学习三大类 [61] - 最新工作如DriveGPT4、DriveMLM探索大模型与规划控制结合 [27][51] - 挑战包括长尾分布处理、安全验证等 [55][57] 行业资源与生态 - 社区提供TensorRT部署、BEV感知等工程问题解决方案 [71][73] - 与地平线、蔚来等公司建立内推渠道 [110] - 成员来自卡耐基梅隆、清华等高校及头部自动驾驶公司 [106][107]

报告公司投资评级 - 买入（维持） [2] 报告的核心观点 - 25Q2百度核心广告业务受AI搜索改造等影响可能承压，预计该季度广告业务营收同比下滑16.3%；百度萝卜快跑领跑全球Robotaxi行业，UE有望于2028年回正，25年Q1订单量同比增长75%至144万次；生成式AI及大语言模型推动公司智能云业务快速增长，25Q1云服务收入同比增长42%，预计25Q2增速同比20%以上；下调公司业绩预测和目标价，2025 - 2027年营收分别同比增长-5.2%、4.4%、4.8%，non - gaap净利润分别为197.41亿、220.37亿、240.33亿元，得出DCF估值结果下调公司目标价至95.15港币，维持“买入”评级 [7] 根据相关目录分别进行总结 盈利预测与估值 |项目|2024A|2025E|2026E|2027E| | ---- | ---- | ---- | ---- | ---- | |营业收入（百万元）|133,125|126,265|131,853|138,172| |同比（%）|-1.1|-5.2|4.4|4.8| |归母净利润（百万元）|23,760|18,324|20,200|22,172| |同比（%）|17.0|-22.9|10.2|9.8| |每股收益-最新股本（元/股）|8.6|6.7|7.3|8.1| | P/E（倍）|10.9|14.1|12.8|11.7| [2] 市场数据 |项目|数值| | ---- | ---- | |收盘价(港元)|85.6| |一年最低/最高价|73.25/119.4| |市净率(倍)|0.81| |流通股市值(百万港元)|235,414.3| |每股净资产(港元,LF)|98.1| |资产负债率(%,LF)|36.1| |总股本(百万股)|2,750.2| |流通股(百万股)|2,750.2| [6] 公司分季度业绩拆分和预测 - 2025 - 2027年百度核心业务营收分别为981.9亿、1,032.3亿、1,085.9亿元，同比分别为-6.2%、5.1%、5.2%；核心业务在线营销服务营收分别为618.0亿、611.9亿、605.7亿元，同比分别为-15.3%、-1%、-1%；核心业务云服务营收分别为267.2亿、320.6亿、378.3亿元，同比分别为22.2%、20%、18%；爱奇艺营收分别为289.2亿、294.4亿、304.3亿元，同比分别为-1.0%、1.8%、3.4%；营收合计分别为1262.6亿、1318.5亿、1381.7亿元，同比分别为-5.2%、4.4%、4.8%；归属于母公司股东利润分别为183亿、202亿、222亿元；Non - Gaap净利润分别为197亿、220亿、240亿元 [8] 公司资本成本假设与百度DCF估值 |假设|数值| | ---- | ---- | |无风险利率Rf|1.50%| |市场预期回报率Rm|10.00%| |第二阶段年数（年）|5| |第二阶段增长率|2.00%| |永续增长率(可参考CPI)|1.00%| |DCF估值|现金流折现值|价值百分比| |第一阶段|95,380.90|25.75%| |第二阶段|108,867.34|29.39%| |第三阶段（终值）|166,203.15|44.87%| |企业价值AEV|370,451.39| - | |加：非核心资产|0.00|0.00%| |减：带息债务(账面价值)|63,022.00|17.01%| |减：少数股东权益|19,992.00|5.40%| |股权价值|287,437.39|77.59%| |除：总股本(股)|2,750,167,168.00| - | |每股价值(港元)|95.15| - | [9] 百度萝卜UE模型预测 |项目|2025E|2026E|2027E|2028E|2029E|2030E| | ---- | ---- | ---- | ---- | ---- | ---- | ---- | |单车年均收入（元）|87,600|104,430|131,387|159,158|208,507|260,172| |单车年均成本（元）|130,199|134,603|138,616|117,593|107,450|98,409| |单车年均毛利润（元）|-42,599|-30,173|-7,229|41,565|101,057|161,763| [10] 百度集团三大财务预测表 |项目|2024A|2025E|2026E|2027E| | ---- | ---- | ---- | ---- | ---- | |销售收入（百万元）|133,125|126,265|131,853|138,172| |销售成本（百万元）|66,102|65,405|67,904|70,468| |销售和管理费用（百万元）|22,133|18,940|19,778|21,279| |财务费用（百万元）|-6,214|-2,496|-2,491|-2,596| |净利润（百万元）|24,175|18,644|20,553|22,559| |归母公司股东的净利润（百万元）|23,760|18,324|20,200|22,172| |EBITDA（百万元）|42,929|29,857|36,362|43,697| |NOPLAT（百万元）|42,502|41,408|39,004|40,917| |Non - Gaap净利润（百万元）|27,002|19,741|22,037|24,033| |每股收益(元)|8.64|6.66|7.35|8.06| |每股净资产(元)|95.86|102.52|109.86|117.93| |每股经营现金流|7.72|17.62|18.08|20.54| |ROIC(%)|12.43|11.25|11.27|11.06| |ROE(%)|9.01|6.50|6.69|6.84| |毛利率(%)|50.35|48.20|48.50|49.00| |销售净利率(%)|18.16|14.77|15.59|16.33| |资产负债率(%)|33.70|31.22|31.05|29.81| |收入增长率(%)|-1.09|-5.15|4.43|4.79| |净利润增长率(%)|12.19|-22.88|10.24|9.76| | P/E|10.88|14.11|12.80|11.66| | P/B|0.98|0.92|0.86|0.80| [12]

多智能体协作自动驾驶 - 多智能体协作通过信息共享提升自动驾驶系统的安全性、可靠性和机动性，但现有通信方法受限于高带宽需求、智能体异构性和信息丢失等问题 [3] - LangCoop提出利用自然语言作为智能体间通信媒介，显著降低通信带宽达96%（每条消息<2KB），同时保持驾驶性能竞争力 [3] - 实验在CARLA仿真环境中进行，验证了LangCoop相比基于图像通信的优越性 [3] 技术方案与创新 - LangCoop包含两项关键创新（具体未展开），但明确其通过语言封装实现高效信息传递 [3] - 自然语言信息封装（LangPack）技术可将丰富信息打包为简洁的基于语言的消息 [4] 相关研究与资源 - 论文《LangCoop: Collaborative Driving with Language》已发布在arXiv，提供详细技术方案 [4] - 项目开源在GitHub，包含代码实现和仿真环境 [5] - 清华与博世合作开发Impromptu-VLA框架，实现SOTA性能的视觉语言模型 [6] - 清华与吉利推出Challenger框架，专注于自动驾驶对抗场景生成 [6] 行业动态与资源获取 - 自动驾驶之心知识星球提供技术细节、QA及未公开内容，包括复旦BezierGS驾驶场景重建方案 [4] - 混合模型模块化思维链（M³CoT）技术应用于零样本视觉-语言推理 [4]

核心观点 - PresentAgent是一个能将长篇文档转化为带解说的多模态演示视频的智能体，突破了现有静态幻灯片或文本摘要的局限，生成高度同步的视觉内容和语音解说，模拟人类风格演示[1][9] - 系统通过模块化流程实现文档到视频的转化，包括文档分段、幻灯片生成、语音解说合成及音视同步对齐[3][17] - 提出首个文档到演示视频生成任务，并构建包含30对文档-视频样本的高质量评测数据集Doc2Present Benchmark[12][21] - 开发统一评估框架PresentEval，通过视觉语言模型从内容忠实度、视觉清晰度和观众理解度三个维度评分[6][14] - 实验显示PresentAgent在多项指标上接近人类水平，部分模型如Claude-3.7-sonnet测验准确率达0.64，GPT-4o-Mini视频内容评分达4.8[22][25][26] 技术架构 - **文档处理阶段**：对输入文档进行语义分段和提纲生成，支持论文、网页、PDF等多种格式[17][19] - **幻灯片生成**：检索最佳模板，利用视觉语言模型生成布局感知的幻灯片，包含结构化内容如技术解释、系统架构等[17][29] - **语音合成**：通过大型语言模型生成上下文解说文稿，经TTS转换为音频，并与视觉内容精确同步[3][23] - **评估模块**：采用分段策略，结合客观测验（Qwen-VL-2.5-3B）和主观评分（Qwen-Omni-7B）[24] 实验结果 - **测验准确率**：Claude-3.7-sonnet以0.64超过人类基准（0.56），其他模型如Qwen-VL-Max和Gemini-2.5-pro均为0.52[22][25] - **视频质量**：人类参考视频平均分4.47，GPT-4o-Mini达4.67，Gemini-2.5-flash视觉单项满分5.0但理解性仅3.8[22][26][27] - **音频质量**：人类基准4.80，Claude-3.7-sonnet和Qwen-VL-Max分别达4.53和4.60[22][26] 应用场景 - 支持商业报告、产品手册、政策简报、教程类文档等多领域长文本的自动化视频转化[12][13] - 案例显示技术博客可被转化为包含并行化工作流、代理系统架构等专业主题的解说视频[29] 资源信息 - 论文及代码已公开，标题为《PresentAgent: Multimodal Agent for Presentation Video Generation》[8]