行业发展趋势 - 2025年行业核心口号是“智驾平权”，但发展重点正从追求规模普及转向聚焦安全和用户体验的理性轨道 [2] - 高阶智能辅助驾驶技术正加速下探至10万级主流市场，行业开始审视普及浪潮中的功能底线 [2] - 行业竞争从“有没有”转向“好不好用、安不安全”，脱离安全的数量扩张没有意义 [9] 行业竞争现状与问题 - 行业在竞争中出现失序，传播核心指标为定点数量，但交付规模和质量被忽视，价格成为博弈关键 [2] - “成本竞争”在加速普及的同时，可能压缩安全冗余、系统一致性和极端场景验证，在消费者心中埋下隐忧 [2] - 部分公司为迎合降本需求，流行在极小算力芯片上实现高阶功能，但局促配置往往因牺牲体验上限而被消费者抛弃 [11] - 中国汽车制造商开发周期为24至40个月，远短于欧洲的48至60个月，这种“快”带来了规模增长，也引发了焦虑 [7] - 快速开发可能导致问题，如不同车型间标定偏差导致体验断层、场景覆盖不全留下安全盲区、压缩测试环节等 [7] 数据与模型的核心作用 - 实现安全、无人监督的自动驾驶大约需要100亿英里的训练数据，数据规模直接影响泛化能力与极端场景覆盖密度 [3] - 概率极低但致命的场景（如突然窜出的行人）主要依赖海量真实里程数据去“撞见”并学习，模拟无法完全复现 [3] - 特斯拉在2025年底披露其智能辅助驾驶系统累计行驶里程超过110亿公里 [5] - 华为乾崑辅助驾驶在2025年里程达到54亿公里，实现212万次碰撞规避和3.3亿次辅助泊车 [5] - 行业内数据应用路径出现分化，部分车企因车型和硬件复杂导致数据碎片化，用于多个子模型训练，效率低下且难以应对长尾场景 [5] - “单模型持续强化”路径（如元戎启行）构建了结构性安全冗余，通过统一基座模型赋能不同业务线，实现数据与能力的双向强化 [5] 安全与技术架构 - 安全冗余的概念已从物理堆料向“数据规模”与“模型架构”延伸 [2] - 元戎启行采用VLA（视觉语言动作）模型，在端到端基础上引入语言模型，具备“思维链”能力，能在一定程度上摆脱传统端到端模型的“黑盒”问题 [6] - 模型架构和数据闭环的设计是辅助驾驶的安全基石，交付和硬件设计上的严苛标准对产品可靠性同样不可或缺 [6] 公司策略与市场表现 - 元戎启行CEO周光表示不追求合作车型数量，而是选择与少数头部车企深度绑定，将资源集中用于技术打磨，确保核心体验与安全的一致性 [7] - 公司聚焦长城、吉利等核心客户，联合定义产品并深度调试，实现辅助驾驶功能与车型的完美适配 [7] - 元戎启行方案已在十余款车型中实现适配，赋能魏牌高山、坦克500、银河M9等热销车型 [6] - 截至2025年10月，搭载元戎启行城市NOA的量产车型已累计交付超过20万辆，其在第三方城市NOA供应商市场占比接近40%，与华为、Momenta形成三足鼎立 [8] 成本、规模与安全的平衡 - 在智能驾驶行业，低价本身不是问题，但若价格被压到没有利润空间且缺乏足够量产车分摊成本时，安全冗余往往最先被牺牲 [11] - 元戎启行CEO周光表示，2026年市场竞争关键将聚焦于“降低成本”与“提升体验”两大核心，核心思路是“规模降本”而非“物料降本” [12] - 公司计划通过推进百万辆交付目标，将高昂研发成本分摊，在保证合理利润的前提下提供有竞争力的“安全低价”方案 [12] - 头部企业持续加码自研投入：华为自2019年以来在智能汽车领域累计研发投入已超500亿元；特斯拉2025年运营费用达127亿美元（同比增长23%），其中相当部分投向自动驾驶研发；2026年特斯拉还计划将资本支出提升至超过200亿美元用于新建工厂及扩建AI训练算力 [12] - 缺乏规模支撑的低成本方案无法分摊底层研发的刚性支出，最终可能从安全冗余上“找补”，一旦极端事故集中爆发，高昂的召回成本将击穿成本优势 [12] 行业风险与警示（基于事实数据） - 截至2025年9月，中国共实施汽车召回3230次，涉及车辆1.2亿辆 [13] - 仅2024年因辅助驾驶系统问题召回的车辆高达255.61万辆，占全年召回数量的23% [13] - 分不清“让利”与“让安全”的低价战会伤害企业利润及整个行业的用户信任池，动摇行业发展根基 [13]