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]

公司发展历程与关键决策 - 2020年公司推出自研大模型算法架构GLM并尝试训练100亿参数基座模型 获得包括美团在内的企业试用 [2] - 2021至2022年公司决定投入更多数据训练1300亿参数大模型 为此成立两个小型创新团队分别负责模型训练和MaaS平台建设 [2] - 2022年中GLM-130B模型诞生 MaaS平台上线并收获第一批API用户 随后公司正式成立AI院和MaaS平台部 [3] - 2023至2024年全球大模型爆发 国内掀起创业高潮形成百模大战 公司复盘承认在追逐AGI过程中存在技术与商业层面的失误 [3] - 2025年公司确定Coding为突破口 从4月发布GLM-4.1到7月底GLM-4.5决战 最终GLM Coding Plan获得全球184个国家15万开发者使用 [4] - 2025年GLM-4.7发布后公司MaaS平台ARR年化收入超过5亿元人民币 其中海外收入超过2亿元 收入从2000万到5亿增长25倍仅用10个月 [4] 技术研发与产品迭代 - 公司早期模型因知识量不足和缺乏类人推理能力 距离AGI目标遥远 [2] - 公司即将推出新一代模型GLM-5 [2] - 2023年公司意识到AI将颠覆搜索与浏览器 为每个人带来全新AI助手并重塑计算机底层逻辑 [3] - 公司认为决定下一阶段行业格局的是模型架构与学习范式这两件更底层的事 [4] - 2026年公司将聚焦于GLM-5基座大模型 全新的模型架构设计 更强泛化能力的强化学习 并对在线学习或持续学习进行前瞻布局 [4] 行业趋势与公司战略 - 行业讨论焦点正从大模型本身转向应用与生态 [4] - 应用侧可能出现一个清晰方向 即AI替代不同工种或任务的爆发年 [4] - 公司启动建设全新部门X-Lab 以开放方式聚集年轻人进行模型架构 认知范式等前沿探索并孵化新项目 [5] - 公司将扩大对外投资以贯通行业 [5]

行业观点 - 机器人产业发展的核心问题涉及数据和模型架构两方面 均非常重要[1] - 当前行业核心问题包括难以判断优质数据的标准 以及优质数据采集方法和规模不明确[1] - 行业应尽可能提高对数据的利用率以推动技术发展[1] 技术挑战 - 数据采集过程中存在模糊阶段 包括采集标准和规模确定[1] - 模型架构与数据质量共同影响机器人产业发展水平[1]