核心观点 - 自动驾驶行业在核心算法层面已形成共识，即采用端到端（End-to-End）作为基础架构，并引入世界模型（World Model）作为关键基础设施 [6][7][10] - 行业在顶层认知上出现路线分歧，主要围绕是否在端到端模型中引入语言模型（即VLA与WA/反VLA之争），这本质上是计算效率与推理能力（快思考 vs 慢思考）的不同权衡 [7][11] - 未来三年是现有深度学习范式的“极致优化期”，核心在于通过海量数据驱动能力自然生长，而非理论重构 [7] - 行业竞争已超越单纯算法模型之争，研发基建、数据仿真、算力芯片、工程化能力及用户体验等非技术因素成为决定成败的关键变量 [13] 核心技术路线 端到端 (End-to-End) - 是自动驾驶的底层基座，替代了传统的模块化方案，直接从传感器输入映射到控制输出 [1][10] - 一段式端到端（One-Stage E2E）已被验证可行（如特斯拉FSD V12），统一了L2和L4的开发范式 [7] - 其局限性主要是“模仿学习”，能力上限受限于训练数据，缺乏逻辑推理 [12] 世界模型 (World Model) - 是核心算法演进中的关键基础设施，扮演“中间加速器”的角色 [7][10] - 主要作用分为两方面： - **对内（训练）**：作为“超级模拟器”，生成大量合成数据以解决长尾问题，并让端到端模型在虚拟环境中通过强化学习反复试错迭代，实现从“数据闭环”到“训练闭环”的演进 [2][8][11][18] - **对外（推理）**：作为“预测机”，帮助车辆理解物理规律和因果关系，直接指导动作生成 [9][11] - 3DGS（3D Gaussian Splatting）是构建高保真仿真环境的重要技术 [3] 视觉-语言-动作模型 (VLA) 与 世界-动作模型 (WA) - **VLA派（理想、英伟达）**：认为需要引入大语言模型赋予车辆逻辑推理（Chain of Thought）和解释能力，以处理复杂、罕见的长尾场景（System 2，慢思考） [9][11][12] - **WA/反VLA派（华为、小鹏）**：认为驾驶主要是直觉反应，引入语言环节会增加延迟和算力负担，主张直接从世界模型理解映射到动作（System 1，快思考） [9][11] - **务实派（小米）**：当前主推“端到端+世界模型+强化学习”解决直觉问题，内部预研VLA以备复杂推理需求，追求“智能密度”最大化 [9][11] 主要公司技术选择对比 | 公司 | 核心技术路线选择 | 核心逻辑与观点 | 世界模型/仿真工具的角色 | | :--- | :--- | :--- | :--- | | **理想汽车** | VLA (Vision-Language-Action) | 认知驱动，认为需从“模仿”进化到“自己学会”，单纯数据闭环不够，必须走向训练闭环 [9] | 利用《World4Drive》等模型构建可探索的虚拟世界，进行策略优化，是训练闭环的核心 [9] | | **英伟达 (NVIDIA)** | 物理AI + VLA (Alpamayo) | 强调AI的可解释性与推理能力，不仅要会开，还要能解释决策，并强调“Test time Scaling”（让AI多思考一会儿） [9] | 使用Omniverse & Cosmos生成合成数据和进行物理模拟，训练车辆学习物理定律 [9] | | **小米汽车** | 端到端 + 世界模型 + 强化学习 (预研VLA) | 智能密度最大化，当前方案优先解决“直觉”（System 1）问题，VLA类似“看悬疑片”（System 2），仅用于极复杂场景，不制造技术焦虑 [9][17] | 使用高保真模拟器进行强化学习训练，解决实车难以覆盖的长尾场景 [9] | | **地平线** | 一段式端到端 (One-Stage) | 范式统一，认为FSD V12证明了端到端的可行性，未来三年是“极致优化期”，旨在统一L2与L4的开发范式 [9] | 未详细展开，主要强调通过统一范式和低成本部署打通壁垒 [9] | | **华为 / 小鹏** | WA (World Action) / 反VLA | 去语言化，认为驾驶主要是直觉反应，不需要经过语言环节，以降低延迟和算力负担 [9] | 利用世界模型理解环境演变，直接指导动作生成 [9] | 非核心技术关键因素 研发基建与工程效率 - 基建（以数据为核心的研发效能）决定迭代速度，好的基建能大幅提升研发效率，例如小米能在一年内实现“追三代”的技术跨越，核心在于云端基建的复用和自动化率提升 [3][18] - 基建的好坏取决于发现问题后，能否迅速从海量数据中挖掘出类似场景，并形成高质量标注数据进行训练 [18] - 强化工程能力和组织能力被视为公司的“工业母机”，是应对技术范式变化的确定性方法 [18] 仿真与合成数据 - 仿真成为解决长尾问题（Corner Case）的核心，单纯依赖真实路测数据已无法满足需求 [14] - 合成数据价值极高，例如在小米的训练数据中，仿真数据占比约为20%，但节省了数倍的人力成本 [18] - 英伟达通过Cosmos世界模型生成符合物理定律的合成数据来训练自动驾驶模型 [18] - 理想汽车等公司强调从“数据闭环”走向“训练闭环”，让AI在虚拟世界中进行强化学习，自我探索最优策略 [18] 算力规模与芯片适配 - 智驾是算力和硬件的“暴力美学”，计算机工业的本质就是“玩命堆算力” [15][18] - 英伟达发布Rubin平台以应对每年增长5倍的AI推理需求，旨在将推理成本降低至原来的1/10 [18] - 算法上车面临巨大的“部署偏差”，从一颗芯片迁移到另一颗芯片通常需要6-10个月解决算子支持、计算精度对齐等问题，这种高昂的迁移成本构成了芯片厂商的护城河 [18] - 随着AI进行长序思考（System 2），车载芯片的“显存”面临巨大挑战 [18] 商业化成本与泛化能力 - 技术再先进也需考虑成本，智驾系统的目标是将L4级体验以极低的部署成本普及到10万元级别车型 [18] - 新一代端到端技术通过数据驱动，在一个复杂城市验证后，能大概率泛化到整个国家，极大地降低了扩张成本 [18] 用户体验与安全冗余 - 技术先进性不等于体验更好，必须在收益和风险之间取得平衡，避免为了“显摆技术”而制造焦虑 [17] - 安全机制至关重要，即便是激进的端到端方案也需要安全兜底，例如英伟达的方案中包含了一个经典的规则驱动AV栈作为安全护栏，在端到端模型信心不足时回退 [19]

文章核心观点 - 自动驾驶行业技术路线正从规则驱动向模型驱动的端到端方案收敛，并以特斯拉FSD V12和V14为关键转折点，行业进入VLA（视觉-语言-动作模型）与WA（世界模型）的路线竞争阶段 [2] - 中国智驾行业正经历剧烈洗牌，竞争将在2026年结束，最终只会有两到三个玩家胜出，头部供应商如华为、地平线、Momenta、文远知行等正通过软硬一体、数据和资金构建护城河 [1][10][11] - 行业共识认为一段式端到端是未来方向，其能解决安全与舒适不可兼得的矛盾，而实现该技术的门槛极高，涉及芯片算力、海量数据与巨额资金投入 [8][9][10][11] 技术路线演进与竞争格局 - **技术范式转变**：特斯拉FSD V12证明了大模型驱动的端到端技术路径可行性，行业随之转向；FSD V14为解决黑箱困境，放弃纯端到端，加入思维链能力，行业纷纷押注VLA路线 [2] - **路线分歧**：以小鹏、理想、长城为代表的主机厂坚定拥抱VLA路线；华为明确拒绝VLA，坚持走WA路线；Momenta则代表相对小众的RL（强化学习）路线 [5][6] - **供应商架构转型**：地平线在2025年6-7月完成技术架构整体切换，其HSD智驾系统采用一段式端到端架构与强化学习，激活量超12000辆 [3]；文远知行凭借一段式端到端架构降维切入L2+赛道，与博世联合开发的解决方案从启动到量产仅用时7个月 [3]；卓驭科技彻底放弃八年规则代码，All in端到端路线 [4] - **行业洗牌**：中国智驾行业经历剧烈洗牌，估值百亿的毫末智行被曝陷入停摆；纵目科技、清研微视等中腰部玩家因资金断裂或技术掉队而声量渐微 [1]；供应商赛道上剩余玩家包括华为乾崑智驾、地平线、Momenta、卓驭科技、元戎启行及文远知行等 [1] 核心能力与竞争壁垒 - **软硬一体**：端到端算法对芯片的最低算力要求是1000T稠密算力、1TB/s带宽起，目前仅有华为和地平线完成了相关技术储备 [10]；Momenta 2025年的核心任务是量产自研芯片以实现软硬一体 [10] - **数据闭环**：车企自研获取足够高质量数据以维持模型迭代的门槛是年销量50万辆 [10]；华为有问界等爆款车支撑其世界模型的数据闭环；地平线、Momenta、文远知行则需依赖合作车企打造爆款车型以获得足够规模数据 [10] - **资金投入**：每年投入20亿元训练模型、10亿元采购大规模计算芯片，是训练一段式端到端大模型的标准，符合此标准的玩家不多 [11] - **车企自研降温**：主机厂自研智驾已经降温，因自研花费比预期大、事不好干，且与内部磨合不畅，越来越不愿意投钱自研 [11] 市场发展与未来展望 - **商业化落地与竞争焦点**：2025年被称为VLA上车元年 [5]；对于大多数企业，2026年的重心仍是L2+和城市NOA，L3/L4只会是轻量化探索 [12]；卓驭科技主打性价比路线，旨在让不足10万元的A0级电动车具备城市NOA功能 [4] - **出海与全球竞争**：国内L2+的红海厮杀倒逼中国智驾企业加速出海，L4级Robotaxi成为新战场 [12]；2025年百度萝卜快跑全球订单突破1700万单超越Waymo；文远知行与Uber在阿布扎比启动合作；小马智行在沙特和韩国布局 [12] - **行业终局判断**：行业共识是竞争将在2026年结束，最终只会有两到三个玩家胜出 [1]；目前华为依然是绝对头部，地平线、Momenta、文远知行等还在第一梯队 [12]

行业技术路线争鸣 - 2025年智能驾驶行业出现“名词过载”现象，分化出VLA、VA、WA等多个技术派别，争鸣不断 [2] - 理想汽车与供应商元戎启行坚定选择VLA路线，在算法架构中引入大语言模型 [2] - 华为与小鹏是VLA的反对派，选择WA路线，尝试去掉Language环节 [2] - 小米汽车认为VA、WA、VLA本质目标一致，都是追求在有限算力下使模型的智能密度最大 [3][8] 小米汽车技术路径与进展 - 小米汽车坚定选择并深耕端到端技术路线，同时内部对VLA、WA、VA等所有主流路线均有预研团队 [3][4] - 小米端到端研发启动较晚，于2024年内部正式整合成立“端到端算法与功能部”，比理想、蔚来晚了至少3个月 [3] - 但小米追赶迅速，在2025年2月向用户全量推送300万Clips的端到端，7月推送1000万Clips版本，11月于广州车展发布Xiaomi HAD增强版，实现了“一年追三代” [3][6] - Xiaomi HAD增强版最大的不同是引入了世界模型+强化学习，使模型具备开放世界的知识性和推断复杂场景因果的能力，标志着进入认知驱动阶段 [3][9] - 小米智能驾驶团队规模已超过1800人，自2021年3月官宣造车后快速组建，第一年即组建500人团队，速度远超同期友商 [5][6][12] - 公司计划在2025年内完成Xiaomi HAD增强版的量产任务 [6] 技术理念：认知驱动与用户体验 - 行业共识是从单纯的数据驱动走向认知驱动阶段，以解决数据驱动无法覆盖所有长尾场景、难以平衡数据分布的问题 [9] - 简单的端到端模仿学习属于数据驱动，而引入强化学习、世界模型或VLA则属于认知驱动，其特点是让模型知道行为原因并进行自主探索与推理 [9] - 小米认为技术是否先进不代表体验一定更好，最终判断标准是能否被用户感知、信任和长期使用 [5][10] - 用户体验是最终落脚点，用户体验不好，用户会归咎于公司而非技术 [5][10] - 在有限硬件条件下训练出智能密度最大的模型是各家的努力方向，不应过分内卷算力 [14][15] 研发策略与基建能力 - 小米研发策略并非“一刀切”，新技术的引入需要循序渐进，并注重寻找最适合自身的技术方案 [5][9] - 强大的以数据为核心的研发基建是小米快速追赶的关键，其优势在于高效的研发架构、数据闭环和自动化流程 [17][18][19][20] - 基建能力强的体现包括：快速从已有数据中挖掘并标注问题、模型训练速度快、评测自动化程度高 [20] - 小米作为科技企业，其云端基建能力可在不同业务间相互借鉴和快速复用，这是其天然优势 [6][21][22] - 截至2025年第三季度，小米年度研发总投入已达235亿元，其中四分之一资金用于AI研发 [6] 仿真技术的应用与价值 - 在世界模型中应用强化学习面临两大难题：世界模型的保真度、并行探索的算力分配效率 [4][33] - 小米在应用强化学习和世界模型构建仿真环境方面比一般友商更为坚决 [32] - 高质量的仿真环境需要足够逼真、符合物理规律，并具备强大的场景编辑能力 [34][35] - 仿真数据主要用于解决实车难以遇到或危险的长尾场景，其生成质量很高 [35][36][42] - 在测试体系中，仿真测试里程要求至少是实车测试里程的100倍 [37][40] - 在模型训练数据中，仿真数据占比约为20%，真实数据占80% [41] - 这20%的仿真数据价值很高，能解决实车难以采集的场景，预计可减少数倍的人力成本 [41][42]

市场格局与公司进展 - 今年前三个季度，国内20万元以上乘用车市场份额占比30%，13万元以下市场份额则高达50%，但后者多数车型尚未配备城区辅助驾驶功能，这一广阔的蓝海市场正吸引着地平线、Momenta等智驾厂商加速布局 [1][13] - 地平线于今年4月正式推出基于征程6系列芯片的城区辅助驾驶解决方案HSD，并于11月随星途ET5和深蓝L06上市实现量产，两款车型上市短短两周后，HSD激活量便突破12000辆 [1][13] - 公司通过生态拓展加速市场渗透，在12月初的技术生态大会上公布两大举措：拓展生态合作模式，新增算法服务模式“HSD Together”，并与日本电装、大众合资公司CARIZON、HCT达成合作；引入更多生态合作伙伴，如元戎启行、卓驭等 [1][13] - 缺乏芯片研发能力的算法公司、软硬研发实力薄弱的车企正纷纷向地平线聚拢，公司目标是让城区辅助驾驶功能下沉至10万元国民车型，并计划在未来3—5年内达成千万级量产规模 [2][14] 技术路线与研发投入 - 地平线敢于制定千万级量产目标的底气源于其在智驾端到端方案上的长期坚守与深耕，公司自2024年底便集中力量主攻端到端技术，90%的研发人力均投入到该方案的研发与量产落地工作中 [2][14] - 公司认为，无论是世界模型（WA）还是视觉语言动作模型（VLA），都需要建立在非常完整的端到端底座之上，没有扎实的端到端基座，高阶智驾就是空中楼阁 [2][9][10][14][21][22] - 地平线是目前行业内少数坚定选择端到端路线的厂商，其最早的端到端架构uni AD曾获得CVPR最佳论文，核心底气来自过去丰富的技术积累 [2][14][15] 技术方案详解 - 地平线HSD的端到端版本最核心的技术亮点是“光子进，轨迹出”，公司是除特斯拉之外，少数拥有真正意义上最完整的一段式端到端系统的企业 [4][16] - 所谓两段式端到端，并非一个模型，而是感知模型加规控模型，信息传递存在丢失；而一段式端到端可实现高维特征的无损传递，信息量更高，驾驶体验更接近人类直觉 [6][17] - 两段式端到端存在的原因是一段式方案若不够完善，输出轨迹会有缺陷导致无法控车，开发者会退而求其次增加后处理规则进行修正，但这些规则会限制模型上限并带来驾驶动作的割裂感 [7][18] - 分辨一段式与两段式端到端，对于从业者主要看模型输出轨迹的连贯性和拟人性，特别是在交互场景下动作是行云流水还是按步骤进行，消费者最直观的体验是是否愿意在城市中安心使用该系统 [8][19] 竞争观点与未来展望 - 对于智驾技术路线之争，地平线认为WA或VLA都是基于端到端，语言（language）等模态应作为辅助项，而非开发核心，模型构建应模拟人类开车状态，即95%以上时间依赖直觉模型，仅在极度复杂场景下加入理解与推理 [9][21] - 未来更智能的端到端方案中，仿真闭环是关键核心技术，因为稀疏场景需要通过仿真生成数据验证，随着端到端成熟，遇到问题的场景会越来越稀疏 [10][22] - 公司认为未来最理想的智驾方案是在端到端直觉模型解决95%甚至99%场景的基础上，为剩余需要认知推理的场景叠加思维链理解能力，但一切前提是端到端直觉模型必须足够好 [10][22] - 作为智驾供应商，接下来的竞争核心应聚焦产品体验、安全性和市场认可度，而非追逐新名词和新概念，技术上公司会做好预研和储备 [11][22] - 地平线强调，即使下一代智驾方案包含VLA技术，也不会抛弃当前的端到端技术，因为端到端是VLA得以实现的基础 [12][24]

市场格局与公司进展 - 今年前三个季度，国内20万元以上乘用车市场份额占比30%，13万元以下市场份额则高达50%，但后者多数车型尚未配备城区辅助驾驶功能，市场空间广阔[1] - 地平线于2024年4月推出基于征程6系列芯片的城区辅助驾驶解决方案HSD，并于11月随星途ET5上市实现量产，同期搭载的深蓝L06也发售，两款车型上市两周后HSD激活量突破12000辆[1] - 公司通过生态拓展加速市场渗透，在12月初的技术生态大会上公布两大举措：新增算法服务模式"HSD Together"，并与日本电装、大众的合资公司CARIZON、HCT达成合作；引入元戎启行、卓驭等更多生态合作伙伴[2] - 公司目标是将城区辅助驾驶功能下沉至10万元国民车型，并计划在未来3-5年内达成千万级量产规模[2] 技术路线与研发投入 - 地平线坚信端到端技术是基石，自2024年底便集中90%的研发人力投入到端到端方案的研发与量产落地工作中[2] - 公司认为，无论是世界模型(WA)还是视觉语言动作模型(VLA)，都需建立在完整的端到端底座之上，若端到端做得不够坚固，则难以引入新模态解决问题[3] - 端到端被类比为人的直觉模型，若直觉模型不完善，仅靠思考推理难以解决复杂场景，甚至可能带来新问题[3] - 公司技术逻辑的核心在于软硬结合，通过更好的硬件支撑大算力，并借助软硬协同优化释放更多性能，最终在消费者体验端带来收益[4] 端到端技术详解 - 地平线是除特斯拉之外，少数拥有真正意义上最完整的一段式端到端系统的企业[4] - 一段式端到端可简单描述为“光子进，轨迹出”，其模型内部进行高维特征的无损传递，信息量更高[4][5] - 两段式端到端并非一个模型，而是感知模型加规控模型的组合，信息传递存在丢失，因为规控模型是依靠感知白名单的检测结果进行训练的[5] - 一段式端到端若做得不完善，输出轨迹会有缺陷导致无法控车，行业退而求其次增加后处理规则进行修正，但这些规则会限制模型上限，导致横纵向操作有割裂感[5] - 对于从业者，分辨一段式与两段式主要看模型输出轨迹的连贯性和拟人性，特别是在交互场景下动作是行云流水还是按步骤执行[6] - 在一段式端到端中，无法精确设定规定车速，模型只能接收期望车速并朝其逼近，但不一定完全达到[6] 行业竞争与未来展望 - 行业内存在不同技术路线，如理想、元戎启行选择VLA，华为和小鹏选择WA或VA模型，但地平线认为它们都基于端到端[7] - 公司认为模型不应以语言为核心进行开发，而应将其作为辅助项，结合端到端基座，这符合人类开车时95%以上时间依赖直觉、仅在极复杂场景加入思考推理的状态[7] - 随着端到端技术成熟，遇到问题的场景会越来越稀疏，仿真闭环对于生成稀疏场景的模拟和验证变得关键[8] - 未来理想的智驾方案是在直觉模型（解决95%甚至99%场景）足够强的基础上，为剩余需要认知推理的场景增加思维链理解能力[9] - 公司认为竞争核心应回归产品体验、安全性及市场认可度，技术上会做好预研和储备[9] - 公司明确表示，即使下一代智驾方案包含VLA技术，也不会抛弃当前的端到端技术，因为后者是前者的基础[10]

华为汽车业务成绩与规模 - 截至7月搭载华为乾崑智驾车辆达100万辆 激光雷达发货量超100万台 辅助驾驶累计里程40亿公里 [3] - 截至8月底共有28款合作车型上市 涵盖五个界及阿维塔 深蓝 岚图 猛士 传褀 方程豹 奥迪等品牌 [3] - 车BU从2014年开始投资 历时超十年投入大量研发资源后实现当期盈利 [4] 技术路线战略 - 坚持WA(世界行为模型)技术路线 认为VLA(感知语言行为模型)非自动驾驶终极方案 [4][13] - WA通过vision等直接信息输入控车 无需转换为语言token 可能整合视觉 声音 触觉等多模态数据 [5][14] - 基于WA架构推出WEWA模型(云端世界引擎+世界行为模型) 将于ADS4.0部署 [6] - 辅助驾驶依赖数据驱动 算力与算法 未来行业需公共智能化平台 [15] 商业化与收费模式 - 辅助驾驶收费合理 因需持续迭代维护OTA投入成本 [8][17] - 免费辅助驾驶实为支付方式转移 或限时免费 或成本包含在车价中 或功能不完善 [7][17] - 采用全生命周期管理理念 用户初期购买成本高但长期体验更优 折算后成本不高 [8][18] 产品开发与用户体验 - 匹配新车型最快需6-9个月 [17] - 坚持全栈模式 软硬件充分耦合 保障鸿蒙座舱与乾崑智驾体验及维护升级 [10] - 鸿蒙座舱基于MoLA架构横向打通垂域 纵向打通应用生态与硬件设备 [10] 技术配置与安全理念 - 增加激光雷达等传感器配置为提升安全性 追求零伤亡事故 [19][22] - 例如尊界S800增加侧向与后向固态激光雷达 使系统精度达厘米级 避免泊车事故 [19][20] - 配置增加由用户场景驱动 如识别坑洼农田等复杂环境 [21][22] 未来发展规划 - 2026年辅助驾驶目标具备高速L3能力及城区L4试点能力 [11] - 2027年目标无人干线物流试点及城区L4规模化商用 [11] - 2028年目标无人干线物流规模化商用 [11] - 智能座舱方向发展为"数字保姆"与AI Agent [11]

业务数据与市场表现 - 截至7月搭载乾崑智驾车辆达100万辆 激光雷达发货量超100万台 辅助驾驶累计里程达40亿公里[1] - 截至8月底共有28款合作车型上市 涵盖五个界及阿维塔、深蓝、岚图、猛士、传祺、方程豹、奥迪等品牌[1] - 车BU从2014年开始投资 历时超十年投入大量研发资源后实现当期盈利[1] 技术路线与产品战略 - 公司认为WA（世界行为模型）是自动驾驶终极方案 而非行业头部企业押注的VLA（感知语言行为模型）[1][10] - WA通过vision等信息直接控车 无需转换为语言token 输入源可包括视觉、声音或触觉[3][11] - 基于WA架构推出WEWA模型（云端世界引擎+世界行为模型） 将于ADS 4.0部署[4] - 坚持全栈模式 软硬件充分耦合 应用于乾崑智驾与鸿蒙座舱 反对解耦导致的体验下降与维护困难[7] - 鸿蒙座舱基于MoLA架构横向打通垂域 纵向打通应用生态、硬件和设备[6][7] 商业化与收费模式 - 辅助驾驶收费具备合理性 因需持续投入迭代、维护和OTA升级成本[5][15] - 指出免费辅助驾驶实质为支付方式转移 可能通过车价内含、限时免费或体验折扣实现[4][15] - 采用全生命周期管理 用户初期投入较高但长期体验更优 硬件可持续升级[16] 安全与技术配置 - 增加激光雷达等传感器主要为提升安全性 追求零伤亡事故[17] - 例如尊界S800增加侧向与后向固态激光雷达 使泊车系统精度达厘米级[17][18] - 配置增加由用户场景驱动 如识别坑洼、农田等复杂环境避免事故[18] 未来发展规划 - 2026年实现高速L3与城区L4试点 2027年开展无人物流试点与城区L4规模化商用 2028年目标无人物流规模化商用[9] - 智能座舱方向为打造"数字保姆"与AI Agent[9] - 认为最终实现L3/L4的企业数量有限 因依赖数据驱动与公共智能化平台[12]

华为车BU合作模式 - 华为车BU与车企合作模式包括部件、单智（智舱或智驾）、双智（智舱和智驾兼具）、全栈等多种模式，合作深度依次递增[2] - 全栈合作模式下，华为从IPD到IPMS全过程"陪跑"车企，覆盖产品定义、设计、制造到营销全环节[2] - 奥迪是华为智驾合作的第一个外资品牌，但未来还会有第二家、第三家外资品牌加入合作[6] 乾崑智驾技术与发展规划 - 乾崑智驾品牌命名源于华为logo不能贴在车上，需独立品牌标识[5] - 匹配一款车型的智驾系统最快需6~9个月[6] - 搭载乾崑智驾的车辆已达100万辆，且ADS 4即将大规模上车[2] - 公司未设定明确商业化目标，坚持长期投入，不追求当期盈利[7] 智驾技术路线与行业观点 - 华为不认同VLA（视觉-语言-动作）技术路线，认为WA（世界-动作）模型才是终极方案，通过视觉、声音、触觉等信息直接控制车辆[3][9] - 自动驾驶行业未来将进一步汇聚，因技术依赖数据驱动，需大量数据、算力和算法支撑，公共智能化平台将更重要[10] - 智驾本质是提供"数字司机"，追求零事故零伤亡，差异化较低，溢价取决于用户感知价值[11] 辅助驾驶商业化观点 - 辅助驾驶功能不可能免费，研发投入需通过车价或未来收费覆盖，免费策略实为转移支付方式[3][12] - 功能包定价高可保障长期迭代和维护，提升用户体验周期；低价购买可能导致短期失效，实际成本更高[12]

华为车BU合作模式 - 华为车BU与车企合作模式包括部件、单智（智舱或智能辅助驾驶其一）、双智（智舱和智能辅助驾驶兼具）、全栈等多种模式，合作深度依次递增 [2] - 华为车BU从IPD到IPMS全过程"陪跑"车企，覆盖产品定义、设计、制造到最终营销的全流程 [2][9] - 华为车BU与车企深度全栈合作的原因在于部分车企（特别是央国企）制造能力强但前后端需加强，华为可提供IPD和终端经验赋能 [9] 乾崑智驾业务发展 - 乾崑智驾品牌命名因华为logo不能贴车，故独立命名便于车辆标识 [5] - 乾崑智驾匹配一款车型最快需6~9个月 [6] - 搭载乾崑智驾车辆已达100万辆，华为ADS 4即将大规模上车 [2] - 奥迪是华为智驾合作的首个外资品牌，未来将有更多外资品牌合作 [7] - 乾崑智驾无明确商业化目标，不追求当期盈利，坚持长期主义投入 [8] 智能驾驶技术路径 - 华为乾崑不采用VLA（视觉语言动作模型）技术路径，认为其通过语言转换控制车辆非终极方案 [3][10] - 华为更看重WA（World和Action）路径，通过视觉、声音、触觉等信息直接控制车辆，虽难度大但被视为终极方案 [3][10] - 自动驾驶行业玩家数量将持续减少，因技术路径依赖数据驱动（数据量、算力、算法），需公共智能化平台支撑 [11] 辅助驾驶商业化与竞争 - 辅助驾驶功能本质是提供"数字司机"，追求零事故零伤亡，差异化程度低 [12] - 功能溢价取决于用户价值认知，而非技术差异化 [12] - 辅助驾驶功能不可能免费，免费策略实为成本转嫁（如含在车价或未来收费） [13] - 功能包定价高可保障长期迭代和维护，提升用户体验周期；低价可能导致短期失效，实际成本更高 [13]