技术发展路线 - 自动驾驶技术正从基于规则的系统、模仿学习向端到端+视觉语言模型以及无地图方案演进 [6] - 技术性能的提升依赖于仿真效率、数据规模以及人类工程师的经验 [6] - 视觉语言模型和世界模型是构建L4级训练闭环的关键组成部分 [15][16] 数据闭环的价值与规模 - 公司已积累15亿公里的驾驶数据，数据片段长度为15至45秒 [8] - 数据闭环基础设施包含超过200种触发条件，能够实现分钟级的数据反馈 [8] - 数据规模呈现显著增长，从2020年的数据点增长至2025年的规划 [8] 端到端视觉语言模型的数据缩放定律 - 模型性能随着训练片段数量的增加而提升，从100万片段到1000万片段均有对应性能指标 [10] - 在引入“超级对齐”技术后，模型干预间隔里程数显著提高，例如从无对齐时的约20公里提升至超级对齐后的超过200公里 [10] - 性能提升过程具有明显的时间线，从2023年02月27日到2025年01月05日期间持续迭代优化 [10] 数据闭环的局限性 - 数据闭环技术无法单独解决所有复杂驾驶场景，例如交警指挥、车道变化、前方烟花爆炸、羊群突然切入等边缘案例 [11][12] - 行业共识是自动驾驶的竞争已进入下半场，重点从数据闭环转向训练闭环，核心在于评估和真实世界效用 [13][14] 训练闭环的关键技术栈 - 关键技术包括区域级仿真、合成数据、强化学习、世界模型、多模态生成与场景重建等 [17][18] - 仿真技术从重建向生成演进，结合了3D高斯泼溅+神经辐射场、3D高斯泼溅+扩散模型等前沿方法 [19] - 公司在该领域有明确的技术发展路线图和时间表，例如2024年2月的Hierarchy UGP项目至2025年9月的RLGF项目 [20][21][24][26] 生成数据的应用 - 生成数据主要应用于场景编辑、场景迁移和场景生成三大方向 [27][29][30][31][33] - 生成数据能够覆盖多种关键变量，包括车辆、自车行为、交通状态、天气、道路类型和行为等 [34] 强化学习引擎的系统能力 - 强化学习引擎的核心能力取决于世界模型、3D资产、模拟智能体、奖励模型以及GPU算力与效率 [35][36] - 构建多样化的场景、交互行为并提供精确反馈是提升系统泛化能力的关键 [36] - 与基础仿真环境相比，推理过程对计算资源的需求更为密集 [36] 训练闭环的核心挑战 - 交互式智能体是构建训练闭环过程中面临的主要挑战 [38][40] - 模拟环境中是否包含智能智能体对仿真效果有决定性影响 [41] 总结与展望 - 自动驾驶技术的发展方向是从数据闭环演进至训练闭环 [44] - 最终目标是建立由目标驱动、具备自我探索能力的学习方法 [45]

DriveVLA-W0：世界模型增强自动驾驶VLA - 提出DriveVLA-W0训练范式，通过世界建模预测未来图像提供密集自监督信号，解决VLA模型“监督不足”瓶颈，增强泛化能力与数据扩展性[2][6] - 在NAVSIM v1/v2基准上分别达到93.0 PDMS与86.1 EPDMS，推理延迟降至基线VLA的63.1%[2][6] - 设计轻量级MoE动作专家，将推理延迟降至基线VLA的63.1%[6] - 在70M帧大规模内部数据集上验证数据缩放律放大效应，VQ模型ADE降低28.8%，ViT模型碰撞率降低15.9%[6][9] - 在NAVSIM v1基准上PDMS达93.0%，单摄像头优于多传感器竞品[6][9] CoIRL-AD：协同竞争式模仿强化学习框架 - 提出竞争性双策略框架CoIRL-AD，将模仿学习与强化学习结合在潜在世界模型中[13][15] - 在nuScenes数据集上碰撞率降低18%，在Navsim基准上PDMS得分达88.2[13][15] - 利用潜在世界模型实现基于“想象”的模拟，将强化学习融入端到端自动驾驶框架，无需依赖外部模拟器[15] - 设计基于竞争的学习机制，实现IL与RL的联合训练与结构化互动，避免梯度冲突[15] PAGS：优先级自适应高斯泼溅动态场景重建 - 提出Priority-Adaptive Gaussian Splatting框架，通过语义引导剪枝与正则化实现高质量实时3D重建[23][27] - 在Waymo数据集上达到PSNR 34.63，SSIM 0.933，渲染速度353 FPS，训练时间仅1小时22分钟[23][27][30] - 基于静态语义分数和动态梯度贡献分数的混合重要性度量，简化非关键场景元素，保留安全关键目标细粒度细节[27] - 模型尺寸530 MB，显存占用6.1 GB，优于EmerNeRF、StreetGS等主流方法[27][30] Flow Planner：流匹配自动驾驶规划 - 基于流匹配和交互行为建模技术，在nuPlan Val14基准测试中达到90.43分，是首个无需先验知识突破90分的学习型方法[34][38][40] - 在interPlan基准测试中比Diffusion Planner提升8.92分[34][40] - 提出细粒度轨迹分词技术，将轨迹分解为含重叠区域片段，解决全轨迹建模复杂度高问题[35][40] - 构建交互增强的时空融合架构，通过自适应层归一化将异质特征投影到统一latent空间[40] CymbaDiff：草图驱动3D语义场景生成 - 提出CymbaDiff模型，结合圆柱Mamba结构与空间扩散机制，实现基于草图与卫星图像的3D语义城市场景生成[44][47] - 在Sketch-based SemanticKITTI上FID达40.74，比现有方法提升约16分[44][47] - 构建首个面向3D户外语义场景生成的大规模草图驱动基准数据集SketchSem3D[47] - 设计圆柱曼巴扩散模型，显式编码圆柱连续性与垂直层级，提升空间连贯性[47] DriveCritic：VLM自动驾驶评估框架 - 提出DriveCritic框架，利用视觉语言模型进行上下文感知的自动驾驶评估，在人类偏好对齐任务中达到76.0%准确率[55][57][58] - 揭示现有规则化指标缺乏上下文感知能力与人类对齐性的缺陷[57] - 构建DriveCritic数据集，从NAVSIM采样5730个轨迹对，标注pairwise人类偏好[57] - 采用监督微调加强化学习微调两阶段训练，使模型具备跨视觉符号上下文的轨迹判优能力[57][58]

文章核心观点 - Meta公司发布了一个名为Code World Model的新型代码生成大模型，其采用世界模型架构，旨在通过模拟代码执行过程来提升推理和规划能力，代表了与大语言模型不同的技术路径 [1][5][16] 模型架构与技术特点 - CWM是一个拥有320亿参数的稠密、仅解码器结构的大语言模型，支持长达131k tokens的上下文长度 [7][8] - 模型在Python解释器和智能体式Docker环境中使用了大量观测-动作轨迹进行中间训练，并进行了大规模多任务推理强化学习 [12] - 模型基于大量编码数据和定制的Python + Bash世界建模数据进行训练，使其能够模拟Python函数的执行以及Bash环境中的智能体交互 [22] 模型性能表现 - 在通用编程与数学任务上，CWM表现如下：SWE-bench Verified pass@1为65.8%，LiveCodeBench为68.6%，Math-500为96.6%，AIME 2024为76.0% [8][23] - 在Aider Polyglot基准测试中，采用整文件编辑格式时，CWM的准确率为35.1%，与Gemini 2.0 Pro exp-02-05的35.6%和Grok 3 Mini Beta的34.7%表现接近 [24] - 在Terminal-Bench上，CWM与Terminus 1智能体配合使用的准确率为26.3%，优于Gemini 2.5 Pro的25.3%和o4-mini的18.5% [28] - 在BigOBench复杂度任务中，CWM在时间复杂度预测与生成的全部指标上均超越基线模型，例如时间复杂度的Code Only pass@1达到76.1%，优于Qwen3-32B的70.0% [29][30] 研究意义与未来方向 - CWM提供了一个强大的测试平台，用于探索世界模型在改进代码生成推理与规划能力方面的潜力 [15][31] - 世界模型方法旨在弥合语言层面推理与可执行语义之间的鸿沟，使模型能够预测自身行为的后果，从而实现更有效的决策 [16][17][31] - 消融实验表明，世界建模数据、Python执行轨迹以及可执行的Docker环境能够直接提升下游任务表现 [31] - 该研究支持未来在零样本规划、具身的链式思维、以及稀疏且可验证奖励的强化学习等方向的研究 [31]

**行业与公司** 行业涉及人形机器人及自动驾驶 公司包括机器人初创企业优必选UBTECH 大族机器人Leju 越疆科技Dobot 以及零部件供应商奥比中光Orbbec 兆威机电Zhaowei 速腾聚创RoboSense 固高科技Googol 机器人制造设备供应商联想控股LK Tech 及自动驾驶方案提供商Minieye [1][7] **核心观点与论据** *市场前景* 人形机器人市场未来十年将快速扩张 当前主要用于教育和研发 未来2-3年将广泛用于工厂场景 长期有望进入商业和家庭应用领域 当前全功能人形机器人BOM成本约5-6万美元 未来5年成本将快速下降 得益于产品设计改进和规模效应 [1] 自动驾驶领域 日益严格的法规将为AD零部件提供更多机会 例如L3要求可能带来长距离物体检测需求 利好激光雷达LiDAR 而前视摄像头模块FVCM和驾驶员监控系统DMS因强制自动紧急制动AEB安装规定面临巨大增长潜力 [1] *零部件机遇* 灵巧手供应商兆威机电于2024年底推出人形机器人灵巧手模型 凭借寿命 温控和负载性能优势 长期目标全球市场份额10-15% 假设2030年全球人形机器人出货量达300万台 公司灵巧手出货量预计60-90万台 灵巧手BOM成本占机器人总成本20-30% 按单台机器人20-30万元人民币计算 单台价值量4-6万元人民币 [12][13] 视觉系统方面 奥比中光认为深度相机（包括结构光相机和间接飞行时间iToF）是人形机器人主流选择 而速腾聚创预计LiDAR采用率将因成本下降和远距离传感需求上升而提高 [2][21][22] 运动控制系统供应商固高科技凭借多自由度控制专业知识 其控制器可很好应用于人形机器人执行器 [2][15] 材料方面 联想控股看到镁合金在人形机器人结构材料中采用率上升 因减重要求和生产工艺成熟 镁合金可使功能部件减重30-40% 每辆汽车镁合金用量从2020年1.5-3公斤增至2024年燃油车5公斤和新能源车10公斤 政策目标是2030年达到45公斤 [25][26] *算法与数据* 视觉-语言-行动模型VLA和世界模型World Model是具身AI的两条竞争技术路线 VLA采用单一端到端模型 而世界模型学习现实世界物理规律 所需边缘侧计算能力更少 在长流程任务中表现良好 当前高质量数据可用性是关键瓶颈 机器人初创企业可能结合使用模拟数据和真实数据 或与政府支持的数据收集中心合作 [3][24] *公司具体动态* 优必选Walker系列人形机器人现已部署于比亚迪 极氪 东风 一汽大众等汽车工厂用于物料搬运 目标2025年出货500台 2026年出货2000-3000台 当前BOM成本5-6万美元 预计未来2-3年成本快速下降 [23] 速腾聚创新款EMX激光雷达在精度（192通道对64通道） 探测距离（300米对200米）和自研SPAD-SOC芯片方面优于竞争对手禾赛ATX产品 截至2025年8月已为40多款车型获得EM4/EMX设计订单 很可能成为小米 理想 零跑和长安的第二供应商 预计2025年ADAS激光雷达出货60-70万台 2026年150万台 其中约50%来自比亚迪 20-25%来自吉利 约10%来自上汽 [10] 越疆科技是全球领先协作机器人COBOT品牌 2025年上半年六轴协作机器人销售同比增长47% 大幅超越行业增长 显示份额提升 2025年一季度推出首款人形机器人原型 三季度推出第二版 [8][9] 大族机器人目标2025年出货超过1000台 2026年预计5000-10000台 关节是人形机器人关键部件 占成本40%以上 包括电机 减速器和执行器 当前产品有28个关节 下一代目标31个关节 预计平均售价ASP将随规模效应下降 到2026-2028年降至15万元人民币（约2万美元） [18][19][20] *自动驾驶与安全法规* Minieye提供从L0到L2的iSafety解决方案（前视摄像头模块FVCM） L2+到L3的iPilot解决方案（域控制单元DCU）以及L4的iRobo解决方案 中国已规定从2026年起商用车强制安装AEB 很可能从2028年起乘用车也强制安装 2024年中国乘用车AEB渗透率约为60% [16][17] **其他重要内容** *投资评级与风险* 联想控股XBQXF目标价3.2港元 基于10倍2026年预期每股收益 下行风险包括低于预期的总可寻址市场TAM和竞争 [27][28] 速腾聚创XEDSF目标价46港元 基于DCF和EV/销售额估值平均 下行风险包括汽车市场价格竞争 LiDAR市场竞争加剧 ASP/毛利率下降以及美国收入关税风险 [29][32] *研究范围* 报告涵盖工业及汽车行业多个公司 包括买入 中性和表现不佳评级 [33][34][35][36] *免责声明* 美国银行证券与其覆盖的发行人有业务往来 可能存在利益冲突 投资者应将此报告仅作为投资决策的单一因素 [4][5]

多模态大模型 & VLA - 多模态大模型和VLA是当前最热门的赛道，主流范式遵循『预训练-微调-强化学习』三阶段，但通用自动驾驶VLM基础模型仍缺失 [5] - 华科与小米联合推出ORION框架，通过视觉语言指令生成动作实现端到端自动驾驶 [5] - 中山大学与美团合作开发All-in-One大型多模态模型DriveMM，整合多任务处理能力 [6] - 重庆大学提出MCAM模型，通过多模态因果分析理解自车级驾驶视频 [8] 闭环仿真 & 世界模型 - 基于世界模型和3DGS的闭环仿真成为行业刚需，聚焦车道线、红绿灯等细粒度性能优化 [5] - 清华大学与旷视科技推出DiST-4D模型，实现4D驾驶场景的时空解耦生成 [34] - 美团与中山大学开发RoboTron-Sim，通过模拟极端案例提升实车驾驶性能 [17] - 清华大学与地平线合作Epona模型，采用自回归扩散方法构建世界模型 [47] OCC与3D重建 - 丰田利用大规模二值占用数据开发语义占用预测模型B2S-Occupancy [52] - 清华大学团队提出GS-Occ3D，基于高斯泼溅技术扩展纯视觉占用重建 [51] - Valeo AI推出GaussRender，通过高斯渲染学习3D占用 [60] - 慕尼黑工业大学开发SceneDINO，实现无监督语义场景补全 [56] 目标检测 - 新加坡国立大学提出Perspective-Invariant 3D检测方法PI3Det，提升视角不变性 [68] - 韩国庆熙大学开发SFUOD框架，解决无源未知物体检测问题 [71] - 南京理工大学推出OcRFDet，基于物体中心辐射场实现多视角3D检测 [75] 数据集与评估 - 加州大学欧文分校发布DriveBench工具包，评估VLM在自动驾驶中的可靠性 [76] - 卡内基梅隆大学推出ROADWork数据集，专注施工区域驾驶场景 [79] - 中国科大与华为联合开发VLADBench，细粒度评估大视觉语言模型 [87] 端到端与轨迹预测 - 香港科技大学与滴滴合作强化轨迹预测模型，引入奖励启发机制 [29] - 韩国DGIST实验室利用可控扩散模型解决长尾轨迹预测问题 [30] - 中科院自动化所与理想汽车推出World4Drive，通过意图感知潜变量模型实现端到端驾驶 [32] 其他技术方向 - 浙江大学与中兴通讯开发Dynamic-DINO，实时开放词汇检测 [93] - 新加坡国立大学团队提出LiMA框架，跨视角蒸馏提升LiDAR表征 [97] - 复旦大学与萨里大学合作DriveX，在自由轨迹上生成驾驶视图 [37]

核心观点 - Google DeepMind发布的Genie 3是一种革命性的通用世界模型，能够从文本或图像生成高度互动的3D环境，支持实时交互和动态修改 [1] - 该技术有望开启万亿美元商业版图，成为VR领域的杀手级应用，其核心是生成式交互环境模型，融合游戏引擎、物理模拟器和视频生成模型的特性 [9] - Genie 3代表了从手工编码到AI生成的世界模型演进，通过海量数据自主学习环境动态规律，终极目标是仅用文本提示生成任意交互式世界 [10] 技术演进 - 初代Genie通过3万小时2D游戏录像训练，自主学会视差效应等物理规律，创新包括时空视频编码器、潜在大动作模型和自回归动态模型 [11] - Genie 2实现3D跨越，视觉保真度提升至360p，模拟现实光照效果，具备记忆能力和物体恒存性 [12] - Genie 3分辨率达720p，实现照片级逼真体验和数分钟持续交互，融合VEO视频生成模型优点，展现超长上下文窗口和卓越一致性 [13][14] 关键特性 - 输入方式从图像转为文本提示，提供更大灵活性，支持环境多样性、长时程交互和提示控制的世界事件 [15] - 通过随机神经网络实现世界一致性，自回归架构使模型参考历史生成画面，新区域保留随机性，区分能力来自大规模训练 [16] - 核心应用是为具身智能体训练提供平台，模拟现实场景如自动驾驶罕见事件，形成世界基础模型愿景 [17] 行业影响 - 创造全新互动娱乐形态，类似YouTube 2.0或体验机器，用户可共同创造永不终结的虚拟宇宙 [19] - 简化交互式动态图形制作流程，与传统游戏引擎形成互补而非替代关系 [22] - 有望解决仿真到现实鸿沟，通过逼真世界模拟让AI安全走向真实环境 [23] 技术局限 - 目前仅支持单智能体体验，多智能体系统仍在开发中 [20] - 可靠性问题存在，完全物理和逻辑准确性需时间迭代，无法生成未训练数据场景如古代战役 [20] - 计算速度限制模型复杂度，采用模块化方案如Gemini与Genie 3协同工作 [20]

大模型厂商新品发布动态 - OpenAI开源两款MoE架构推理模型gpt-oss-120b（1170亿参数/51亿激活参数）和gpt-oss-20b（210亿参数/36亿激活参数），标志其开闭源策略转变[3][4] - Anthropic推出Claude Opus 4.1模型，采用渐进式更新策略，在SWE-bench Verify基准测试得分74.5%（较前代+2pct），终端编程/推理/多语言问答能力均有提升[6][7] - 谷歌发布实时交互世界模型Genie 3，支持720p分辨率下24fps动态画面生成（最长数分钟），物理模拟涵盖水/光/生态系统等自然现象[8][9] 技术性能突破 - gpt-oss-120b在编码/工具调用基准测试中接近闭源o4-mini水平，gpt-oss-20b性能对标o3-mini，均支持端侧部署（80GB GPU/16GB消费级设备）[5] - Claude Opus 4.1在Terminal-Bench/GPQA Diamond/MMMLU基准测试分别达43.3%/80.9%/89.5%，客户反馈代码修改精准度显著提升[7] - Genie 3视觉记忆追溯达1分钟，画面一致性时长较Genie 2的8秒提升至数分钟，可模拟复杂环境交互（如摩托艇撞击灯笼效果）[8][9] 战略方向变化 - OpenAI时隔六年重启开源，CEO称两款模型耗资数十亿美元研发，强调本地部署能力（笔记本/手机端运行）[3][5] - Anthropic转向高频次渐进更新模式，计划未来数周持续推出改进版本，聚焦AI智能体能力强化[6] - 谷歌将世界模型定位为AGI关键路径，Genie 3突破实时交互边界但存在动作空间/多智能体模拟等局限[8][11]

具身智能技术发展 - 具身智能的核心要素包括身体、环境与智能，三者通过深层次交互实现智能功能[4] - 智能实现依赖身体结构（如身高、感官分布）与感知行为能力的协同作用[4] - 具身大模型需融合视觉、语言、行为数据及物理参数等多模态信息，训练复杂度显著高于传统模型[4] 具身大模型挑战 - 单一本体训练更务实，多形态机器联合训练面临泛化能力、传感器差异等工程难题[4] - 虚拟环境生成数据存在物理参数失真问题，真实与虚拟环境对齐技术尚未突破[5] 世界模型研究 - 世界模型需整合三维空间、动态变化、对象关系等要素，为智能体决策提供环境预测基础[5] - 当前研究聚焦导航等工程实现领域，理论方法仍待完善[5] 机器人行业动态 - 2024年机器人上市公司年报显示行业竞争加剧，头部企业领跑趋势明显[8] - 人形机器人领域面临量产爆发与价格战双重压力，AI技术融合成为关键机遇[8] - 国际前沿技术包括螳螂虾仿生机器人、3D打印软体机械手等创新方向[8]

高管变动 - Meta宣布ChatGPT联合创始人Shengjia Zhao加入公司并担任Superintelligence Labs首席科学家[1] - Shengjia Zhao将直接与CEO和高管合作制定研究议程和科学方向[2] - Meta表示团队组建进展顺利因此正式确认Zhao的领导职位[2] 组织架构 - Meta的FAIR团队由Yann LeCun领导专注于长期AI研究和新范式开发[3][8] - Superintelligence Labs是包含FAIR、基础研究和产品团队的 umbrella部门[9] - FAIR团队曾开发开源大语言模型Llama并于2023年发布[8] 研究方向 - FAIR团队正在开发可能替代大语言模型的world model[8] - Superintelligence Labs聚焦于为每个人开发"个人超级智能"[9] - LeCun表示将与Zhao合作加速新研究在先进模型中的整合[10] 行业影响 - 此次人事变动引发行业对Meta人才争夺战略的关注[2] - Scale AI创始人Alexandr Wang公开赞扬Zhao的科研成就[10] - LeCun澄清其在Meta的角色和FAIR的使命保持不变[3][9]

自动驾驶行业现状 - 自动驾驶行业面临人才供需失衡，企业招聘需求旺盛但匹配度高的顶尖人才稀缺 [2] - 行业资本趋于理性，公司更注重商业化落地和盈利而非盲目扩张 [2] - 技术栈虽完备但距离大规模低成本商业化仍有工程鸿沟 [3] - 企业招聘标准提高，对技术适配性和前沿研究能力要求严格 [3][4] 自动驾驶技术社区 - 自动驾驶之心知识星球已成为国内最大技术社区，拥有4000+成员和100+行业专家 [7][9] - 社区覆盖30+技术方向学习路线，包括BEV感知、Occupancy、端到端驾驶等前沿领域 [9][69] - 与主流自动驾驶公司建立内推渠道，提供简历直达服务 [8][10] - 每周活跃度位居国内前20，形成学术与产业界的深度互动 [10][71] 技术研究方向 视觉语言模型(VLM) - 涵盖预训练、迁移学习、知识蒸馏等完整技术链条 [15][16][17] - 主流数据集包括LAION5B(50亿图文)、Conceptual 12M(1200万图文)等 [19] - 应用领域覆盖智能交通车辆检索、自动驾驶场景理解等 [27][28] 世界模型 - 聚焦驾驶场景生成与预测，代表工作包括HERMES、DriveDreamer等 [34][36] - 实现3D场景理解与生成的统一，提升自动驾驶系统泛化能力 [34][36] - 2024年涌现InfinityDrive等突破性模型，解决长序列预测难题 [36] 扩散模型 - 在3D重建、视频生成领域形成完整技术体系 [37][42] - DrivingDiffusion等框架实现时空一致性驾驶场景生成 [43] - 应用于数据增强，如Cityscape-Adverse模拟八种恶劣条件 [43] 端到端自动驾驶 - 形成从模仿学习到强化学习的完整方法论 [49][55] - 主流方案融合多模态输入，如DriveGPT4实现可解释决策 [31][55] - 面临开环评估与真实场景的差距挑战 [49][52] 行业应用与数据集 - 专用数据集覆盖200+任务，包括NuScenes(1000小时)、Waymo Open(1200万帧)等 [25][26] - 语言增强系统实现自然语言导航与车辆控制 [26][29] - 决策控制领域涌现GPT-Driver等大模型驱动方案 [29][30]