深圳市自动驾驶安全实验室成立 - 深圳市自动驾驶安全实验室于1月16日正式揭牌成立，其使命为“安全智驾、领航未来” [1] - 实验室由深圳市智能网联交通协会发起，在深圳市交通运输局、工业和信息化局及龙华区政府指导下成立 [1] - 深城交作为核心联合牵头单位，与广联数科、同济大学、电子科技大学深圳研究院共同统筹 [1] 参与方与联合体构成 - 实验室联合了比亚迪、美团、小马智行等核心成员，并汇聚华为、百度、多家知名高校、保险机构及公交集团等全产业链力量 [1] - 现场举行了首批近二十家单位的签约仪式，覆盖全产业链，标志着自动驾驶安全创新联合体正式启航 [5] - 签约单位包括深城交、同济大学交通学院、中山大学、华南理工大学、电子科技大学（深圳）高等研究院、广联数科、小马智行、百度、美团、新石器、九识、白犀牛、东部公交、西部公汽、巴士集团、中保车服、平安财险等 [5] 成立背景与目标 - 随着自动驾驶技术加速落地，安全已成为产业发展的核心底线 [1] - 当前行业在运行保障、公众信任、事故处置、数据安全等方面仍面临系列挑战 [1] - 实验室致力于攻克自动驾驶全周期安全难题，为行业规模化发展夯实基础 [1] - 实验室将聚焦关键痛点，通过协同创新机制，系统提升自动驾驶体系的安全性与可信度 [1] 运作模式与研究方向 - 实验室创新采用“联合课题攻关+科研与基础设施共建”双轮驱动运作模式 [3] - 一方面围绕行业需求形成重点课题，以项目制开展联合攻关，推动共性技术成果共享 [3] - 另一方面积极推动测试场地、设备及数据等资源的开放共用，并组织申报重大科技专项，为研发提供基础设施与资源支持 [3] - 2026年，实验室将重点在十大方向展开协同攻坚 [3] - 十大方向涵盖车辆安全运行评价与风险防控、事故深度调查体系构建、车路云协同安全冗余技术研发、区域运力动态调控、智能驾驶保险体系完善、极端场景仿真训练、全链条安全运营体系构建、网络安全方案研究、系统可信性评估与主动安全保障，以及无人网联公交与多模式出行服务韧性提升等关键领域 [3] 预期影响与意义 - 实验室将为深圳自动驾驶产业筑牢“安全守门人”防线 [3] - 将通过推动测试互认、升级监管平台、研发专属保险、构建管理体系等举措，辐射大湾区乃至全国 [3] - 将助力企业降低合规成本、管控运营风险 [3] - 推动自动驾驶产业从“性能导向”迈向“可信导向” [3]

行业交流与信息获取 - 自动驾驶之心公众号建立行业交流群，旨在促进L4级别自动驾驶赛道的信息共享与交流 [1] - 交流群关注的核心方向包括：L4赛道融资动态、技术研发进展、智能驾驶商业化落地情况以及整体行业动态 [1] - 提供明确的入群渠道，需通过添加指定微信助理并按要求备注信息加入 [1]

文章核心观点 - 文章旨在推广“自动驾驶之心知识星球”社区，将其定位为国内首个自动驾驶全栈技术社区，旨在为从业者、研究者和学习者提供一个集技术交流、知识分享、学习路线、求职内推于一体的综合性平台 [22] - 社区核心价值在于通过整合学术界与工业界资源，提供覆盖自动驾驶全技术栈的体系化内容，以降低行业入门壁垒，帮助成员应对技术快速迭代的挑战，并构建行业人脉网络 [5][7][22] 社区规模与目标 - 社区已运营超过三年，目前成员超过4000人，成员背景覆盖国内外顶尖高校（如上海交大、清华大学、CMU、ETH等）和头部公司（如蔚小理、地平线、华为、英伟达、百度等）[7][22] - 社区设定了明确的增长目标，期望在未来2年内将规模扩大到近万人 [7] 内容体系与技术覆盖 - 社区内容以视频、图文、直播、问答等多种形式呈现，并系统化梳理了超过40个自动驾驶技术方向的学习路线与资源 [7][13][23] - 技术内容覆盖极为全面，包括但不限于： - **感知方向**：BEV感知、3D目标检测、多传感器融合、Occupancy Network、鱼眼感知、2D/3D分割、目标跟踪 [14][23][57][59][61][72][78][80][88] - **规控与决策**：规划控制、轨迹预测、强化学习、端到端自动驾驶、世界模型 [14][23][43][47][53][65][67] - **模型与算法**：视觉语言模型、自动驾驶VLA、扩散模型、大模型应用、3DGS与NeRF [14][23][45][49][51][55][90] - **工程与量产**：模型部署优化、CUDA编程、自动驾驶仿真、数据闭环、传感器标定 [14][23][70][74][76][86] - 社区汇总了大量实用资源，包括近60个自动驾驶相关数据集、近40个开源项目、行业主流仿真平台以及各类技术书籍 [23][37][39][41] 特色活动与互动 - 定期举办线上直播分享，目前已累计超过一百场，邀请嘉宾均为来自学术界和工业界的一线专家，分享内容涵盖最新技术进展、量产痛点及行业趋势 [11][94] - 建立了与多家自动驾驶公司的岗位内推机制，可帮助成员简历直达目标公司 [16] - 社区内部设有问答专区，成员可自由提问，问题范围从技术入门、项目实践到职业发展、公司选择，均可获得解答 [2][10][24][26][96] 学习资源与课程 - 为不同阶段的成员提供了阶梯式学习资源，包括面向零基础小白的全栈入门课程，以及面向进阶者的深度产业体系与项目方案 [15][18] - 社区内部拥有专属的系列视频教程，涵盖感知融合、多传感器标定、SLAM、规划预测、数据工程、端到端与大模型等核心领域 [16] - 编制了“自动驾驶100问”系列深度解析文章，针对模型部署、毫米波雷达融合、车道线检测、规划控制、BEV感知、相机标定等具体技术难点进行集中解答 [14]

公司业务与市场地位 - Mobileye是一家在自动驾驶领域拥有坚实发展潜力的公司[1] - 公司的技术被许多领先的原始设备制造商用于驱动高级驾驶辅助系统[1] 作者背景与分析方法 - 作者是亚利桑那州立大学的学生，对技术和金融市场有浓厚兴趣[1] - 作者主要专注于分析科技公司，特别是涉及人工智能基础设施构建、云计算和整体数字化转型的公司[1] - 作者的个人投资方法植根于理解企业基本面和未来增长轨迹[1] - 作者旨在识别那些内在价值高于当前股票市值的公司[1]

核心观点 - 文远知行在微信平台上线“WeRide Go”小程序 将其Robotaxi服务接入拥有超10亿用户的超级应用 旨在降低服务使用门槛 提升公众触达和用户粘性 推动大规模商业化进程[1][3][4] 业务与产品动态 - 公司推出微信小程序“WeRide Go” 用户无需下载独立应用即可在微信内直接呼叫Robotaxi[1][2] - 服务已覆盖广州黄埔区、北京亦庄区等Robotaxi运营区域[2] - 此举是对其独立叫车应用“WeRide Go”的补充 通过微信生态以更灵活便捷的方式融入用户日常生活[3] 战略与商业化 - 接入微信主要目的是利用其庞大的用户基础和极高的参与度 显著降低体验Robotaxi服务的障碍 同时增强用户对公司自动驾驶技术的认知和信任[3] - 该举措旨在扩大公众触达、提升叫车量和用户留存 为公司迈向2030年数万辆Robotaxi的大规模商业化铺平道路[4] 公司行业地位与运营数据 - 文远知行是自动驾驶行业的全球领导者和先行者 也是首家上市的Robotaxi公司[5] - 公司在全球拥有超过1000辆Robotaxi 并在中国一线城市广州、北京以及阿联酋首都阿布扎比实现全无人驾驶运营[4] - 公司自动驾驶车辆已在全球11个国家超过40个城市进行测试或运营[5] - 公司是首个也是唯一一个在中国、阿联酋、新加坡、法国、瑞士、沙特阿拉伯、比利时和美国八个市场获得自动驾驶许可的技术公司[5] 技术平台与业务范围 - 公司由智能、多功能、高性价比且适应性强的WeRide One平台驱动[5] - 公司提供从L2到L4级别的自动驾驶产品和服务 满足出行、物流和环卫行业的交通需求[5]

核心观点 - 全球自动驾驶技术领导者文远知行(WeRide)在微信平台上线了其Robotaxi服务小程序“WeRide Go” 此举旨在利用微信庞大的用户基础 显著降低公众体验Robotaxi服务的门槛 提升用户认知和信任 从而扩大服务触达 提升订单量和用户留存 为大规模商业化铺平道路 [1][3][4] 服务上线与接入 - 公司于2026年1月14日 在腾讯旗下的超级应用微信上正式推出了Robotaxi服务小程序“WeRide Go” [1] - 微信是中国使用最广泛的数字平台之一 拥有超过10亿用户 [1] - 在广州黄埔区 北京亦庄区等Robotaxi运营区域的居民和访客 现可通过微信直接叫车 无需下载独立应用程序 [2] 战略意义与商业影响 - 通过接入微信生态 公司以更灵活、更易触达的方式将自动驾驶服务融入用户的日常生活 [3] - 此举显著降低了用户使用Robotaxi服务的门槛 同时加强了用户对公司自动驾驶技术的认知和信任 [3] - 整合微信有助于扩大公众触达、提升订单量和用户留存 为公司迈向2030年数万辆Robotaxi的大规模商业化目标铺路 [4] 公司业务与行业地位 - 文远知行是全球Robotaxi领域的领导者 也是首家公开上市的Robotaxi公司 [4][5] - 公司在全球拥有超过1,000辆Robotaxi 并在中国一线城市广州、北京以及阿联酋首都阿布扎比开展全无人驾驶运营 [4] - 公司的自动驾驶车辆已在全球11个国家超过40个城市进行测试或运营 [5] - 公司是首家也是目前唯一一家在中国、阿联酋、新加坡、法国、瑞士、沙特阿拉伯、比利时和美国这八个市场获得自动驾驶许可的技术公司 [5] - 公司基于WeRide One平台 提供从L2到L4级别的自动驾驶产品和服务 覆盖出行、物流和环卫行业的需求 [5] - 公司入选了《财富》杂志2025年“改变世界”和“未来50强”榜单 [5]

系统核心创新 - 提出名为KnowVal的新型自动驾驶系统，通过感知模块与知识检索模块协同，实现视觉-语言推理能力，并构建集成世界模型与价值模型的规划器以实现价值对齐决策[4] - 将当前主流的视觉-语言-动作范式升级为开放三维感知-知识检索范式，通过感知和检索相互引导实现基础视觉-语言推理[7] - 系统各模块间保持显式结果和隐式特征共同传递，是可端到端微调的3D视觉-语言-动作框架[12] 技术框架与工作原理 - **检索引导的开放世界感知**：通过专用感知和开放式三维感知，抽取常见与长尾实例的3D目标检测结果、实例特征及全场景占据栅格预测，并利用轻型VLM对抽象概念进行自然语言描述[9] - **感知引导的知识图谱检索**：将感知信息自然语言化，对包含法律法规、道德原则、防御性驾驶原则的知识图谱进行检索，得到按相关性排序的知识条目[10] - **基于价值模型的轨迹规划**：通过规划模块和世界模型多轮迭代，生成多条候选自车轨迹及其他物体运动预测，价值模型对每条候选轨迹和检索知识进行价值评估，最终选定规划轨迹[11] 知识体系构建 - 收集国家交通法律法规、防御性驾驶原则、道德准则及经验知识访谈等多样化驾驶资源，构建初始知识森林[15] - 利用大语言模型抽取实体并定义节点与边，形成结构化知识图谱，在推理时生成富含三维感知信息的自然语言查询进行检索[15] 价值模型与数据集 - 提供与现有端到端和VLA模型兼容的改造方式，通过引入对自车查询叠加的多条预设高斯噪声和多样性约束损失，使模型具备生成多样化候选轨迹的能力[18] - 构建大规模驾驶价值偏好数据集，包含16万个轨迹-知识对，每个对进行介于-1到1之间的价值评分标注，用于训练价值模型[19] 实验性能表现 - 将KnowVal框架应用于GenAD、HENet++与SimLingo三个基线模型，在nuScenes开环端到端驾驶基准上取得最低的驾驶碰撞率[21] - 在Bench2Drive闭环端到端驾驶基准上取得最高的驾驶分数和成功率，例如在SimLingo基线上应用KnowVal后，驾驶分数提升3.35至88.42，成功率提升1.76个百分点至69.03%[21][22] 定性分析案例 - 在编辑后的nuScenes真实数据场景中，测试系统路过积水时能否减速慢行以免溅到行人[25] - 在CARLA模拟器隧道场景中，测试系统是否会遵循“隧道内/实线车道不能变道”的法律法规，实验表明KnowVal能正确处理这些情况[25]

文章核心观点 - 百度分拆其AI芯片业务昆仑芯赴港上市，旨在解决集团长期面临的“多元化折价”问题，通过独立上市释放被低估的资产价值，并可能开启一系列业务分拆的序幕，特别是自动驾驶业务[1][2][14] - 昆仑芯的分拆上市是百度进行“价值显影”的关键一步，旨在向市场证明其作为硬核科技控股集团的身份，而不仅仅是搜索广告公司[5][8] - 市场推测，在昆仑芯之后，百度可能进一步分拆其自动驾驶业务（如萝卜快跑），以解决财务负担、激励人才和获取独立估值，这可能是百度更深层次的战略重组[9][13][15] 昆仑芯分拆上市的动因与影响 - **解决“多元化折价”与估值错配**：市场将百度整体视为传统搜索广告公司，给予8到10倍的市盈率（PE）估值，而昆仑芯作为AI芯片成长股，在一级市场应享有高倍数的市销率（PS）估值，分拆可释放其真实价值[4][5] - **突破业务发展的“身份悖论”**：作为百度内部部门，昆仑芯在向其他云厂商或互联网巨头（如字节跳动、腾讯）销售芯片时面临“竞争对手”标签的阻碍，独立后成为中立供应商，能打开更大的市场空间[7] - **优化集团财务与融资效率**：芯片业务研发投入巨大，流片费用动辄以亿计，独立上市可利用市场资本支撑其发展，减轻百度母公司的现金流与利润表压力，同时百度通过保留控股权享受资产增值[8] 自动驾驶业务分拆的潜在逻辑与方案 - **分拆的必要性**：自动驾驶业务（如萝卜快跑）处于规模化运营拐点，但持续投入将严重拖累百度当期财报和股价，形成财务恶性循环；同时，独立公司期权比百度集团股票对顶尖技术人才更具吸引力[9][10] - **潜在的业务切割方案**：可能将“萝卜快跑”Robotaxi业务与“Apollo技术基座”打包，成立独立的“百度自动驾驶公司”，而将智能座舱、百度地图等应用层业务保留在集团内[11] - **资本运作与估值设想**：独立公司可能引入主机厂（如吉利、红旗）以获取造车能力，以及地方国资或主权基金以解决路权与政策准入问题；其估值逻辑将完全脱离百度市盈率体系，参考Waymo或特斯拉FSD，关注运营指标如车辆规模、平均接管里程（MPI）和单车运营成本，独立估值可能非常可观[11][12][13] 行业背景与巨头分拆趋势 - 中国互联网巨头的分拆之路此前并不顺遂，例如阿里云放弃分拆、菜鸟撤回IPO，百度此次行动可能逆势开启新一波分拆浪潮[2] - 科技巨头历史上，当创新业务体量与成长逻辑与母体冲突时，分拆是常见解药，例如京东拆出京东物流、网易拆出有道[13] - 在2026年国产算力紧缺的背景下，技术过硬且身份中立的国产芯片公司有巨大市场机会[7]

自动驾驶端到端技术发展现状与挑战 - 强化学习在自动驾驶决策中至关重要，但面临奖励机制设计的核心难题，即平衡安全与效率时易出现“奖励破解”问题，导致性能难以全面提升[2] - 自动驾驶的强化学习问题比具身智能更复杂，需在达成行驶目标的同时严格遵守驾驶规则，并解决长时序决策、多目标权衡、不确定交互建模及规则难以穷举的“灰色决策区”等挑战[2] - 强化学习进一步落地的关键在于设计能与强化学习良好配合的系统架构[3] - 主流依赖模仿学习的端到端方案存在轨迹不稳定等问题，核心原因是模型缺乏基于环境反馈的持续修正能力[4] - 行业头部公司已形成完整的模型迭代思路：模仿学习训练 → 闭环强化学习 → 规则兜底（时空联合规划），并引入导航信息，该体系涉及模型、算法、数据到规则，人才壁垒极高[5] 自动驾驶端到端领域人才市场状况 - 该领域因技术壁垒高、人才稀缺，薪资水平非常慷慨，拥有五年以上经验的头部人才薪资普遍在100万元人民币起步，且上不封顶[6] - 量产落地过程中需克服众多复杂场景的挑战，如拥堵加塞、静态偏航、碰撞场景等，并需精准判断何时进行数据挖掘或数据清洗[7] - 端到端自动驾驶是一个系统工程，而非单点技巧，行业面临现实问题：大量从业者仅有论文基础，缺乏量产落地的系统经验，即使已从事端到端开发的工程师，其解决实际落地场景的能力也普遍较弱[7] 端到端自动驾驶课程核心内容架构 - **课程概述与基础**：介绍感知任务合并与规控算法学习化等主流趋势，讲解一体化感知架构、经典规控学习化方案，并详细说明当前端到端的开源数据集与评测方式[13] - **两段式端到端算法**：讲解两段式框架的建模方式、感知与规划控制的信息传递机制，分析其优缺点，阐明下游消费的感知信息及消费方式，并通过PLUTO算法进行实战[14] - **一段式端到端算法**：介绍性能更优的一段式框架，因其可实现信息无损传递，课程涵盖基于VLA、基于Diffusion等多种方案，并通过VAD系列进行深入学习[15] - **导航信息集成**：讲解导航地图在引导、选路、选道中的关键作用，介绍主流导航地图格式与内容，以及其在端到端模型中的编码、嵌入方式，以更有效发挥其能力[16] - **强化学习算法应用**：指出纯模仿学习的不足，需结合强化学习以学习因果关系并实现泛化，本章重点介绍强化学习算法及其训练策略[17] - **轨迹输出优化实战**：进行NN Planner项目实战，包括基于模仿学习的算法（重点介绍扩散模型与自回归算法），并在监督微调后继续讲解基于强化学习的算法实战[18] - **量产兜底方案**：介绍量产中为保证轨迹稳定可靠的后处理兜底逻辑，包括轨迹平滑优化算法、多模态轨迹打分搜索算法等[19] - **量产经验分享**：从数据、模型、场景、规则等多视角分享量产经验，剖析如何选用合适工具与策略以快速提升系统能力边界[20] 目标学员与课程要求 - 课程面向进阶学员，建议具备自动驾驶BEV感知、视觉Transformer、端到端等常见算法知识，掌握强化学习与扩散模型理论基础，并拥有Python、PyTorch及MMDetection3D框架的使用经验，同时需要自备算力在GeForce RTX 4090及以上的GPU[21][22]

行业阶段与平台定位 - 自动驾驶行业已进入下半场 行业面临难点与痛点需要更多参与者共同突破 [2] - 公司作为国内自动驾驶领域的技术创作平台 旨在行业激流中贡献力量 成为能为行业带来价值的平台 [2] 业务发展方向与人才需求 - 公司业务发展需要更多优秀伙伴加入 [3] - 主要业务方向涵盖自动驾驶产品经理 4D标注与数据闭环 世界模型 VLA 自动驾驶大模型 强化学习 端到端等多个前沿技术方向 [4] - 岗位职责主要面向B端与C端的自动驾驶培训合作 课程开发以及原创文章创作 [5] - B端客户面向企业 高校及研究院所 [5] - C端客户面向学生及求职人群 [5] 合作方式 - 有关待遇与合作方式的进一步沟通 可通过指定微信联系 [6]