公司战略与目标 - 奇瑞汽车董事长尹同跃明确表示，公司正在全面对标特斯拉的FSD完全自动驾驶系统，目标是超越特斯拉[2] - 奇瑞正不断派人到美国体验特斯拉的FSD与Grok模型组合，并与特斯拉的座舱和驾驶水平进行对标，以找出差距并快速追赶[2] 自动驾驶的战略意义 - 自动驾驶是车企在智能化时代立足的核心竞争力，是技术护城河的关键构成，也是商业模式升级与市场格局重构的核心抓手[2] - 自动驾驶能通过高阶智驾功能提升产品差异化竞争力，成为吸引消费者的核心卖点[2] - 自动驾驶推动车企从一次性硬件销售转向硬件加软件订阅加全生命周期服务的盈利新模式，通过OTA升级、智驾服务套餐等挖掘长期高毛利收益[2] - 自动驾驶倒逼车企构建从芯片、算法到数据闭环的全链条技术能力，或通过生态协同完善智能化布局，形成难以复制的竞争壁垒[2] 自动驾驶技术分级标准 - 根据美国汽车工程师协会SAE标准，自动驾驶分为L0至L5共六级[2] - L0为完全人类驾驶，L1至L4为限定场景下由系统完成相应驾驶行为，只有L5才能实现完全自动化驾驶，即真正意义上的无人驾驶[4] 市场现状与渗透率 - L2级辅助驾驶已成为主流车型标配，渗透率持续攀升[6] - 2021年中国乘用车市场L2级渗透率为23.5%[6] - 2022年搭载辅助自动驾驶系统的智能网联乘用车新车销量约700万辆，渗透率达34.9%[6] - 2023年上半年，L2级渗透率进一步提升至42.4%[6] 行业政策与进展 - 2025年12月15日，工业和信息化部正式公布我国首批L3级有条件自动驾驶车型准入许可，长安深蓝SL03与极狐阿尔法S6成为首批车型[8] - 获批车型将分别在北京、重庆指定区域开展上路试点，标志着自动驾驶从封闭测试迈入责任明确、场景落地的新阶段[8] 行业长期展望 - 英伟达CEO黄仁勋预测，未来十年里，世界上很大一部分汽车将是自动驾驶或高度自动驾驶的[8] - 黄仁勋表示，未来自动驾驶汽车规模可能达到十亿辆，届时每一辆车都会有会思考的能力，每一辆车都会由AI驱动[8]

公司股价表现 - 百度集团-SW(9888.HK)股价于1月19日逆势上涨，盘中一度涨3.23%至150.3港元，创下自2023年8月以来的新高 [1] - 公司股价当日最终收涨1.24%，报收于147.4港元 [1] 业务进展 - 百度旗下自动驾驶出行服务平台“萝卜快跑”与阿联酋自动驾驶出行公司AutoGo共同宣布，在阿联酋首都阿布扎比正式启动面向公众的全无人驾驶商业化运营 [1] - 此次启动标志着萝卜快跑首次在海外市场推出面向公众的全无人驾驶出行服务 [1]

行业需求与岗位分析 - 有企业在2026年计划在重建方向投入招聘名额(HC) [2] - 重建技术主要用于自动驾驶测试的闭环仿真 具体流程是对离线片段(clip)数据用3D高斯泼溅(3DGS)重建动静态元素 以验证新模型能否预测合理轨迹并正常行驶 [2] - 支撑闭环仿真中重建优化的算法团队 一般公司需要5至20人 [3] - 云端数据生产也有需求 例如BEV视角下的静态路面重建(2DGS)可应用于静态真值生产 [3] - 小米的ParkGaussian将GS技术应用到泊车场景中 [3] - 综合来看 每个技术方向都需要至少10人左右的算法团队来支撑最基本的功能需求 [3] 技术发展路径与学习资源 - 3DGS领域较新 缺乏有效学习资料 对初学者困难 [3] - 梳理出的明确技术发展路线为：静态重建3DGS → 动态重建4DGS → 表面重建2DGS → 场景重建混合GS → 前馈GS [3] - 为应对学习需求 推出了《3DGS理论与算法实战教程》 花费两个月时间设计了一套从原理到实战的学习路线图 [3] 课程核心内容与结构 - 课程旨在帮助学员全面掌握3DGS技术栈 [3] - 第一章讲解3DGS背景知识 包括计算机图形学基础、三维空间表达、渲染管线、光线追踪、辐射场渲染 以及COLMAP、Gsplat等开发工具 并设有基于3D Real Car训练模型的小作业 [8] - 第二章深入讲解3DGS原理与算法 包括核心伪代码、动态重建、表面重建、鱼眼重建和光线追踪的经典与最新算法 实战选用英伟达开源的3DGRUT框架 [9] - 第三章聚焦自动驾驶仿真重建 重点讲解Street Gaussian、OmniRe和Hierarchy UGP三篇工作 实战选用DriveStudio框架 [10] - 第四章探讨3DGS重要研究方向 包括COLMAP扩展、深度估计及Relighting 并分析其工业界应用与学术前景 [11] - 第五章讲解前馈3DGS(Feed-Forward 3DGS) 梳理其发展历程与算法原理 并解析AnySplat和WorldSplat两篇最新算法工作 [12] - 第六章为线上答疑讨论 涉及3DGS岗位需求、行业痛点及开放性问题 [13] 课程安排与面向人群 - 课程为离线视频教学 辅以VIP群答疑及三次线上答疑 [15] - 课程于12月1日开课 预计两个半月结课 [15] - 章节解锁时间安排：第一章12月1日 第二章12月7日 第三章1月7日 第四章1月21日 第五章2月4日 [15] - 面向具备一定计算机图形学、视觉重建(如NeRF、3DGS)、概率论与线性代数基础 以及Python和PyTorch语言基础的学员 [17] - 学员需自备GPU 推荐算力在RTX 4090及以上 [17] - 课程目标使学员掌握3DGS完善的理论知识及相关技术栈、算法开发框架 并能与学术界及工业界同行持续交流 [17]

公司股价表现 - 百度集团-SW(9888.HK)股价逆势上涨，盘中一度涨3.23%至150.3港元，创2023年8月以来新高 [1] - 公司股票最终收涨1.24%，报147.4港元 [1] 核心业务进展 - 百度旗下自动驾驶出行平台“萝卜快跑”与阿联酋公司AutoGo合作，在阿布扎比正式启动面向公众的全无人驾驶商业化运营 [1] - 这是萝卜快跑首次在海外推出面向公众的全无人驾驶出行服务 [1]

文章核心观点 - 自动驾驶与具身智能在技术路径和商业落地上存在根本性差异 自动驾驶旨在解决场景的泛化问题 而具身智能旨在解决行为的泛化问题 [1] - 自动驾驶的商业落地意味着终局 具有研发门槛高、复用性强、场景单一且安全要求极高的特点 [4][5] - 具身智能的商业落地则像大树长出的枝桠 在不同发展阶段都能找到多样化的应用场景 对错误的容忍度更高 商业路径更为灵活 [6] 自动驾驶与具身智能的泛化性差异 - 自动驾驶的核心是解决**场景的泛化性** 即对当前场景进行全面理解并做出相应决策 例如识别锥桶需要刹车 但识别载有锥桶的工程车则无需刹车 [2] - 自动驾驶技术演进从多段式模块规则 到端到端监督轨迹 再到VLA和世界模型路线 本质都是为了提升对场景信息的理解与监督 [2] - 当前自动驾驶量产（尤其是L2辅助驾驶）的最大困扰仍是场景认知能力不足带来的corner case 例如导航理解错误、奇怪的施工场景、未见的指示牌等 这些认知泛化是技术突破的最后难点 [2] - 具身智能的核心是解决**行为的泛化性** 聚焦于在特定任务上泛化各种带扰动的状态和行为 例如在倒咖啡任务中应对杯子被碰倒、制作不同咖啡种类、接收者手部位置不同等扰动 [3] - 从Physical Intelligence的PI系列论文看 模型成功率提升最明显的阶段是在单任务专家数据上进行微调 机器人需要足够鲁棒地完成长程任务 [3] 自动驾驶的商业落地特点 - 自动驾驶取代的是单一场景（从A点到B点） 对安全性底线要求极高 例如无人出租车可能有过半代码与安全相关 因此呈现**研发门槛高、复用性强**的特点 [5] - 行业曾狂热追求L4级别无人驾驶（如无人出租、无人重卡） 但商业铺开时问题频发 例如Cruise因事故频发关闭运营 经历起伏后 Waymo、百度、小马智行等公司的无人出租业务在2024年才逐渐重新铺开 [5] - 特斯拉引领的L2辅助驾驶是重启商业落地的关键 得益于驾驶员接管兜底 其AI路线成功推动了辅助驾驶的商业落地 [5] - 自动驾驶是一个研发门槛极高的技术 其数据闭环、仿真工具链、训练平台等研发工具每个都足以支撑一家独立公司 [5] 具身智能的商业落地特点 - 具身智能在不同发展阶段都能找到商业落地场景 虽然规模远小于自动驾驶 但**场景更为多样化** [6] - 基于传统算法的工业机器人已在流水线运行 针对单一服务场景的机器人Demo也已出现 例如Physical Intelligence的博客显示其机械臂已可连续十小时制作咖啡 [6] - 具身智能落地场景的安全限制相对宽松 人们对错误的容忍度远高于自动驾驶 这使得一些公司（如Sunday Robotics）可以更早地专注于应用场景开发 [6]

文章核心观点 - 由华科、小米和清华AIR团队提出的SparseOccVLA模型，通过创新的稀疏占据查询，成功统一了自动驾驶中的视觉语言模型与语义占据表示，在场景理解、占据预测和轨迹规划等核心任务上均展现出卓越性能 [2][3][32] 背景与挑战 - 自动驾驶领域，视觉语言模型擅长高层语义理解与推理，而语义占据能提供精细、结构化的空间细节，但两者长期独立发展，缺乏有效融合 [2][4] - 传统视觉语言模型在处理自动驾驶多视角视频流时面临token数量爆炸和时空推理能力受限的问题 [2][4] - 语义占据表示过于稠密，难以高效地与视觉语言模型集成，且其低水平表征难以对齐到高水平的语言空间 [2][4][9] 方法创新 - SparseOccVLA的核心是采用一个轻量级的稀疏占据编码器，生成紧凑但信息量极高的稀疏占据查询，作为连接视觉与语言的唯一桥梁 [2][3][14] - 这些稀疏查询被对齐至语言空间，并由大语言模型进行统一推理，实现场景理解与未来占据预测 [3][14] - 模型提出了一种LLM引导的Anchor-Diffusion规划器，通过解耦的锚点打分与去噪过程以及跨模型的轨迹条件融合机制，提升规划性能与稳定性 [3][20][22] - 稀疏占据查询仅关注真实空间中的实体，信息密度和token利用率极高，仅需数百token即可表征完整场景，远低于基于BEV的方法所需的数千token，训练和推理高效 [17][18][23] 实验结果 - 在OmniDrive-nuScenes的场景理解任务中，SparseOccVLA的CIDEr指标达到0.796，相较于当前最优方法HERMES的0.741，实现了7%的相对提升 [23] - 在Occ3D-nuScenes的未来3秒语义占据预测任务中，SparseOccVLA的平均mIoU达到13.71，超越了之前的SOTA方法Sparse World的13.20 [23][24] - 在nuScenes的开环规划基准测试中，SparseOccVLA仅使用稀疏占据查询作为感知输入，即取得了当前最优性能，证明了其强大的泛化潜力 [25][26] - 消融实验表明，移除占据编码器监督会导致语言指标显著下降，移除3D位置编码则模型无法收敛，证明了显式几何语义引导和空间拓扑结构建模的重要性 [27] 技术优势与意义 - SparseOccVLA能同时准确识别远处的行人、车辆等几何物体，以及红绿灯状态、车道线等非几何元素，得益于其完全端到端的设计保留了原始视觉信号 [31] - 该方法提供了一个超越传统基于MLP、Q-Former和BEV的视觉-语言对齐新范式，有望促进跨领域研究并推动自动驾驶社区发展 [32]

涉及的行业与公司 * **行业**：智能驾驶/自动驾驶行业，涵盖L2+辅助驾驶、L3有条件自动驾驶及L4 Robotaxi[1] * **公司**： * **技术/芯片供应商**：英伟达、地平线、华为、特斯拉[2][12][14] * **整车厂/OEM**：小鹏、理想、比亚迪、长安、北汽、吉利、广汽、特斯拉[3][11][12][14] * **自动驾驶公司**：小马智行、文远知行、百度（萝卜快跑）、元戎、卓玉[10][11][12] 核心观点与论据：技术与生态 * **英伟达开源模型降低技术门槛**：英伟达开源了参数量约10B的Alpaca模型及配套生态（推理脚本、仿真框架、物理AI数据集），旨在降低Robotaxi规模化落地和L2+技术普及的算法壁垒，将竞争焦点转向工程与运营能力[1][2] * **技术短板与解决方案**： * **极端天气适配**：通过模态增强（更换雷达、热成像摄像头）、监督学习及仿真环境生成场景进行训练[7][8] * **施工路段识别**：依赖视觉与语言理解（VLA）模型识别临时标识，或通过实时广播信息辅助决策[8] * **安全冗余**：采用多芯片方案实现算力冗余，线控失效时通过冗余系统触发物理制动器紧急停车[8] * **用户信任构建**：需提供可解释性决策与透明披露机制，例如利用VLA或事件模型生成异常行为推理链条[8] * **技术迭代与性能预期**：各厂商技术方案持续迭代，预计在2026年3月左右达到当前技术站的最优状态，平均NOH里程有望从15-20公里提升到30-40公里[3][13] * **模型迭代存在回退现象**：多家厂商在更新模型后出现性能回退，例如小鹏第二代VLA性能不如上一代，华为WMWA架构性能回退约10%-20%，理想、元戎、卓玉等也有类似情况[12] 核心观点与论据：政策与监管 * **北美政策趋于宽松**：政策变化包括简化豁免审批（允许无方向盘/踏板车型路测）、放宽非商业场景安全要求、推动全国统一接管法规，旨在加速技术测试、部署和商业化进程，缩短从Demo到付费运营的周期（从约两年缩短至一年）[1][5][6] * **安全可解释性成为监管重点**：美国NHTSA要求车企详细报告ADAS事故数据，趋向更细颗粒度的行为日志，强调算法系统的可解释性与审计性[4] * **中国政策与商业化节奏**： * **L3破冰**：2026年将成为L3商业化元年，工信部已公布准入许可，预计从二季度起逐步向C端用户开放（特定区域与时段），责任主体从驾驶员转向系统与车企[11] * **Robotaxi发展**：采取多层试点、小规模车队、政策稳步开放的节奏，建议在条件成熟的示范区（如粤港澳、京津冀、成渝）一次性放开更大规模OTA指标并实施跨城运营，以提高ROI[9][10] * **法规建设**：需建立国家级自动驾驶技术评估框架，明确L3/L4准入及路权规划的统一红线或绿线[10] 核心观点与论据：市场与商业化展望 * **2026年关键进展**： * **L3带条件商业化**：主要应用于高速公路，推动供应链能力提升[11] * **Robotaxi规模扩展**：广汽、小鹏等计划推出L4车型，小马智行、百度扩大规模并在海外试点，全年可能形成数万台规模，其中萝卜快跑车辆约1万多台[11] * **企业持续迭代**：主流企业在地平线、大黄蜂等在新模型、新方法论上的调参优化进展将影响行业整体发展[11] * **渗透率预期**：预计2026年L2辅助驾驶渗透率将提升到70%，城市NOA渗透率突破15%，L3占比预计为1%-2%，并逐步向10-15万级别的低价车型扩展，竞争激烈[3][16] * **行业竞争格局**：2026年是智驾分化和决赛的一年，厂商间差距较小（例如华为领先约四个月），Q3可能出现领先体验状态变化，部分厂商可能被淘汰，需关注特斯拉V13.4版本在Q3的潜在显著提升[14][15] 其他重要内容 * **国内技术发展建议**：需关注技术科学性和长期复现能力，补充可解释性；重视仿真和物理AI应用以优化样本分布，而非单纯依赖实车里程数据（因现有数据多来自普通直路，对模型提升意义不大）[9][10] * **国内Robotaxi运营标准**：目前没有硬性的百公里接管次数等指标标准，仅有软指标评价评估框架，具体细则由各地制定[10] * **开源模型对头部公司辅助有限**：对于已具备能力的一、二梯队自动驾驶公司，英伟达开源模型帮助不大，主要借鉴其数据处理及因果推理策略以补充已有系统[5] * **Tier 1供应商角色**：可快速打包产品方案给更多主机厂，加速L2+技术下沉[4]

文章核心观点 - 汽车智能化产业正处在高速发展阶段，L3级自动驾驶已迈入商业化应用门槛，产业链各环节渗透率持续提升，技术迭代与资本运作活跃，行业竞争格局加速演变 [10][15][19][29] 行业政策与法规进展 - 工信部正式许可两款L3级自动驾驶车型产品，标志着中国L3级自动驾驶从测试阶段迈入商业化应用的关键一步 [10] - 特斯拉FSD在中国获得“部分批准”，马斯克透露有望在2026年2月或3月左右获得全面批准 [11] - 小鹏汽车、小米汽车、比亚迪等多家公司已获得L3级自动驾驶道路测试牌照，并启动常态化测试 [12][13] 资本市场动态 - 希迪智驾于2025年12月19日在港交所主板上市，成为港股“商用车智驾第一股”，全球发售540.798万股，发行价263港元/股，募资总额14.22亿港元 [14][15] - 图达通于2025年12月10日以De-SPAC模式在港交所主板上市，募集资金约10.3亿港元 [19] - 禾赛科技、地平线等产业链公司此前已完成在港交所或纳斯达克上市 [3][17] 智能驾驶渗透率与核心数据 - **整体渗透率**：2025年10月，乘用车行业L2级以上功能渗透率达33%，同比提升19个百分点，其中高速NOA渗透率33.8%，城区NOA渗透率16.2% [7][8] - **传感器**： - 前视摄像头渗透率66.1%，其中800万像素摄像头占比达49.7%，同比大幅提升31个百分点 [6] - 激光雷达渗透率达14.3%，同比提升7.9个百分点，市场占有率华为（40%）、禾赛科技（32%）、RoboSense速腾聚创（20%）、图达通（7%） [6] - **域控制器**：2025年10月驾驶域控渗透率32.6%，同比提升16.9个百分点，其中英伟达芯片占比达58%，同比提升22.2个百分点，华为芯片占比15% [6][8] 智能座舱渗透率 - 2025年10月，10寸以上中控屏渗透率85.2%，HUD渗透率22.8%，座舱域控制器渗透率29.5% [9][10] - 华阳集团HUD产品全球累计出货量已超过350万台，位列国内供应商第一，其斜投影AR-HUD产品获得某国际车厂平台性项目定点 [16] 产业链合作与业务进展 - **激光雷达**： - RoboSense速腾聚创获得东风日产多款车型前装量产定点，订单规模接近百万台，预计2026年启动量产交付 [17] - 禾赛科技与美团无人机达成战略合作，其第二代纯固态激光雷达FTX获得美团无人机量产定点 [18] - **芯片与解决方案**： - 地平线与元戎启行合作，基于征程6P开发高阶辅助驾驶解决方案 [20] - 地平线首批基于单征程6M的城区辅助驾驶方案进入量产期，合作伙伴包括博世、卓驭等，旨在将城区辅助驾驶普惠至10万元级别车型 [20] - 黑芝麻智能与元戎启行达成深度合作，围绕高阶辅助驾驶解决方案展开协同创新 [21] - **商业化落地**： - 文远知行Robotaxi已成功驶入全球10多座城市，在阿布扎比等地开启纯无人商业运营，预计到2025年底全球车队规模将达到约1000辆 [13] - 均胜电子与斯年智驾合作开发的智慧港口数字化管理平台已在宁波港投用，综合提升车辆调度效率15%，路径规划精准性10% [22][23] - 奔驰与Momenta合作，计划在2026年1月推出的新一代S级轿车上搭载L4级自动驾驶技术，进军阿布扎比自动驾驶出租车市场 [26] - Stellantis与出行平台Bolt合作，探索L4级自动驾驶汽车在欧洲的商业化运营 [25] 品牌智能化水平差异 - 2025年1-10月累计，新势力品牌（特斯拉、蔚来、小鹏、理想等）L2级及以上功能渗透率基本在100% [30][32] - 头部自主品牌如比亚迪、长城汽车L2级及以上渗透率分别达68.7%和92.4%，领先于多数合资品牌 [30][32]

文章核心观点 - 英伟达（Nvidia）最新发布的以Alpamayo为核心的自动驾驶研发生态体系，难以真正撼动特斯拉（Tesla）FSD的领先地位 [3] - 英伟达的商业模式本质是推动算力销售，而非提供成熟的自动驾驶成品，因此缺乏在技术上挑战其最大客户特斯拉的强烈动力 [4][6][9] - 自动驾驶竞争的核心要素是算法、算力和数据，英伟达在数据层面存在明显短板，其发布的Physical AI数据集规模（1700多小时）与特斯拉数百万辆车的实时数据采集能力相比差距巨大 [10][11] - 英伟达试图通过其仿真技术（如AlpaSim、Issac）来弥补数据不足，但自动驾驶端到端仿真技术尚不成熟，且高度依赖大量真实数据，难以实现“弯道超车” [11][12][14] - 英伟达自动驾驶生态的成败最终取决于量产落地，而非技术演示（Demo）；目前其在海外与奔驰的合作进展未达预期，行业呈现特斯拉一家独大格局 [15][17] - 中国自动驾驶市场格局与海外不同，供应商（如华为、地平线）崛起且软硬件一体化，对英伟达的算力核心地位构成挑战，英伟达在中国市场也面临不确定性 [18] - 如果自动驾驶行业出现类似安卓的“开放时刻”，最大可能将发生在中国，而非由英伟达引领 [19] 根据相关目录分别进行总结 英伟达的商业模式与战略动机 - 商业模式以销售底层算力为核心，发布的Alpamayo 1推理模型、AlpaSim仿真框架及Physical AI数据集本质是提供研发生态工具包（Tool Kit），旨在推动客户在模型训练、车端部署和云端仿真上更多使用英伟达算力 [4][8] - 战略是“授人以渔”而非“授人以鱼”，通过提供开源模型和易用工具降低客户自研启动成本，鼓励客户依赖英伟达算力进行后续迭代，而非提供“开盒即用”的成熟系统 [5][6] - 英伟达与特斯拉并非直接竞争关系，特斯拉是其汽车行业最大客户，两者创始人关系良好；英伟达更希望看到行业“百家争鸣”的军备竞赛局面，而非一家独大或出现单一的“自动驾驶安卓”供应商 [6][9] 自动驾驶竞争的核心要素对比（算法、算力、数据） - **算法与算力**：英伟达在人才（算法）和算力方面具备顶级实力 [10] - **数据短板**：英伟达发布的Physical AI数据集覆盖25个国家（仅美欧）、2500多个城市，总数据量约1700多小时，其中美国数据占50%；该规模对于学术研究尚可，但对于量产研发则显不足 [10][13] - **数据获取能力**：特斯拉拥有遍布全球的数百万辆装备传感器车队进行实时数据采集；英伟达缺乏自有车队，主要通过自采、与车企（如奔驰）合作及投资创业公司（如Wayve, Waabi）获取数据，但在特斯拉约七百万用户车队面前相形见绌 [10][11] 仿真技术的局限性与挑战 - 英伟达将仿真技术（如Issac、AlpaSim）视为弥补数据短板的关键战略，其在计算机图形学和物理引擎仿真领域积累深厚 [11] - 但自动驾驶端到端仿真更依赖于3D重建和生成式AI（世界模型），这类数据驱动技术本身需要大量真实数据训练才能达到逼真效果 [12] - 英伟达因缺乏足够自动驾驶原始数据，只能从泛化视频生成模型出发再用少量数据微调，这在复杂的具身智能物理AI领域尚未走通；自动驾驶仿真只能“锦上添花”，难以“无中生有” [14] - 机器人仿真的成功（如跑酷Demo）建立在封闭静态环境，而自动驾驶仿真需应对复杂多变的交通场景与其他交通参与者，难度更高 [12] 量产落地进展与行业格局 - **海外市场**：英伟达与奔驰的量产合作（原计划2024年推出L2+功能）进展未达预期；截至2025年底，海外车企中仅Rivian发布了AI Day展示辅助驾驶功能，但其方案依赖地图，Demo的端到端方案仍处初期，难以威胁特斯拉 [17] - 英伟达发布Alpamayo旨在提振海外车企信心，组建“复仇者联盟”对抗特斯拉，但成功与否取决于能否快速推出有竞争力的量产产品 [17] - **中国市场**：行业格局不同，早期以头部车企自研为主，但伴随华为、地平线、Momenta等强大供应商崛起及行业极度内卷，部分车企转向购买供应商方案；供应商呈现赢家通吃趋势，并开始涉足算力领域，对英伟达生态构成挑战 [18] - 英伟达若想将中国车企留在其生态内，需证明其仿真系统和模型参数扩展（Scaling）的有效性，并期待头部车企在自研上取得突破，难度和不确定性很大 [18]

行业投资评级 - 评级：增持 [1] 报告核心观点 - 上海发布《“模速智行”行动计划》旨在加速智能网联技术创新向产业竞争力转化 推动上海高级别自动驾驶由示范走向规模化商业化 [3] - 建议积极关注自动驾驶大模型与训练评测基础设施 车载算力与车规软硬件 以及港口重卡和公共交通 [3][5] 行动计划总体目标与思路 - 行动计划由上海市经信委 交通委 公安局于1月7日联合印发 总体思路为“模型驱动引领 应用示范带动 产业协同发展 政策举措支撑” [5] - 提出到2027年建成全球领先的高级别自动驾驶引领区 实现应用场景规模化 创新要素体系化 产业能级高端化 [5] - 具体目标包括：L4级技术在出租 重卡等场景规模化落地 实现载客超600万人次 载货超80万TEU [5] - 建成数字孪生训练场等平台 开放测试区域2000平方公里 道路超5000公里 覆盖多类场景 [5] - L2/L3级新车占比超90% 实现L4级量产 关键技术自主可控 形成完整产业生态 [5] 多样化应用场景规划 - 乘用车领域：组织智能出租示范运营 试点L3级乘用车上路 探索其在个人及单位出行场景的应用并扩大量产规模 [5] - 商用车领域：在“五个新城” 交通枢纽推进技术应用 推动洋山港智能重卡向“单车全无人”升级 以“奉浦快线”试点探索公交智慧运营 [5] - 无人装备领域：以城市巡检等为切口打造高价值应用场景 探索无人车 自主泊车的运营标准 [5] 产业生态与政策支撑 - 推进车载芯片等关键技术攻关 培育优质企业并推动智驾大模型的产学研合作 [5] - 以浦东等区域为重点 牵头打造世界级智能网联汽车产业集群与特色产业园 [5] - 支持建设测试验证平台 推进仿真技术应用 强化自动驾驶系统验证能力 [5] - 保障措施从政策 金融 人才 区域协同四个维度发力 包括完善政策与安全体系 拓宽融资渠道与创新保险 引育高层次与高技能人才 实现全市及长三角测试互通互认 [5]