文章核心观点 - 文章系统阐述了一种名为“Trigger框架”的自动驾驶数据闭环核心系统，旨在将异常事件从依赖人工经验排查的原始模式，转变为自动发现、自动归因、自动生成问题单并汇总成头部问题的智能化流程 [3][5][6] - 该框架的核心设计原则是“三端统一”，即用同一套Trigger逻辑代码在车端、云端和仿真端运行，确保问题定义和判断标准的一致性，从而解决传统方式中逻辑重复、结论打架的问题 [10][15][16] - 通过将Trigger框架与大型语言模型（LLM）和工作流引擎（如Dify）结合，构建了从问题自动分类、自动创建工单、自动加入仿真回归测试到自动验证修复的完整工单闭环，极大提升了问题处理效率和系统化程度 [44][47][51][60] 从传统问题排查到Trigger框架的转变 - 传统自动驾驶问题排查高度依赖少数资深专家（“老法师”）的经验，经验难以系统化沉淀，人员变动会导致诊断质量下降 [3][4] - 传统方式在车端在线监控、云端历史数据挖掘和仿真评测中需要各写一套逻辑，导致对同一事件（如急刹车）的判断阈值和结论经常不一致 [3][4][10] - 传统排查产生的是分散的“散点”，难以系统性地识别和定位当前最需要优先解决的头部问题类型 [4] - Trigger框架的目标是实现异常事件的自动发现、自动归因、自动分发，并自动汇总成头部问题，让数据自己“长成”结构化的“问题样本” [5][6] Trigger框架的定义与核心思想 - Trigger被定义为 **特征工程（Feature Engineering）** 加 **分词器（Tokenizer）** 的组合 [7] - **特征工程**：从原始日志（如姿态、感知结果、轨迹、底盘CAN信号、错误码等）中抽取一批“中间事件” [7] - **分词器**：将这些中间事件按时间轴打成带有类型、时间戳和附加属性的“Token” [7] - 后续的问题分类、聚类和头部问题分析，都是在这些Token序列、场景标签和Case（案例）数据上进行的操作 [9] - 从系统视角看，MPI（万公里干预次数）/ MPS / MPD等顶层指标是组织的损失函数（Loss Function），而每一次异常或Bug都是推动系统学习的“样本” [3][11] 三端统一Trigger框架的总体设计 - 框架设计有两个硬性规定：1) Trigger逻辑必须用纯Python编写，遵守统一接口；2) 多端适配、性能优化等复杂性全部由框架隐藏，业务开发人员只需关注Trigger逻辑本身 [19] - 整体架构分为三层： 1. **Trigger定义层**：包含每个Trigger的元数据（如唯一ID、描述、所属模块、输入依赖、输出标签、复杂度等级）以及供LLM阅读的文档 [16][19] 2. **Trigger Runtime（执行引擎）**：为Trigger提供在云端、车端和仿真端完全一致的执行接口，屏蔽底层平台差异 [16][17][26] 3. **Trigger管理与调度**：包括Manager和发布系统 [19] - Trigger的执行生命周期包含三个统一方法： - **init()**：声明数据依赖（订阅哪些数据通道和字段）并初始化Trigger的全局状态（如跨帧需要保存的变量） [20][21][22] - **eval()**：按时间顺序（云端离线for循环、车端实时流回调）被调用，处理每一帧数据，根据业务逻辑判断是否生成中间事件（Token） [20][22] - **analysis()**：在一段数据（如一个Case）处理完成后被调用，进行总结并输出结构化的结论和标准字段 [20][25] - 框架通过高性能C++库实现昂贵的几何运算（如多边形相交、距离计算），并向Trigger脚本提供Python接口，以保证eval()函数的性能 [22][23][24] Trigger框架的工程实现与生态 - 采用 **“框架库”** 与 **“Trigger逻辑库”** 分离的双仓库架构 [30][32] - **框架库**：包含核心Runtime、多端适配、高性能工具和可视化增强，由核心团队维护并遵循严格的发布流程 [30][32] - **Trigger逻辑库**：存放所有具体的业务Trigger规则（如急刹、大转向），由研发团队共同维护，并接入CI流水线和自动化测试 [32][34] - 为确保车端性能，需要下发到车端运行的Trigger必须通过台架性能测试闸门，只有消耗（CPU/内存/带宽）达标的Trigger才会被标记为可下发 [34][37] - 利用 **大模型（LLM）和RAG（检索增强生成）** 技术降低了Trigger编写门槛，构建了“Trigger编写助手” [35][38] - 将框架说明和示例Trigger作为提示词和知识库 [35] - 研发人员用自然语言描述监控需求，AI助手可自动生成Trigger代码骨架和可复用片段 [38] - 这使得大量调试经验得以代码化沉淀，成为系统的“知识库+工具箱” [36][39] - 框架支持极端的跨平台执行，甚至可以通过JS版Python解释器（如Pyodide）在纯前端网页环境中运行Trigger，极大降低了调试门槛 [30] 从Trigger到结构化Case的生成流水线 - **步骤1**：车端体感Trigger（如急刹）发现可疑事件，以“自然分钟”为粒度生成一个 **road_case**（路测案例）并分配ID [40][43] - **步骤2**：云端根据Trigger命中情况，决定为该case上传或保留相应的 **microlog**（无损二进制数据包）和 **mini log**（压缩可视化数据）作为“证据包” [40][43] - **步骤3**：云端Trigger在microlog/mini log数据上运行第二轮更精细的识别，产出更多Token补充到该road_case下 [40][43] - **步骤4**：一个road_case可能涉及多个模块问题，会据此拆分成多个 **bad_case**（不良案例）并分配给对应团队 [41][43] - **步骤5**：所有road_case、bad_case、Token和标签最终落入统一的数据表，为后续的自动分类、聚类和统计分析提供基础 [42][43] 基于LLM与Trigger Token的自动问题分类 - **第一阶段（规则树）**：早期使用纯规则树（if/else逻辑）进行分类，优点是可解释，但难以维护和扩展新问题 [44][45][48] - **第二阶段（LLM分类器）**：利用Trigger产出的Token序列和场景标签，构建更智能的分类系统 [46] 1. 将Token序列转换成“事件脚本”文本描述 [46][49] 2. 将脚本和场景信息输入LLM，让其输出问题归属模块、类型、严重程度和建议责任团队等自然语言结论 [46][49] 3. 将LLM的自然语言输出映射回结构化的字段，写回bad_case表 [46][49] - 在此流程中，Trigger扮演了 **Tokenizer（分词器）** 的角色，将原始信号转化为Token序列；LLM则扮演 **Classifier（分类器）** 的角色，在Token的语义空间中完成分类与归因 [47][49] - 自动分类系统的效果通过研发反馈进行闭环评估和迭代：统计研发在认领工单后是否修改了自动分类的标签，并将这些修正案例反向喂给LLM，用于持续优化分类器 [66][67][70] 工单与仿真的自动化闭环 - **自动创建工单**：LLM分类后的bad_case会自动转换为结构化工单（如Aone工单），自动填充标题、描述、附件链接、责任团队和优先级，无需人工补充背景信息 [52] - **自动加入仿真回归集**：问题被自动加入到对应团队维护的仿真回归测试集合中，与CI/准出流程打通 [53][54] - **多版本自动回归验证**：通过工作流（如Dify）串联，当有新的准出版本上线时，CI会自动用该版本在仿真平台跑对应问题的回归测试 [55][56] - 若测试通过，则标记问题在新版本已修复，老版本工单可自动关闭或等待升级 [56][57] - 若测试失败，工单保持打开状态，继续提醒团队处理 [56] - **系统集成**：使用Dify等工作流引擎，将LLM与数据平台、仿真平台、工单系统等外部接口（通过MCP工具封装）连接起来，LLM作为决策“胶水”调用这些工具函数，驱动整个闭环流程 [58][59][60][61] - **简化运维入口**：通过钉钉机器人，运维人员只需在群内发送问题截图和自然语言描述，即可自动触发后端完整的工作流，最终将创建好的工单和回放链接反馈到群内 [62][63][65] 从Case到头部问题发现 - 当积累了大量的road_case、bad_case、Token序列和自动分类标签后，问题聚类和头部问题发现便有了扎实的数据基础 [68][71] - 可以按模块、问题类型、场景进行分组统计，分析问题分布；也可以在地图上打点，识别高频问题路段；还可以利用Token序列模式进行聚类，找出一段时间内重复出现最多、对核心指标（MPI/MPD）影响最大的几类头部问题 [68][71]

文章核心观点 - 文章旨在推广“自动驾驶之心知识星球”社区 该社区定位为国内首个自动驾驶全栈技术交流与学习平台 致力于通过整合学术与产业资源 降低行业入门壁垒 帮助从业者及学习者提升竞争力 [4][17] - 社区已运营三年 目前拥有超过4000名成员 并计划在未来两年内将规模扩大至近万人 目标是打造一个集技术分享、学习路线、求职交流、行业调研于一体的综合性聚集地 [4][5] - 社区内容覆盖自动驾驶全技术栈 梳理了超过40个技术方向的学习路线 并提供了包括视频课程、专家访谈、技术问答、直播分享、岗位内推等在内的多元化服务 [4][7][9][10][11] 社区定位与规模 - 社区是国内首个自动驾驶全栈社区 旨在为学术界和工业界人士提供技术交流平台 成员来自上海交大、北京大学、CMU、清华大学等国内外知名高校以及蔚小理、地平线、华为、大疆等头部公司 [17] - 社区目前成员已超过4000人 并计划在未来2年内将规模做到近万人 [4][5] - 社区内容形式多样 集视频、图文、学习路线、问答、求职交流为一体 [4] 内容体系与资源 - 社区系统梳理了超过40个自动驾驶技术方向的学习路线 包括感知、规划控制、仿真、端到端、VLA、多模态大模型、BEV感知、世界模型等 [7][9][18] - 汇总了丰富的学习资源 包括近40+开源项目、近60+自动驾驶相关数据集、行业主流仿真平台以及各类技术学习路线 [18] - 提供了七大福利视频教程 涵盖感知融合、多传感器标定、SLAM、规划预测、数据工程、目标跟踪、仿真、端到端及大模型技术等 [11] - 整理了自动驾驶领域企业介绍、国内外高校著名团队、经典书籍、开源数据集、会议信息等实用资料 [10][29][31][33][37] 社区活动与服务 - 定期举办“星友面对面”活动 已开展五期 覆盖学术界和工业界、科研就业和申博、跳槽和转行等话题 [4] - 计划开展企业技术专家访谈和行业调研 重点关注智驾规模化量产及L4赛道发展 [4] - 已举办超过一百场专业技术直播 邀请行业一线专家分享前沿工作 如VLA、3D检测、V2X、扩散模型规划、3DGS等 [90] - 提供技术问答服务 已为近4500名星友解答问题 并设有圆桌访谈和日常问题讨论 [4][21][92] - 与多家自动驾驶公司建立岗位内推机制 帮助成员对接就业机会 [11][22] 覆盖的技术方向与热点 - **端到端自动驾驶与VLA**：详细梳理了一段式/二段式量产方案、VLA开源数据集、模块化与端到端VLA等 是当前学术与工业界热点 [39][47] - **多模态与大模型**：涵盖自动驾驶多模态大模型预训练与微调数据集、VLM、大模型在自动驾驶中的应用等 [7][45][86] - **感知技术**：全面覆盖BEV感知、3D目标检测、2D/3D分割、多传感器融合、车道线检测、Occupancy Network、鱼眼感知等方向 [10][53][55][57][64][68][83][84] - **规划控制与预测**：包括传统规划控制算法、决策框架、轨迹预测、强化学习等 [10][49][62] - **仿真与重建**：涉及3DGS、NeRF与自动驾驶仿真结合、闭环仿真、Carla/Apollo等仿真平台 [41][82] - **前沿模型**：重点关注扩散模型、世界模型等技术在自动驾驶领域的原理与应用 [43][51] - **工程落地**：提供模型压缩、部署优化、CUDA编程、TensorRT部署等实战内容 [10][70][72]

WeRide Inc. (NASDAQ:WRD) is one of the best low priced technology stocks to buy according to analysts. On December 7, JPMorgan analyst Alex Yao lowered the firm’s price target on WeRide to $17 from $21, while maintaining an Overweight rating on the shares. Yao expects WeRide’s revenue growth in China to be gradual until local regulations catch up with autonomous driving technology. Consequently, the firm has reduced its near-term estimates for the company despite a confident outlook on its long-term profit ...

公司战略与业务拓展 - 前大疆自动驾驶部门ZYT计划进军重型卡车和无人物流车领域 将其业务从城市道路拓展至高速公路 标志着中国大型科技公司的创新外溢至初创企业[1] - 公司计划在2026年上半年实现高速公路卡车导航自动驾驶功能的大规模生产[2] - 公司已与徐工集团、陕汽集团和中国重汽集团达成合作 成为其首批卡车合作伙伴[3] - 公司计划在2024年1月与一家中国顶级商用车制造商启动合作 共同设计基于其自动驾驶技术的无人物流车辆[4] 市场竞争格局 - ZYT进入中国竞争激烈的自动驾驶领域 开辟了新战线 将直接与地平线等重量级玩家以及去年从华为分拆出的深蓝汽车（智能汽车解决方案BU）等竞争[5] - 在进军利润丰厚的物流市场时 ZYT将挑战如小马智行等现有竞争对手 后者已于上月宣布计划在2026年大规模生产和部署自动驾驶卡车[5] 公司背景与技术优势 - ZYT成立于2016年 最初是大疆的汽车部门 一直专注于乘用车领域[6] - 该部门于2023年分拆独立 原因包括自动驾驶团队的扩张偏离了大疆的核心无人机业务 以及中美地缘政治紧张局势加剧[6] - 作为智能驾驶系统和零部件的制造商 ZYT在将技术从规模庞大、质量标准高的乘用车领域转移到其他行业方面具有先天优势[3]

延续昨日涨势，百度今日继续走强，盘中一度涨2%至132.3港元，创10月9日以来新高。消息面上，美 国叫车平台Uber和Lyft宣布，已经与百度达成合作协议，计划明年在英国推出无人驾驶的士(Robotaxi)试 点计划。 ...

行业整体动态 - 自动驾驶行业在整体下沉的关键节点竞争激烈 卷技术 卷成本 卷效率 [1] - 行业人才流动显著 上半年及当前有大量自动驾驶领域人才转行至具身智能 无人机等行业 L4/具身/无人机行业正在大批量招人 [1] - 自动驾驶作为相对成熟的AI领域 其算法人才非常受欢迎 头部企业如大疆 宇树 智元 哈啰等提供的薪资很到位 [1] - 自动驾驶从业者因具备使用大集群 解决各种复杂场景问题以及上下游协同能力强等经验 在其他相关行业备受青睐 [2] 公司业务发展 - 公司业务在年内进行了拓展 扩充了许多B端客户 并开始尝试从线上走向线下 [1] - 公司在C端的内容策略正从普适性内容逐渐转向专业化和精细化 [1] 技术发展趋势 - 自动驾驶头部技术收敛到几个大方向 包括一段式端到端 VLA 世界模型 强化学习 [3] - 行业中游厂商仍在攻坚OCC 无图技术 多传感器融合感知等领域 [3] - 相关技术公司计划在明年开放大量职位 [3] 行业社区与信息 - 自动驾驶之心付费社区的成员在年内正式突破4000人 [3] - 该社区提供技术路线发展 各类圆桌讨论 研报 职位信息等内容 [3]

公司与交易动态 - 自动驾驶卡车AI软件公司PlusAI与特殊目的收购公司Churchill Capital Corp IX宣布修订并向美国证券交易委员会提交了关于拟议业务合并的联合注册声明[1] - 该联合注册声明以S-4表格形式提交，并包含初步的委托书/招股说明书[1] - Churchill Capital Corp IX是一家公开交易的特殊目的收购公司，股票代码为NASDAQ: CCIX[1] 行业与业务领域 - PlusAI是自动驾驶卡车AI软件领域的领导者[1] - 此次交易涉及的业务合并属于自动驾驶技术行业[1]

国产AI芯片替代加速 - 2025年8月底，AI芯片厂商寒武纪盘中股价超过贵州茅台，成为A股股价最高的个股，标志着市场对国产芯片崛起的期望 [1] - 2025年末，摩尔线程、沐曦股份登陆科创板，上市首日摩尔线程股价涨超4倍，沐曦股份刷新近十年A股上市首日单签盈利纪录，壁仞科技、天数智芯冲刺港股上市 [1] - 国产替代的现实基础包括数据中心AI芯片进口存在不确定性，以及市场希望有两家以上国产厂商提供多元选择 [1] - DeepSeek带动AI应用遍地开花，改变了AI计算需求结构，更多计算从训练走向推理，对芯片性能要求相对较低，国产芯片可以满足，腾讯云已于2025年9月全面适配主流国产芯片 [1] - 随着更多AI应用落地，推理需求将继续增长，更多数据中心和云厂商可能采购国产AI芯片用于测试和业务系统 [2] - 壁仞科技在招股书中预计，国内企业在中国智能计算芯片市场的份额将从2024年的约20%增加至2029年的约60% [2] - 国产AI芯片厂商面临新挑战，包括英伟达可能回到中国市场供应H200，以及多家国产厂商市占率都不超过1%，需争取更多客户并证明独特价值 [2] - 国产芯片产业需提升单芯片性能，并加强产业链合作以打造更完善的国产算力生态 [2] 端侧AI硬件爆发与交互革命 - 特斯拉CEO马斯克预测5~6年内传统手机与App将消失，手机将成为用于AI推理的边缘节点，OpenAI CEO奥尔特曼透露正在开发无屏幕的AI硬件，共同指向算力、模型与场景融合的方向 [3] - 短期来看，手机、PC仍是承载个人AI的核心硬件，但内涵正在被重写，2025年末的“豆包AI手机”是未来窥见，未来竞争核心是AI理解用户、主动服务的原生能力，而非硬件参数堆砌 [3] - 硬件形态变迁背后是交互革命，以自然语言为核心，融合语音、视觉的“多模态自然交互”有望渐成主流，取代统治数十年的图形用户界面，驱动智能硬件走向“去中心化”与“场景专属化” [3] - 大模型厂商希望通过AI助手以智能体打通App孤岛，还有创业者直接试水AI眼镜新物种 [4] - 行业预测，2025年至2029年，全球端侧AI市场规模预计从3219亿元跃升至1.22万亿元，年复合增长率达40% [4] - AI端侧变革正在重构产业价值链：芯片竞赛重点转向能效比，终端厂商竞争核心从硬件规格变为AI体验与生态协同能力，软件与服务价值或将超越硬件本身 [5] - 一个“一切皆可感知，一切皆可推理”的泛在智能时代即将开启，2026年将见证新一批AI硬件的涌现 [5] 量子计算从实验室走向产业链 - 量子科技是引领新一轮科技革命和产业变革的战略性前沿技术，年初黄仁勋认为量子计算实际应用大约还需要20年时间 [6] - 2025年，谷歌、微软等科技巨头发布了量子计算领域的重要进展，我国量子科技被写入“十五五”规划建议 [6] - 展望2026年，量子科技将加速从实验室步入全产业链布局进程，成为驱动未来经济的新增长极 [6] - 我国自主研发的“祖冲之三号”量子计算机速度比目前最快的超级计算机快千万亿倍，2026年能否持续刷新全球量子优越性纪录值得期待 [6] - 量子计算机能否在具有实用价值的问题上体现优势是其走向大规模商业化的关键，业界期待2026年量子计算服务在金融、蛋白模拟等复杂计算领域进一步发挥作用 [6] - 在量子通信领域，中国引领全球产业发展，处于规模化应用阶段，2026年城域量子网络有望进一步扩大，更多城市将建成或扩展基于光纤的量子密钥分发网络 [7] - 量子通信核心设备正朝着芯片化、小型化趋势发展 [7] - 中国科学院院士潘建伟指出，我国在量子通信应用、量子计算原型机等方向已实现“部分领跑”，成为与美国并驾齐驱的量子科技强国，并预测未来将形成“量子互联网” [7] 商业航天进入加速演进新阶段 - 在政策、资本、需求推动下，商业航天正迎来加速演进新阶段，2025年下半年国家航天局发布《推进商业航天高质量安全发展行动计划（2025—2027年）》，设立商业航天司和“国家商业航天发展基金” [8] - 2026年商业航天热度将延续，2025年底马斯克侧面确认SpaceX在明后年上市计划，市场认为其上市会将市场热度推向新高峰 [8] - 国际航天联合会数据显示，未来五年全球商业航天市场规模年复合增长率预计达到10.5% [8] - 国内科创板改革将商业航天纳入第五套上市标准适用范围，蓝箭航天、中科宇航、天兵科技等头部企业纷纷开启上市辅导 [8] - 需求端，中国星网在2030年前后的卫星需求规模已基本清晰，未来几年是集中放量阶段，截至2025年12月中旬，国网星座和千帆星座分别发射完成16组和6组卫星，发射频次提升 [9] - 行业发展倒逼卫星制造、火箭运力和在轨服务能力扩张 [9] - 2025年蓝箭航天、星河动力经历了火箭发射失利，随着发射频次提升，产业链工程体系、风险共担机制在逐步完善 [9] - 当盈利样本已被验证、需求规模高度确定，2026年商业航天正从长期叙事转入执行阶段 [9] 固态电池产业化临近与挑战并存 - 2025年固态电池成为资本市场“顶流”，板块指数全年飙涨逾50%，多只概念股股价翻倍，但产业界判断“量产至少仍需5年” [10] - 产业层面，宝马集团宣布全球首辆搭载全固态电池的测试车开启路测，2025年至少有12家主流整车制造商宣布固态电池上车进度，指向“2026年装车验证、2027年初步量产” [10] - 长安、上汽、比亚迪等巨头的一致行动描绘了清晰临近的产业化图景 [10] - 资本市场情绪与产业基础现实存在巨大鸿沟，“伪固态”乱象横行，宁德时代董事长曾毓群指出现在谈大规模应用纯属误导 [10] - 全固态电池在导电性、循环寿命、制造难度及成本控制上仍面临难题，核心挑战是成本和工艺，“半固态电池先行，全固态电池紧随”成为行业共识 [10] - 2025~2026年国内将迎来中试线密集落地与装车验证潮，真正量产里程碑普遍被设定在2027年，且初期是“小批量”生产 [11] - 中国科学院院士欧阳明高判断，全固态电池实现规模化应用仍需三至五年时间 [11] - 展望2026年，产业焦点将从“宣布布局”转向“验证数据”和“降本实绩”，多家主流车企将兑现“装车验证”承诺，资本市场将逐渐从“概念炒作”转向“兑现考核” [11] L3级自动驾驶进入规模化快车道 - 在政策落地、成本下探与车企密集布局下，L3级自动驾驶正进入规模化发展快车道，迈入商业化应用关键一步 [12] - 2025年工信部明确“有条件批准L3生产准入”，首批长安、北汽新能源车型已获专用号牌，在京渝指定路段试点运营，政策已明确事故责任划分，为商业化提供制度保障 [12] - 多家车企已进入试点联合体名单“排队”获得L3生产准入，2026年将成为L3功能密集上车的一年 [12] - L3级自动驾驶正加速从高端车型向主流市场下沉，激光雷达等成本不断下降，高速与城市NOA技术成熟度显著提升 [12] - 高盛研报显示，L3作为“有条件自动化”起点，将推动行业在测试数据积累、算法优化和商业模式探索方面取得实质性进展 [13] - 2025~2030年将是中国自动驾驶产业发展的关键窗口期，产业链领先企业有望确立长期竞争优势 [13] - L3级是自动驾驶从辅助走向自动的分水岭，技术要求更高，当前上路仍有限制条件，随着场景拓展与数据积累，技术将持续迭代升级，规模化量产时代将加速到来 [13] 头部房企债务重组取得进展 - 2025年12月初，碧桂园宣布境内外债务重组几近完成，融创公告其全面境外债务重组的所有先决条件均已达成，重组于2025年12月23日生效 [14] - 当前出险房企债务重组典型方式包括债转股、以资抵债、全额长展期等，核心是通过削债降低实际债务负担，从企业公开方案看，削债比例在40%~70% [14] - 2025年有约21家出险房企实现了债务重组、重整获批及完成，化债总规模约合人民币1.2万亿元，极大减轻了企业短期公开债务偿还压力 [14] - 部分房企如华夏幸福“预重整”受到股东中国平安质疑，万科在年末陷入债务展期波折，房地产债务新老问题将延续到2026年 [14] - 2026年统筹防风险和促转型仍是房地产行业重点任务，全国住房城乡建设工作会议强调要“统筹防风险和促转型”，并“坚持市场化、法治化原则，防范化解房企债务风险” [15] - 业内认为出险房企债务重组及重整获批将加速整体房地产风险出清进程，预计2026年仍将是企业风险出清的关键年 [15] - 行业风险化解正迎来至关重要的窗口期，随着政策持续精准发力、市场基本面逐步企稳以及企业自身积极努力，房企化债进程有望进一步提速 [15] “十五五”规划擘画发展蓝图 - 2025年10月党的二十届四中全会审议通过“十五五”规划建议，提出未来五年经济社会发展主要目标，包括高质量发展取得显著成效，科技自立自强水平大幅提高等 [16] - 规划建议提出了建设现代化产业体系、加快高水平科技自立自强、建设强大国内市场、扩大高水平对外开放等一系列任务举措 [16] - 规划建议明确提升宏观经济治理效能，实施更加积极的宏观政策，国家发改委等部门将从拓展政策空间、创新治理工具、增强宏观政策取向一致性三方面持续发力 [16] - 全会继续把推动高质量发展确定为“十五五”时期经济社会发展的主题，要求“坚持以经济建设为中心”，并将建设现代化产业体系排在各项任务首位 [17] - 规划建议提出推动重点产业提质升级，巩固提升化工、机械、造船等行业全球地位，发展先进制造业集群，初步估计未来5年会新增10万亿元左右市场空间 [17] - 规划建议提出打造新兴支柱产业，加快新能源、新材料、航空航天、低空经济等战略性新兴产业集群发展，将催生数个万亿级甚至更大规模市场 [17] - 规划建议提出前瞻布局未来产业，推动量子科技、生物制造、氢能和核聚变能、脑机接口、具身智能、第六代移动通信等成为新经济增长点，这些产业未来10年新增规模相当于再造一个中国高技术产业 [17] 提高居民消费率成为政策发力点 - “十五五”规划建议在未来五年主要目标中提到“居民消费率明显提高”，消费是中国经济增长第一引擎，大力提振消费是宏观政策重要发力点 [18] - 根据世界银行数据，2023年全球居民消费率均值为56.6%，中等收入经济体为52%，中国仅为39.1%，处于全球极低水平 [18] - 过低的居民消费率代表中国经济增长的巨大潜力和广阔空间，与发达国家或同等发展水平国家比，至少有20个百分点的提升空间 [18] - 规划建议提出“居民消费率明显提高”，意味着未来五年将通过政策协同、制度优化和产业升级形成长效机制，提高居民收入以提升消费能力，完善社会保障以提升消费意愿 [18] - 在外部不确定因素增多时期，更应增强国内大循环内生动力，更多转向内需驱动，增强消费的基础性作用 [19] - 针对如何提振消费，规划建议提出一系列具体安排，包括统筹促就业、增收入、稳预期，合理提高公共服务支出占财政支出比重，增强居民消费能力 [19] - 规划建议提出完善促进消费制度机制，清理汽车、住房等消费不合理限制性措施，建立健全适应消费新业态新模式新场景的管理办法，落实带薪错峰休假等 [19]

文章核心观点 - 世界模型是理解并改变物理世界的核心技术，正引领生成式AI自动驾驶范式，重塑自动驾驶底层能力[2] - 自动驾驶领域对世界模型的探索持续进行，主要方向包括视频生成和OCC生成[2] - 行业基于开源算法搭建云端/车端世界模型，用于长尾数据生成、闭环仿真评测，并尝试直接赋能车端驾驶能力[3] - 世界模型定义尚不清晰，初学者入门困难，存在大量“踩坑”现象[4][5] - 为解决学习难题，推出了国内首个《世界模型与自动驾驶小班课》，旨在系统化教学，帮助学员达到约1年经验的算法工程师水平[7][20] 行业技术动态与探索方向 - **视频生成方向**：是学术界和工业界探索最多的领域，代表工作包括Wayve的GAIA-1/2/3、上海交通大学CVPR'25的UniScene等[2] - **OCC生成方向**：经典工作包括OccWorld、OccLLaMA，以及西安交通大学最新的SOTA工作II-World[2] - **通用世界模型进展**：近期重要发布包括2025年6月Yann LeCun的V-JEPA 2、2025年8月DeepMind的Genie 3、2025年11月李飞飞团队的Marble[2] - **业界热门工作**：包括导航世界模型、VLA+世界模型算法DriveVLA-W0以及特斯拉在ICCV上分享的世界模型模拟器[13] 课程内容与结构 - **第一章：世界模型介绍**：复盘世界模型与端到端自动驾驶的联系，讲解发展历史、应用案例、不同流派（纯仿真、仿真+Planning、生成传感器输入、生成感知结果等）及其在业界的应用与解决的问题[12] - **第二章：世界模型背景知识**：讲解场景表征、Transformer、BEV感知等基础知识，为后续学习奠定基础，内容被认为是求职面试频率最高的技术关键词[12][13] - **第三章：通用世界模型探讨**：深入讲解Marble、Genie 3、JEPA、DriveVLA-W0、特斯拉模拟器等热门模型的来龙去脉、核心技术与设计理念[13] - **第四章：基于视频生成的世界模型**：从Wayve的GAIA-1 & GAIA-2讲起，涵盖CVR'25的UniScene、商汤的OpenDWM、中科大ICCV'25的InstaDrive，并以商汤开源的OpenDWM进行实战[14] - **第五章：基于OCC的世界模型**：聚焦OCC生成类算法，讲解三大论文并进行一个项目实战，此类方法可扩展至自车轨迹规划以实现端到端[15] - **第六章：世界模型岗位专题**：分享工业界应用经验、行业痛点、期望解决的问题以及相关岗位面试准备要点[16] 课程涉及的关键技术栈 - **基础模型与架构**：Transformer、视觉Transformer、为多模态大模型奠定基础的CLIP和LLaVA[18] - **感知与表征**：BEV感知、占用网络[18] - **生成式模型**：扩散模型（用于输出多模轨迹）、VAE、GAN以及Next Token Prediction[18] - **仿真技术**：闭环仿真、NeRF和3DGS[18] 课程面向人群与学后收获 - **面向人群**：课程是首个面向端到端自动驾驶的进阶实战教程，旨在推动端到端在工业界落地，助力从业者真正理解端到端技术[17] - **学员基础要求**：需自备GPU（推荐算力在4090及以上），具备一定的自动驾驶领域基础，了解transformer大模型、扩散模型、BEV感知等基本概念，以及概率论、线性代数、Python和PyTorch基础[20] - **学后收获目标**：掌握世界模型技术进展（视频生成、OCC生成等方法），对BEV感知、多模态大模型、3DGS、扩散模型等关键技术有更深刻了解，可复现II-World、OpenDWM等主流算法框架，能够将所学应用到项目设计中[20] - **职业发展**：学完预计能达到1年左右世界模型自动驾驶算法工程师水平，对实习、校招、社招均有助益[20] 课程安排与信息 - **课程进度**：开课时间为1月1日，预计两个半月结课，采用离线视频教学，提供VIP群内答疑及三次线上答疑，答疑服务截止2026年12月31日[21] - **章节解锁时间表**： - 12月10日：第一章[22] - 1月1日：第二章[22] - 1月20日：第三章[22] - 2月4日：第四章[22] - 2月24日：第五章[22] - 3月1日：第六章[22] - **讲师背景**：Jason老师拥有C9本科和QS50高校博士学位，已发表CCF-A论文2篇及CCF-B论文若干，现任国内TOP主机厂算法专家，从事端到端、大模型、世界模型等前沿算法预研和量产，并主持完成多项自动驾驶感知和端到端算法的产品量产交付[9]

Xping 的自动驾驶技术进展 - 公司的Fast Drive模型被AAI 2026大会接受 该会议为顶级AI会议 接受率仅为17% [1] - 模型引入了一种新的视觉令牌剪枝框架 用于端到端自动驾驶模型 [1] - 该技术灵感来源于人类驾驶行为 通过聚焦关键视觉信息并过滤无关数据来降低计算负载 从而提升实时性能 [2] REI Automotive 的战略合作 - 公司与博格华纳子公司Cascadia Motion签署了战略性的不具约束力谅解备忘录 [2] - 合作旨在基于Recorner技术 共同开发和商业化用于全球原始设备制造商电气化项目的下一代电驱动单元 [2] - 目标是提供一个紧凑的跨平台解决方案 以加速电动汽车开发 同时支持功能安全和安全的空中升级 [2] Fusion Fuel Green 的氢能业务发展 - 公司成立了Bright Hydrogen作为一个专门平台 用于开发、融资和交付工业规模的氢能项目 [3] - 该平台获得了来自一家绿色能源合作伙伴高达3500万美元的资金支持 [3] - 新架构将此前一项不具约束力的协议正式化为一个独立的投资工具 结合了Bright Hydrogen的技术专长与长期资金 以支持氢能基础设施的推广 [3] Foresight Autonomous 与奥迪的合作 - 公司被奥迪选中 在Minds and Makers初创企业活动上展示其地形智能3D感知解决方案 [3] - 该方案突出展示了在所有光照和天气条件下对道路及路面状况的实时分析能力 [3] - 公司进行了车内演示 并探讨了潜在合作 包括将其技术集成到奥迪未来汽车平台的概念验证 [4]