行业趋势与市场预测 - 英伟达CEO黄仁勋预测，未来十年世界上很大一部分汽车将是自动驾驶或高度自动驾驶的，并预测未来自动驾驶汽车规模可能达到十亿辆 [2][18] - 黄仁勋将自动驾驶定义为“物理AI”的第一个大规模主流市场，并坚信行业拐点已然到来 [2][18] - 花旗预测，全球无人驾驶出租车市场将从2025年的44.3亿美元增长到2034年的1,889.1亿美元，年复合增长率极高 [12][28] - 花旗预测，中国的无人驾驶出租车总潜在市场将从2025年的3,900万美元增至2035年的675.9亿美元 [12][28] 技术进展与产品发布 - 英伟达在CES上发布了名为Alpamayo的全新自动驾驶汽车模型系列，该模型采用基于思维链推理的视觉-语言-动作模型，旨在加速下一代安全、基于推理的自动驾驶汽车开发 [2][18] - Alpamayo模型能够识别正常驾驶过程中罕见的独特驾驶情况并找出正确行驶方式，例如检测交通信号灯故障并规划行动 [2][18] - 黄仁勋介绍，Alpamayo平台使汽车能够在真实世界中进行“推理”，首款搭载英伟达技术的汽车将于第一季度在美国上路 [2][18] - 前瞻产业研究院认为，随着5G、云计算、物联网等技术的发展，自动驾驶系统的性能和稳定性得到了极大的提升 [13][29] 政策与商业化里程碑 - 2025年12月15日，中国工信部公布首批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成为首批获准车型，标志着中国L3级自动驾驶技术从封闭测试正式迈向商业化应用 [3][19] - 全国参与L3测试准入的企业多达几十家，进入上路通行试点的有9家，最终获得产品准入许可的仅有2家 [3][19] - 获得准入许可的两款试点车型仍需在划定道路范围内运行，并保留人类驾驶员接管权限 [6][22] 产业链与受益方分析 - 花旗分析师认为，英伟达的新人工智能平台、开放模型和生态系统应会创造对无人驾驶出租车的需求并支持全球增长 [12][28] - 英伟达的举措可能会增强投资者信心，并从软件层面直接利好小马智行和文远知行 [12][28] - 比亚迪、吉利汽车、长城汽车、上汽集团和小米集团等汽车制造商，以及叫车平台滴滴，也可能从无人驾驶出租车行业的增长中受益 [12][28] 技术分级与定义 - 依据美国汽车工程师协会的标准，自动驾驶可分为L0至L5共六级 [4][20] - L0为完全人类驾驶，L1至L4是在限定场景下由系统完成相应驾驶行为，只有L5级才能实现完全无需人类接管的“无人驾驶” [6][22] 应用场景与行业影响 - 自动驾驶技术正成为未来交通出行的重要发展方向，在提升安全性、优化交通效率及丰富出行选择方面发挥重要作用 [9][25] - 目前自动驾驶已在公共交通、出租车、物流和配送、城市基础设施等不同领域实现了多样化应用 [9][25]

文章核心观点 文章汇总了2026年1月上旬智能网联新能源汽车及商用车领域的重要新闻与政策动态，核心观点聚焦于全球汽车产业正加速向智能化、电动化、国际化方向演进，人工智能与自动驾驶技术成为关键驱动力，同时各国及地方政府通过具体政策与产业规划大力支持相关产业发展，企业则在技术研发、产能布局、生态建设等方面积极行动以抢占市场先机 [1][6] 国内新闻 - 政策层面，工信部等八部门联合印发《“人工智能+制造”专项行动实施意见》，明确提出加快人工智能赋能工业母机、工业机器人，并开展搭载自动驾驶功能的智能网联汽车产品测试与安全评估 [7] - 地方规划方面，合肥市“十五五”规划建议提出聚力推动“芯屏汽合”等主导产业，其中智能网联新能源汽车产业要巩固新能源乘用车领先优势，差异化布局新能源商（专）用车 [8] - 企业动态方面，吉利汽车旗下极氪9X获得杭州市全域L3级自动驾驶道路测试牌照，该牌照是目前全国通行面积最大、里程最长的L3级测试牌照，将接入杭州市超7000个路口的交通数据集 [9] - 产能国际化方面，东风汽车正与投资方磋商在土耳其建立乘用车生产基地，目标于2026年内启动生产，以应对土耳其对中国整车征收的高额关税 [10] - 充电网络建设方面，理想汽车宣布累计上线理想超充站突破3900座，已布局全国286个城市 [11] - 产业链合作方面，北汽集团与地平线合资成立北京智驭科技有限公司，注册资本300万元，北汽研究总院持股65%，地平线持股35%，聚焦智能驾驶核心技术研发 [12] - 自动驾驶测试方面，百度旗下萝卜快跑获得迪拜道路与交通管理局颁发的全无人驾驶测试许可，成为迪拜首个且目前唯一获准开展全无人测试的企业 [13] - 海外市场合作方面，零跑汽车与信宸资本旗下企业Intramco达成业务合作，Intramco的充电产品将应用于零跑汽车欧洲工厂未来生产的新能源汽车，助力其拓展欧洲市场 [14] 国外新闻 - 市场表现方面，土耳其2025年汽车销量同比增长10.5%，达到137万辆，创历史新高，其中12月销量同比增长12.6%至191,620辆 [16] - 技术研发方面，福特汽车计划在2028年将其Blue Cruise驾驶辅助功能升级至L3级自动驾驶，支持驾驶员在行驶中完全脱离视线监控 [17] - 产品战略方面，奔驰宣布下一代S级车型将采取“双线并行”战略，同时推出不共用平台的燃油版和纯电版车型，修正其纯电路线 [18] - 企业并购方面，自动驾驶企业Mobileye宣布将以总额9亿美元（现金加股票）收购以色列人形机器人初创公司Mentee Robotics，预计2026年第一季度完成，旨在强化其在自动驾驶之外的机器人布局 [19] 商用车 - 政策支持方面，河南省提出在2026年1月1日至2027年12月31日期间，对通行该省收费公路的氢能货车免收通行费，对电动货车实行通行费5折优惠 [21] - 产品技术方面，福田欧马可智蓝发布原厂前装「智暖Core」热管理系统，宣称能在-40℃极寒环境下实现电池温控、座舱供暖等四重突破 [22] - 新品发布方面，远程新能源商用车发布3.0代产品全矩阵，以“AI标配、硬件超配、服务顶配”为核心理念，其中基于“X平台”打造的全新轻卡远程星智T系列将于2026年一季度上市，全新远程星瀚H2000度电液态新能源牵引车宣称采用“醇氢电动+大电量”构型，实现2000公里续航 [23] - 产业激励方面，重庆市发布《重庆市支持智能网联新能源商用车产业发展政策措施(2025—2027年)》，聚焦研发、制造、金融等环节推出六大激励措施，以打造具有竞争力的产业集群 [24]

特斯拉自动驾驶技术进展与数据规模 - 公司首席执行官马斯克表示，实现安全、无人监督的自动驾驶大约需要100亿英里的训练数据，并指出现实中的长尾问题超级复杂 [1][2] - 特斯拉FSD（监督版）系统目前每天的行驶里程超过1400万英里，正在持续积累实际道路数据 [2][3] - 公司已在奥斯汀部署约35辆自动驾驶出租车，在旧金山湾区部署约140辆，这些车辆通过日常运营不断遇到罕见但高价值的极端情况，直接推动模型改进 [2][3] 自动驾驶技术开发的挑战与壁垒 - 从技术演示到成熟产品的过渡非常困难，全自动驾驶领域的问题空间由一组有效的无界边缘情况定义，进展由打磨长尾问题决定 [1][3] - 实现全自动驾驶目标需要数年持续不断的努力，即使从FSD v12的架构重置开始，也需要大量工作来系统地、逐次迭代地减少长尾问题，该系统目前已发展到v14版本 [1][3] - 仅依靠模拟和有限的道路测试来追赶的想法被评价为极其天真，问题的核心被归结为规模、数据和迭代，而非演示 [2][3] 行业竞争格局与公司定位 - 有观点认为，特斯拉在自动驾驶的规模、数据和迭代道路上已经走得很远，而其他公司才刚刚起步 [2][3] - 针对英伟达的Alpamayo平台，有基于技术背景的讨论认为其与成熟产品存在差距，并指出非工程师往往低估了跨越演示与产品之间鸿沟所需的过程 [1][2]

英伟达发布自动驾驶开源模型Alpamayo - 英伟达在CES 2026发布面向自动驾驶的开源AI模型平台Alpamayo，这是一个推理VLA模型，具备逐步解决复杂问题并生成类似于人类思维过程推理痕迹的能力，能够自主思考长尾场景并在复杂环境中安全驾驶[1][2] - 该平台配套发布了仿真工具AlpaSim以及包含1700多小时驾驶数据的开放数据集，构建了完整的自动驾驶生态平台[2] - 英伟达CEO黄仁勋表示，物理AI的ChatGPT时刻已到来，机器开始理解、推理并在真实世界中行动，无人出租车是首批受益者[2] 产品与生态进展 - 英伟达NVIDIA DRIVE AV智驾系统将率先搭载于奔驰CLA，预计2026年底在美国上市，并计划于2027年测试无人驾驶出租车服务[2] - 英伟达展示了其构建的全球L4级自动驾驶与Robotaxi生态系统，其中包括德赛西威、禾赛、Momenta、文远知行、小马智行、元戎启行等一系列Robotaxi运营商及自动驾驶软硬件供应商[3] 对Robo-X产业的影响 - 开源模型平台Alpamayo预计将加快行业自动驾驶技术迭代，推动高级别自动驾驶及加速Robotaxi/Robovan落地[2] - 现阶段Robotaxi逐步迎来单车盈亏平衡拐点，萝卜快跑、小马智行、文远知行等头部企业宣布已实现或即将实现Robotaxi单车盈亏平衡[3] - 无人配送车（Robovan）运行场景相对固定，安全事故风险低，且目前无人物流车部署成本已降至10万元以内[3] - 据低速无人驾驶产业研究所预测，2025年中国无人配送车出货量近4万辆，2026年出货量则有望达到10万辆[3] - 国内公司正加速推进Robovan的测试与部署，例如九识智能目前已部署超1.6万台Robovan车队，经纬恒润港口L4级全无人业务进展顺利，并积极推进Robotruck、Robobus场景落地[3] 产业链投资机遇 - 随着英伟达自动驾驶生态持续拓展、高级别自动驾驶及Robotaxi渗透率逐步提升，预计智驾芯片、激光雷达、域控制器、线控制动/转向等高级别自动驾驶相关零部件需求将迎来快速增长[1][3] - 自动驾驶软硬件供应商将持续迎来发展机遇[1][3] - 报告列举了相关的投资标的，零部件相关公司包括经纬恒润、伯特利、德赛西威、华阳集团、科博达、地平线机器人、禾赛、耐世特等；整车及出行服务商相关标的包括小鹏汽车、赛力斯、小马智行等[4]

英伟达发布自动驾驶开源模型Alpamayo - 英伟达在CES 2026发布面向自动驾驶的开源AI模型平台Alpamayo 该模型为推理VLA模型 具备逐步解决复杂问题并生成类似于人类思维过程推理痕迹的能力 能够自主思考长尾场景并在复杂环境中安全驾驶 [1][2] - 英伟达同时配套发布仿真工具AlpaSim以及包含1700多小时驾驶数据的开放数据集 构建完整的自动驾驶生态平台 [1] - 英伟达CEO黄仁勋表示 物理AI的ChatGPT时刻已到来 机器开始理解 推理并在真实世界中行动 无人出租车是首批受益者 [2] 产品落地与生态构建 - 英伟达NVIDIA DRIVE AV智驾系统将率先搭载于奔驰CLA 预计2026年底在美国上市 2027年英伟达将测试无人驾驶出租车服务 [1] - 黄仁勋展示了英伟达构建的全球L4级自动驾驶与Robotaxi生态系统 其中包括德赛西威 禾赛 Momenta 文远知行 小马智行 元戎启行等一系列Robotaxi运营商及自动驾驶软硬件供应商 [4] 对自动驾驶行业的影响 - Alpamayo开源模型平台将加快行业自动驾驶技术迭代 推动高级别自动驾驶及加速Robotaxi/Robovan落地 [2] - 随着英伟达自动驾驶生态持续拓展 高级别自动驾驶及Robotaxi渗透率逐步提升 预计智驾芯片 激光雷达 域控制器 线控制动/转向等高级别自动驾驶相关零部件需求将迎来快速增长 [1][4] Robo-X规模化进展 - 现阶段Robotaxi逐步迎来单车盈亏平衡拐点 萝卜快跑 小马智行 文远知行等头部企业宣布已实现或即将实现Robotaxi单车盈亏平衡 [3] - 随着国内外Robotaxi企业加快在全球范围内部署Robotaxi 预计Robotaxi业务营收及盈利能力有望迎来双升 [3] - Robovan运行场景相对固定 安全事故风险低 且目前无人物流车部署成本已降至10万元以内 可替代人工实现显著降本增效 [3] - 据低速无人驾驶产业研究所预测 预计2025年我国无人配送车出货量近4万辆 2026年出货量则有望达10万辆 [3] - 国内公司正加速推进Robovan的测试与部署 如九识智能目前已部署超1.6万台Robovan车队 经纬恒润港口L4级全无人业务进展顺利 正积极推进Robotruck Robobus场景落地 [3] 相关投资机会 - 预计自动驾驶相关整车公司 零部件供应商及出行服务商均将受益 [5] - 零部件相关标的包括 经纬恒润 伯特利 德赛西威 华阳集团 科博达 地平线机器人 禾赛 耐世特等 [5] - 整车及出行服务商相关标的包括 小鹏汽车 赛力斯 小马智行等 [5]

公司业务动态 - 运达科技参股公司扬斯科技涉及L4级自动驾驶物流机器人的研发量产业务 [1] - 运达科技参股公司扬斯科技涉及自动驾驶卡车干线物流解决方案业务 [1] 行业技术布局 - 参股公司业务涉及高级别（L4级）自动驾驶技术在物流领域的应用 [1]

文章核心观点 - 当前自动驾驶行业所宣称的“数据闭环”大多停留在算法团队内部的“小闭环”，距离能够“数据直接解决问题”的“大闭环”或“真闭环”仍有显著差距 [1] - 实现“真闭环”需要满足问题发现自动化、解决效果可量化可复盘、投入产出可评估等多层要求，而目前行业普遍存在被动闭环、归因困难、链路断裂、组织结构制约等典型断点 [4][5][7][18] - 一套有效的实践方案是：从量化真实世界的“体感指标”出发，通过轻量高召回的车端触发机制、代码级统一的触发与验证体系、结合大模型的自动问题分类与分发，构建一个可演进的数据闭环系统 [24][25][41][43] - 未来的发展方向在于通过端到端架构和闭环仿真/世界模型等技术，降低解决每个问题的边际成本，使数据驱动从口号变为可规模化复制的基础设施 [84][85][88] 行业现状：理想与现实之间的差距 - **理想中的“真闭环”定义**：至少需要满足三层：1) 问题发现自动化，系统能从海量数据中自动发现异常行为并形成数据集；2) 解决效果可量化、可复盘，能持续追踪问题频率是否下降、是否引入新问题；3) 投入产出可评估，能判断每次数据、算力、开发投入是否值得 [4][5][7] - **行业普遍实践**：多数厂商的“数据闭环”实质是“数据驱动的研发流程加一些自动化工具”，且局限在单个算法团队的“小闭环”视角 [8] - **典型小闭环流程**：线上触发/抽取 → 清洗与标注 → 训练/回归 → 上线与监控，这更多是模块级、算法视角的闭环，而非系统级闭环 [9][13] 实现“真闭环”的主要挑战与断点 - **起点被动**：大量问题仍依赖司机反馈、运营投诉、领导试驾或人工刷录像等被动方式发现，是“问题驱动数据”，而非“数据自动发现问题” [10] - **归因困难**：同一现象（如急刹）背后常是感知、预测、规划、控制等多模块高度耦合的原因，缺乏体系化诊断工具，导致责任难以界定，效率低下 [12][15] - **链路不完整**：许多团队的闭环止步于“数据到模型”，即关注离线技术指标提升，但未追踪是否解决了哪个具体的线上真实业务问题 [16] - **自动化程度有限**：从问题发现、标注、训练、评估到上线的全流程中，人工干预环节仍占大头，系统更像高度自动化的生产线，而非可自我决策的“自愈系统” [17][21] - **组织架构制约**：感知、预测、规划、控制、地图等团队以及Tier1、整车厂等各方边界分明，OKR各异，导致系统级闭环被组织结构天然拆散 [18][22] 一套具体的数据闭环实践方案 - **核心理念**：从“体感指标”出发，用Trigger（触发器）把世界离散成token，再用大模型（LLM）做分类和路由，最后用统一代码串起“发现”和“验证” [25] - **量化真实痛点**：将急刹、接管、大幅转向等用户有感的“体感指标”作为第一公民，要求100%记录，并沉淀为“每万公里急刹车率”等可统计指标 [26][27][28] - **车端轻量触发机制**：在算力受限（如单颗Orin X）条件下，设计高召回、低开销的micro log机制，一旦发生疑似事件（如急刹），即打包关键状态信息上传，宁可多报，不能漏报 [30][32][33] - **云端验证与数据拉取**：云端对micro log进行规则/模型过滤，确认可信后，再下发任务拉取包含更多中间结果和短视频的mini log，实现按需、分层的数据上传，避免带宽浪费 [34][35][38][39] - **代码级统一**：将定义问题的Trigger逻辑代码在车端实时挖掘、云端历史数据挖掘、仿真验证评价三个场景中统一，确保从发现问题到验证修复的语义一致，无实现偏差 [41] - **问题自动分发体系**：将Trigger体系视为领域专用的tokenizer，将原始数据流转化为高层语义事件序列（token），再文本化后输入大模型，由大模型作为时序分类器进行根因归因和团队路由 [43][45][47] - **持续学习闭环**：利用研发人员在问题系统中真实的“改派”行为作为弱监督标签，持续回流训练大模型分类器，使其在真实业务分布下越用越准 [49] - **降低规则编写门槛**：所有Trigger逻辑用纯Python实现并统一接口，配合详细的文档和示例，并利用大模型辅助，让测试、运营等非算法人员也能用自然语言描述需求并生成可微调的Trigger代码 [50][54][55] - **量产环境解耦**：将数据挖掘Trigger设计为可云端下发的“配置”或运行在车端沙箱中的脚本，使其与主算法版本解耦，能灵活、快速地响应突发场景（如大雪天）的数据挖掘需求，而不影响系统安全与稳定性 [56][57] 数据管理与使用的关键见解 - **区分标签类型**：严格区分“世界标签”（如天气、道路类型、交通参与者数量）和“算法标签”（如感知框抖动、规划重规划频率），前者用于精细场景筛选，后者用于算法归因调参 [60][61] - **向量检索的正确用法**：向量检索适合作为“精筛”工具，而非“粗筛”主力面对海量数据时，应先用结构化标签规则过滤掉80%-90%的无关系数据，缩小范围后，再用向量检索进行语义级细筛，以提升效率和精度 [62][63][64] - **生成式/仿真数据的定位**：主要用于补充现实中难以凑齐的长尾场景训练数据（如临时路障、路面坑洼），以扩大模型“见世面”但最终用于评测和放行的评测集必须坚持使用真实数据，因为无法完全模拟真实世界 [66][67][69] - **监控模型副作用**：在引入生成数据提升召回时，需警惕误检（FP）在未知场景下恶化的风险采用对两个版本进行逐帧全量结果差分的方法，系统性监控差异模式，评估“涨得干不干净”，而不仅仅看召回率涨幅 [70][74][77] 未来展望与演进方向 - **当前本质**：现有体系更接近一个“Bug-Driven开发体系”，核心是更快、更准、更系统地发现、量化和跟踪具体问题（bug） [77][80] - **现存卡口**：当前主要瓶颈已从“发现问题”侧，转移到“谁来解决问题、怎么解决问题”侧，受限于人工标注成本、仿真验证的可信度以及研发人员带宽等刚性约束 [81][82][86] - **积极方向**：端到端/模仿学习架构的兴起，通过直接对齐人类驾驶行为，绕开了中间真值难标的问题；同时，闭环仿真/世界模型的快速发展，旨在让“在仿真里充分暴露问题、充分迭代”更接近真实世界 [84][87] - **最终目标**：通过降低解决每个问题的边际成本，并结合在Trigger体系、自动分类等工程实践上的积累，使“数据驱动”从口号变为一套能持续运行、可核算、能规模化复制的基础设施 [85][88]

课程核心定位与目标 - 课程为端到端与VLA自动驾驶进阶实战教程，旨在推动端到端技术在工业界落地，助力学员理解端到端自动驾驶 [8] - 课程联合工业界专家开设，内容涵盖学术界与工业界最前沿的技术栈，包括BEV感知、视觉语言模型、扩散模型、强化学习等 [1] - 课程目标是使学员学完后能达到约1年经验的端到端自动驾驶算法工程师水平，掌握技术框架并能够复现主流算法 [13] 课程内容架构 - **第一章：端到端算法介绍** 概述端到端自动驾驶发展历史、概念起源、从模块化到端到端的演进，并分析一段式、二段式及VLA范式的优缺点与适用场景 [4] - **第二章：端到端的背景知识** 作为课程重点，详细讲解VLA涉及的大语言模型、扩散模型及强化学习，以及一段式端到端涉及的BEV感知，为后续学习奠定基础 [4][9] - **第三章：二段式端到端** 聚焦二段式端到端，解析其定义与出现原因，并讲解经典算法PLUTO、CVPR'25的CarPlanner及最新工作Plan-R1，对比其与一段式端到端的优缺点 [5] - **第四章：一段式端到端与VLA** 作为课程精华部分，涵盖基于感知、世界模型、扩散模型及VLA的一段式端到端子领域，探讨各方法如何解决端到端终极目标 [6] - **第五章：课程大作业 - RLHF微调** 提供RLHF微调实战，涉及预训练与强化学习模块搭建及实验，该技术可迁移至VLA相关算法，具有良好延展性 [7] 关键技术深度解析 - **BEV感知** 讲解其基础知识，以及如何基于BEV实现自动驾驶核心感知任务，如3D检测、车道线识别、OCC及轨迹预测与规划 [9] - **扩散模型** 讲解其理论知识，并指出基于扩散模型输出多模轨迹是当前学术界与工业界热点，多家公司正尝试落地 [9] - **视觉大语言模型与强化学习** 讲解VLM相关的强化学习技术，包括RLHF及其在VLM训练中的作用，以及上半年热门技术GRPO [9] - **一段式端到端细分领域** 详细讲解基于感知的方法（如UniAD、地平线VAD、CVPR'24的PARA-Drive）、基于世界模型的方法（如AAAI'25的Drive-OccWorld、OccLLaMA）、基于扩散模型的方法（如DiffusionDrive、Diffusion Planner、DiffE2E）以及基于VLA的方法（如小米ORION、慕尼黑工大OpenDriveVLA、ReCogDrive） [10] 课程实战与前沿应用 - 课程包含配套实战，例如在扩散模型小节配套讲解Diffusion Planner实战，在VLA小节选择小米ORION作为实战，该开源项目截至2025年7月已开放推理与评测模块 [10] - 世界模型被强调为近两年非常热的技术方向，因其应用广泛，可用于场景生成、端到端驾驶及闭环仿真 [10] - VLA被视为目前端到端自动驾驶的皇冠，上限高且难度大，因此行业招聘需求旺盛，代表了新一代自动驾驶量产方案的预研方向 [10] 讲师资质与课程特色 - 讲师Jason拥有C9本科与QS50博士学历，已发表2篇CCF-A论文及若干CCF-B论文，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的预研与量产，并主持完成多项自动驾驶感知与端到端算法的产品量产交付 [2] - 课程内容基本为工业界和学术界的Baseline，兼顾经典工作与最新前沿进展 [1] - 课程为小班课，随到随学，提供视频与答疑服务 [1] 学员收获与面向人群 - 学员将掌握端到端技术框架，涵盖一段式、两段式、世界模型、扩散模型等方法 [13] - 学员将对BEV感知、多模态大模型、强化学习、扩散模型等关键技术有更深刻了解，并可复现扩散模型、VLA等主流算法框架 [13] - 学员能够将所学应用到项目中，真正搞懂如何设计自己的端到端模型，并可在实习、校招、社招中受益 [13] - 课程面向具备一定自动驾驶领域基础、熟悉Transformer大模型、强化学习、BEV感知等基本概念，并具备概率论、线性代数及Python、PyTorch语言基础的学员，学习需自备GPU，推荐算力在4090及以上 [11] 行业趋势与技能需求 - 端到端自动驾驶是学术界与工业界的前沿方向，VLA范式是目前发展的焦点 [1][10] - 第二章所涉及的背景知识被总结为未来两年求职面试频率最高的技术关键词 [5] - 基于扩散模型输出多模轨迹能更好地适应自动驾驶不确定的环境，是当前热点 [10]

行业技术突破与产品发布 - 英伟达CEO黄仁勋在CES发布Alpamayo平台，使汽车能在真实世界进行“推理”，并开源其首个推理VLA模型Alpamayo 1，旨在加速安全的自动驾驶技术开发[2] - 黄仁勋预测，未来十年内世界上很大一部分汽车将是自动驾驶或高度自动驾驶的，首款搭载英伟达技术的汽车将于2025年第一季度在美国上路，第二季度在欧洲上路，下半年在亚洲上路[2] - 特斯拉FSD V14.2在2025年底完成全球首次第三方验证的零接管横穿美国，行程4397公里，耗时2天20小时，全程未出现险情[2] 政策支持与商业化准入 - 国内八部门联合印发《“人工智能+制造”专项行动实施意见》，明确开展搭载自动驾驶功能的智能网联汽车产品测试与安全评估，有序推进产品准入和上路通行试点[4] - 2025年12月，中国首批L3级有条件自动驾驶车型（长安及北汽极狐）获得准入许可，将在北京和重庆指定区域上路试点，标志着技术从测试向商业化应用迈出重要一步[4] - 截至2025年12月下旬，中国已累计发放超1.6万张自动驾驶测试牌照，比亚迪、鸿蒙智行、理想、小鹏、小米等多家品牌宣布获得L3级路测牌照并启动内测[4] - 小鹏汽车在广州市获得L3级自动驾驶道路测试牌照并启动常态化测试[5]，比亚迪在深圳开启面向量产的L3级自动驾驶全面内测，已完成超15万公里实际道路验证[6] 市场前景与资本动态 - 高盛预计，中国Robotaxi市场将从2025年的5400万美元增长至2030年的120亿美元，2030年中国Robotaxi车队将达50万辆[3] - 2025年以来，自动驾驶行业已有近10家公司登陆二级市场，包括文远知行、小马智行于2025年11月6日在港交所双重上市，以及希迪智驾于2025年12月19日在港交所主板上市[6] - 2025年无人驾驶指数（885736）全年涨幅为45.35%[8] 公司运营与财务进展 - 小马智行2025年前三季度实现总营收1.81亿元，同比增长72%，其中Robotaxi业务收入达4770万元，同比增长89.5%，乘客车费收入同比激增超200%[6] - 小马智行第七代Robotaxi在广州率先实现单车盈利转正，单车辆日均订单23单，日均营收达299元，已能初步覆盖硬件折旧及运营成本[7] - 小马智行Robotaxi车队规模达961辆（其中667辆为第七代），计划到2026年底将车队规模扩大三倍以上至3000辆以上，2026年第七代Robotaxi自动驾驶套件BOM成本将在2025年基础上再降20%[7] - 文远知行Robotaxi已驶入全球10多座城市，在北京、广州、阿布扎比开启纯无人商业运营，阿布扎比车队即将实现单车盈亏平衡[8] - 禾赛科技2025年第三季度营收达8.0亿元，同比增长47.5%，净利润攀升至2.6亿元，创历史新高并提前一个季度完成全年盈利目标[8]

公司业务布局 - 运达科技通过其参股公司扬斯科技涉足自动驾驶业务 [2] - 扬斯科技的业务涉及L4级自动驾驶物流机器人的研发与量产 [2] - 扬斯科技的业务同时涉及自动驾驶卡车干线物流解决方案 [2] 技术发展水平 - 公司涉及的自动驾驶物流机器人技术等级为L4级 [2]