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]

黄仁勋在CES 2026上的核心观点与行业洞察 - 黄仁勋在CES 2026上的核心主题围绕物理AI展开，包括机器人和自动驾驶，并将机器人定位为“AI新移民”，以解决人口结构问题并承担人类不愿从事的工作 [10] - 黄仁勋预计“今年内”就能看到在移动能力、关节活动度与精细动作技能上达到人类水平的机器人 [12] - 黄仁勋将AI基础设施定位为“AI工厂”，认为这是一种前所未见的新型基础设施建设，持续将电力、芯片和数据转化为智能产出 [35] 机器人产业的展望与挑战 - 从人口结构看，已无法支撑理想的经济规模，需要“AI新移民”机器人来助力生产车间 [10] - “机器人革命”将推动经济发展，经济增长又会创造更多就业岗位 [11] - 未来大量岗位不会被AI取代，但制造业等领域的体力蓝领岗位可能会消失 [11] - 当前机器人通常只有视觉感知，必须具备触觉能力，相关精细动作技能的研发难度极大，但行业正在积极推进技术突破 [13] 自动驾驶领域的战略与布局 - 英伟达发布了全球首款开源、大规模的自动驾驶视觉-语言-行动推理模型Alpamayo 1 [15] - 英伟达与特斯拉FSD的核心区别在于定位：英伟达不生产自动驾驶汽车，而是为所有想要研发自动驾驶汽车的企业提供完整的技术栈与全套解决方案 [16] - 英伟达打造了三大核心计算平台：用于模型训练的训练计算机、用于算法验证的仿真计算机以及部署在终端的机器人计算机（车载计算平台），并为这三大平台配备了完整的软件栈 [17] - 客户可根据需求灵活选择使用全套方案、部分模块或某个组件 [18] - 英伟达的合作覆盖行业上下游，客户包括特斯拉、Waymo、小鹏汽车、Nuro、Lucid和Uber等 [19] - 英伟达奉行全面开源的策略，目标是赋能全球自动驾驶产业，所有具备移动能力的载具都应实现自动驾驶 [22] - 全球道路上有超过10亿辆汽车，未来10年其中将有数亿辆具备强大的自动驾驶能力，该领域很可能成为未来十年内规模最大、增长最快的科技产业之一 [20] 游戏显卡与消费级市场的动态 - 在CES 2026上，英伟达没有发布消费级游戏显卡 [24] - DDR5内存价格暴涨，SSD价格同步攀升，部分零售渠道中RTX 5090的售价甚至逼近4000美元，显卡价格遭受内存成本上升和供应紧张预期的“双重挤压” [25] - 针对增加旧款显卡产量以应对市场的方案，黄仁勋回应“有这种可能”，并考虑将最新一代的AI技术移植到上一代的GPU产品中 [25][26] - 最新的DLSS 4.5会导致旧款显卡性能大幅下降，下放AI能力需要付出不小的研发成本 [27] - AMD高管也透露，AMD或计划复产旧款AM4接口桌面处理器以增加市场供应 [29] AI游戏与图形技术的未来 - 英伟达在CES 2026上推出了全新的DLSS 4.5版本和增强版多帧生成模型 [31] - 黄仁勋认为未来的图形技术发展方向是神经渲染，本质就是DLSS，并预计未来将具备生成几乎任何风格图像的能力，能以每秒500帧的速度呈现照片级画质 [31] - 未来的渲染方式很可能是在更少但质量极高的像素上执行更多AI运算 [32] - 未来的视频游戏本质上会充满AI角色，每个角色都会拥有自己的AI并通过AI进行机器人式动画驱动，游戏的真实感将在未来几年大幅跃升 [32] AI基础设施与内存供应链 - 当前高带宽内存供应紧张，现有HBM容量远不足以支撑GPU运行需求，且内存瓶颈只会愈发严重 [36] - 英伟达提出了“新型存储内存平台”概念，并定位为“全球最大记忆体买家之一”，是横跨HBM、GDDR与LPDDR的关键需求引擎 [36] - 随着AI工作负载规模急速扩大，对内存的需求已是系统层级的竞争 [36] - 英伟达是全球首家且在短期内几乎是唯一的HBM4主要用户，已与主要内存供应商建立高度紧密的规划机制，直接协同规划产能，确保新产品量产节奏与平台发布同步 [36] - 各家HBM供应商正在为英伟达全面扩产，且产线“全部表现非常好” [36] 其他重要动态 - 黄仁勋在CES 2026后出席联想Tech World活动，与杨元庆共同宣布“联想人工智能云超级工厂”，英伟达最新发布的Vera Rubin将是该合作的重要组成部分 [6] - 黄仁勋在IEEE颁奖现场领取了2026年IEEE荣誉奖章，IEEE授予该奖以表彰其领先行业数十年的前瞻布局能力和对创新的不断坚持 [7][8]

自动驾驶商业化里程碑 - 中国L3级有条件自动驾驶车型获得准入许可并诞生首块专用正式号牌 标志着自动驾驶产业从技术验证迈向量产应用新阶段 [1] - L3级被视为从辅助驾驶迈向自动驾驶的分水岭 在特定条件下驾驶任务可交给系统 驾驶员无需持续关注但需在系统请求时及时接管 [1] - 准入许可意味着自动驾驶车辆的安全运行能力通过初步验证 并需以相应标准担负社会责任 [1] 商业化带来的挑战与配套需求 - 商业化应用需推动交通管理、保险理赔等配套制度同步完善 是向更高级别有序进化的必由之路 [1] - 当车载系统成为重要法律责任主体 交通事故责任认定、保险产品设计、人机共驾伦理准则等都需要随之更新 [1] - 在真实场景中开展商业闭环验证至关重要 [1] 行业发展路径与安全原则 - 中国自动驾驶政策遵循“安全第一、循序渐进”原则 发展路径从限定场景（如物流、配送）逐步过渡到更复杂环境审慎测试 [2] - 从封闭道路驶入开放道路 表明技术和产业成熟度达到一定水准 离规模化应用越来越近 [2] - 行业发展为设施升级、法规完善和公众认可留出了必要的适应期 [2] 当前阶段的核心任务 - 除了克服大规模量产的成本控制、技术升级等挑战 更需在各种极端场景中验证安全冗余机制的有效性 [1][2] - 需在复杂交互场景下厘清人机责任边界 让安全成为自动驾驶最重要的基因 [1][2] - 需解决极端天气、突遇障碍物等非标准化场景下的算法决策延迟问题 [2] - 需厘清人机协同模糊地带（尤其是系统与驾驶员接管过渡期）车企、软件提供商及驾驶员的责任划分 [2] 安全是行业发展的基石 - 自动驾驶领域容错率极低 没有安全打底 一切效率提升、体验革新、产业蓝图都会成为镜花水月 [3] - 公众对自动驾驶的信任异常珍贵又十分脆弱 系统失控事故、车辆故障、不当宣传都会削弱信任甚至导致商业化进程停顿 [3] - 行业需克制短期变现冲动 筑牢长期安全根基 [3] 未来展望与行业态度 - 自动驾驶正在打开更大的商业想象空间 将对人们的出行与生活产生巨大影响 [3] - 有车企表示 技术准入只是起点 安全回家才是价值归宿 [3] - 中国在从技术创新到安全监管方面已积累一定经验和优势 需保持耐心稳扎稳打筑牢安全堤坝 [3]

文章核心观点 - 联想车计算与韩国自动驾驶公司SWM达成战略合作，共同研发和部署基于NVIDIA DRIVE平台的新一代L4级自动驾驶出租车（Robotaxi），旨在定义下一代智能出行的技术标准与商业化路径，并推动“韩国型Robotaxi平台”成为全球行业标准范式 [1][7][10] 合作背景与目标 - 双方于2026年1月5日在韩国总统访华期间的中韩企业MOU签约仪式上签署战略合作备忘录，并在CES 2026期间宣布合作 [1] - 合作以安全、高效为核心目标，旨在开启智能出行新篇章 [1] - 合作标志着高阶自动驾驶正从技术验证迈向安全可靠、大规模部署的新阶段 [7] - 双方期望加速推动“韩国型Robotaxi平台”走向全球 [7] 技术平台与产品 - 合作核心载体是SWM推出的“AP-700”自动驾驶平台，该平台基于联想车计算的“L4自动驾驶域控制器AD1”打造 [3] - AD1由NVIDIA DRIVE AGX Thor提供算力支撑，是一个专为transformer和生成式AI工作负载而打造的平台 [3] - AD1在FP8/INT8精度下提供超过2,000 TFLOPS的AI算力，并具备数据中心级别的CPU性能 [3] - AP-700平台全面符合汽车行业最高安全与可靠性标准，包括ISO 26262 ASIL-D功能安全认证、AEC-Q100车规级可靠性认证，以及ISO 21448（SOTIF）预期功能安全要求 [6] - 平台通过对生成式AI、视觉语言模型等先进算法进行针对性优化，能在复杂城市交通场景中实现毫秒级响应，在极低延迟下保障安全与稳定性 [6] - 该平台将SWM的传感器融合算法、自主研发的ADS系统，与强大的车载计算、硬件设计以及超宽带低延迟通信技术进行系统性整合与优化 [6] 合作方实力与过往成就 - SWM是韩国自动驾驶移动出行解决方案领军企业，自2017年成立以来专注于自动驾驶技术研发 [7] - 2024年9月，SWM在韩国路况最复杂、交通密度最高的首尔江南核心区，成功实现国内首次完全无人驾驶出租车的商业化运营，并持续开展夜间载客服务 [7] - 截至目前，该服务已保持安全零事故的卓越运营纪录 [7] - SWM已与首尔市政府、首尔出租车协会、光州市政府、产业通商资源部等韩国主要公共机构建立了广泛的自动驾驶项目合作 [7] 战略意义与行业影响 - 此次合作是SWM自动驾驶出租车技术跻身全球顶尖行列的关键里程碑 [7] - 通过融合高性能计算与前沿AI技术，SWM旨在把自动驾驶出租车的系统稳定性推向世界级高度 [7] - NVIDIA表示，此次合作展示了其DRIVE Hyperion平台如何赋能下一代可扩展、经安全验证的无人驾驶出租车系统 [8] - 全球L4级自动驾驶技术正在加速进入蓬勃发展阶段，Robotaxi等多种应用场景开始从技术验证迈向规模化量产部署 [10] - 人工智能正在加速融入物理世界，产业生态日益成熟 [10] - SWM将通过此次合作实现技术体系的全面升级与成熟度跨越 [10] - 联想车计算将持续协同全球合作伙伴，以领先的算力与AI能力，共同推动自动驾驶技术的商业化进程和人类出行方式的变革 [10] 未来发展规划 - SWM未来将以日本、东南亚、中东等地为起点，逐步将安全、高效、自由的智能出行服务拓展至全球 [7]

文章核心观点 - 高阶辅助驾驶已进入“准L4”的安心阶段 L2和L4的技术路线走向收敛 同一套模型可在L2和L4上复用 [3][4] - 2025年整个自动驾驶行业融资超过300亿 且集中在L4领域 L4的变化引起行业新的关注 [4] - 行业将举办一场重量级L4智驾圆桌 深入探讨自动驾驶L4的技术理想与商业现实的博弈 [4] 主讲嘉宾阵容 - 何贝 斯年智驾创始人、董事长 清华大学博士 原百度无人车科学家 发表相关论文30余篇 专利100余件 [5] - 苗乾坤 新石器无人车CTO 中科大博士 申请发明专利100多项 在自动驾驶领域有15年以上研发经验 主持研发的L4级城市物流配送无人车已在全国300多个城市、海外10多个国家商业化运营 累计交付15000辆 总行驶里程超过6000万公里 [6] - 王珂 卡尔动力AI研发副总裁 曾任美国自动驾驶公司Zoox感知Tracking模块负责人 [7] - 马千里 全球前三车企美国研发中心规控Tech Lead 约翰霍普金斯大学机器人博士 曾任Motional规划控制组Principal Engineer & Manager 主导Ioniq5 Robotaxi在拉斯维加斯上线Lyft和Uber的准商业化运营 [7] 主持人背景 - 崔迪潇 前智加科技首席科学家 前西安交通大学助理教授 拥有10年学术界乘用车无人驾驶研究经历 7年工业界商用车无人驾驶研发和量产落地运营经历 [8] - 崔迪潇拥有多项荣誉及社会兼职 包括国家“万人计划”科技创业领军人才 财富中国40岁以下最具潜力的商界精英 获IEEE智能交通协会杰出研究团队奖 中国智能车未来挑战赛第一名等 [9][10] 深度内容获取 - 完整版深度内容已独家上线知识星球「自动驾驶之心」 涵盖所有技术细节、QA及未公开彩蛋 [16] - 深度内容主题包括：FSD v14技术探讨 VLA与WA方案对比 学术与量产的分歧 技术路线较量 以及数据闭环工程等 [16]