一年一度的开年科技盛宴来临，CES展会已经成为前沿AI硬件的主要秀场 - 2026年1月6日至9日，拉斯维加斯消费电子展CES将举行，该展会已成为前沿AI硬件概念的主要秀场 [1] - Wedbush证券团队预期，英伟达CEO黄仁勋的主题演讲将大量聚焦数据中心、物理AI和机器人技术，并认为消费级AI变革将在2026年全面提速 [2] - CES将集中展示AI赋能的机器人、可穿戴设备以及面向数字健康和智能家居的端侧AI消费产品 [2] - 兆威机电将展示具备20个自由度的新一代灵巧手 [2] - 美格智能的无线通信模组、智能模组、高算力AI模组可为机器人提供高速通信及端侧计算能力，其48Tops高算力AI模组曾内置在2025年CES展上亮相的人形机器人原型机中 [2] 低空经济正处于规模化发展的关键窗口期，头部厂商订单陆续落地 - 第二届中国eVTOL创新发展大会将于2026年1月15日至16日在上海召开 [3] - 已有约30个省、市将“低空经济”纳入“十五五”规划建议，国家战略聚焦该新赛道 [3] - 低空物流、低空文旅等应用场景先行，头部eVTOL主机厂订单陆续落地，海外拓展迅速 [3] - 中信建投证券指出，低空经济正处于规模化发展的关键窗口期，未来3-5年产业有望实现良好增长 [3] - 振华风光在低空飞行器领域，多款信号链及电源管理器产品已完成相关试验或通过客户验证 [4] - 广东鸿图已实现飞行汽车、无人机零件开发及项目定点的零突破 [4] - 深城交是深圳低空经济主要技术支撑单位，提供从产业研究到运营的全链条服务 [4] 全球科技竞争制高点，自动驾驶国内外同时迈出关键一步 - 特斯拉CEO马斯克表示，无人驾驶出租车CYBERCAB的生产将于4月开始加快 [5] - 海通国际证券指出，中美在高阶自动驾驶上分别迈出关键一步，标志L3/L4商业化进入实质推进阶段 [6] - 中国工信部附条件许可L3级智能驾驶车型，标志智能网联汽车从“测试验证”进入“合规量产+受控上路”新阶段 [6] - 本次获批车型包括长安深蓝SL03激光版与极狐阿尔法S纯电版，功能启用有明确的场景限制 [6] - 豪恩汽电的APA自动泊车超声波雷达已在理想、小鹏、吉利等车企及百度Apollo实现配套合作 [6] - 信维通信已开展毫米波雷达产品开发，并积极挖掘无人驾驶领域业务机会 [6] 北京印发支持AI医疗行业相关发展措施，AI医疗商业化加速 - 北京市卫健委印发《北京市医疗健康领域支持人工智能产业创新发展若干措施（2026-2027年）》，从4个维度部署了15项重点任务 [7] - 措施包括建立医疗人工智能产品测评中心，制定评测标准，并将评测优秀的产品纳入国家基地应用推广渠道 [7] - 华福证券分析师陈铁林称，AI医疗商业化加速，当下时点是新一轮AI医疗应用布局的黄金时机 [7] - 翔宇医疗研发聚焦脑机接口、外骨骼机器人、AI在康复医疗的应用，正通过知识图谱+大模型构建AI服务平台Athena [8] - 麦澜德持续深化AI在盆底康复领域的应用，依托临床大数据与大模型技术提供个性化诊疗方案 [8] AI应用步入业绩兑现与端侧爆发的双轮驱动期 - SuperCLUE-VLM多模态测评12月总榜公布，谷歌Gemini-3-pro以83.64分领先，字节跳动豆包大模型以73.15分跻身前三 [9] - 招商证券研报指出，国内外大模型迭代进入“深度推理+智能体”新阶段，AI应用步入业绩兑现与端侧爆发的双轮驱动期 [9] - 国产阵营如DeepSeek、豆包凭借“推理增强+工具融合”及高性价比定价，正显著降低企业级应用门槛，豆包日均使用量已跃升至全球第三 [9] - 应用端以Salesforce Agentforce为代表的B端软件ARR同比激增330%，标志AIAgent已进入实质性商业化阶段 [9] - 招商证券认为，AI产业链投资逻辑正由“算力竞赛”向“应用价值”迁移 [9] - 三维通信子公司巨网科技打造灵犀智能广告管理等平台，与腾讯、字节跳动、快手等主流媒体保持深度战略合作 [10] - 省广集团打造包括GIMC云、灵犀AI在内的数智产品矩阵 [10]

文章核心观点 - 小鹏汽车与北京大学联合发表论文《FastDriveVLA》，提出了一种专为端到端自动驾驶设计的、基于重建的视觉token剪枝新范式，旨在解决现有视觉语言-动作模型因视觉token过多导致的计算成本高和推理延迟大的问题 [2][10] - 该方法的核心创新在于受人类驾驶注意力启发，聚焦于对驾驶决策至关重要的前景信息，通过构建大规模标注数据集和新型对抗性训练策略，训练出一个即插即用的轻量级剪枝器，在显著提升推理效率的同时，保持了甚至超越了原始模型的规划性能 [2][13][16][19] 研究背景与问题 - 端到端自动驾驶在一个统一框架中学习整个驾驶流程，减少了模块化系统的误差，增强了简洁性，展现出巨大潜力 [6] - 然而，现有VLA模型将视觉输入转换为大量视觉token，导致了巨大的计算开销和推理延迟，对车端部署构成重大挑战 [8] - 已有的视觉token剪枝方法（如基于注意力或相似性）并非为自动驾驶设计，存在局限性：或需重新训练整个模型，或易受无关信息干扰，或会错误保留与驾驶无关的信息 [8] 方法与创新 - **构建nuScenes-FG数据集**：明确定义对驾驶决策有直接影响的前景区域（如行人、道路、车辆、交通标志等），并利用Grounded-SAM对nuScenes场景进行细粒度前景分割，构建了包含24.1万个图像-掩码对的大规模标注数据集 [13][15] - **设计基于重建的剪枝器ReconPruner**：采用轻量级、可即插即用的设计，借鉴MAE风格的像素重建策略，通过让剪枝器使用其预测的高分token子集来重建前景，以此作为监督信号，鼓励其识别前景内容相关的token [16] - **提出对抗性前景-背景重建策略**：为防止剪枝器采取捷径，额外要求其使用低分token重建背景区域，这种对抗性设置增强了其区分前景与背景token的能力 [19] 实验结果 - **性能对比**：在nuScenes开环规划基准测试中，FastDriveVLA在不同剪枝比例下均取得了SOTA性能 [2][24] - 剪枝25%（保留2436个token）时，FastDriveVLA的L2轨迹误差平均为31.80 cm，相对性能为原始模型的100.1%；碰撞率平均为0.26%，相对性能为93.6%；路外率平均为2.77%，相对性能为101.0% [24] - 剪枝50%（保留1624个token）时，碰撞率平均为0.25%，相对性能达到97.3%，优于剪枝25%时的表现 [24][28] - 剪枝75%（保留812个token）时，路外率平均为2.91%，相对性能为96.1%，优于剪枝50%时的表现 [24][28] - **效率提升**：当视觉token数量从3249减少至812（剪枝75%）时，FastDriveVLA的FLOPs直降约7.5倍；在CUDA推理延迟方面，将预填充时间减少了3.7倍、解码时间减少了1.3倍 [2][26][27] - **可视化验证**：ReconPruner几乎完整保留了前景token，将背景压缩为极稀疏色块，重建画面依旧清晰；与基线方法相比，FastDriveVLA选取的token更密集地落在车道、车道线和车身上，证明了其保留关键驾驶信息的能力 [29] 结论与建议 - 研究证明了聚焦于与前景相关的视觉token是提升自动驾驶VLA模型性能与效率的关键 [28] - 对于实际部署，建议采用50%的剪枝比例，以实现性能与效率的最佳平衡 [25] - 该工作为自动驾驶VLA模型中的高效视觉token剪枝建立了新范式，并为特定任务的剪枝策略提供了有价值的洞察 [2]

特斯拉Robotaxi清洁费政策 - 公司计划对北美试运营的Robotaxi收取清洁费 并采用阶梯定价 按车内脏乱程度分两档收费 分别为50美元和150美元 [1] 市场与用户反应 - 部分用户支持该政策 认为此举可减少乘客在车内制造脏乱的行为 类比北美酒店收取清洁费的做法 认为其合理 [2] - 部分用户担忧并指责清洁费标准过高 50美元的起征点被认为离谱 150美元更被视为天价 存在利用无人化服务垄断优势收割用户的嫌疑 [2] 收取清洁费的行业逻辑与必要性 - 共享出行用户期望干净整洁的乘车环境 收取清洁费表面是增加收入 实则是约束不文明用车行为 维护公共乘车环境 保障大多数用户权益的必要措施 有利于推动整个Robotaxi行业服务质量升级 [7] - 清洁费并非公司首创 传统出行领域已有类似规则 例如滴滴出行规定乘客弄脏车辆需负担洗车费 费用可能较高且全额给司机 [8] 无人驾驶场景下的核心挑战 - Robotaxi缺乏随车人员 只能通过事后检测和追溯来收取费用 这放大了判定标准不公 收费依据不明等争议 [11] - 争议核心并非清洁费是否该收 而是收费标准如何制定 以及判定依据如何提高说服力 [11] 对收费标准合理性的分析 - 公司仅提供50美元和约349元人民币和150美元约1048元人民币两档收费 设置被认为过于简单粗暴 [12] - 车内脏乱情况千差万别 不同程度的脏乱所需清洁成本和工作量不同 但用户难以清晰界定自己将适用哪一档收费 [12] - 收费标准不够细化合理 可能无法起到约束作用 反而引发用户逆反心理 甚至可能导致用户故意扩大污染 造成更严重车辆损坏 [12] 对判定依据与流程的担忧 - 公司未明确判定根据来源 用户担忧系统可能将车内污渍责任直接归咎于上一位乘客 [15] - 这可能意味着乘客用车结束后需自行拍摄车辆清洁照片以自证清白 这种额外操作流程可能严重影响用户体验和再次用车积极性 本质是将企业运营风险和成本转移给用户 [15] - 若每次用车结束都需用户花时间留存证据 则违背了无人出行便捷高效的初衷 长此以往可能流失大量潜在用户 [16] 潜在的解决方案建议 - 公司应制定更贴合市场预期的收费梯度 可参考传统出行平台定价逻辑并结合自身运营成本 或直接公开清洁费的成本构成 [15] - 公司可借助技术优势解决判定难题 如在车辆交付和归还时通过车载高清摄像头自动完成360°车内扫描 通过AI智能识别和人工复核双重机制完成判定 同时建立透明的申诉通道 [16] - 唯有让清洁费收得明白 责任判定经得起推敲 清洁费才能从争议焦点转变为保证体验和共享出行环境的合理机制 [16] 争议的行业意义 - 此次清洁费争议看似是简单收费纠纷 实则是Robotaxi行业从技术研发走向商业化落地的关键一步 [17] - 争议暴露的标准 透明性与用户权益问题 并非公司独有 而是所有无人化出行平台在规模化扩张过程中终将面对的挑战 [17] - 技术的成熟只是行业发展的基石 要实现规模化运营 必须关注用户体验的每一个细微环节 当行业规则和运营机制得到市场广泛认同时 Robotaxi行业才能迎来真正的规模化爆发 [17][18]

文章核心观点 - 文章核心为一篇关于自动驾驶世界模型进阶实战课程的推广文案，旨在介绍课程内容、讲师背景及学习目标，而非提供具体的行业或公司分析报告 [1][11] - 文章通过介绍蔚来汽车NWM2.0的宣发及行业对世界模型的关注切入，强调世界模型是提升智能驾驶能力上限的关键技术，并指出当前行业存在定义模糊、入门困难等痛点，从而引出该课程的价值 [1] 课程背景与行业关联 - 世界模型被视为智能驾驶真正的上限，其核心是以视频为核心，通过跨模态预测和重建，让系统学习时空和物理规律，解决时空认知问题，这与解决概念认知的语言模型形成对比 [1] - 行业内的AI巨头和自动驾驶公司正积极研发通用世界模型或相关技术，例如李飞飞团队的Marble、Yann LeCun的V-JEPA、DeepMind的Genie，以及在自动驾驶领域常见的视频生成、OCC（Occupancy）生成、激光雷达点云生成等方向 [1] - 许多公司基于开源算法搭建自己的云端或车端世界模型，用于生成长尾数据或进行闭环仿真与评测，部分公司尝试直接基于世界模型赋能车端驾驶能力 [1] 讲师介绍 - 讲师Jason拥有C9本科和QS50高校的博士学位，已发表多篇高水平学术论文（CCF-A论文2篇，CCF-B论文若干） [3] - 现任国内顶级主机厂算法专家，从事端到端自动驾驶、大模型、世界模型等前沿算法的预研和量产工作，并已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，拥有丰富的研发和实战经验 [3] 课程内容大纲 - 课程共分为六章，从概述、背景知识到具体模型探讨与实践，最后聚焦工业界应用与求职 [4][6][7][8][9][10] - **第一章：世界模型介绍** 涵盖世界模型与端到端自动驾驶的联系、发展历史、应用案例、不同流派（如纯仿真、仿真+规划、生成传感器输入、生成感知结果）及其在业界解决的问题环节，并介绍相关数据集与评测 [6] - **第二章：世界模型的背景知识** 讲解世界模型所需的技术栈，包括场景表征、Transformer、BEV感知等基础，为后续学习奠定基础，这些内容是当前求职面试的高频技术关键词 [6][7] - **第三章：通用世界模型探讨** 聚焦通用世界模型及近期热门工作，详细讲解Marble、Genie、JEPA、导航世界模型、DriveVLA-W0以及特斯拉ICCV上分享的世界模型模拟器等模型的核心技术与设计理念 [7] - **第四章：基于视频生成的世界模型** 聚焦学术界和工业界研究最多的视频生成类算法，讲解Wayve的GAIA-1 & GAIA-2、上海交通大学的UniScene、商汤的OpenDWM、中科大的InstaDrive等工作，并以商汤开源的OpenDWM进行实战 [8] - **第五章：基于OCC的世界模型** 聚焦占用网络生成类算法，讲解三大论文及一个项目实战，此类方法可扩展至自车轨迹规划，进而实现端到端自动驾驶 [9] - **第六章：世界模型岗位专题** 基于前五章基础，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的面试准备与公司关注点 [10] 课程技术细节与覆盖范围 - 课程将详细讲解Transformer、视觉Transformer、CLIP、LLaVA等多模态大模型基础，以及BEV感知、占用网络、扩散模型、闭环仿真中的NeRF与3DGS、以及其他生成式模型如VAE、GAN和Next Token Prediction等关键技术 [12] - 课程将涉及多项具体研究工作，包括清华的OccWorld、复旦的OccLLaMA、华中科技大学的HERMES以及西安交通大学最新的II-World等 [13] 课程目标与受众要求 - 课程目标是推动端到端自动驾驶在工业界的落地，帮助学员真正理解端到端技术，学完后预期能达到具备1年左右经验的世界模型自动驾驶算法工程师水平 [11][14] - 具体学习收获包括：掌握世界模型技术进展（涵盖视频生成、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、能够复现II-World、OpenDWM等主流算法框架、能够将所学应用于项目并设计自己的世界模型，对实习、校招、社招均有助益 [14] - 面向人群需自备算力在RTX 4090及以上的GPU，具备一定的自动驾驶领域基础，熟悉Transformer大模型、扩散模型、BEV感知等基本概念，拥有概率论、线性代数基础以及Python和PyTorch编程能力 [14] 课程安排 - 课程于1月1日开课，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，答疑服务截止至2026年12月31日 [15] - 各章节按计划逐步解锁：第一章于12月10日解锁，第二章于1月1日解锁，第三章于1月20日解锁，第四章于2月4日解锁，第五章于2月24日解锁，第六章于3月1日解锁 [16]

自动驾驶世界模型研究进展 - 自动驾驶技术得益于感知与规划的突破性进展，但在面对长尾场景时依然脆弱，制约了闭环驾驶性能[2] - 大量研究尝试运用世界模型，通过预测驾驶场景的未来演变来增强系统的泛化性与鲁棒性，以解决长尾问题[2] - 现有世界模型在自动驾驶中的应用主要分为三类：合成下游任务数据以应对罕见场景、利用模拟环境进行策略学习、提供未来的视觉预测作为辅助监督信号[3] 现有世界模型的局限性 - 现有世界模型在规划层面的贡献往往是间接的或与规划器并行的，缺乏与决策过程的紧密耦合[3] - 世界模型模拟器仅用于合成数据或作为闭环环境引导策略学习，其物理理解无法直接传递到规划器的内部状态中[3] - 世界模型监督仅预测未来视觉或信号来监督轨迹，规划过程依然是外部指定的[3] - 统一世界模型尝试联合生成视频和轨迹，但往往将视频生成器与策略头解耦，未能利用生成器强大的内部潜在特征作为规划依据，导致“视觉想象”与“动作决策”之间存在鸿沟[3] DriveLaW模型的核心创新 - 提出了DriveLaW，一种基于共享潜在空间表征的端到端世界模型，将生成与规划从并行转变为链式结构[5] - 核心思想在于直接利用大规模视频生成模型学习到的、蕴含丰富场景语义、智能体动力学和物理规律的潜在特征，将其注入到基于DiT的规划器中[5] - 核心优势包括链式生成与规划、独特的架构设计以及渐进式学习策略[5] DriveLaW的架构与训练方法 - 模型由DriveLaW-Video（时空世界生成器）和DriveLaW-Act（基于扩散的规划器）两部分组成[10] - 采用高压缩比（pixel-to-token ratio 64）的时空VAE，将视频片段编码至时空分辨率、128通道的因果潜空间，优于常见的16或32压缩率[18] - 引入了噪声重注入机制，在每次主去噪前，选择性向高频区域重注入噪声，以恢复动态目标与车道线的锐度和纹理，平衡细节重建与伪影抑制[25][27] - 采用三阶段渐进式训练策略：第一阶段在降低的空间分辨率下学习鲁棒运动模式；第二阶段在更高的空间分辨率下增强视觉质量；第三阶段将规划器与视频生成器的潜在特征耦合进行训练[34] DriveLaW的实验性能 - 在nuScenes视频生成任务上，DriveLaW达到了4.6 FID和81.3 FVD分数，超越了之前的世界模型方案[5][35] - 在NAVSIM闭环规划基准测试中，无需任何强化学习微调或后处理，便达到了89.1 PDMS分数，超越了以往的纯视觉世界模型方案[5][36] - 与采用并行生成-规划设计的Epona相比，DriveLaW提高了2.9 PDMS；比使用VLM和世界模型监督的DriveVLA-W0和PWM分别提高了1.9和1.0 PDMS[36] - 增加视频生成器的预训练样本量持续提升了闭环性能，使用7.6M样本预训练的生成器比从零开始训练的生成器带来了+3.2 PDMS的提升[37] 不同表征对规划性能的影响 - 视频生成器潜在特征比BEV特征提高了5.0 PDMS，比VLM隐藏状态提高了2.6 PDMS，证明了该表征的有效性[40] - 以来自早期去噪步骤的潜变量为条件会产生更强的规划能力，而来自后期步骤的潜变量表现较差，因为原始像素格式的视频包含冗余信息[41] - 可视化分析显示，VGM特征比BEV和VLM特征更锐利、噪声更少，并表现出卓越的语义连贯性和强大的空间结构感知能力[39] 训练策略的有效性验证 - 移除第一阶段训练会导致FVD显著升高（从81.3升至109.3），表明时间连贯性明显丧失[42] - 省略第二阶段训练会导致FVD少量增加（从81.3升至93.2），表明空间细节略有下降[42] - 完整的多阶段训练策略实现了最佳平衡，产生了最低的FID（4.6）和FVD（81.3）[42]

宏观经济与综合国力 - 中国经济总量预计达到140万亿元，经济实力、科技实力、国防实力、综合国力跃上新台阶 [1] - 创新力成为上升最快的经济体之一，新质生产力加速形成，高质量发展之路越走越宽 [3] - 14亿多人口超大规模市场优势正转化为高质量发展的澎湃动能 [6] 科技创新与产业发展 - 国内首批L3级自动驾驶专用正式号牌在北京、重庆两地诞生，标志着新能源汽车产业从电动化快速迈向智能化 [3] - 人工智能大模型、芯片、人形机器人、无人机等硬核科技层出不穷，为千行百业注入活力 [3] - 政策加大对智能化产品的消费支持力度，顺应高端、智能、绿色的消费升级新趋势 [6] 对外开放与制度创新 - 海南自贸港全岛封关后，“零关税”商品扩容至6600多个，首日通关货值超5亿元，为企业直接省下千万元成本 [3] - 海南正成为全球要素配置新枢纽，“中国特色自由贸易港”探索实践吸引全世界目光 [3] 消费市场与内需提振 - 文旅市场繁荣活跃，从文博场馆、电影院、演唱会到“城超”“村超”、冰雪赛事，满足了人们对“诗与远方”的渴求并促进消费 [4] - 文化自信增强，悟空、哪吒等形象成为文化出海“形象大使”，古韵国风成为“顶流审美” [4] - 汽车、家电、手机等产品继续享受以旧换新政策，同时大规模设备更新新增老旧小区加装电梯、养老机构、消防救援设施等多个领域 [6] - “两新”政策在惠民生和促消费之间架起桥梁，运用杠杆效应“四两拨千斤” [6] 民生保障与社会政策 - 实施稳岗扩容提质行动，逐步推行免费学前教育 [6] - 新增114种药品进入医保，平均降幅超六成 [6] - “公积金+商贷”利率同步下调，推动更多资金资源“投资于人” [6]

公司评级与定位 - 招商证券国际首次覆盖小马智行H股并给予“增持”评级 [1] - 公司被定位为L4自动驾驶领域的先行者 [1] - 公司的技术及商业化能力构筑了其护城河 [1] 技术与商业化进展 - 公司的技术依托于世界模型和虚拟司机技术 [1] - 在L4领域深耕厚植并在商业化应用方面取得实质性突破 [1] - 去年第三季度在广州实现的Robotaxi单车盈利转正 标志着其商业化迎来阶段性的里程碑式时刻 [1] 市场地位与增长前景 - 凭借先发优势和行业地位 公司在自动驾驶出行服务和自动驾驶货车领域占据重要的市场份额 [1] - 随着第七代车型的加速部署和车队规模扩大 强劲的增长势头有望延续 [1]

核心观点 - 招商证券国际首次覆盖小马智行H股并给予“增持”评级 认为公司是L4自动驾驶领域的先行者 其技术及商业化能力构筑了护城河 [1] 公司技术与商业化进展 - 公司依托世界模型和虚拟司机技术在L4领域深耕 并在商业化应用方面取得实质性突破 [1] - 公司在去年第三季度于广州实现了Robotaxi单车盈利转正 这标志着其商业化迎来阶段性的里程碑式时刻 [1] 市场地位与增长前景 - 公司凭借先发优势和行业地位 在自动驾驶出行服务和自动驾驶货车领域占据重要的市场份额 [1] - 随着第七代车型的加速部署和车队规模扩大 公司强劲的增长势头有望延续 [1]

核心观点 - 特斯拉当前面临核心汽车业务销量持续下滑的现实挑战，但公司股价与估值主要由其长期自动驾驶（AI与机器人）愿景所支撑，两者之间存在显著背离 [1][3][11] 交付数据与销量表现 - 预计第四季度交付量将显著低于去年同期及第三季度创纪录水平，彭博社预期为44.09万辆，同比下降11% [1][4] - 特斯拉自行发布的分析师预测汇总更为悲观，预期第四季度交付量为422,850辆，同比下降15% [1] - FactSet的共识预期从早期的约46万辆下调至约44万辆，UBS分析师已将预期下调至41.5万辆 [5] - 若预期成真，将标志着特斯拉连续第二年出现年度销量下滑 [5] - 销量疲软主因包括：美国联邦电动车7,500美元税收抵免于去年9月到期，提前透支了第四季度需求；第三季度交付量远超产量，库存消耗对后续销售构成压力 [5] 长期预期与估值驱动 - 华尔街对特斯拉2026年的交付预期已从超过300万辆大幅下调至约180万辆 [1] - 尽管汽车销售疲软，投资者对公司的自动驾驶前景保持乐观，推动股价在2025年下半年大涨并于去年12月22日创下历史新高 [1][8] - 公司董事会于去年9月向CEO马斯克提出新的薪酬方案，其潜在价值可达1万亿美元，里程碑包括交付数百万辆Robotaxi [7] - 特斯拉目前市盈率高达300倍，这对其实现自动驾驶承诺的时间和规模提出了巨大压力 [11] - 有分析师认为，投资者已完全认同自动驾驶愿景，并关注公司未来5至15年的前景，而忽视了短期财务表现 [3][10][12] 业务现状与市场环境 - 特斯拉的Robotaxi服务已于去年6月在德克萨斯州奥斯汀推出（邀请制，配备安全员），尽管首日即违反交通法规并引发联邦调查，但未影响投资者情绪 [6] - 公司电动车业务面临的不利因素包括：美国联邦税收抵免取消、全球市场竞争加剧以及欧洲监管审批受阻 [3] - 有观点认为，特斯拉的电动车业务在明年可能持平或仅增长5%，马斯克只需要汽车业务在未来一年内稳定下来，就能让投资者满意 [10][11]

事件概述 - 一位特斯拉车主驾驶搭载FSD v14.2.1.25的Model 3，在零人工接管的情况下，完成了从美国洛杉矶到南卡罗来纳州默特尔比治的横跨大陆之旅，全程2732.4英里（约4397公里），耗时2天20小时 [1][4] - 此次行程100%依赖FSD系统，覆盖了高速公路、城市道路、夜间驾驶等多种复杂场景，并自主完成了包括在特斯拉超级充电站自动泊车在内的所有停车操作，全程未出现任何险情 [1][4] - 这并非官方测试，而是车主在真实交通环境下的实跑记录，车主在完成此次行程前已使用FSD行驶了10638.8英里 [3][4] 技术里程碑与行业意义 - 零接管横穿美国被视为自动驾驶技术成熟度的重要标志，特斯拉北美官方账号确认此为“首辆使用FSD Supervised从海岸到海岸自主驾驶的特斯拉” [4][13] - 英伟达机器人业务负责人提出，特斯拉FSD v14可能已通过“物理图灵测试”，即其驾驶行为已像一位谨慎、有经验的人类司机，难以被观察者区分 [13] - 通过“物理图灵测试”需要解决理解三维空间、精细处理物体、掌握真实世界背景知识及弥合数字指令与物理行动鸿沟四大挑战，而驾驶结合了所有这些挑战 [14] 技术演进与数据基础 - FSD v14的突破源于从基于规则的系统向端到端神经网络的转变，该系统通过海量真实驾驶数据训练，以类似人类的方式学习驾驶模式 [15] - 配备FSD的特斯拉车辆已累计行驶近70亿英里，其中约25亿英里在城市环境中完成，这些复杂场景数据是系统能力提升的关键 [15] - 近期有案例显示，FSD系统能在能见度极差、路面积水严重的冰雹暴风雨中连续行驶7小时而无人工干预，进一步展示了其“类人驾驶”能力 [15] 历史背景与市场反响 - 此次完成的“海岸到海岸”自动驾驶路线，是公司自2016年发布Autopilot 2.0以来反复提及但未能兑现的目标，公司创始人曾预计在2017年实现 [6] - 公司创始人在第一时间对车主的成就表示了祝贺，该事件在社交媒体上获得了超过1000万次的浏览量，社区反响热烈 [6][9][11] - 行业观察者将FSD的能力转变比作智能手机的普及过程：从令人惊叹到成为常态，最终变得不可或缺 [15]