自动驾驶行业招聘与求职 - 英伟达自动驾驶职位划分非常细致 今年仅开放实习转正通道 无校招名额 笔试包含3道算法题 涉及图搜索和动态规划等题型 [3][4] - 面试流程包含5轮技术面 每轮均有1-2道算法题 重点考察MPC规划控制、Hybrid A*算法、运动学约束算法等专业知识 以及链表操作、动态规划等编程能力 [5][6][8][10][11] - 技术面试深度涉及自动驾驶核心算法 包括MPC优化问题构造、非线性优化器选择、QCQP求解、iLQR与DDP区别等控制理论 以及state lattice规划、kinodynamic-RRT改进等运动规划算法 [5][11] - 最终轮为全英文技术主管面试 侧重项目细节与工程实现 包含EKF原理、多传感器时间同步等嵌入式系统经验 以及递归/迭代编程能力测试 [13] 自动驾驶技术发展趋势 - 行业技术栈呈现趋同态势 传统分散技术方向正被one model、VLM、VLA等统一方案取代 技术壁垒显著提高 [20] - 算法工程师需掌握跨领域技能 包括感知转大模型、规则转具身智能等转型需求 反映行业对复合型人才的需求增长 [20] - 前沿技术方向涵盖端到端自动驾驶、世界模型、BEV感知、Occupancy网络、多模态融合等30+技术路线 显示行业技术多元化发展 [22][24] 自动驾驶人才社区生态 - AutoRobo知识星球聚集近1000名行业从业者 覆盖智元机器人、地平线、小米汽车等知名企业 形成求职交流平台 [18] - 社区规模达4000人 吸引300+企业与科研机构加入 提供技术方案分享与岗位发布功能 [22] - 专业课程体系包含BEV模型部署、多传感器标定、轨迹预测等20+方向 配套学习视频资源 构建完整人才培养路径 [24]

公司发展历程 - 2002-2010年为创业期，公司通过IPO上市并改变用户出行方式，复合增长率、市值和行业影响力达到高光时刻[10] - 2010-2015年为舒适期但面临BAT冲击，阿里收购高德并宣布免费导致公司基本盘受创，内部创新停滞[11][15] - 2015-2023年为转型期，聚焦芯片、座舱、高精定位和自动驾驶，砍掉非汽车智能化业务，战略定位为"以智驾为龙头的新型Tier1"[18][27] 业务转型与挑战 - 2015年收购联发科汽车电子事业部成立杰发科技，切入车载芯片领域[17] - 2019年放弃L4级自动驾驶研发，因连续三年亏损且国际化受阻，转向"四个聚焦"战略[26][27] - 2024年营收35.18亿元同比增长12.68%，仍亏损10亿元，但2025年一季度新增定点360万套（基础行车300万套+舱泊60万套）[6][7] 行业竞争格局 - 地图业务遭遇互联网巨头降维打击，公司比喻为"四维图新对抗五维图新"[5][13] - 高精地图领域通过饱和式攻击成为行业第一，但"无图"技术路线兴起导致变现受阻[25][57] - 当前智驾行业仅华为和理想实现现金流为正，具备组织韧性和用户口碑[33][34] 技术路线与合作 - 与卓驭科技合作填补高通8620/8650芯片方案空白，形成能力互补[44][55] - 坚持"有图方案"技术路线，认为无图是外界误读，实际仍需高精地图支持[57][58] - 布局具身智能领域，通过惯导技术研发秒级姿态控制方案，预计3-5年实现突破[69][70] 组织管理与战略 - 采用阿里"三板斧"管理方法，实行矩阵式管理结构防止业务脱节[64][65] - 设立产品委员会而非CTO角色，由智驾业务整合各产品线形成解决方案[66][67] - 坚持长期主义策略，认为智能化赛道可持续20年，不追求短期市值波动[76] 市场趋势判断 - 预测18个月后地平线J6与高通8620/8650将成为智驾芯片主流方案[49][50] - 车企出海带来新机遇，高精定位、芯片等产品通过欧盟标准认证[73] - 行业从堆算力转向性价比竞争，卓驭在32Tops芯片实现L4验证技术能力[52][53]

自动驾驶行业招聘信息 - 头部自动驾驶供应商招聘规控算法工程师/PNC专家 月薪40k-100k 工作地点北京/上海 负责决策规划控制算法开发及前沿技术跟踪 [2][5] - 端到端/VLA工程师岗位 月薪30k-80k 工作地点深圳/上海 负责端到端驾驶系统研发与模型优化 需掌握深度学习框架及自动驾驶算法 [4] - 端到端/视觉算法与工程专家 月薪40k-80k 工作地点上海/苏州 负责视觉感知算法研发 要求计算机视觉基础扎实且有相关研究经验 [6][9][10] 行业知识平台内容 - AutoRobo知识星球聚集近1000名行业从业者 涵盖地平线/理想/华为等企业员工及应届生 提供求职交流平台 [11] - 平台提供自动驾驶领域专业资料 包括毫米波融合/BEV感知/多传感器标定等专题的"一百问"技术文档 [17][18] - 汇集行业深度研报 涵盖具身智能/人形机器人等领域发展现状及趋势分析 [23][24] 求职辅助资源 - 整理各类岗位面经 包括决策规划/SLAM/算法工程师等岗位的面试流程及技术问题 [26][30] - 提供谈薪技巧指导 包含HR面常见问题及薪资谈判策略 [28][31] - 汇总专业书籍资源 涵盖机器人/自动驾驶/AI等领域的学习材料 [29] 岗位能力要求 - 规控算法岗位要求硕士学历 需掌握C++/Python及MPC/PID等算法 有Apollo等开源项目经验优先 [5] - 视觉算法岗位要求3年以上经验 熟悉PyTorch框架 有顶会论文或竞赛获奖经历者优先 [9][10] - 普遍要求跟踪学术前沿技术 具备独立解决问题能力及团队协作精神 [5][10]

自动驾驶仿真技术研讨会核心内容 1 研讨会背景与意义 - 高保真度仿真技术是解决自动驾驶算法测试成本高和安全隐患的关键 传统仿真器存在场景风格差异 离线数据集无法实现闭环测试的局限性[1] - 新视角合成(NVS)技术突破性在于基于真实数据构建闭环仿真环境 为动态交互场景评估提供新途径[1] 2 核心挑战与赛道设置 外插视角新视点合成赛道 - 聚焦外插视角渲染保真度问题 当前技术受限于训练数据视角覆盖范围 稀疏输入时外插视角质量不足[3] - 赛道设置多难度渲染挑战 重点评估变换车道 转向等自动驾驶关键场景的视角外插鲁棒性[3][4] 自动驾驶闭环仿真评估赛道 - 突破性体现在：首次实现完全闭环测试框架 弥合真实数据与交互评估的鸿沟 克服静态数据集无法模拟动态交互的缺陷[5] - 评估维度包括渲染场景真实感 以及算法在闭环环境中的性能表现 提供复杂场景基准测试可能[5][6] 3 赛事组织架构 - 奖项设置：创意奖9000美元 一等奖9000美元 二等奖3000美元[8][9] - 时间节点：2025年6月30日启动 8月31日提交截止 9月5日公布结果 9月20日技术报告截止[8] - 资源平台：提供Hugging Face数据集与提交样例 覆盖两个赛道技术资源[8] 4 行业价值定位 - 聚焦新视角合成与闭环评估两大核心技术难题 构建兼具挑战性和研究价值的比赛平台[10] - 目标推动全球自动驾驶技术向高阶发展 通过仿真技术突破加速算法迭代[11]

自动驾驶求职辅导业务 - 目标人群为希望转型智能驾驶方向的应届生和职场人士 周期2个月左右 以求职成功为导向 提供1v1辅导 [4] - 基本服务收费8000元/人 包含10次线上会议 每次不低于1小时 含8次答疑和2次面试复盘 [6][7] - 进阶服务提供项目实战机会 收费3000元 模拟面试收费2000元 含HR和业务面试环节 [11] 辅导服务内容 - 分析学员画像 评估知识结构与能力模型 找出与目标岗位差距 [7] - 制定学习计划 提供文档资料和网络链接等学习资源 [13] - 每周定期会议答疑 随时线上提问 结束前优化简历匹配度 [13] 可辅导岗位范围 - 覆盖智能驾驶全链条岗位 包括算法 软开 测试 系统工程师等 [11] - 包含产品经理类岗位 如智能驾驶产品和智能座舱产品经理 [11] - 涵盖行业分析师等咨询方向岗位 [11] 师资力量 - 辅导老师均为行业专家 具备8年以上从业经验 [12] - 来自自动驾驶独角兽企业和主机厂 覆盖产品 算法 测试等多领域 [12] - 具有头部车企智能驾驶产品方案经验 参与早期座舱方案开发 [14] 行业现状与痛点 - 自动驾驶算法岗要求高 需顶会论文或直接岗位经验 [2] - 技术迭代快 学生时代技术栈与就业需求不匹配 [2] - 转行人员普遍存在简历与岗位要求不匹配问题 [3][9]

CVPR2025 WOD纯视觉端到端比赛结果 - 冠军方案来自EPFL团队，采用DiffusionDrive框架，结合nuPlan数据集和集成策略 [1] - 亚军方案由Nvidia & Tubingen团队提出，参考DiffusionDrive和SmartRefine，使用4个不同数据集并验证训练数据顺序的重要性 [1] - 季军方案来自韩国汉阳大学，采用简洁结构设计，仅使用前视图+自车状态输入 [1] - 特别奖方案使用QWen2 5-VL大模型生成CoT数据，在3B模型上训练 [1] 比赛背景与数据集 - 比赛聚焦长尾驾驶场景评估，包含4021个20秒驾驶片段，其中2037个用于训练 [2] - 参赛者需使用8个周围摄像头数据，在鸟瞰图坐标系下预测5秒路径点轨迹 [2] - 评分主要采用"评分反馈得分"(RFS)，"平均位移误差"(ADE)作为平局判定标准 [2] 季军方案技术细节 - 采用极简主义设计Swin-Trajectory，仅使用单前置摄像头和自车历史信息 [41] - 基于Swin Transformer骨干网络，在RTX 4090上实现14ms推理速度 [41] - 使用三维位置编码为密集图像特征提供几何基础 [44] - 通过交叉注意力机制融合图像特征与路径点查询 [46] 亚军方案技术亮点 - 提出Open-X AV(OXAV)框架整合多种AV数据集 [22] - 采用两阶段训练流程：感知导向数据预训练+规划导向场景后训练 [26] - 使用ResNet34骨干网络，仅需单块A100 GPU训练一天 [26] - 模型集成显著提升RFS评分，证明聚合多个模型预测的优势 [37] 行业技术趋势 - 端到端自动驾驶方法展现出替代传统模块化架构的潜力 [2] - 跨数据集学习成为提升模型泛化能力的重要方向 [26] - 轻量化模型设计在保持性能的同时降低计算成本 [41] - 扩散模型在轨迹生成领域展现出高效性和多样性优势 [4]

纪要涉及的行业和公司 - **行业**：自动驾驶行业 - **公司**：华为、小鹏、理想、文远知行、小米、吉利、长安、长城、比亚迪、上汽、一汽、蒙塔、大疆、元戎启行、地平线、蔚来、德赛、智行科技、蘑菇车联、轻舟智航、小马智行、百度、博世、奇瑞新纪元 纪要提到的核心观点和论据 1. **主机厂自研算法难点**：技术能力上传统主机厂弱于新势力及头部第三方，与领军人物水平有关且多为集成适配而非自研；开发周期上新势力及头部第三方迭代快，传统主机厂慢；资金投入大，如头部企业人均薪酬超 50 万元，算力储备和租赁年投入数亿元；数据闭环能力方面，传统车企智能化渗透率低，数据积累不如新势力和第三方 [3] 2. **主机厂自研芯片难点**：技术能力上传统主机厂在车端芯片核心架构 IP 选择和自研能力建设等领域落后；开发周期上传统主机厂开发模式僵化，与新势力及第三方比有劣势；资金支持上自研芯片流片成本超 1.5 亿元，持续研发投入大；芯片与算法协同优化方面，传统车企算法方向不明，优化难度高 [4] 3. **主流主机厂梯队排名**：第一梯队华为、小鹏、理想、文远知行全栈自研且量产，有自研芯片计划；第二梯队小米、吉利、长安、长城、比亚迪自研加第三方联合开发，未来计划用自研替代第三方；第三梯队上汽、一汽及外资合资品牌完全依赖第三方 [5] 4. **中间梯队发展可能**：既有机会向上发展，需提升研发实力、加大资金投入、缩短开发周期、引入先进技术合作伙伴；也可能向下滑落，若不能应对挑战会依赖外部供应商失去竞争优势 [6] 5. **企业自研芯片条件**：能开发中等算力芯片，如 200 多 TOPS 或 80 多 TOPS；满足数据、算力和算法三要素，数据上需有量产乘用车数据闭环能力，累计销量超 100 万且含相关域控制器功能数据量，通常达 600 万以上，算力最低 3 亿 FLOPS，算法需有懂业务且具前端思考能力的领军人物和支持快速迭代开发的组织结构 [7] 6. **IP 收费模式**：包括一次性支付的授权费和年度维护费，还按芯片销量收取版税，如 BPU IP 授权费约 3000 万元，年维护费约 200 万元，版税按 5%比例提成 [8][9] 7. **第一二梯队算法厂商能力差异**：数据迭代速度与效率上第一梯队快于第二梯队；算法架构预判能力上第一梯队在端到端架构表现突出；工程量产能力上第一梯队保证车型一致性和适配新车型速度优于第二梯队 [12][13] 8. **数据稀缺性及影响**：数据稀缺性重要，地平线虽通过数百台车路测部署端到端能力，但因比亚迪和理想未开放数据反补渠道，数据获取有限，限制其优化和扩展潜力 [14] 9. **端到端技术路线**：业内共识向一段式发展，但有 VRAK 路线和纯端到端路线分歧，除特斯拉外大多采用两段式，传统主机厂有必要做规则算法，要追赶一梯队效果需投入端到端模型 [16] 10. **算法迁移难度**：跨平台迁移难度中等，需重构部分模型并适配工具链；同品类产品间算法迁移可能性高，可复用大量代码；从大算力平台向低算力平台迁移难度高 [17][18][19] 11. **工信部新规影响**：对头部智能驾驶企业影响不大，理想等一梯队企业数据积累丰富，迭代有优势，新规可能拉开二梯队差距，比拼车数量和内部测试、迭代发版投入成本 [20][21] 12. **解决 corner case 数据量少问题**：微调少量关键 corner case 数据在强化学习环境中学习，提高泛化能力，行业内强化学习刚起步，完善需时间 [22] 13. **端到端版本迭代周期**：工信部标准出台前一个月迭代两次并上车两个版本，新规出台后如比亚迪每月发版一次 [23] 14. **声称可做算法的公司类型**：车企自研、域控厂商（自家域控盒子）、传统第三方纯软件商（算法厂商） [24] 15. **主机厂和域控厂商分工**：主机厂分完全自研、尝试自研但集中低端方案、完全依赖第三方三类；域控供应商提供基于与芯片厂商合作的感知算法；纯软件算法供应商大多自主研发 [25][26] 16. **国内公司世界模型和强化学习表现**：世界模型方面国内无公司达特斯拉水平，理想、Momenta、华为、小鹏大致相同；强化学习方面 Momenta、大疆（卓玉）、小马智行表现不错；L4 级自动驾驶公司部分进入 L2 级市场 [26] 17. **自动驾驶算法供应商收费模式**：一般为一次性开发费加根据销量收取 license 费或仅收取 license 费，目前多数两种费用都收，主机厂渐倾向只付 license 费；城市 NOA 每辆车 license 费 2000 元以上，高者 3000 元左右，高速 NOA 每辆车约 600 - 800 元 [27] 18. **国内公司世界模型能力评价**：总体差异不大，以特斯拉 100 分标准，理想、文远知行、华为等在 60 - 70 分之间，评估看云端模型泛化能力及对车端表现影响 [28] 19. **世界模型及强化学习发展方向**：预计两年内取得显著成果，技术格局稳定后主机厂持续投入研发有机会追赶领先者，长期看自研能力强的主机厂能跟上或反超 [29] 20. **自动驾驶技术发展趋势**：未来两年经历优胜劣汰，竞争者包括世界模型和强化学习领先企业及部分主机厂，预计最终两家主机厂、五家以内供应商保持竞争力，技术路线进入新迭代阶段 [29] 21. **端到端大模型发展前景**：目前基于 2019 年 Transformer 架构，若 2026 年后出现更优新型基座模型如 Disformer 技术路线演进，否则传统架构两到三年迭代后达边际效益低点，主机厂有跟随新型架构创新和追赶现有方向上限两个机会 [30][31] 22. **学术界自动驾驶技术探讨方向**：利用强化学习生成模型并通过合成数据训练；探索新架构如 Mamba 架构；补充世界模型通过生成式 AI 更新 [32] 其他重要但可能被忽略的内容 - 蒙塔自研芯片为中算力约 270 TOPS，对标 Dow X，实现城市微循环点对点功能，NPU 自研，2025 年流片完成，预计 2026 年第一或二季度量产上车，已有具体客户合作 [10] - 地平线通过数百辆车跑半年时间收集通用数据训练可开发端到端系统，但效果不如 Momenta、华荣和华为等用专门采集车辆收集精华数据的公司 [15] - 数据收集需经许可，通过收集触发信息即关键案例数据进行迭代获取相关数据 [16]

核心观点 - 启明创投以4.52亿元控股创业板上市公司天迈科技，成为首例市场化VC机构通过并购基金主导上市公司控制权变更的标杆案例，标志着私募基金从"财务捕手"向"产业操盘手"的角色跃迁 [2][3] - 交易得益于证监会"并购六条"的政策松绑，为一级市场退出开辟了"产业协同+资产证券化"的双轨路径 [4] - 案例为私募基金如何以资本为纽带重塑上市公司价值提供转型启示，尤其在IPO放缓背景下具有示范效应 [5][59] 政策环境与法规框架 政策红利释放 - 证监会"并购六条"明确支持私募基金以产业整合为目的收购上市公司，引入"反向挂钩"机制，缩短锁定期限，降低长期资本退出成本 [6][7] - 政策推出配套措施包括允许重组股份对价分期支付、放宽同业竞争与关联交易限制、设立简易审核程序等，2024年重大并购交易数量同比激增460% [10][11] - 启明创投收购天迈科技的交易中，基金存续期与锁定期匹配，直接受益于政策 [8] 历史沿革 - 私募基金控股上市公司的合法性曾长期存疑，2016年"宝万之争"后监管对杠杆收购持审慎态度 [12][13] - "并购六条"扭转态势，首次将私募基金定位为"产业整合者"，地方国资实践为市场化机构提供范本 [15][16][17] 法规约束 - 私募基金需遵守严格法律框架，包括信息披露义务和关联交易管控 [19][20] - 中国模式更强调产业协同，与美国激进杠杆收购（LBO）形成对比 [21][22] 交易方案设计的创新与实施 股权定价 - 启明创投以4.52亿元收购天迈科技26.1%股份，采用差异化定价机制，原实控人郭建国以28.26元/股转让，其他股东以24.25元/股转让 [24] - 定价依据合法性在于"股东身份差异"，折价策略节省约6200万元，预留资产注入后的市值增长空间 [25][28][29] 支付架构 - 交易采用三期支付结构（首期60%、二期30%、三期10%），并设立共管账户锁定资金，匹配私募股权基金平均募集周期8.2个月 [32][34] - 分期支付缓解资金压力，共管账户条款具有强制执行效力，司法支持率达92% [35] 控制权过渡 - 交易后启明基金持股26.1%，郭建国保留23.63%，协议设计三重防御体系确保控制权稳定 [40][41] - 董事会改组由启明创投提名4人，原管理层留任CEO，设置6个月过渡期分阶段移交权力 [42][44] 基金架构 - 启明基金通过"GP主导+专项架构"实现风险隔离，LP结构65%来自启明2023年人民币主基金，35%为外部机构投资者 [47][48] - 退出路径包括一级退出、二级退出和重组退出，参考鼎晖投资案例实现基金IRR达32% [50][51] 产业协同 - 启明创投整合计划分为技术赋能、资产注入与生态闭环三级推进，预计将天迈科技订单毛利率从18%提升至25% [52][54] - 横向对比IDG资本、高瓴资本案例，启明创投模式更强调产业协同与资产证券化 [55] 行业启示 - 案例标志着私募基金从"投早投小"向"产业主导"转型，依赖政策支持、交易结构创新及资源整合能力 [67] - 未来此类操作或成主流，需警惕整合难度与市场波动，推动"产业+资本"可持续发展 [69]