核心观点 - 自动驾驶行业在核心算法层面已形成共识，即采用端到端（End-to-End）作为基础架构，并引入世界模型（World Model）作为关键基础设施 [6][7][10] - 行业在顶层认知上出现路线分歧，主要围绕是否在端到端模型中引入语言模型（即VLA与WA/反VLA之争），这本质上是计算效率与推理能力（快思考 vs 慢思考）的不同权衡 [7][11] - 未来三年是现有深度学习范式的“极致优化期”，核心在于通过海量数据驱动能力自然生长，而非理论重构 [7] - 行业竞争已超越单纯算法模型之争，研发基建、数据仿真、算力芯片、工程化能力及用户体验等非技术因素成为决定成败的关键变量 [13] 核心技术路线 端到端 (End-to-End) - 是自动驾驶的底层基座，替代了传统的模块化方案，直接从传感器输入映射到控制输出 [1][10] - 一段式端到端（One-Stage E2E）已被验证可行（如特斯拉FSD V12），统一了L2和L4的开发范式 [7] - 其局限性主要是“模仿学习”，能力上限受限于训练数据，缺乏逻辑推理 [12] 世界模型 (World Model) - 是核心算法演进中的关键基础设施，扮演“中间加速器”的角色 [7][10] - 主要作用分为两方面： - **对内（训练）**：作为“超级模拟器”，生成大量合成数据以解决长尾问题，并让端到端模型在虚拟环境中通过强化学习反复试错迭代，实现从“数据闭环”到“训练闭环”的演进 [2][8][11][18] - **对外（推理）**：作为“预测机”，帮助车辆理解物理规律和因果关系，直接指导动作生成 [9][11] - 3DGS（3D Gaussian Splatting）是构建高保真仿真环境的重要技术 [3] 视觉-语言-动作模型 (VLA) 与 世界-动作模型 (WA) - **VLA派（理想、英伟达）**：认为需要引入大语言模型赋予车辆逻辑推理（Chain of Thought）和解释能力，以处理复杂、罕见的长尾场景（System 2，慢思考） [9][11][12] - **WA/反VLA派（华为、小鹏）**：认为驾驶主要是直觉反应，引入语言环节会增加延迟和算力负担，主张直接从世界模型理解映射到动作（System 1，快思考） [9][11] - **务实派（小米）**：当前主推“端到端+世界模型+强化学习”解决直觉问题，内部预研VLA以备复杂推理需求，追求“智能密度”最大化 [9][11] 主要公司技术选择对比 | 公司 | 核心技术路线选择 | 核心逻辑与观点 | 世界模型/仿真工具的角色 | | :--- | :--- | :--- | :--- | | **理想汽车** | VLA (Vision-Language-Action) | 认知驱动，认为需从“模仿”进化到“自己学会”，单纯数据闭环不够，必须走向训练闭环 [9] | 利用《World4Drive》等模型构建可探索的虚拟世界，进行策略优化，是训练闭环的核心 [9] | | **英伟达 (NVIDIA)** | 物理AI + VLA (Alpamayo) | 强调AI的可解释性与推理能力，不仅要会开，还要能解释决策，并强调“Test time Scaling”（让AI多思考一会儿） [9] | 使用Omniverse & Cosmos生成合成数据和进行物理模拟，训练车辆学习物理定律 [9] | | **小米汽车** | 端到端 + 世界模型 + 强化学习 (预研VLA) | 智能密度最大化，当前方案优先解决“直觉”（System 1）问题，VLA类似“看悬疑片”（System 2），仅用于极复杂场景，不制造技术焦虑 [9][17] | 使用高保真模拟器进行强化学习训练，解决实车难以覆盖的长尾场景 [9] | | **地平线** | 一段式端到端 (One-Stage) | 范式统一，认为FSD V12证明了端到端的可行性，未来三年是“极致优化期”，旨在统一L2与L4的开发范式 [9] | 未详细展开，主要强调通过统一范式和低成本部署打通壁垒 [9] | | **华为 / 小鹏** | WA (World Action) / 反VLA | 去语言化，认为驾驶主要是直觉反应，不需要经过语言环节，以降低延迟和算力负担 [9] | 利用世界模型理解环境演变，直接指导动作生成 [9] | 非核心技术关键因素 研发基建与工程效率 - 基建（以数据为核心的研发效能）决定迭代速度，好的基建能大幅提升研发效率，例如小米能在一年内实现“追三代”的技术跨越，核心在于云端基建的复用和自动化率提升 [3][18] - 基建的好坏取决于发现问题后，能否迅速从海量数据中挖掘出类似场景，并形成高质量标注数据进行训练 [18] - 强化工程能力和组织能力被视为公司的“工业母机”，是应对技术范式变化的确定性方法 [18] 仿真与合成数据 - 仿真成为解决长尾问题（Corner Case）的核心，单纯依赖真实路测数据已无法满足需求 [14] - 合成数据价值极高，例如在小米的训练数据中，仿真数据占比约为20%，但节省了数倍的人力成本 [18] - 英伟达通过Cosmos世界模型生成符合物理定律的合成数据来训练自动驾驶模型 [18] - 理想汽车等公司强调从“数据闭环”走向“训练闭环”，让AI在虚拟世界中进行强化学习，自我探索最优策略 [18] 算力规模与芯片适配 - 智驾是算力和硬件的“暴力美学”，计算机工业的本质就是“玩命堆算力” [15][18] - 英伟达发布Rubin平台以应对每年增长5倍的AI推理需求，旨在将推理成本降低至原来的1/10 [18] - 算法上车面临巨大的“部署偏差”，从一颗芯片迁移到另一颗芯片通常需要6-10个月解决算子支持、计算精度对齐等问题，这种高昂的迁移成本构成了芯片厂商的护城河 [18] - 随着AI进行长序思考（System 2），车载芯片的“显存”面临巨大挑战 [18] 商业化成本与泛化能力 - 技术再先进也需考虑成本，智驾系统的目标是将L4级体验以极低的部署成本普及到10万元级别车型 [18] - 新一代端到端技术通过数据驱动，在一个复杂城市验证后，能大概率泛化到整个国家，极大地降低了扩张成本 [18] 用户体验与安全冗余 - 技术先进性不等于体验更好，必须在收益和风险之间取得平衡，避免为了“显摆技术”而制造焦虑 [17] - 安全机制至关重要，即便是激进的端到端方案也需要安全兜底，例如英伟达的方案中包含了一个经典的规则驱动AV栈作为安全护栏，在端到端模型信心不足时回退 [19]

文章核心观点 - 在通往通用物理智能（如自动驾驶）的道路上，模型算法是天花板，而数据基础设施是地板，真正的壁垒在于两者能否实现“双轮驱动” [1] - 模型算法本身正在变成“快消品”，但如何从物理世界挖掘数据、定义好坏、构建逼真虚拟考场的基础设施，一旦建成将成为真正的护城河 [5] - 对于物理AI（如机器人、自动驾驶）而言，越是走向端到端和世界模型，以大规模实车数据闭环为核心的“重”基础设施就越有价值 [27][33] 行业风向与共识转变 - 自动驾驶和AI圈子的关注点已从比拼单个模型的智力上限（如模型架构、SOTA论文），转向争夺“数据基础设施”人才 [2][8] - 头部公司如Tesla、Wayve、DeepMind的技术重点已变为数据引擎、自动评测体系、生成式仿真和闭环能力 [3][8] - Tesla在FSD V12中强调从大规模车队中挖掘“特征片段”并构建自动评分系统，而非依赖人工规则 [3] - Wayve等激进端到端玩家将生成式世界模型（如GAIA-1/GAIA-2）作为产品路线图主干，认为AI需先学会生成逼真、可交互的世界才能真正学会驾驶 [3] - DeepMind的Genie项目逻辑类似，旨在从海量互联网视频中学习可交互虚拟环境，供智能体进行加速训练 [4] 物理AI的进化形态（类比科幻作品） - **第一阶段：完全虚拟（SAO Aincrad篇）** - 对应早期仿真与远程示教，所有交互发生在代码构建的虚拟空间，效率极低（1x实时），且无法模拟物理世界的混沌噪声 [9][10][16] - **第二阶段：增强现实（SAO Ordinal Scale篇）** - 对应当下的大规模实车数据闭环，在真实世界（如数千辆L4/L2+车辆）上叠加数据采集，核心优势是数据天然包含物理世界的真实分布，但核心痛点仍是数据积累速度受物理时间限制 [11][16] - **第三阶段：世界模型与时间加速（SAO Underworld篇）** - 对应物理AI的终极方向，即构建一个时间流速可加速（如现实1天等于虚拟几百年）的逼真世界模型，让AI在其中进行指数级快速试错与进化 [12][13][17] - **终局展望：脑机接口与人机融合（加速世界篇）** - 对应Neuralink等公司的愿景，通过高带宽脑机接口实现人类意图的零损耗采集，直接将人类价值观注入AI [14] 自动驾驶数据闭环体系的核心作用 - 当前建设的L4自动驾驶数据闭环，并非仅仅为了“修Bug”，而是将物理世界的混沌翻译成世界模型能理解的“教科书” [15] - 该体系为未来世界模型提供关键的“生成指令集”和自动化评判标准，其价值在于对物理世界的理解、问题定义和数据掌控力这些“慢变量” [21][32] 第一层：感知物理世界的“体温计”（指标体系） - 定义了如MPS（每愚蠢里程）和MPD（每危险里程）等客观物理指标，这些指标未来将成为世界模型的奖励函数，用以评判AI在虚拟世界中驾驶的舒适性与安全性 [18][19] - 这些物理世界的客观标准（如急刹代表体验差，画龙代表控制不稳，贴得太近代表危险）是永恒不变的 [24] 第二层：把“瞬间”变成“病历”（数据分级与CaseID） - 通过Microlog/Minilog/CaseID体系，从现实世界每秒产生的PB级噪声数据中，提取高价值信息，将零散数据事件（如一次急刹）转化为结构化的“临床病例”，供世界模型学习 [20][25] 第三层：把车队变成“题库”（标签与FastDM） - 通过秒级标签为每一帧数据打上数百个维度的标签（如雨天、夜晚、路口、有行人），再配合FastDM（极速挖数引擎），可以上帝视角快速检索特定场景组合 [21] - 这相当于为训练世界模型构建了一个“题库”和“生成指令集”，可以针对现实中最易出事的场景分布，指令世界模型生成大量变种环境进行针对性训练 [21] 第四层：把专家经验变成“自动判卷人”（Trigger框架） - 将资深算法工程师的Debug经验编写成Python Trigger，这些Trigger未来可在世界模型中运行，作为24小时监控虚拟车辆行为的“自动化判卷老师”，对违规行为即时给出负反馈 [22] 第五层：从Bug到课程（问题聚类） - 将零散的Bug聚类成“典型问题场景”，这对应于AI训练中的课程学习，可以分阶段、有重点地训练模型，例如先集中训练“无保护左转”，再高强度训练“鬼探头”场景 [23][26] 物理AI时代的基础设施价值 - **与LLM的差异**：ChatGPT等纯文本模型犯错代价低，而物理AI（如自动驾驶）存在“幻觉致命”风险（如生成违反物理规律的环境），且高质量负样本（如车祸数据）极其稀缺 [27][29] - **核心作用**：实车数据闭环用于校准世界模型的物理参数，并通过Trigger和挖数引擎淘金式挖掘高价值负样本 [28][29] - **未来开发模式**：世界模型作为“生成器”负责发散，生成海量可能路况；数据基础设施作为“判别器”负责收敛，用积累的典型问题库、MPD/MPS指标和实车数据去指引生成方向、评分并进行真实性校验 [29][36] - **长期主义投资**：真正的壁垒在于投资那些“不会变”的事物，如物理世界的客观指标、对优质数据（Corner Case）的筛选逻辑、以及自动化闭环的流程 [33][37] 实践成果与商业验证 - 阿里巴巴达摩院/菜鸟自动驾驶团队在2018至2025年间，实现了从封闭园区运营到公开道路常态化运营的跨越 [35] - 具体成就包括：双十一期间近千台“小蛮驴”在封闭园区并发运营的历史峰值；高速公路L4重卡达成500 MPI的目标；以及约500台公开道路无人车的常态化运营 [35][46] - 该系统创造了千万公里无重大事故的安全记录，并实现了降本增效的商业价值，证明了自动驾驶技术的生产力属性 [38]

行业核心观点 - 2025年是汽车智能化的分水岭与合规元年，行业在技术狂奔与安全刹车之间发展，呈现出前所未有的广度，是车企战略、技术突破、政策引导与用户认知共同演化的结果[1][3] - 汽车智能化正从技术炫技走向规模化落地，技术、价格、监管、场景均发生深刻变化，并成为中国汽车走向全球的新名片[22] 技术发展与路线 - **大模型密集上车**：DeepSeek、华为盘古、阿里通义等通用大模型在2025年密集登车，推动座舱交互从指令响应迈向具备语义理解、多轮对话、场景预判能力的主动服务[1][7] - **技术路线多元合竞**：无图方案、端到端、VLA大模型等技术路线并存，车企竞争焦点从讲愿景转向在真实路况上的稳定表现[3] - **端云协同挑战**：部分车型的大模型依赖云端算力，在弱网或离线状态下功能大幅缩水，真正考验的是端云协同的稳定性与本地化推理能力[7] - **纯视觉方案局限**：比亚迪入门版“天神之眼C”采用纯视觉方案，实际可用场景远少于高端版本[5] 产品与市场普及 - **智驾平权启动**：比亚迪在年初将自研“天神之眼”智能驾驶系统搭载至全系车型，最低至6.98万元的海鸥，迫使整个10万级市场重新定义产品标准，NOA从高端配置变为竞争基线[1][5] - **平权不等于好用**：部分用户对入门智驾功能反馈“功能有了，但不敢用”，暴露出普及与用户体验之间的差距[5] - **高阶智驾系统发布**：吉利推出自研“千里浩瀚”高阶智驾系统，并发布“智能汽车全域AI”战略，将AI能力覆盖智驾、座舱、动力控制、电池管理及售后服务，标志着头部品牌向全栈自研、软硬一体的系统级智能化迈进[12] - **华为智驾生态形成**：华为发布乾崑智驾ADS 4.0系统，成为国内首个通过高速L3级商用认证的解决方案，上汽奥迪、北汽极狐、长安阿维塔等品牌合作落地，形成跨豪华与主流市场的华为智驾矩阵[10] 政策与监管环境 - **L3政策正式开闸**：2025年9月，八部门联合印发《汽车行业稳增长工作方案（2025—2026年）》，首次明确L3级有条件自动驾驶可在限定场景下合法上路，并配套责任认定、保险机制等制度框架[14] - **L2+监管加码**：小米SU7事故后，监管部门于6月出台《L2级及以上智能驾驶系统管理暂行规定》，首次明确车企需对系统能力边界进行强制标注，并禁止使用“自动驾驶”等误导性宣传[8] - **政策落地挑战**：L3政策虽已开闸，但保险公司对L3风险定价尚无成熟模型，地方交管系统也未全面接入车辆运行数据，真正的责任转移仍需时间磨合[14] 安全与行业规范 - **安全事故引发强监管**：2025年4月，一辆开启NOA的小米SU7在高速上未能识别施工锥桶致三人遇难，事故直接推动了L2+智驾新规的出台，成为行业规范化发展的关键节点[8] - **行业宣传转向审慎**：事故暴露了技术快速落地阶段产业宣传激进与法规标准滞后的脱节，此后安全冗余和审慎宣传成为智能驾驶合规发展的前提[8] 商业化与场景拓展 - **Robotaxi商业化试水**：特斯拉在美国得克萨斯州奥斯汀正式上线Robotaxi试点服务，车辆无驾驶员、完全依赖FSD V12端到端系统运行，目标在2025年底前将当地无人驾驶出租车队规模扩大至500辆，为2026年规模化运营铺路[17] - **智能化向工业端延伸**：华为联合中国华能集团在内蒙古伊敏露天矿投运全球首个百台规模的纯电无人矿卡集群，实现7×24小时全自动作业，运营效率提升20%，事故率降低5%以下，每年可替代柴油超1.5万吨，标志着“车路云一体化”在封闭重载场景跑通商业闭环[19] 市场与出海表现 - **新能源汽车渗透率突破**：2025年4月起月度渗透率多次突破50%，10月达51.6%[20] - **汽车出口全球第一**：2025年1—9月，中国汽车出口495万辆，是日本同期306万辆的1.6倍，连续两年稳居全球第一汽车出口国[20] - **智能化成为出海关键**：出海车型普遍标配高阶智驾与智能座舱，“电动+智能”组合拳帮助中国品牌在欧洲、东南亚、中东快速抢占市场[20]

文章核心观点 - 地平线副总裁兼首席架构师苏箐认为，当前一代深度学习技术可能已触及天花板，未来三年智驾行业将进入在现有系统上做极致优化的阶段，而非理论内核重构 [1] - 苏箐警示行业应对端到端技术热潮保持冷静，指出其发展将面临高成本与基础理论突破停滞的挑战 [1][3] 智驾技术范式演进 - 2024年初特斯拉FSD V12版本上线成为分水岭，其首次采用端到端神经网络架构，将感知、决策与控制整合为单一模型，证明了该技术的可行性 [2] - 该技术推动智驾行业技术范式从规则驱动转向数据驱动 [2] - 端到端技术的普及将带来两大趋势：智驾系统越来越“类人”，以及L2与L4级别的智驾方法论走向统一 [2] 行业未来发展趋势 - L2级辅助驾驶将迎来巨大发展红利期，城区辅助驾驶将逐步普及到10万元级别车型 [2] - 方法论统一后，同样的开发范式不仅能提升L2体验，也能以更低成本和更广部署区域落地L4系统（如Robotaxi） [2] 面临的挑战与行业现状 - AI与AGI的基础理论在未来三到五年可能不会有全新突破，行业将进入演进和优化阶段 [3] - 后续各家企业可能会开始堆算力、叠模型容量 [3] - 开发和试验端到端系统的成本极高，做一轮试验可能要十个亿，且不一定成功 [3] - 苏箐回顾2022年时曾对行业感到失望，认为当时的自动驾驶与人类司机相比差距极大 [2]

行业技术范式变革 - FSD V12的发布成为自动驾驶行业的分水岭 其端到端架构实现了从“光子输入”到“控制输出”的全链路神经网络决策 将深度学习的应用从感知延伸至规控 完成了技术革命的闭环 [2][3] - 此前行业技术仅完成一半 深度学习仅重构了感知环节 决策规控仍依赖规则主导 这种半吊子的技术重构仅能发挥20%—30%的效能 [2] - 新范式打通了L2与L4的技术壁垒 让两者得以共享开发体系、传感器配置与ODD区域方案 [3] 未来发展趋势判断 - 未来三年 自动驾驶行业将告别范式迭代的狂飙 进入极致优化的“苦日子” [2][3] - 当前深度学习已显露天花板迹象 AGI基础理论暂无突破信号 下一轮内核重构至少还需5—20年的技术沉淀 [3] - 假设AI/AGI理论在未来3—5年没有全新突破 产业将进入技巧型优化演进状态 [3] 公司战略与应对之策 - Scaling Law在自动驾驶领域刚刚开始 公司将推动每代AD产品实现10倍算力提升 支撑10倍参数规模的系统进化 [3] - 以统一的底层技术范式 重点投入城区L2与L4两大关键节点 并持续强化工程体系与组织能力建设 [3] - 核心命题是将现有技术潜力发挥到极致 包括持续提升芯片算力与模型容量 以统一范式推进L2到L4的融合 [4] - 目标让城市L2从20万级车型下探至10万级市场 让准L4系统以平民化价格走进大众 [4] 行业现状与挑战 - 研发团队承受智力与体力的双重压榨 数亿元投入未能“激起水花” [2] - 行业面临稠密场景下的海量corner case、紧迫的SOP时限 一度陷入路径迷茫 [2] - 未来阶段需要应对海量长尾场景的打磨 强化工程与组织能力是穿越周期的关键 [4] 行业终极目标 - 自动驾驶的终极目标是造出能替代人类司机的机器 [4] - 在范式革命之后 行业考验的是沉下心来做“精活”的耐力 [4] - 未来几年内的意义在于 能够把L4级别的车以平民化的价格送到用户手上 [4]

宏观与策略观点 - 当前宏观格局延续“宽货币+信用宽松”组合，10月新增社融8161亿元，新增人民币贷款2200亿元，均低于万得一致调查值，但信用扩张内生动力未改，整体金融条件对宏观与资产表现形成托底 [13] - 对于A股，估值压力释放叠加内外部不确定性减弱，市场有望在年末进入稳步休整阶段，短期涨跌空间有限，预计在重要会议前后逐步企稳，明年一季度有望迎来向上合力 [14] - 对于债市，基本面偏弱与利率下行支撑其韧性，但“遇好不涨”的弱势信号显现，建议以波段操作为主，逢脉冲式调整把握交易机会 [14][15] - 对于人民币汇率，在美元走弱及年底结算需求支撑下短期偏强，但预计在政策调节下将呈现双向波动态势 [15] - 对于商品，原油因供需格局恶化持续承压，出现2020年以来最严重的供应过剩局面，预计明年供给缺口将进一步扩大，黄金则短期缺乏明显上行驱动，或维持震荡格局 [16] - 国内定量配置模型建议，在积极配置假设下，股票、债券、原油、黄金配置比例分别为30%、35%、23.3%、11.7%；在稳健配置假设下，比例分别为15%、85%、0%、0% [16] - 全球资产配置建议增配全球权益资产，具体配置比例为美国(14.65%)、德国(0.81%)、法国(14.65%)、英国(13.02%)、日本(0.81%)、印度(13.02%)、中国香港(13.02%)，余下30%配置无风险收益产品 [16] 固定收益专题：公募REITs - 公募REITs市场持续扩围扩容，发行范围已涵盖12大行业的52个资产类型，其中10个行业领域的18个资产类型已实现首单上市，当前市值中交通、消费、产业园三大板块合计占比达62% [7] - 预计REITs市场规模可达2.3-3.8万亿元，与当前相比还有10-16倍的扩容空间 [7] - 公募REITs是高分红的类固收权益型资产，近四年年平均分红率为5.73%，高于中证红利指数的5.52%，且近三年派息率与十年期国债收益率息差在300-400BP之间，具备配置优势 [8] - 公募REITs收益兼具债券与权益属性，全市场REITs近一年、近三年及成立以来年化回报率分别为23.66%、3.24%、7.64% [9] - 从美国经验看，投资时间越长分红收益占比越高，投资周期三年时分红收益占比约1/3，拉长至15年提升至2/3，35-40年则进一步提升至70%以上 [9] - REITs与主流资产相关性弱，2025年以来与沪深300、10年国债、黄金、中证红利的相关系数分别为-0.07、0.14、0.21、0.17，能有效对冲单一资产波动风险，填补股债之间的中风险稳收益资产空白 [10] AI赋能资产配置观点 - AI、分析师与交易员在信息处理、逻辑推演与决策执行上存在根本分野，形成互补而非替代关系 [11] - 在信息层面，AI以毫秒级速度抓取关键词匹配历史模式，分析师从监管条款与产业链调研理解政策意图，交易员则关注盘口与流动性判断市场情绪 [11] - 在推演层面，AI依赖相关性用旧样本预测未来，分析师构建因果链条寻找新价值锚，交易员关注预期差寻找反转契机 [11] - 在执行层面，AI遵守纪律自动触发风控，分析师在基本面不变时敢于左侧逆势加仓，交易员用快速止损与反手实现日内波动收割 [12] - AI难以识别结构性断裂、缺乏二阶思维与博弈直觉、也难以理解政策语境与软信息，其擅长在既定范式下做最优解，而人类负责判断范式是否改变 [12] - 未来最有竞争力的是AI、分析师与交易员的合作体系，AI提升信息密度，分析师提供结构洞察，交易员给出实盘反馈 [12] 免税行业专题 - 海南离岛免税销售额在政策驱动下经历高增长，2011-2019年CAGR达39%，2020-2021年因自贸港政策销售翻倍，峰值达495亿元，但2022-2024年进入调整期，2024年销售额较高点下滑37% [17] - 行业龙头中国中免市值在2020-2021年强预期下一度逼近8000亿元，估值超过80倍，随后进入估值与业绩双杀阶段 [17] - 近期出现销售拐点，2025年9月起海南免税销售同比转正，9-11月同比增速分别为+3%、+13%、+27%，10-11月客单价分别增长30%、41%，龙头股价自6月低点反弹约40% [18] - 政策端持续优化，离岛免税放宽购物约束，岛内居民可不限次即购即提，国货6品类获准入场，市内免税允许网上预订及口岸提货并扩充品类 [18] - 需求端出现改善信号，2025年三季度以来LVMH、爱悦仕等品牌在中国境内市场恢复正增长，精品消费回流大中华区趋势有所体现 [19] - 供给端龙头公司夯实内功，中国中免2025Q3收入与毛利率双企稳，全渠道会员超4500万，王府井收入降幅边际收窄，珠免集团加速剥离亏损地产业务聚焦核心资产 [20] - 渠道端，上海、首都机场免税合约即将重签，新招标规则限制兼中，2027年海南政府目标销售额超600亿元（含有税） [20] - 报告推荐中国中免（全渠道龙头）、王府井（市内免税拓张+机场招标弹性）组合，并建议关注海南机场 [21] 传媒互联网行业 - 本周（11.24-11.30）传媒行业上涨3.64%，跑赢沪深300指数（-0.84%）和创业板指（0.34%），在所有板块中涨跌幅排名第2位 [21] - AI领域进展迅速，DeepSeek发布新模型并在国际数学奥林匹克竞赛获金牌，阿里通义发布生图模型Z-Image首日下载量突破50万，夸克发布搭载千问AI助手的AI眼镜 [22] - 11月国产及进口网络游戏版号共发放184款，其中国产游戏178款，发放数量创年内新高 [22] - 电影《疯狂动物城2》于11月26日上映，截至11月30日16时累计票房达18.24亿元，本周电影票房19.12亿元，该片票房占比达90.6% [22][23] - 2025年10月中国手游收入前三名分别为点点互动《Whiteout Survival》、点点互动《Kingshot》和柠檬微趣《Gossip Harbor：Merge&Story》 [23] - 投资建议把握游戏板块超跌布局机会，结合产品周期及业绩表现推荐巨人网络、恺英网络、吉比特等，IP潮玩推荐泡泡玛特，同时关注AI应用及影视院线机会 [23] 汽车智能化专题 - 智能驾驶是各国国家级战略，其高速发展是必然趋势，各地方政府正积极探索应用场景，高级别智驾安全条例也在不断完善 [24] - 特斯拉FSD V12与华为ADS3.0均实现“端到端”算法，引领智能驾驶突破L4级别，华为城市NOA覆盖率已达99.56%，大幅领先其他国内厂商 [24] - 比亚迪推行“智驾平权”，市场智驾渗透率迎来新拐点，高速NOA渗透率有望从2024年的11.3%增长至2025年的26.3%，城市NOA渗透率有望从6.1%增长至10.9% [25] - 伴随硬件成本下降和国产芯片崛起，智驾市场不断下沉，Deepseek接入智驾架构有望引导端侧算力下降，进一步推动市场下沉 [25] - Robotaxi全球市场空间近10万亿元，商业化进展持续加速，Waymo与Apollo是领航者，PONY AI有望在2025年底实现超1000辆车队目标，WeRide目标在2030年部署十万辆robotaxi [25] 非银金融：年金体系研究 - 以企业年金与职业年金为主的养老第二支柱稳步发展，未来年金增速有望保持8%的年化复合增速，高于未来名义GDP增长 [26] - 职业年金采用“统一委托、集中运营”模式，其投资运营规模从2020年的1.29万亿元持续增长至2024年的3.11万亿元，接近企业年金3.64万亿元的规模，同比增速在2022年后基本稳定在20%左右 [27] - 年金资金是典型的长期资金和“耐心资本”，未来为实现长期保值增值，需要提升权益资产战略配置权重 [27][28] - 未来年金权益投资更倾向于构建“哑铃型”组合，一端聚焦高股息、低波动的价值型资产，另一端加大对科技制造等成长领域的布局 [28] - 以企业年金为例，判断其权益配置比例有望由当下的10%-15%提升至20%-25%，带来约5000亿元权益增量空间，综合考虑负债增长和结构调整，预计每年带来1000至1500亿元权益增量资金 [28] 金融工程数据监控 - 截至2025年12月3日，主要股指成分股分红进度缓慢，沪深300指数中仅有1家公司处于预案阶段，20家公司不分红 [29] - 已披露分红预案的个股中，煤炭、银行和钢铁行业的股息率排名前三 [29] - 截至2025年12月3日，各指数已实现股息率分别为：上证50指数2.52%、沪深300指数2.04%、中证500指数1.24%、中证1000指数0.95% [29] - 股指期货贴水幅度加深，截至2025年12月3日，IH、IF、IC、IM主力合约年化贴水率分别为2.84%、5.97%、14.65%、16.38% [30] - 近一年来上证50、沪深300、中证500、中证1000股指期货主力合约年化贴水率中位数分别为0.63%、3.53%、11.15%、13.58% [32] - 2025年12月3日市场表现疲弱，大部分指数下跌，AI应用、锂电池题材领跌，交通运输、有色金属、煤炭等行业表现较好 [30][31] - 市场情绪方面，2025年12月3日收盘时有53只股票涨停，16只股票跌停，封板率61%，连板率24% [31] - 截至2025年12月2日，两融余额为24865亿元，其中融资余额24689亿元，融券余额176亿元，两融余额占流通市值比重为2.6% [31] - 近半年以来大宗交易日均成交金额20亿元，2025年12月2日当日成交15亿元，近半年平均折价率6.43%，当日折价率6.02% [32] - 近一周内调研机构较多的股票包括乐鑫科技（被113家机构调研）、长安汽车、晶盛机电等 [33] 市场数据摘要 - 2025年12月3日，A股主要指数普遍下跌，上证综指收于3877.99点，跌0.50%，深证成指收于12955.25点，跌0.77%，沪深300指数收于4531.04点，跌0.51%，两市合计成交金额约16699.61亿元 [2] - 同期全球主要股市多数下跌，纳斯达克指数跌0.48%，S&P500指数跌0.44%，恒生指数跌1.28% [4] - 商品期货方面，黄金收盘价954.34，跌0.35%，ICE布伦特原油收盘价62.45，跌1.13% [34] - 2024年11月经济数据显示，PPI同比下降2.9%，CPI同比为99.4，M1同比为-0.0%，M2同比为0.07%，新增人民币贷款5216亿元，贸易顺差97443.13亿美元 [35] - 近期有多家公司面临非流通股解禁，例如郑州银行解禁27150万股，流通股增加73.69%，南京证券、国信证券等解禁后流通股增加比例达100% [5][36]

宏观与策略观点 - 当前宏观格局延续“宽货币+信用宽松”组合，10月新增社融8161亿元，新增人民币贷款2200亿元，均低于市场预期，但信用扩张内生动力未改，整体金融条件对资产表现形成托底 [13] - 对A股展望：估值压力释放叠加内外部不确定性减弱，A股有望在年末稳步休整，预计在重要会议前后逐步企稳，明年一季度有望迎来向上合力 [14] - 对债市展望：基本面偏弱与利率下行支撑债市韧性，但出现遇好不涨的弱势信号，建议以波段操作为主 [14][15] - 对人民币展望：美元走弱势头基本兑现，人民币在外部流动性改善与季节性因素支撑下偏强，但在政策调节下将呈现双向波动态势 [15] - 对商品展望：商品价格走势分化，布伦特原油明显下跌，石油市场出现2020年以来最严重的供应过剩局面，黄金短期缺乏上行驱动，或维持震荡格局 [16] - 国内定量配置模型建议：在积极配置假设下，股票、债券、原油、黄金配置比例分别为30%、35%、23.3%、11.7%；在稳健配置假设下，比例分别为15%、85%、0%、0% [16] - 全球资产配置建议：增配全球权益资产，具体配置比例为美国(14.65%)、德国(0.81%)、法国(14.65%)、英国(13.02%)、日本(0.81%)、印度(13.02%)、中国香港(13.02%)，余下30%配置无风险收益产品 [16] 固定收益专题：公募REITs - 政策持续推动公募REITs市场扩围扩容，发行范围已涵盖12大行业的52个资产类型，其中10个行业领域的18个资产类型已实现首单上市，当前市值中交通、消费、产业园三大板块合计占比达62% [7] - 预计REITs市场规模可达2.3-3.8万亿元，与当前相比还有10-16倍扩容空间 [7] - 公募REITs是高分红的类固收权益型资产，近四年年平均分红率为5.73%，高于中证红利指数的5.52%，且近三年派息率与十年期国债收益率息差在300-400BP之间，具备配置优势 [8] - 公募REITs收益兼具债券与权益属性，全市场REITs近一年、近三年及成立以来年化回报率分别为23.66%、3.24%、7.64% [9] - 从美国经验看，投资时间越长分红收益占比越高，投资周期三年时分红收益占比约1/3，拉长至15年提升至2/3，35-40年则超过70% [9] - REITs与主流资产相关性弱，2025年以来中证REITs指数与沪深300、10年国债、黄金、中证红利的相关系数分别为-0.07、0.14、0.21、0.17，能有效对冲单一资产波动风险，填补股债之间的中风险稳收益资产空白 [10] AI赋能资产配置观点 - AI、分析师与交易员在信息处理、逻辑推演与决策执行上存在根本分野，形成互补而非替代关系 [11] - 在信息层面，AI以毫秒级速度抓取关键词并匹配历史模式，分析师从监管条款与产业链调研切入理解意图，交易员则关注盘口与流动性 [11] - 在推演层面，AI依赖相关性用旧样本预测未来，分析师构建因果链条寻找新价值锚，交易员关注预期差寻找反转契机 [11] - 在执行层面，AI遵守纪律自动触发风控，分析师在基本面不变时敢于左侧逆势加仓，交易员用快速止损与反手实现波动收割 [12] - AI难以识别结构性断裂、缺乏二阶思维与博弈直觉、难以理解政策语境，其擅长在既定范式下做最优解，而人类负责判断范式是否改变 [12] - 未来最有竞争力的是AI、分析师与交易员的合作体系：AI提升信息密度，分析师提供结构洞察，交易员给出实盘反馈 [12] 免税行业专题 - 海南离岛免税销售额在政策红利下2011-2019年CAGR达39%，2020-2021年因自贸港政策销售翻倍，峰值达495亿元，但2022-2024年进入调整期，2024年销售额较高点下滑37% [17] - 2025年9月起海南免税销售同比转正，9-11月同比增速分别为+3%、+13%、+27%，10-11月客单价分别增长+30%、+41%，龙头股价自6月低点反弹约40% [18] - 政策端持续优化：离岛免税放宽购物约束，岛内居民可不限次即购即提，国货6品类获准入场；市内免税允许网上预订及口岸提货，并扩充手机等品类 [18] - 需求端出现改善信号：2025年三季度以来，LVMH、爱马仕等品牌在中国境内市场恢复正增长，开云集团跌幅收窄，并观察到精品从日本回流至大中华区的趋势 [19][20] - 供给端龙头内功夯实：中国中免2025Q3收入与毛利率双企稳，全渠道会员超4500万；王府井收入降幅边际收窄；珠免集团加速剥离亏损地产业务聚焦核心资产 [20] - 渠道端核心机场重签是关键变量：中免2024年以78%市场份额全渠道领先，上海、首都机场免税合约即将重签，新招标规则限制兼中 [20] - 海南政府目标2027年销售额超600亿元（含有税），中国中免在营面积约超30万平方米，后续三期有望巩固地位 [20] - 投资建议看好中国中免（全渠道龙头）、王府井（市内免税拓张+机场招标弹性），建议关注海南机场 [21] 传媒互联网行业 - 本周（11.24-11.30）传媒行业上涨3.64%，跑赢沪深300指数(-0.84%)和创业板指(0.34%)，在所有板块中涨跌幅排名第2位 [21] - AI领域进展迅速：DeepSeek发布DeepSeek-Math-V2并在2025年IMO获得金牌；阿里通义发布生图模型Z-Image，首日下载量突破50万；夸克发布AI眼镜并搭载千问AI助手 [22] - 11月共178款国产游戏、6款进口游戏获批，版号发放数量创年内新高 [22] - 电影《疯狂动物城2》于11月26日上映，截至11月30日16时累计票房达18.24亿元，本周电影票房19.12亿元中该片票房占比达90.6% [22][23] - 2025年10月中国手游收入前三名分别为点点互动《Whiteout Survival》、点点互动《Kingshot》和柠檬微趣《Gossip Harbor：Merge&Story》 [23] - 投资建议把握游戏板块超跌布局机会，推荐巨人网络、恺英网络、吉比特等；IP潮玩推荐泡泡玛特；关注AI应用及影视院线机会，影视内容推荐芒果超媒、哔哩哔哩、光线传媒等 [23] 汽车智能化行业 - 智能驾驶是各国国家级战略，发展趋势必然，各地方政府正积极探索应用场景并完善安全条例 [24] - 特斯拉FSD V12与华为ADS3.0均实现“端到端”算法，引领技术突破L4，华为城市NOA覆盖率已达99.56%，大幅领先国内其他厂商 [24] - 2025年智能驾驶渗透率迎来新拐点，高速NOA渗透率有望从2024年的11.3%成长至2025年的26.3%，城市NOA渗透率有望从6.1%成长至10.9% [25] - 伴随硬件成本下降和国产芯片崛起，智驾市场不断下沉，比亚迪“天眼计划”引领打造10万元智驾车型，Deepseek接入进一步引导端侧算力下降 [25] - Robotaxi全球市场规模近10万亿元，商业化进程加速，Waymo与Apollo是领航者，PONY AI有望在2025年底实现超1000辆车队目标，WeRide目标2030年部署十万辆robotaxi [25] 非银金融：年金体系 - 以企业年金与职业年金为主的养老第二支柱稳步发展，预计年金增速有望保持8%的年化复合增速，高于未来名义GDP增长 [26] - 职业年金投资运营规模从2020年的1.29万亿元持续增长至2024年的3.11万亿元，接近企业年金3.64万亿元的规模，同比增速在2022年后基本稳定在20%左右 [27] - 年金资金是典型的长期“耐心资本”，未来为应对“资产荒”和利率下行，将提升权益资产战略配置权重 [27][28] - 未来年金投资倾向于构建“哑铃型”组合：一端聚焦高股息、低波动的价值型资产，另一端布局科技制造等成长领域 [28] - 以企业年金为例，权益配置比例有望由当下的10%-15%提升至20%-25%，带来约5000亿元权益增量空间，综合考虑负债增长和结构调整，预计每年带来1000至1500亿元权益增量资金 [28] 金融工程数据监控 - 截至2025年12月3日，主要股指成分股分红进度缓慢，沪深300指数中仅有1家公司处于预案阶段，20家公司不分红 [29] - 行业股息率比较显示，煤炭、银行和钢铁行业的股息率排名前三 [29] - 截至2025年12月3日，主要指数已实现股息率分别为：上证50指数2.52%，沪深300指数2.04%，中证500指数1.24%，中证1000指数0.95% [29] - 股指期货贴水幅度加深，截至2025年12月3日，IH、IF、IC、IM主力合约年化贴水率分别为2.84%、5.97%、14.65%、16.38% [30] - 2025年12月3日市场表现：沪深300指数相对抗跌，交通运输、有色金属、煤炭等行业表现较好，传媒、计算机、房地产等行业表现较差，AI应用、锂电池题材领跌 [30][31] - 市场情绪方面，2025年12月3日收盘时有53只股票涨停，16只股票跌停，封板率61%，连板率24% [31] - 截至2025年12月2日，两融余额为24865亿元，占流通市值比重2.6%，两融交易占市场成交额比重9.7% [31] - 近一年以来上证50、沪深300、中证500、中证1000股指期货主力合约年化贴水率中位数分别为0.63%、3.53%、11.15%、13.58% [32]

公司运营状况 - 2024年11月22日，公司通知全体员工自11月24日起无需到岗上班，进入停工状态 [1] - 从2024年第四季度开始大规模裁员，至11月初团队规模仅剩约200人，不足巅峰时期的20% [1] - 2024年底未发放年终奖，管理层自4月起陆续离职 [1] - 过去一年多智能岗位被裁一半，技术、产品副总裁先后离职 [1] 业务发展问题 - 乘用车智能驾驶交付延期，无人驾驶物流小车销量惨淡，新客户开拓不理想 [1] - 公司规划基于乘用和物流场景，打造乘用车、物流车和智能硬件三大业务板块 [3] - 主要乘用车产品HPilot的装车量至2024年底仅约10万辆，远低于原定3年超100万辆的目标 [5] - 与小米汽车的合作仅为小项目，角色类似丙方 [8] 技术与产品迭代 - 行业在2024年转向端到端方案时，公司尚未从高精地图完全转型，刚提出无图NOA目标 [7] - 2025年行业讨论世界模型时，公司甚至未交付无图NOA，被指落后不止一个代际 [7] - 2024年推出的HP570方案定价8000元，算力100TOPS，相比同行7000元甚至4000元的同类方案缺乏成本优势 [8] - 公司长期依赖高速NOA等有图方案维持生存 [8] 融资与财务表现 - 公司累计获得超过20亿元融资，2021年底A轮融资近10亿元，估值超10亿美元成为独角兽 [2] - 股东涵盖汽车产业、互联网公司、风险投资机构和政府产业基金 [2] - 自动驾驶行业整体亏损运营，例如文远知行三年累计亏损高达58亿元，小马智行2024年净亏损19.67亿元 [9] - 2022年自动驾驶领域融资事件仅92宗，融资总额从932亿元回落至240亿元，2024年融资事件24宗，总额超350亿元，资金向头部集中 [9] 行业竞争与市场环境 - 自动驾驶行业竞争惨烈，公司对竞争准备不足 [1] - 2023年8月特斯拉推出FSD V12后，华为、小鹏、蔚来、理想及Momenta等公司纷纷切换至端到端方案 [7] - 多供应商合作是行业惯例，例如长城汽车自研团队达5000人，并同时引入元戎启行和卓驭科技 [10] - 在毫末智行之前，中智行、纵目科技、清研微视等自动驾驶公司已进入破产程序 [10]

公司运营状况 - 2024年11月22日公司通知全体员工自11月24日起无需到岗上班 标志着公司进入全面停工状态[1] - 公司从2024年第四季度开始大规模裁员 至11月初团队规模仅剩约200人 不足巅峰时期的20%[1] - 2024年底公司未发放年终奖 同年4月起管理层陆续离职[1] - 公司过去一年多持续下滑 去年裁掉一半智能岗位 今年初技术、产品副总裁离职 乘用车智能驾驶交付延期 无人驾驶物流小车销量惨淡 新客户开拓不理想[1] 公司技术与产品 - 公司主要产品线包括乘用车端的HPilot辅助驾驶系统 规划实现从L2到L4的技术覆盖 HPilot 3.0搭载城市NOH 采用视觉融合激光雷达方案 算力达360TOPS[4] - 末端物流无人配送车主要为小魔驼系列 智能硬件包括低速无人线控底盘、出行机器人、清扫机器人、ICU 3.0域控制器和高精度定位模组等[5] - 公司基于"软硬一体"策略搭建"雪湖"MANA数据智能体系 包括自动驾驶认知大模型DriveGPT"雪湖·海若"[5] - 2024年公司推出主打性价比的HP570方案 定价8000元 算力为100TOPS[11] 公司战略与目标 - 公司成立之初规划基于乘用和物流两大场景 打造乘用车、物流车和智能硬件三大业务板块[4] - 公司董事长曾在中长期规划中提出未来3年搭载其辅助驾驶系统的乘用车总量超过100万辆的目标 以期占据8%-10%的市场份额[7] - 2024年11月五周年内部信中 公司管理层提及致力于打造性价比最优的城市无图NOA方案 并确保第二代智驾产品完成量产定点交付[7] - 实际至2024年底 HPilot装车量仅约10万辆 远未达到百万目标[7] 公司问题与挑战 - 公司技术迭代缓慢 行业转向端到端方案时 公司尚未从高精地图完全转型 刚提出无图NOA目标 至2025年已落后行业不止一个代际[10] - 交付效率低下问题贯穿始终 包括2022年城市NOH量产交付推迟 2023年城市NOH落地百城目标未达成 以及与小米、现代汽车的合作项目延误[10] - 客户结构单一 除单一大客户外 仅开拓了现代汽车等小客户 与小米汽车合作仅为小项目 客户开拓不如同行第二梯队公司[10] - 公司方案成本缺乏竞争力 HP570方案定价8000元 而行业同类方案价格已下探至7000元甚至4000元级别[11] 行业背景与融资环境 - 2023年8月特斯拉推出基于端到端的FSD V12测试版后 2024年起华为、小鹏、蔚来、理想及Momenta、元戎启行、卓驭科技等公司陆续切换到或推出端到端方案[9] - 自动驾驶行业普遍无法盈利 例如文远知行客户从2022年21家增长至2024年91家 但三年累计亏损高达58亿元 小马智行2024年净亏损扩大至19.67亿元[11] - 自动驾驶领域融资自2022年起遇冷 2022年融资事件92宗 融资总额240亿元 较前一年932亿元大幅回落 2023年融资事件近140宗 披露金额约200亿元 2024年融资事件仅24宗 但融资总额超350亿元 显示资金向具备技术壁垒和商业化能力的公司集中[12] - 行业竞争激烈 多家自动驾驶公司如中智行、纵目科技、清研微视已进入破产程序 大卓智能进入重整阶段[13] 公司历史与资源 - 公司成立于2019年11月 2021年底获得近10亿元A轮融资 估值超10亿美元 跻身独角兽行列 股东包括美团、高瓴创投等巨头和明星机构[2] - 累计获得超过20亿元融资 股东覆盖汽车产业、互联网公司、无人物流配送、风险投资机构和政府产业基金[4] - 2021年2月前百度智能驾驶事业部总经理顾维灏加盟担任CEO[4] - 公司薪资水平向互联网大公司看齐 定薪较高[10]

智能驾驶技术演进路径 - 行业技术路线从基于规则的模块化方案，演进至端到端方案，并进一步向VLA和世界模型发展 [2] - 基于规则的模块化方案采用感知、预测、规划、控制串联工作，时延长、信息损耗大，导致车辆博弈能力受限 [2] - 特斯拉于2023年8月推出端到端FSD V12测试版，国内华为、小鹏、蔚来、理想及Momenta等供应商相继跟进 [2] - 端到端方案通过投喂人类驾驶数据让系统学习驾驶，但存在无法主动学习和修正的短板，难以应对所有极端情况 [4] - 理想汽车在端到端基础上加入VLM，但开源模型能力有限，仅能辅助识别红灯读秒等简单场景 [5] - 小鹏和理想认为模仿学习无法突破L3，需转向VLA或世界模型，使系统能主动理解物理世界并执行驾驶动作 [5][7] - 小鹏第二代VLA取消语言转译环节，将多模态物理信号直接输出为控制信号，提升效率并支持自监督学习 [8] - 华为选择WAWE架构，蔚来推崇世界模型，均省略语言环节，通过多模态信息直接控制车辆 [8][10] - 博世指出VLA落地存在多模态特征对齐难、训练数据提取难、大模型幻觉及芯片带宽不足四大挑战 [10] 车企技术路线与战略布局 - 理想汽车发布VLA技术方案，将视觉转为语言再执行动作，并将研发资源向VLA倾斜，重组自动驾驶部门为11个二级部门 [7][15] - 小鹏汽车放弃传统VLA，全力开发第二代VLA，其算力达2250TOPS，由三颗自研图灵AI芯片支持 [8][11][12] - 蔚来自研芯片并强化世界模型，加入强化学习以处理长时序数据，推动人工智能技术变革 [11] - 华为坚持WAWE架构，避免VLA路线的"取巧"问题，通过多模态信息直接控制车辆 [8] - 文远知行与博世合作推出一段式端到端方案WePilot AiDrive，具备强兼容性和快速迭代能力，应用于奇瑞星途车型 [19][21] - 供应商方案因平台兼容性和成本效率优势，可能逐步取代部分车企自研，成为行业竞争主导力量 [18][21] 组织架构调整与资源投入 - 小鹏汽车在2024年10月调整自动驾驶负责人，由刘先明接替李力耘，标志技术路线从功能实现转向基础模型转型 [14] - 理想汽车于2024年9月重组自动驾驶部门，取消封闭研发模式，推动团队向AI组织演进 [15] - 蔚来在一年内进行三次自动驾驶部门调整，多名负责人离职，以聚焦世界模型2.0开发 [15] - 技术路线切换引发多轮组织变动，如小鹏将技术开发部分拆为AI端到端、AI能效和AI应用三个部门 [17] - 小鹏建设3万卡智算集群，训练费用投入20亿元，理想搭建13 EFLOPS云端算力，资金效率成为自研关键挑战 [21] 行业竞争格局变化 - 自研浪潮后，车企如长城、奇瑞、广汽转向与元戎启行、文远知行、Momenta等供应商合作 [18] - 供应商方案具备更优兼容性和迭代速度，可能缩小与自研车企的数据差距，重塑行业竞争格局 [18][21] - 当前技术仍属L2框架，但VLA和世界模型被视为通向L4的关键路径，小鹏认为第二代VLA可为具身智能铺路 [22]