行业里程碑 - 2025年国内新能源乘用车渗透率首次突破50%，创下史无前例的里程碑[1] - 技术进步推动产品力提升是消费者广泛接受新能源车的关键原因[2] 半固态电池技术 - 全固态电池因生产工艺、可靠性、成本等因素，距离真正量产上车仍有相当长距离[4] - 作为中间态的混合固液电池（半固态电池）落地难度相对较低，已有蔚来ET7、名爵MG4等车型实现量产上车[5][6] - 国家标准已开始区分液态、混合固液和全固态电池的判定标准，规范市场宣传[8] - 混合固液电池的固态电解质含量占比在90-95%，多为氧化物，并保留5-10%的电解液[10] - 该技术可缓解全固态电池的界面问题，导电率不差，兼具一定快充性能，且相比液态电池更不易自燃[12] - 安全性提升可减少电池包冗余结构，提升体积能量密度，并允许使用更激进的正负极材料以提高能量密度[13] - 原位固化技术使得企业可在原有液态电池产线基础上改造，成本相对可控[13] - 名爵MG4已将半固态电池的购入门槛压低至10万元级别[14] - 随着规模化爬升，固液电池有望逐步替代液态电池成为主流[16] 兆瓦闪充技术 - 比亚迪于去年3月发布“超级e平台”，首次引入兆瓦闪充技术，并搭载于汉L和唐L[16] - 其理论充电倍率可提高至10C，5分钟可补能400公里[17] - 1兆瓦充电功率相当于近200户普通家庭的用电量，对电网瞬时冲击大，需配套储能充电站作为支撑[20][21][22] - 高功率依赖更耐高压的碳化硅功率器件做底层支撑，例如比亚迪自研的1500V碳化硅器件将整车电压平台提升至1000V[24][25] - 高电压平台在同功率下热损耗更低，即使使用普通充电桩，其充电速度理论上也更快[27][28] - 极氪、岚图等品牌去年也开始建设兆瓦级功率充电桩，为后续车型铺路[30] - 随着大功率充电桩铺设，兆瓦闪充车型的前瞻性优势将逐步显现，推动“油电同速”时代到来[31][32] VLA动作语言大模型 - VLA动作语言大模型是为解决传统端到端架构“黑箱”问题而出现的改进路线之一[38][39] - 其在端到端架构基础上，加入生成式语言工具，将视觉信息转化为可视化语言，再生成车辆控制动作，更接近人类思考逻辑[41] - 理想汽车在开启AD功能后，可在中控屏显示由画面转化成的文字思考过程[42] - 主要优势在于工程师可直接修改生成的文字，将“黑箱”变为“白箱”，优化高效可控[44] - 用户体验上，可通过语音对话指挥辅助驾驶，交互感增强，且模型解决长线问题（如大型施工路段）的能力增长[45][46] - 理论上限极高，未来有能力考虑每个动作的后续影响[47] - 缺点是结构比端到端更复杂，理论上会延长系统反应时间，降低延迟是后续优化重点[51][52] WA世界模型 - WA世界模型是另一条为解决端到端“黑箱”问题衍生的技术路线[52] - 其通过大量模拟训练，让系统学习理解三维物理世界的运动与交互规律，从而对行车动作进行规划和预判[52] - 虽不能变成“白箱”，但可让系统成为可修饰的“灰箱”，出现问题可通过场景模拟反向演算配合“注意力热图”回溯根源[53][54] - 相比VLA更聚焦云端训练，可通过云端的世界引擎（WE）模拟创造大量可调参数的极端事故数据，加速应对复杂场景的能力进化[55][57][58] - 车端采用小模型，算力消耗低，有利于降低系统延迟，提高反应速度[59] - 对物理世界运动规律有强大分析能力，且在感知到输出过程中加入了危险度“预判”机制，理论上运行速度快于VLA及传统端到端[60][62][63] - 是一套可解释性更高、运行延迟更低、针对危险场景避险效果更好的“端到端PLUS”[63] - 对网络要求更高，提高芯片带宽、降低网络延迟将决定其长期能力上限[65][66] 磁流变减振器技术 - 磁流变减振器被认为是2025年底盘领域最具代表性的突破之一[69] - 其原理是将传统减振器中的阻尼液替换为磁流变液，通过通电直接改变液体粘度来调节阻尼[83] - 最显著优势是响应速度快，仅需0.5-10毫秒，是CDC减振器响应时间（10-100毫秒）的1/10[80][86] - 减少了阀门等机械电子器件，可降低机械磨损导致的失效概率，理论上使用寿命高于CDC减振器[87] - 以往主要用于顶级超跑，后由凯迪拉克将门槛拉低至30-40万级[88][89] - 深蓝L06的上市首次将搭载该技术车型的入手门槛降低到了15万元级别[90] - 其平价化背后是国产供应商“京西智行”实现技术和产业化突破的结果[93] - 该技术有望在更多车型上迎来普及[91]

WA世界模型的技术原理 - WA世界模型概念源于20世纪40年代苏格兰心理学家肯尼思·克雷克提出的"心智模型"，通过模拟物理规律理解世界并做出决策[9][11][12] - 2018年DeepMind发表《World Models》论文，提出通过自动编码器压缩现实场景数据，利用神经网络推演未来可能性，再通过控制器执行动作的"造梦"训练模式[17][18][19] - 世界模型采用类似"训狗"的奖励惩罚机制，通过设定物理参数和规则框架让AI在试错中进化[24][26] - 2022年后借助ChatGPT等大模型的序列建模能力，世界模型从2D升级到3D仿真，可推演多因素叠加的复杂场景[26][28] - 核心目标是让AI具备人类式的物理时空理解能力，通过因果逻辑预演行动后果[29] WA世界模型在自动驾驶领域的应用 - 华为和蔚来是明确采用WA世界模型技术路线的代表企业[6] - 蔚来技术可实现分析前3秒行车数据，0.1秒内推演120秒模拟路况，生成216种场景可能性[32] - 华为ADS 4系统分为云端WE（World Engine）世界引擎和车端WA（World Action Model）世界行为模型，合称WEWA[37][39][40][41] - 系统内置多专家模块，如路口预测专家和拥堵跟车专家，根据不同场景调用专用算力资源[56][57][58] - 车端算力需求较低，通过注意力热图实现局部算力聚焦，降低延迟提高反应速度[54][55][59] WA世界模型与传统端到端及VLA的对比 - 相比传统端到端模型，WA世界模型增加预判环节，运行速度更快[33][34] - 解决端到端黑箱问题的手段不同：VLA通过图像转文本实现可视化修改，WA通过三维物理规则反向演算配合注意力热图回溯问题根源[44][45][48] - 数据训练优势明显，云端世界引擎可虚拟生成极端事故场景数据，突破真实数据稀缺限制[50][51][52] - 与VLA技术路线差异：WA依赖"肌肉记忆"经验式反应，车端系统更精简；VLA接近人类逻辑思考，擅长处理突发危险场景和复杂长尾决策[62][63][64][65] - 硬件需求侧重点不同：VLA对车端芯片算力要求高，WA更依赖网络速度和芯片带宽[68] 行业技术路线发展态势 - 当前辅助驾驶技术处于分水岭阶段，WA与VLA路线各有拥趸[69][70] - 长期可能走向技术融合或出现新架构，实现优势互补[71] - 技术发展最终目标为推动L3、L4级自动驾驶落地[72][73]

技术路线分化背景 - 特斯拉去年年初上线端到端后引发行业快速跟进 推动城市领航辅助功能普及 [3] - 当前辅助驾驶技术路线出现分化 主要形成VLA视觉语言动作模型和WA世界模型两条路径 [4][5] VLA技术路线代表企业 - 理想汽车全量推送VLA司机大模型 并宣称辅助驾驶从"局部领先"进入"全面领先" [7][8] - 小鹏汽车通过自研图灵芯片明确VLA路线 并强调"只有小鹏是真VLA" [12][13] - 奇瑞 吉利 元戎启行等企业也已明牌采用VLA技术路线 [15] WA技术路线代表企业 - 华为明确表示不会走VLA路径 认为WA才是实现真正自动驾驶的路径 [16] - 蔚来汽车同样选择WA技术路线 [21] - 宇树科技创始人质疑VLA为"相对傻瓜式架构" 引发行业讨论 [18][20] VLA技术原理与优势 - 工作原理：将传感器信息转化为语言文字 再通过语言大模型进行逻辑推理后输出动作 [30][32] - 解决端到端架构可解释性差的问题 工程师可直接修改描述文字进行纠错 [37][50][51] - 增强系统交互能力 支持通过语音指令控制车辆动作 如"向左转"或"找车位停"等 [56][57] - 提升复杂场景处理上限 通过类人思考做出更拟人化决策 [63][64] - 理论上有助实现从L2向L3 L4级自动驾驶突破 [87] VLA技术挑战 - 架构复杂度增加 需投喂大量数据训练才能体现体感差异 [74][75] - 对算力要求极高 需要大算力芯片支持实时分析 [77][80] - 小鹏自研图灵芯片已装车 理想自研M100芯片单颗算力据称可达3颗英伟达Thor-U [82] - 需要更大资金与技术投入 软硬件要求均高于传统端到端架构 [84][87] 行业技术发展现状 - 目前所有企业仍处于L2级辅助驾驶阶段 能力不足是重要制约因素 [42] - 最后5-10分的性能提升最为困难 但却是实现更高级别自动驾驶的关键 [43][44] - VLA技术不仅限于车端应用 在AI机器人等领域也有拓展潜力 [70][71]