纪要涉及的行业和公司 - 行业：智能驾驶行业 - 公司：知行科技、吉利、滴滴、百度 纪要提到的核心观点和论据 Deep Six（DS）模型相关 - 优势：采用强化学习训练方式，能自行涌现长思维链能力，降低对算力依赖，训练成本约 600 万美元，仅为传统大模型两个量级；引入 MOE 和 GPRO 概念，提升对不同数据自适应能力，减少对数据量依赖 [2][3] - 应用阶段：第一阶段通过视觉和语言映射提升规划控制性能，目前用 10 万个视频微调、100 个视频验证，性能达现有技术水平 85%左右；第二阶段 2024 年三四季度将强化学习理念应用于车端模型训练 [3][4] - 行业影响：降低行业门槛，对 GPU 和数据量要求低于传统大模型，开源模式助车企在自动驾驶端到端方案落地应用，提高数据生产能力；降低自动驾驶解决方案成本约 20%，感知任务自动化标注缩减约 90%成本 [3][9][21] - 算力影响：主要在云端运用，若有优异交易模型可指导车载学生模型提升性能并轻量化参数，目前主要提升数据生产和指导车载模型性能 [10] 知行科技相关 - 核心业务：专注量产落地自动驾驶解决方案，产品线覆盖软硬一体及仓架一体，全栈自研智能一体机及域控制器；客户超 20 家，定点超 60 万车型，30 多款量产，客户包括吉利、长城等 [2][6] - 发展规划：2024 年导入地平线方案，基于勾 3 加 TT4 组合在奇瑞车型定点 IDC300 域控方案并计划年底量产；规划开发勾 6B 平台；中高算力域控平台与 Mobileye 合作；2024 年起进行前视及周视感知开发；框架一体基于高通方案前期部署并拓展全球化业务 [6] - 多算力平台进展：在奇瑞和小鹏汇天等业务开发，预计 2024 年 12 月交付，2025 年大规模量产，周六系列产品 2025 年二季度量产有望提升营收 [3][7] 整车厂与供应商分工合作 - 分工模式：供应商全面覆盖低算力到高算力平台，辅助适配算法能力；主机厂更多关注高阶算力应用；10 - 20 万车型倾向第三方方案，25 万以上车型倾向自主研发 [3][13] - 关键因素：数据处理和利用效率及提升整体系统性能是整车厂选择方案关键因素 [14] - 数据整合障碍：各车企收集原始数据通用，但后续数据处理和训练中，不同算法对输入处理不同导致结果有差异，整合需克服技术不一致问题 [15] 其他公司相关 - 吉利：早期资源投入分散，去年开始整合核心研发资源；集中开发双 20 平台，中低端市场与爱心研制等合作，高端市场依托极氪团队开发域控制器并与黑芝麻等合作；采用多家供应商策略提升产品竞争力 [17][18] - 滴滴和百度：滴滴有自己团队并与南方一家 L4 公司合作，百度自研萝卜快跑，平台公司通常基于现有 L4 公司技术发展，与量产方案比需考虑冗余、功能安全及硬件资源投入等因素 [19] 其他重要但可能被忽略的内容 - deep c 应用：在自动驾驶场景识别、自车轨迹判断表现优异，可用于增值生产，如汽车轨迹预测及初级模型蒸馏提升初级模型性能 [19] - deep c 解决方案迭代：先通过云端模型提升车端模型性能，效果半年内可见；再将强化学习训练方式应用到车端，因闭环仿真未成熟，需一年至一年半时间 [20] - Deep learning 技术影响：提供优良基础模型，减少对数据样本依赖，降低成本提升性能和效率；可作教师模型指导车端学生模型提升，减少车端对算力资源和数据量级依赖，影响芯片选择和数量 [20] - 传感器需求：采用端到端方案后减轻对激光雷达依赖，更偏向视觉数据，视觉类传感器数据回传需求高，需关注特定场景数据采集与均衡 [22]