猜你想问
这份报告主要分析了智能驾驶的哪些表征演进阶段？
报告分析了智能驾驶表征演进的五个阶段：原始像素、BEV/VectorNet、Occupancy、多模态Token和潜在状态。原始像素阶段端到端简洁但缺少结构约束；BEV+Transformer与矢量化VectorNet是同一层级的两条并行路线，分别以特斯拉和Waymo为代表，前者把多摄像头信息统一到鸟瞰三维空间，后者把道路和参与者抽象成数学对象；Occupancy从识别对象类别转向判断空间占据；多模态Token连接视觉、语言和动作；潜在状态则把世界压缩到可预测空间。
智能驾驶行业未来发展趋势如何？
智能驾驶行业未来发展趋势是从目标级识别走向空间级理解，再走向潜在状态预测。多种表征如BEV、矢量、占用、3D高斯、世界模型潜空间将长期并存，分别服务不同层次的感知、预测、仿真和规划需求。世界模型可能成为表征训练的关键手段，通过自监督预测未来状态、生成场景或学习潜在动力学，帮助模型在无标注或弱标注条件下形成更统一的物理表征。竞争壁垒正从单点感知精度前移到如何将物理世界嵌入可预测潜在空间。
报告中重点分析了哪些方向？
报告重点分析了物理AI与数字AI在智能驾驶领域的表征获取方式差异，物理世界输入缺乏天然通用的token化方案，需要先构建三维物理空间的可学习表征。同时分析了特斯拉、小鹏、华为、理想、Waymo、Wayve等公司在智能驾驶表征演进上的不同路线，但共同主线是从目标级识别走向空间级理解，再走向潜在状态预测。此外，报告还探讨了多种表征长期并存的现象及其服务不同层次需求的特点。
当前智能驾驶市场现状如何？
当前智能驾驶市场正经历表征技术的演进，从原始像素到BEV/VectorNet、Occupancy、多模态Token和潜在状态等阶段。特斯拉、Waymo等领先企业已形成不同技术路线，但均致力于将物理世界嵌入可预测空间。市场呈现多种表征技术长期并存的状态，分别满足感知、预测、仿真和规划等不同层次的需求。竞争焦点已从单点感知精度转向构建可预测的物理世界表征。
这份报告有哪些风险提示？
报告提示了智能驾驶领域的主要风险，包括技术迭代不及预期的风险；大模型厂商ARR增速放缓的风险；云服务商资本开支不及预期的风险；智能驾驶及机器人商业化落地不及预期的风险。这些风险可能影响智能驾驶技术的持续发展和市场应用的广泛推广。