这份研报对比了自动驾驶(ADAS)与通用大模型的技术发展,指出ADAS虽然市场情绪一般,但重要性不亚于通用大模型。报告分析了ADAS与大模型在基础原理上的相似性与差异,如ADAS需要更多数据覆盖更少情况,且更注重算法而非单纯堆砌算力。同时,报告探讨了算力与模型规模的关系,指出算力提升的回报会逐渐变小。此外,报告还对比了ADAS的数据来源与部署优势,强调ADAS的数据来源更广泛,部署更友好,且部署后仍有提升空间。
智驾行业未来发展趋势显示,ADAS的模型迭代将迅速加速,更趋向物理AI模式。未来ADAS的技能提升将取决于算法选择和模型参数量,端侧WAM模型的参数量可能达到几十个B甚至上百个B。真实道路闭环将是下一步关键,真实场景中的任务落实和模型参数量下降将是衡量技能提升的关键指标。ADAS未来两年将经历技能提升加速过程,对用户体验有重大影响。
研报重点分析了ADAS与通用大模型的对比、算力与模型规模的关系、ADAS的数据来源与部署、ADAS的技能提升(Scalability)路径、ADAS的落地指标以及端侧WAM模型参数量快速上升的时间节点。报告通过对比ADAS与大模型,强调ADAS在算法和真实数据应用上的独特优势,并预测端侧模型参数量将在2027-2028年快速上升。
当前智驾市场现状显示,ADAS已达到仿真闭环,但下一步是真实道路闭环。市场对ADAS的情绪一般,但其重要性不亚于通用大模型。ADAS的数据来源更广泛,可以边开边采,包括其他车辆的轨迹数据。相对于大模型和机器人,ADAS的部署更友好,且部署后仍有进一步的提升效果。真实场景中的任务落实和模型参数量下降是衡量ADAS技能提升的关键指标。
研报在分析ADAS发展趋势的同时,也提示了相关风险。虽然ADAS的模型迭代迅速,但技能提升高度依赖算法选择和模型参数量,参数量过大可能导致实际应用中的问题。此外,真实道路闭环的达成仍面临技术挑战,如数据采集难度、环境复杂性等。真实场景中的任务落实和模型参数量下降是衡量技能提升的关键指标,但实现难度较大。因此,投资者需关注ADAS技术落地的不确定性。