您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。 东吴证券:《智驾scaling law研究与行业投资分析|投资分析》-发现报告

智驾scaling law研究与行业投资分析

交运设备 2026-11-12 东吴证券 章嘉艺
智驾scaling law研究与行业投资分析

猜你想问

智驾scaling law研究有哪些核心证据?

智驾scaling law确立性已获微软技术报告证实,通过固定总算力对比不同模型大小与数据量组合,发现规模带来的改善可从训练环节传递至仿真闭环。算力放大125倍时,训练loss下降约12%,开环轨迹误差同步下降;算力放大250倍时,闭环仿真失败场景数下降约50%,降幅大于训练指标。该结论打破了开环与闭环脱节的认知,证明模型与数据同步放大时,改善可传递至闭环。英伟达、中科院与理想合作研究也佐证开环误差随数据量按幂律改善,多研究指向同一方向,验证智驾scaling law的普遍适用性。

智驾领域scaling law与其他领域差异如何?

智驾scaling law与通用大模型差异在于资源分配不同:同等算力下,智驾最佳模型参数规模仅为通用大模型的1/30至1/70,资源应更多向数据倾斜。VMO实验显示,智驾最高算力约为GPT-4的7万分之一,训练指标提前弯折,当前阶段10倍算力仅带动loss下降3%~6%,单纯算力投入回报收窄。loss接近下限不等于能力停止改善,智驾闭环指标降幅比训练指标更大。与机器人领域差异在于智驾数据来源更广(除自车数据外,可观测其他车辆轨迹),部署友好度更高(智驾最佳参数量在车上多算可进一步提升效果)。

智驾行业发展趋势如何?

智驾行业已从端到端或VOA为主转向Physical AI(如WA车型已落地),scaling law落地核心影响因素是算法选择,如WA算法需固定小参数才能实现更优表现,当前WA模型参数量已达10B-十几B,未来将增长至100B级别。云端训练大模型后经压缩部署到车端,评估scaling law效果时,参考未压缩的云端本体出策略模型能力更合理。预计2028年大参数量WM模型可实现落地,支撑逻辑为端侧芯片算力提升和软硬适配优化。scaling law是智驾体验跃迁的核心前提,未来2年智驾将迎来加速期。

当前智驾市场现状如何?

当前智驾模型迭代阶段,市场认知仍以端到端或VOA为主,实际已偏向Physical AI。评估scaling law效果时需关注真实场景任务loss下降幅度、NPI下行趋势,智驾已完成仿真闭环验证,下一步需真实道路闭环验证。VOA模型参数量瓶颈在10B-十几B,WM模型需更高参数量(几十B甚至上百B)才能实现较好scaling效果,其能力上限高于现有模型。当前板块预期低位,具备较高投资价值,建议关注整体性机会。

智驾研究存在哪些风险提示?

智驾scaling law研究需注意算法选择对落地效果的影响,如WA算法需固定小参数才能实现更优表现。评估scaling law效果时需参考未压缩的云端本体出策略模型能力,避免因压缩导致能力低估。WM模型参数量持续增长至100B级别仍需端侧芯片算力提升和软硬适配优化支撑,当前阶段单纯算力投入回报收窄,需关注资源分配效率。真实道路闭环验证是下一步关键,当前仿真闭环验证已明确感知,但真实场景复杂度远高于仿真环境,需谨慎评估技术落地风险。