已成立,Waymo报告及英伟达等研究提供证据,通过大模型研究方法验证了算力与模型规模对训练loss及轨迹误差的显著改善,算力放大125倍训练loss下降约12%,开环轨迹误差同步下降;算力放大250倍闭环仿真失败场景数下降约一半,打破开环与闭环脱节认知,多研究交叉验证显示开环误差随数据量增加按幂律改善。
智驾数据来源更宽泛,他车数据训练效率约为自车数据的1/5,最佳模型规模为4400万参数量,部署相对友好,但算力投入边际回报递减,Waymo最高算力约为GPT-4的1/70000,再投10倍算力loss仅下降3%-6%,未来硬件突破后端侧WAM参数量将达几十亿甚至上百亿,预计未来两年智驾进入Scaling Law加速兑现阶段。
报告重点分析了智驾Scaling Law的核心证据与技术验证,对比不同模型大小与数据量组合,使用44.7万人类驾驶数据训练84个模型,验证规模效应的传递性,算力放大125倍训练loss下降约12%,开环轨迹误差同步下降;算力放大250倍闭环仿真失败场景数下降约一半,打破开环与闭环脱节认知,同时对比智驾与通用大模型差异,智驾最佳模型参数规模约为通用大模型的1/30至1/70,资源应更多投入数据建设。
市场对智驾板块预期较低,但未来两年将进入Scaling Law驱动的加速期,核心观察指标为真实道路场景下的任务loss下降幅度、MPI持续下降,建议关注L4级智驾体验机会,当前智驾算法迭代影响显著,新一代WAM模型参数量持续提升,未来有望达100亿以上,评估Scaling Law需区分云端(训练)与端侧(蒸馏压缩)。
评估Scaling Law需注意区分云端(训练)与端侧(蒸馏压缩),当前智驾最佳模型规模为4400万参数量,算力投入边际回报递减,Waymo最高算力约为GPT-4的1/70000,再投10倍算力loss仅下降3%-6%,需关注算法迭代影响,前端到端/VLA模型存在参数瓶颈(10亿-十几亿),新一代WAM模型参数量持续提升,未来有望达100亿以上,但需警惕硬件与算力投入的边际效益递减风险。