微软技术报告证实智驾scaling law已确立,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。此结论打破了开环与闭环脱节的认知。
智驾行业正经历scaling law确立的关键阶段,开环误差随数据量按幂律改善,多主体研究佐证scaling law的普遍适用性。智驾数据来源更广,部署更友好,与机器人领域相比落地便利性更高。预计2028年大参数量WM模型可实现落地,核心支撑为端侧芯片算力提升和软硬适配优化。
报告重点分析了智驾scaling law确立性、开环与闭环概念差异、跨领域scaling law对比(智驾与通用大模型、机器人领域)、智驾scaling law落地逻辑(算法选择、云端与端侧关系)、以及智驾行业趋势与投资建议(观测指标、参数量趋势、落地预判)。
当前智驾模型偏向Physical AI方向(如WA车型已落地),但市场认知仍以端到端或VOA为主。Scaling law落地核心影响因素是算法选择,当前WA模型参数量已达10B-十几B,未来将增长至100B级别,落地推进确定性高。智驾已完成仿真闭环验证,下一步需完成真实道路闭环验证。
智驾scaling law落地仍面临算法选择、端侧芯片算力、软硬适配等多重挑战。当前智驾模型参数量持续提升,但单纯算力投入回报收窄,需关注真实场景任务loss下降幅度、NPI下行趋势。投资观测指标应关注真实场景loss下降、NPI下行趋势,下一步需验证真实道路闭环,但需注意技术路线选择和市场竞争风险。