（感知算法专家）
深入分析了自动驾驶行业的现状和发展前景，指出了技术成熟度、市场竞争格局以及政策法规对行业发展的影响。他提到，尽管早期的自动驾驶公司如小马智行、AutoX和百度萝卜快跑在技术上达到了一定的成熟度，但由于技术和商业模式的不成熟，导致这些技术难以实现商业化落地。随后，他重点讨论了几项关键技术，包括核心供应链、主制造商的角色及芯片选择，特别强调了英伟达智能芯片的广泛应用与其性能优势，同时也表达了对性价比更高的芯片需求。
在技术发展方向上，他认为端到端解决方案与模块化方案各有利弊，成功的关键在于成本效益分析。同时，他认为自动驾驶技术的发展还需解决安全性、舒适性和效率之间的平衡问题，并依赖于政策和法规的支持。在市场竞争方面，特斯拉被视为行业的领先者，但国内企业如华为、理想、小鹏等也在自动驾驶领域积极布局，力图缩小与国际品牌的差距。
此外，他还谈到了ASICs在自动驾驶领域的应用，强调了模型精度和效率的重要性，并讨论了模型量化和部署到特定硬件平台的复杂性。
综上所述，他的发言全面地涵盖了自动驾驶技术发展的多个关键方面，突出了当前的技术挑战、市场动态以及未来的研究方向。
他就自动驾驶技术的多个方面向专家进行了询问。
首先，他比较了基于纯视觉的方法和包含激光雷达的方法，指出纯视觉在测距方面的表现可能较弱。接着，他提出对FSD12.4（或12.32.4）版本在处理分叉路口时可能出现的延迟问题的关注，并询问了这些问题的原因及其解决策略。
他还探讨了芯片选择的话题，提及像地平线这样的芯片可以支持多种方案，包括纯视觉和前融合等，作为对英伟达等传统芯片的潜在替代。此外，他对特斯拉计划将自动驾驶软件中的控制（BEV）与感知网络合并的计划表示好奇，并询问了这可能如何影响现有的橙色平台的使用。
最后，他关注了高效算子在自动驾驶领域的应用，特别是关注大型语言模型上的限制、不同芯片平台间模型迁移的工作量问题，同时指出了推理端迁移相较于训练端可能会更为容易，并确认橙色平台采用的是16位架构。整体而言，他的发言涵盖了自动驾驶技术的关键议题，包括传感器配置、系统延迟、芯片选择以及算法部署等方面。
集中在中国自动驾驶出租车行业，尤其是萝卜快跑和小马文员等公司的扩张计划，以及特斯拉Robotaxi服务的未来规模上。
对于未来几年robot taxi的数量增速，发言人认为由于技术和盈利之间的平衡挑战，短期内可能不会看到显著增加。
此外，发言人指出目前自动驾驶技术相较于几年前并未有本质性变化，这可能会限制行业扩张的速度。他们还关注了行业扩张速度预测中关于关键技术突破或政策变动的可能节点。针对特斯拉Robotaxi服务，他询问了其全球运营车辆数量在未来一年的增长预期。他同样重视政策和技术作为行业发展的两个关键因素，对政策放松及技术进步的时间线和前提条件表示好奇。
总体来说，他对中国自动驾驶汽车行业的增长前景保持关注，特别是技术成熟度和政策支持对未来行业发展的影响持谨慎乐观态度，并对特斯拉Robotaxi服务的全球潜力表现出浓厚兴趣。
在电话会议上强调了智能驾驶方案及感知算法领域的最新进展与未来发展趋势。他特别关注了Robotaxi服务的兴起以及其对出行方式的潜在影响。强调了特斯拉等企业在此领域的技术创新和领导地位。同时, 讨论了算法、硬件、算力等技术进步对于推动行业发展的关键作用。他也探讨了国内外企业在自动驾驶领域面临的竞争格局和技术差异，指出技术进步是降低成本并实现Robotaxi规模化生产的必要途径。他还提到了感知模型的发展方向和政策环境对行业的影响，全面概述了智能驾驶和Robotaxi领域的现状与挑战。此次会议为投资者和业内人士提供了深入的洞见和信息。
问答回顾
问：能否请您帮忙梳理一下当前参与Robotaxi项目的各方情况及其核心技术与优势？
答：早期的自动驾驶项目参与者众多，例如小马智行、文远知行（现已转向L2-L3级别）、百度萝卜快跑等，但由于未能及时实现商业化落地，许多企业转行。如今，在Robotaxi领域中，主要竞争者包括特斯拉、小马智行和萝卜快跑等。其中，特斯拉凭借成熟的自动驾驶技术方案亲自下场参与运营，并由主机厂提供运营车辆；而小马智行和萝卜快跑作为方案商，负责采购车辆并对其进行改造和技术创新。
问：未来Robotaxi的发展现状如何，以及您如何看待其后续发展路径和是否会沦为OEM主导的竞争格局？
答：当前Robotaxi的发展主要得益于政策放宽和技术进步，特别是云化解决方案降低了运营成本。短期内，OEM如新势力或传统主机厂很难大规模参与到Robotaxi项目中，因其缺乏相应的互联网运营能力和自动驾驶技术积累。预计未来Robotaxi将继续沿市场化、低成本的方向发展，而非被OEM主导。
问：Robotaxi在算法、硬件和算力这三个方面的技术方案与国内小鹏、华为等主机厂商支持的方案有何区别？
答：Robotaxi更侧重于高精度的智能化程度和较窄的操作区域定义（ODD），采用较为昂贵且复杂的传感器冗余技术保证自动化与安全性。相比之下，小鹏等主机厂更多聚焦于高级NOA，其应用场景更广泛但受限于技术成熟度及各地交通规则差异带来的挑战。此外，在地图依赖性、系统架构设计、传感器使用等方面也有显著区别，Robotaxi仍维持较高成本的模块化方案，而高级NOA则逐步向端到端、纯视觉方案靠近，能够更好地适应不同环境和地域条件。
问：为什么国内汽车企业没有全面拥抱端到端的自动驾驶技术方案？对于当前依靠激光雷达冗余的方案与端到端方案，在技术及成本方面的优劣势如何判断？
答：国内汽车企业在拥抱端到端自动驾驶时面临基础设施、数据积累和技术迭代速度等方面的限制。
首先，端到端方案需要大量高质量的数据支持，而主机厂商由于历史原因拥有较多车辆行驶数据，适合此技术路线；
其次，端到端方案本身的复杂性不在于算法，而是需要大量快速测试来验证其性能和可行性，而这正是主机厂在生产实践中具有显著优势的地方；此外，AI算力需求较高，且特斯拉等公司已经投资建设超级数据中心，这也进一步加大了对资金和硬件的要求。在技术层面上，虽然目前激光雷达冗余方案较为成熟，但如果进入大规模降低成本阶段，采用端到端方案将更具竞争力。这是因为端到端方案能够简化开发过程、减少模块依赖并实现更好的拟人化驾驶体验。然而，在现有条件下，由于主机厂商凭借数据优势在模块化技术和云端兜底方案上有一定领先，因此短期内端到端技术可能不如传统方案明显占据优势。不过，随着技术进步和商业化进程加快，当技术方案的成本效益得以优化时，端到端技术将成为主流选择。
问：在未来纯视觉端到端方案是否会取代当前基于激光雷达的方案，并在用户体验和安全性上带来更大优势？
答：未来纯视觉端到端方案的确会在一定程度上取代现有的基于激光雷达的方案，并展现出更大的优势。相比基于规则的传统方法，端到端方案能够更好地解决自动驾驶的安全、舒适和高效三大核心问题，因为它可以自然地学习人类驾驶员的行为，从而达到更高的性能上限。当然，端到端面临的挑战是如何有效挑选和利用驾驶员的数据来训练算法，但这并不构成无法逾越的技术障碍。
问：在自动驾驶产业链中，智能驾驶方案供应商的角色将是怎样的？
答：在自动驾驶产业链中，智能驾驶方案供应商并不一定会被主机厂商垄断，尤其是随着技术的发展和市场运营模式的变化。像百度、滴滴等互联网公司拥有较强的运营能力，他们可以在智能驾驶平台上整合资源并运营起来。同时，发展商如高德等也具备开发相关技术的能力，关键在于谁能把握住市场需求并建立起有效的商业模式。因此，最终决定权很可能更多落在具备强大运营实力和技术研发能力的综合型玩家手中。
问：您认为自动驾驶行业的扩张速度是否会因为技术限制而停滞不前，尤其是在短期内会有怎样的发展趋势？
答：由于高精地图建设中的鲜度问题以及现有技术和硬件成本难以实现良好可扩展性，短期内自动驾驶行业的扩张速度不会有快速下降的趋势，但也不是全面快速扩张。预计在一个或两个年度内，会更多地表现为各地区的逐步开放与复制。
问：对于自动驾驶出圈现象，您是否认为它将带来行业扩张速度上的质变？
答：我们认为当前阶段多点开花的现象并不能构成质变，真正当所有地方都开放时，需要针对不同地理环境改变现有的解决方案，以适应更大范围内的运营需求。
问：针对政策层面，您如何看待城市对自动驾驶的开放进程相对较慢的情况？其主要原因是什么？能否因舆论支持和技术推动加快政策放开的步伐？技术拐点将在何时出现？必备条件有哪些？
答：尽管当前政策相对保守，但由于人类对自动驾驶安全性的高度敏感性和事故风险，即使事故率低于人工驾驶，一旦发生事故仍会被广泛关注。因此，政策放开的速度取决于运营实践中的安全性表现。随着技术进步和智能价值的认可，政策有望逐渐放松，只要确保安全性无虞。技术拐点大约在未来两年左右会出现，前提条件是技术能够在保障安全性的同时，降低传感器成本，使得智能驾驶技术具备规模化部署的能力，比如通过云端辅助提高平均接管里程（MPI）等指标，以满足大规模商业化运营的需求。
问：关于特斯拉Robotaxi项目，您对其未来发展有何预期？特别是明年和后年的全球运营规模预测是多少？
答：作为一位专注于自动驾驶领域的专家，并未深入研究特斯拉的具体运营数据，因此无法准确预测其具体运营规模，需进一步观察市场表现才能做出更为精准的判断。
问：对于纯视觉方案和包含激光雷达的方案，在测距准确性方面的优劣势如何评价？未来的解决策略是什么？
答：纯视觉方案在测距准确性上确实逊色于激光雷达，但在实际应用中，驾驶员并不需要精确的测距数据来做出驾驶决策。随着算法优化和传感器融合（如毫米波雷达），纯视觉方案在特定距离内的测距精度能够接近激光雷达，同时能够有效捕获动态物体信息，保证安全性。而在未来端到端阶段，纯视觉方案结合强大的算法设计，其整体性能有望接近理想状态。
问：勾6方案主要用于哪种场景，并且其目的是什么？
答：勾6方案主要是面向中间层，特别是高速的MA应用场景，目前还未大规模用于程序设计，但它适用于构建高速的NA。其目标在于替代英伟达ON的部分专利。
问：现阶段使用orange端到端方案是否可行？
答：是的，目前orange端到端方案已经被广泛应用，包括特斯拉在内的许多设备都可以支持这套方案，并且它具有良好的灵活性，可适应多端口需求。
问：特斯拉是否会将BEV和规控两张网络合并？
答：特斯拉已经合并了这两张网络，在新方案中规控信号直接由第二网络输出，不过目前并不急于完全整合。
问：能否简述一下感知算法的发展历程及现状？国内哪些公司在感知算法方面表现出色？
答：感知算法的发展以2019年为分水岭，之前主要进行2D感知或CANAL支持的ADAS功能。自那时起，出现了一些针对360度感知的中间解决方案，例如地平线采用单个相机进行检测并通过后处理将其融合至车辆规划空间（BV空间）。随着特斯拉发布BV方案，感知趋势逐渐转变为BV感知，即将感知结果直接置于3D空间中，从而便于实现端到端流程并减少复杂性。目前，无图化方案、端到端流程是感知能力增强的趋势表现。
国内在这方面的领头羊主要包括小鹏、华为和理想等企业，它们在 BV 感知领域均有所突破。其中，华为通过使用激光雷达并在方案层面转向 BEV 方案，而小鹏作为 OEM 具备终端产品的优势，能够快速迭代验证新技术。此外，momenta 和地平线也是在这方面做得较好的公司。
问：国内各家企业在感知模型上的总体技术水平有何差异？
答：在国内，像小鹏、华为、理想和地平线等企业在感知模型上处于第二梯队，彼此间的差别不大，但仍落后于特斯拉等国际领先企业。小鹏的优势在于较早投入资源研发，拥有车辆数据优势和生态地位，使其能在产品研发中迅速迭代验证新技术。
问：在部署Transformer等模型时，是否会遇到精度损失问题？
答：是的，在将GPU训练得到的模型部署到特定硬件（如FP16）上时，确实会遇到一些精度损失的情况。这主要是由于不同芯片在处理某些运算时可能无法达到与GPU相同的精度，尤其是在量化过程中可能出现的特殊case。
问：ASIC芯片在量化过程中有哪些特点及挑战？
答：ASIC芯片通过牺牲通用性来换取效率提升，因此在进行量化时面临更为复杂的任务。由于自动驾驶解决方案尚未完全收敛，其芯片开发往往是在算法成熟后再进行固化降低成本，但这可能导致开源网络不能直接量化和部署。
问：对于国内 Robotaxi 和自动驾驶的发展，有哪些值得关注的方向？
答：重点关注的方向包括但不限于硬件层面的传感器，特别是固态雷达对机械雷达的替换；此外，还需关注自动驾驶系统是否能在国内市场形成竞争格局，以及该行业在国内面临的成本控制和技术迭代等问题。
问：如果特斯拉进入国内Robotaxi市场，会带来怎样的竞争态势？
答：特斯拉凭借自身芯片、车辆方案等优势，在进入国内Robotaxi市场后具有明显竞争优势。但由于缺乏完整的运营平台，国内可能还需要一段时间来应对挑战，并逐步降低成本接近特斯拉的技术水平。
问：社会因素对自动驾驶行业的影响是什么？
答：随着大量运营车辆的存在，若无人驾驶渗透率过高，可能会对现有司机群体造成就业冲击。因此，合理的选择增量市场而非大规模替代存量市场更为可行。
问：未来政策方面应关注哪些点，以及Robert X的产业链是否会成为牌照生意？
答：现阶段还未形成严格的牌照商业模式，更多的是根据运营安全性等因素综合评判资质。同时，责任划分也是一个需要解决的问题。随着技术进步和社会接受度提高，后期可能会出现新的商业模式，但目前尚未明确定型。$星网宇达(SZ002829)$ $锦江在线(SH600650)$ $大众交通(SH600611)$