聚焦汽车行业深度报告:AI系列深度23期,智能驾驶的表征演进。原始像素端到端简洁但缺少结构约束;BEV+Transformer 与矢量化 VectorNet 是同一层级的两条并行路线,分别以特斯拉和 Waymo 为代表,前者把多摄像头信息统一到鸟瞰三维空间,后者把道路和参与者抽象成数学对象;Occupancy从识别对象类别转向判断空间占据;多模态 Token 连接视觉、语言和动作;潜在状态则把世界压缩到可预测空间。报告认为,数字 AI 底座模型发展路径已逐渐清晰、价值在于确定性,但其难以实现物理世界的建模闭环;报告认为物理 AI 将成为物理世界的AI 解决方案,从而在 AI 的当前发展阶段成为增量更大的方向,智能驾驶作为最先跑通闭环的代表场景,报告认为应重点关注。
聚焦汽车行业深度报告:AI系列深度23期,智能驾驶的表征演进。原始像素端到端简洁但缺少结构约束;BEV+Transformer 与矢量化 VectorNet 是同一层级的两条并行路线,分别以特斯拉和 Waymo 为代表,前者把多摄像头信息统一到鸟瞰三维空间,后者把道路和参与者抽象成数学对象;Occupancy从识别对象类别转向判断空间占据;多模态 Token 连接视觉、语言和动作;潜在状态则把世界压缩到可预测空间。报告认为,数字 AI 底座模型发展路径已逐渐清晰、价值在于确定性,但其难以实现物理世界的建模闭环;报告认为物理 AI 将成为物理世界的AI 解决方案,从而在 AI 的当前发展阶段成为增量更大的方向,智能驾驶作为最先跑通闭环的代表场景,报告认为应重点关注。
聚焦汽车行业深度报告:AI系列深度23期,智能驾驶的表征演进。原始像素端到端简洁但缺少结构约束;BEV+Transformer 与矢量化 VectorNet 是同一层级的两条并行路线,分别以特斯拉和 Waymo 为代表,前者把多摄像头信息统一到鸟瞰三维空间,后者把道路和参与者抽象成数学对象;Occupancy从识别对象类别转向判断空间占据;多模态 Token 连接视觉、语言和动作;潜在状态则把世界压缩到可预测空间。报告认为,数字 AI 底座模型发展路径已逐渐清晰、价值在于确定性,但其难以实现物理世界的建模闭环;报告认为物理 AI 将成为物理世界的AI 解决方案,从而在 AI 的当前发展阶段成为增量更大的方向,智能驾驶作为最先跑通闭环的代表场景,报告认为应重点关注。
本报告由东吴证券发布,发布于 2026 年。
覆盖 2026 年。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
重点分析了智能驾驶、AI、汽车、汽车行业深度报告等议题。