维度自动驾驶人形机器人任务定义明确、结构化模糊、开放式执行目标可量化评估难以标准化语义理解基于规则和地图需要多模态推理泛化能力高，场景可扩展低，任务需重训维度自动驾驶人形机器人算力架构云端+车端协同本体为主，云端受限模型规模可部署大模型受限于硬件资源算力调度弹性、集中分散、受限实时性云端推理可容忍延迟本体控制必须毫秒级响应当前机器人智能的提升，更多依赖于硬件设计和工程优化，而不是数据驱动的智能迁移

上一期给大家讲了下我们智驾芯片主要的头部几家，也有人私信我说可以讲一下车上的芯片应用。那么这一期来给大家讲一下车规级芯片现在的格局。。这个就不过多讲了，跟我们电脑上的RAM和ROM概念一样，主要是存储作用。这已经是一个相当成熟的市场了。就跟我们的电脑市场一样。大部分都是在高性能 LPDDR5、UFS、PCIe SSD 等车载应用中占据主导地位。

周末逛商场，坐在各家车企最新款车型上体验下最新功能，早就已经成了我们打工人的一个必逛项目了。鸿蒙智行也好，蔚小理也好，在你试驾，购车时候，销售都会跟你提到：“我们的高阶辅助驾驶功能，能自动变道、上下匝道、跟车、超车。不仅高速上能辅助减少疲劳，上下班能辅助你开车，减少堵车焦虑（当然这是现在收敛一点的话术，要是放在以前，“解放双手”，“睡一觉就到”等等都会给你推荐上）仅需xx元选配。”当然也有的车是高

世界模型是通往更强 AI 驾驶员的关键工具，但它不是“终局”，更不是“捷径”。

最早的注意力机制由 Bahdanau 等人在机器翻译任务中提出，用于解决 RNN 编码器在长序列中信息压缩的问题。注意力机制并非始于 Transformer，它的历史可以追溯到序列建模的早期阶段，尤其是在自然语言处理（NLP）任务中。在自动驾驶系统中，注意力机制已经深入多个关键模块，从感知到决策，从多模态融合到轨迹预测。Transformer 并不只用一个注意力头，而是使用多个并行的注意力头，每个

在自动驾驶的世界里，车企们正在悄悄使用一种叫做的技术，把原本只能在高端车型上运行的大模型，塞进你家的“老车”里。想象一下：你有一辆三年前买的车，芯片算力不高，但突然它能在城市里自动变道、识别红绿灯、甚至听懂你说“去最近的咖啡店”并自动导航过去。这不是换了硬件，而是靠一种“外挂式”的 AI 微调技术 —— LoRA。LoRA 的本质是一种轻量级的 AI 模型微调方法。传统的大模型训练需要动用大量算力

大模型蒸馏，是让聪明的自动驾驶系统真正走上街头的‘压缩包’技术。

每天跟大家聊智驾，聊前沿技术，但是大部分呢还是L2级别家用车。今天带大家了解下另一个更加可能称得上“智驾”的L4级别市场。那便是Robotaxi，不管你承认还是不承认，这个行业觉得是真正意义的智驾。

在自然语言处理领域，RAG（Retrieval-Augmented Generation）常被理解为“检索 + 生成”的组合架构：先从外部知识库中检索相关信息，再将其作为上下文输入给生成模型，用于回答问题或生成文本。随着 RAG 技术在自动驾驶领域的落地，学术界和工业界涌现出多个具有代表性的框架。随着 RAG 在自动驾驶中的应用逐步深入，新的技术瓶颈也开始浮现。RAG 在自动驾驶中的应用，不仅是技

在这条赛道上，几乎所有玩家都绕不开几个名字：英伟达、地平线、黑芝麻智能，还有后来者爱芯元智。它们分别扮演着不同的角色——有人凭借全球生态称霸高端，有人靠本土化和性价比突围，有人专注特定场景深耕，还有人以极致成本打开入门市场。从算力和制程的角度来看。可粗略划分高端，中端，低端。实际情况可能有所差别：也就是Nvidia占领了高端芯片的大片江山，但是地平线征程6P凭借560TOPS，也成功挤进高端行列，