随着端到端自动驾驶、世界模型（World Models）、人类反馈强化学习（RLHF）等技术的发展，DAgger 有望成为它们之间的“桥梁”

“车位到车位”是当前自动驾驶技术的高光时刻，但它不是终点，而是通往真正自动驾驶的起点。

本文旨在让你快速了解目前国内主流厂商L2技术路线和自动驾驶系统架构

图灵 AI 芯片采用特定领域架构（DSA），硬件级支持 BEV、Transformer 和端到端推理，单颗算力约 700 TOPS，三颗组合超过 2250 TOPS，理论上远超双 Orin 的 508 TOPS。这意味着，小鹏的“自研”是真实的，但属于“架构自研 + 外包流片”的模式，含金量在于。在智能驾驶行业，芯片一直是“皇冠上的明珠”。全新 P7 的语音交互、导航切换、智驾状态提示几乎无卡顿，

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

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

你有没有想过，自动驾驶汽车是怎么“决定”下一步该怎么走的？过去，它们主要依靠传感器收集数据，然后通过算法直接计算出一条行驶轨迹。但这就像是“闭着眼睛走路”，只看眼前，不理解整个场景。而TopLiDM（Top-Level Driving Model）是理想汽车提出的一种新型自动驾驶思维方式。它的特别之处在于：不仅“看得见”，还“想得通”。我们可以把它类比成人类驾驶员的思考过程：👀先观察：这是城市路

RAG 就像是给自动驾驶装了一个“记忆搜索引擎”，它能在遇到复杂路况时，快速从海量历史数据中“翻旧账”，找出类似场景的处理方式，然后结合当前情况做出更聪明的决策。

随着自动驾驶技术的不断进步，相关的术语也越来越多，像“大模型”、“蒸馏”、“DAgger”、“SFT”……除了 SFT，你可能还听过一些类似的词，比如“大模型蒸馏”、“DAgger”。它们听起来都像是在“训练 AI”，但其实各有不同的作用。了解这些，不是为了“炫技”，而是为了更好地理解前沿技术，更高维度上有我们自己的理解。其实，SFT 的应用远不止“开车”本身，它已经渗透进自动驾驶的多个关键模块，

而这正是卡尔曼滤波等技术大显身手的地方——它能在这些“碎片信息”中找出规律，去噪声、补缺失，让车子“看得更清、想得更准”。现实世界的传感器（比如摄像头、雷达、GPS）都不是完美的，它们会受到光线、天气、遮挡、电磁干扰等各种因素的影响，导致测量结果“抖一抖”、“偏一偏”。在这个 AI 和自动驾驶飞速发展的时代，卡尔曼滤波依然在默默支撑着感知系统的“底层稳定性”，就像一位经验丰富的老工程师，始终站在最