Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Text |. Titanium Capital Research Institute

In letzter Zeit ist Baidus selbstfahrender Online-Fahrdienst „Carrot Run“ zu einem heißen Thema geworden. Tesla wird voraussichtlich im August 2024 „Robotaxi“ veröffentlichen. Gleichzeitig wurden inländische Maßnahmen intensiv eingeführt, um die Entwicklung autonomer Fahrzeuge zu fördern Anfang 2024 gaben fünf Ministerien, darunter das Ministerium für Industrie und Informationstechnologie, gemeinsam eine Pilotmitteilung für die „Fahrzeug-Straße-Cloud-Integration“ heraus, die Mainstream-Städte der ersten und zweiten Ebene abdeckte. Autonome Fahrtechnologie wird ein wichtiger Wachstumstreiber für die neue Energiefahrzeugindustrie sein. Die End-to-End-Architektur ist nach und nach zum Hauptthema des diesjährigen Wettbewerbs im Bereich des intelligenten Fahrens geworden. Um im Wettbewerb um die Spitzenposition zu bestehen, haben Automobilunternehmen begonnen, ihre Anstrengungen in Forschung und Entwicklung zu verstärken.

Was sind die Investitionslogiken für intelligente Fahrschienen? Was sind die Entwicklungstrends der End-to-End-Technologie für autonomes Fahren? Kürzlich hat Titanium Capital Dr. Liu Yudong, den Geschäftsführer von Chentao Capital, eingeladen, über verwandte Themen zu sprechen. Er konzentriert sich seit langem auf Investitionen in intelligente Fahrbahnen. Er hat am Geely Automobile Research Institute und bei Didi Chuxing gearbeitet und den Smart geleitet Entwicklung mehrerer intelligenter Elektrofahrzeuge und zukunftsweisende Forschung zu Wahrnehmungsalgorithmen. Er verfügt über umfangreiche praktische Erfahrung in technischer Planung, Produktdefinition, Teammanagement, ökologischer Zusammenarbeit und anderen Bereichen. Gastgeber dieses Austauschs ist Wang Zeqing von Titanium Capital, der sich auf neue Energien, neue Materialien, KI, Robotik-Industrieketten und Transportbereiche konzentriert.

Chentao Capital Intelligent Driving Track-Investitionslogik

1. Konzentrieren Sie sich auf intelligentes Fahren

Chentao Capital ist ein Private-Equity-Investmentinstitut, das sich auf aufstrebende Industrien konzentriert, und intelligentes Fahren ist einer seiner wichtigsten Investitionsbereiche. Es gibt drei Hauptgründe für die Fokussierung auf den Smart-Driving-Bereich: Erstens verfügt Smart-Driving als ein Bereich, der Transport und künstliche Intelligenz kombiniert, über einen riesigen Markt, der voraussichtlich eine Billion überschreiten wird, und zweitens ist Smart-Driving ein langfristiger Markt Die Technologie- und Industriestruktur hat sich noch nicht stabilisiert, was Start-up-Unternehmen kontinuierliche Einstiegsmöglichkeiten bietet. Schließlich sind die Talente und Technologien in der intelligenten Fahrbranche sehr formbar und der Zustrom wichtiger technischer Talente eröffnet Investitionsmöglichkeiten verwandte Branchen wie KI und Robotik.

In den letzten sieben oder acht Jahren hat Chentao Capital in fast 20 Unternehmen im Bereich intelligentes Fahren investiert. Die meisten Investitionen erfolgten in der Seed-Runde und der Angel-Runde und beteiligten sich als wichtiger Aktionär. Der Investitionsbereich ist hauptsächlich in drei Sektoren unterteilt: Der erste sind Unternehmen für autonomes Fahren, die sich auf verschiedene Segmentszenarien konzentrieren, wie Bergbau, Häfen, städtische Verteilung, Sanitärreinigung usw.; der zweite ist die Kernlieferkette im Zusammenhang mit intelligentem Fahren, einschließlich Wire Control Chassis und vorgelagerte Sensor- und Komponentenunternehmen; das dritte sind Software- und Dienstleistungsunternehmen im Bereich autonomes Fahren, die in den letzten zwei Jahren viel Aufmerksamkeit erregt haben, insbesondere generative KI und Datendienste.

2. Die Branche hat die zweite Welle des Wachstumszyklus begonnen

Intelligentes Fahren gilt als langfristiger Weg. Seit 2015 erlebt der Markt für autonomes Fahren in China seine erste Wachstumswelle. Obwohl die Aufmerksamkeit in den letzten zwei Jahren zurückgegangen ist, steht dieser Trend im Einklang mit der Gartner-Kurve der Technologieentwicklung, was darauf hindeutet, dass es in der Zukunft immer noch großes Wachstumspotenzial und Investitionsmöglichkeiten gibt.

Derzeit befindet sich die Branche des intelligenten Fahrens in einer Anpassungsphase, nachdem die erste Investitionswelle ihren Höhepunkt erreicht hat, und steht vor Herausforderungen wie der Kommerzialisierung, aber die langfristigen Aussichten bleiben optimistisch. Wir haben eine klare Prognose über den Entwicklungstrend der Technologie und glauben, dass die Branche die zweite Welle des Wachstumszyklus begonnen hat. Zu den Signalen dieses Zyklus gehören der Wendepunkt bei der Kommerzialisierung autonomer Fahrunternehmen und die Welle der Börsennotierungen verwandter Unternehmen, was darauf hindeutet, dass die Branche des intelligenten Fahrens in eine neue Investitionsphase eingetreten ist. Deshalb hat unser Fonds letztes Jahr mit der Investition begonnen und ist weiterhin auf der Suche nach neuen Möglichkeiten.

Chentao Capital konzentriert sich derzeit auf zwei Investitionsrichtungen: erstens auf die Kommerzialisierung des autonomen Fahrens in verschiedenen Szenarien, in der Überzeugung, dass die autonome Fahrtechnologie den Transport verändern und praktischen Wert schaffen wird, zweitens auf bahnbrechende technologische Durchbrüche und Anwendungen, insbesondere im Bereich des autonomen Fahrens; Die durchgängige autonome Fahrtechnologie wird in den nächsten zwei bis fünf Jahren der Hauptfaktor für die Transformation der autonomen Fahrbranche sein. Behalten Sie ein hohes Maß an Sensibilität und Aufmerksamkeit gegenüber großen Modellen, 4D-Millimeterwellenradar, Lidar-Technologie und verschiedenen Chiptechnologien im Bereich des autonomen Fahrens bei. Der folgende Austausch konzentriert sich auf verschiedene Szenarien und End-to-End-Technologien des autonomen Fahrens.

3. Investitionslogik für verschiedene Szenarien des autonomen Fahrens

Wir verwenden eine Vier-Quadranten-Klassifizierungsmethode, um Anwendungsszenarien des autonomen Fahrens nach Geschwindigkeit (niedrige Geschwindigkeit, hohe Geschwindigkeit) und Last (Beförderung von Gütern, Personen) zu unterscheiden. Was den technischen Schwierigkeitsgrad betrifft, ist autonomes Fahren mit hoher Geschwindigkeit schwieriger als langsames Fahren, der Transport von Personen ist schwieriger als der Transport von Gegenständen und offene Szenarien sind schwieriger als spezifische Szenarien. Daher konzentrierte Chentao Capital seine Investitionen zunächst auf den Bereich des unbemannten Fahrens für die langsame Ladungsverladung und umfasste Marktsegmente wie Minentransport, Terminallogistikverteilung, unbemannte Reinigung und Hafenszenarien.

4. Kommerzialisierungsfortschritte des autonomen Fahrens in verschiedenen Szenarien

Wir unterteilen es in To G, TO B (Unternehmensmarkt) und TO C (Verbrauchermarkt). Im Bereich TO G sind Hygiene und Sicherheit die Hauptanwendungsszenarien. Umwelthygiene wurde zunächst in großem Umfang umgesetzt, und in einigen Städten werden Sicherheitsinspektionsroboter eingesetzt.

Auf der TO B-Seite schreitet die Kommerzialisierung des unbemannten Fahrens in Minen und Häfen am schnellsten voran. Es wurde ein klares Geschäftsmodell entwickelt und eine groß angelegte Replikation begonnen.

Darüber hinaus verzeichnete die Szene der städtischen Zustellung in diesem Jahr ein explosionsartiges Wachstum. Führende Unternehmen kündigten an, ihre Flotten auf Zehntausende Einheiten zu erweitern und damit eine mehr als zehnfache Vergrößerung zu erreichen. Das rasante Wachstum des städtischen Vertriebs ist auf die Suche nach geeigneten Anwendungsszenarien in der Vertriebsanbindung zurückzuführen, wie z. B. die Zusammenarbeit mit Expresslogistikunternehmen, den Vertrieb von Frischwaren-Supermärkten usw. Da es sich bei der B-Seiten-Kofferraumlogistik um ein offenes und technisch schwieriges Szenario handelt, befindet sie sich noch im Stadium des Testbetriebs im kleinen Maßstab.

Auf der C-Seite sind fahrerlose Anwendungen vor allem Robotaxi (unbemannte Taxis) und Robobus (unbemannte Busse).

5. Fahrerloses Taxi: Zusammenfassung des Fortschritts von Carrot Run

Das Carrot Run-Projekt von Baidu ist ein positives Signal für seine disruptive Wirkung auf die gesamte Branche des autonomen Fahrens.

Es gibt drei Entwicklungsstufen autonomer Fahrszenarien: autonom, großflächig und kommerzialisiert. Im unbemannten Stadium hat Baidu bereits im Jahr 2022 das unbemannte RoboTaxi (unbemanntes Taxi) realisiert, unbemannte Tests in Wuhan und anderen Orten durchgeführt und den Betrieb fahrerloser Taxis durch das ferngesteuerte Fahrzentrum unterstützt. Was die Größenordnung angeht, kündigte Baidu den Einführungsplan von RoboTaxi an. Es wird erwartet, dass bis Ende des Jahres etwa 1.000 Fahrzeuge auf den Markt kommen. Einige Fahrzeuge wurden bereits auf den Markt gebracht, was erste Anzeichen einer Größenordnung zeigt. Die Kommerzialisierungsphase konzentriert sich auf die Rentabilität. Liu Yudong ist der Ansicht, dass die Rentabilitätsdauer von Robo Taxi noch unklar ist und hauptsächlich vom Sicherheitsverhältnis des ferngesteuerten Fahrens und der zukünftigen Preisgestaltungsfähigkeit des Unternehmens abhängt. Derzeit bietet Robo Taxi äußerst preisgünstige Dienstleistungen in Form von Subventionen an. Ob es gelingt, den Bestellumfang bei gleichzeitiger Erhöhung der Fahrgebühren in Zukunft aufrechtzuerhalten, ist eine Frage, auf die die Branche achten muss.

Die Branche des autonomen Fahrens unternimmt derzeit aktive Kommerzialisierungsversuche. Obwohl sie vor Herausforderungen steht, bieten der technologische Fortschritt und die Innovation von Geschäftsmodellen großen Raum für die zukünftige Entwicklung der Branche. Die Praktiken von Unternehmen wie Baidu fördern nicht nur die Technologieentwicklung, sondern liefern auch wertvolle Erfahrungen für die Kommerzialisierungserkundung der gesamten Branche.

Das Carrot Run-Projekt hatte auf drei Ebenen erhebliche Auswirkungen: Technologie, Industrie und Industrie. Technische Ebene: Luobo Kuaipao demonstriert eine Systemlösung, die fahrzeugseitige Algorithmen und ferngesteuertes Fahren kombiniert und so eine skalierbare Lösung bietet. Dieser Modus bietet Verbrauchern ein wirklich fahrerloses Erlebnis durch ferngesteuertes Fahren, auch wenn die fahrzeugseitige Technologie noch nicht perfekt ist. In Zukunft könnten sich mehr Pkw-OEMs und andere selbstfahrende Unternehmen auf diesen Plan berufen, um den breiten Einsatz fahrerloser Taxis zu fördern.

Industrielle Ebene: Die relativ groß angelegte Anwendung von Luobo Kuaipao demonstriert die industrielle Arbeitsteilung für die Branche. Es bezieht nachgelagerte Betreiber und vorgelagerte Teileunternehmen ein und bringt diesen relevanten Parteien zusätzliche Vorteile. Mit zunehmender Reife seiner Geschäftstätigkeit kann Baidu seine Betriebs- und Vermögensverwaltungspläne weiter verfeinern und die industrielle Arbeitsteilung fördern, was der Entwicklung der gesamten Branche zugute kommt.

Branchenebene: Die kreisbrechende Wirkung von Carrot Run hat das öffentliche Interesse an der autonomen Fahrbranche neu entfacht. Diese Veranstaltung ist der „ChatGPT-Moment“ in der autonomen Fahrbranche, was bedeutet, dass es sich nicht nur um einen technologischen Durchbruch, sondern vor allem um einen Durchbruch handelt , es zieht die Aufmerksamkeit der Öffentlichkeit auf sich. Je mehr Menschen darauf achten, desto mehr Ressourcen, darunter Talente und Gelder, werden für die Branche des autonomen Fahrens angezogen.

End-to-End-Entwicklungstrends für autonome Fahrtechnologien

Die Entwicklung der End-to-End-Technologie fördert nicht nur die tiefgreifende Forschung in Wissenschaft und Industrie, sondern eröffnet auch neue Investitionsmöglichkeiten und Forschungsrichtungen für die Branche des autonomen Fahrens. Obwohl sich die End-to-End-Technologie noch im Forschungsstadium befindet, sind ihre Anwendungsaussichten im Bereich des künftigen autonomen Fahrens breit gefächert und verdienen von der Industrie und den Investoren besondere Aufmerksamkeit.

1. Durchgängiges autonomes Fahren eröffnet eine neue Runde der industriellen Revolution

Die End-to-End-Technologie hat im vergangenen Jahr große Aufmerksamkeit von Wissenschaft und Industrie erhalten, insbesondere nachdem die Forschungsergebnisse des Shanghai Artificial Intelligence Laboratory mit dem CVPR2023 Best Paper Award ausgezeichnet wurden, ist diese Technologie erneut in den Fokus der akademischen Gemeinschaft gerückt. Der Erkundungsprozess des End-to-End-Konzepts von 2016 bis 2018, Teslas aktive Haltung in diesem Bereich und die Live-Übertragung von Elon Musk im August 2023 zeigten, dass FSD v12 auf der End-to-End-Architektur basiert und offiziell mit der Förderung von End-to-End-Konzepten begann. Endmarkt. In den letzten sechs Monaten haben Chinas führende Unternehmen für intelligentes Fahren sukzessive Pläne für durchgängiges autonomes Fahren auf den Weg gebracht. Im Mai 2024 erhielt Wayve, ein Start-up-Unternehmen, das sich auf die Entwicklung durchgängiger autonomer Fahrsysteme konzentriert, eine Finanzierung in Höhe von 1 Milliarde US-Dollar. Es war die erste Transaktion mit einem Finanzierungsbetrag von mehr als 1 Milliarde US-Dollar seit dem autonomen Fahren Die Automobilindustrie hat im Jahr 2022 einen Tiefpunkt erreicht, was zeigt, dass der Kapitalmarkt dieser Entwicklung optimistisch gegenübersteht.

2. Entwicklung der autonomen Fahrarchitektur

End-to-End ist eine Technologie, die den gesamten Prozess von der Sensoreingabe bis zur Flugbahnplanung oder Steuersignalausgabe abdeckt und vollständig durch KI oder neuronale Netze umgesetzt wird.

Die Entwicklung der End-to-End-Technologie ist in mehrere Phasen unterteilt: Die erste ist die End-to-End-Wahrnehmung, bei der das Wahrnehmungsmodul durch Deep Learning implementiert wurde, die zweite jedoch immer noch auf der Definition von Regeln basiert Modularisierung der Entscheidungsplanung, wobei versucht wird, die Regeldefinition durch eine modulare End-to-End-Entscheidungsplanung zu ersetzen, bei der die Merkmale des Bildausdrucks zwischen Modulen übertragen und gemeinsam trainiert und optimiert werden können; Die umfassende Lösung eines einzelnen neuronalen Netzwerks basiert auf generativer KI und großer Modelltechnologie. Obwohl der Reifegrad gering ist, ist das Potenzial enorm.

End-to-End ist nicht dasselbe Konzept wie großes Modell und Weltmodell. Obwohl die End-to-End-Lösung auf die Fähigkeiten großer Modelle oder multimodaler großer Modelle zurückgreifen kann, wurde das End-to-End-System kürzlich veröffentlicht Li Auto verwendet multimodale große Modelle. Das Weltmodell wird derzeit hauptsächlich als technisches Mittel für Trainingsdaten eingesetzt und könnte in Zukunft eine Schlüsseltechnologie für autonomes Fahren werden.

Die End-to-End-Technologie ist mit allen Arten von Sensoren kompatibel, nicht nur mit reinen Bildverarbeitungssystemen. Obwohl Tesla führend bei reinen Bildverarbeitungssystemen ist, kann die End-to-End-Lösung auch verschiedene Eingaben wie Lidar und Millimeterwellenradar integrieren. Kameradaten sind die Datenart, die im Bereich des autonomen Fahrens am einfachsten zu erfassen und zu sammeln sind, weshalb sie häufig in reinen Bildverarbeitungssystemen verwendet werden.

3. Entwicklungsgeschichte der End-to-End-Technologie

Zwischen 2016 und 2018 führten einige Unternehmen wie Nvidia und Waymo erste Erkundungen durch, diese Ergebnisse führten jedoch nicht zu einer Massenproduktion. Der Hauptgrund dafür ist, dass die Netzwerkarchitektur zu dieser Zeit relativ einfach war und auf CNN basierte. Auch Lernmethoden wie Nachahmungslernen und Verstärkungslernen waren relativ einfach und verfügten nicht über eine erweiterte Unterstützung der Netzwerkstruktur.

Die zweite Entwicklungsstufe umfasst die Anwendung zugrunde liegender technischer Architekturen wie beispielsweise großer Sprachmodelle in diesem Bereich. Die weit verbreitete Anwendung von Netzwerktechnologiearchitekturen wie Transformatoren sowie die zunehmende Komplexität und Zuverlässigkeit autonomer Fahrmodelle sind zentrale Veränderungen in dieser Phase. Gleichzeitig haben generative KI und große Sprachmodelle bewiesen, dass das allgemeine API-Paradigma zu AGI in der physischen Welt führen kann, was mehr Forscher und Praktiker dazu bewegt, in diese Richtung zu investieren.

4. Drei treibende Kräfte hinter der End-to-End-Technologie, die im vergangenen Jahr für Aufmerksamkeit gesorgt haben

Der erste ist, dass die Leistungsindikatoren des Tesla V12-Systems verdoppelt wurden. Der zweite ist der Produktwert der End-to-End-Technologie selbst, einschließlich des anthropomorphen Aspekts der Lösung weiterer Long-Tail-Szenarien und der Verbesserung der Benutzererfahrung ist das technologiegetriebene, große Sprachmodell sowie die datengetriebenen Eigenschaften und Skalierungsgesetze von End-to-End-Systemen.

Die Auswirkung der End-to-End-Technologie auf die Organisationsstruktur von Automobilherstellern und Unternehmen für autonomes Fahren besteht darin, dass sie die Organisationsstruktur vereinfacht und die Effizienz von Entwicklungsiterationen verbessert. Derzeit haben viele führende OEMs der Branche offiziell Massenproduktionspläne für End-to-End-Lösungen angekündigt, obwohl das tatsächliche End-to-End-System möglicherweise erst im nächsten Jahr in Massenproduktion hergestellt wird.

Unternehmen für autonome Fahrsysteme und Algorithmen wie SenseTime, Pony.ai, Horizon usw. haben mit umfassenden Forschungs- und Entwicklungsinvestitionen begonnen und gehen davon aus, dass in den nächsten sechs Monaten bis zu einem Jahr OEM-Projekte auf den Weg gebracht werden. Gleichzeitig haben auch generative KI- und Tool-Chain-Unternehmen wie Light Wheel Intelligence und Jiji Technology vorläufige Investitionen und Erkundungen im End-to-End-Bereich getätigt.

5. End-to-End-Technologie wird die weitere Entwicklung vorgelagerter Technologien in der Industriekette anstoßen

End-to-End-Technologie wird die Weiterentwicklung vorgelagerter Technologien in der Industriekette anstoßen und Veränderungen in der Industrieökologie bewirken.Erstens wird das Open-Source-Ökosystem mit zunehmender Komplexität von KI-Modellen eine immer wichtigere Rolle spielen. Die Open-Source-Community hat Vorteile beim Sammeln von Talenten, bei der groß angelegten Zusammenarbeit und bei der Entwicklung komplexer Modelle, was sich bei der Entwicklung von BEV in den letzten drei Jahren bestätigt hat. Durch den Vergleich der Ergebnisse von Open-Source-Projekten und Edge-Projekten von 2021 bis 2024 wird gezeigt, dass das Open-Source-Ökosystem und Edge-Projekte bei der Förderung der Entwicklung des Fachgebiets Hand in Hand gehen.

Zweitens stellt die End-to-End-Technologie herkömmliche Simulations- und Testverifizierungsmethoden vor Herausforderungen. Aufgrund der Notwendigkeit, das Auto durchgängig zu steuern, sind die Open-Loop-Tests herkömmlicher Simulationsmethoden nicht mehr anwendbar und es gibt Probleme mit der Genauigkeit vorhandener Simulatoren. Daher muss eine neue Reihe geschlossener Simulationstoolketten entwickelt werden, die möglicherweise die Kombination von Fähigkeiten in den Bereichen generative KI und synthetische Daten erfordern, ein Bereich, der neuen Unternehmen Chancen bieten wird.

Drittens wird die End-to-End-Technologie Innovationen in der Chiparchitektur fördern.Die End-to-End-KI-Modelle mit größeren Parametern und neuen Betreibern neuronaler Netze stellen Chiphersteller vor neue Herausforderungen und erfordern eine flexiblere Chiparchitektur, um sich an die schnelle Entwicklung autonomer KI-Algorithmen anzupassen.

Aus Sicht der Branchenentwicklungstrends wird die End-to-End-Technologie die Gesamtdurchdringungsrate des autonomen Fahrens beschleunigen. Es wird erwartet, dass die Einführung der End-to-End-Technologie Funktionen wie Hochgeschwindigkeits-NOA und städtisches NOA in den nächsten zwei bis drei Jahren für die Bereitstellung von Diensten für normale Verbraucher populärer machen wird.

Aufgrund der starken Verallgemeinerungsfähigkeit der End-to-End-Technologie könnten in Zukunft mehr autonome Fahranwendungen über geografische Regionen oder Länder hinweg erscheinen. Derzeit müssen Unternehmen für autonomes Fahren, die in neue Länder eintreten, eine Menge adaptives Debugging durchlaufen, aber die End-to-End-Technologie soll diesen Prozess verkürzen, die Fähigkeit zur szenarioübergreifenden Anwendung verbessern und möglicherweise sogar die Entwicklung verschiedener Szenarien bewirken für Nutzfahrzeuge und Pkw.

6. Die Beziehung zwischen durchgängigem autonomem Fahren und allgemeinen Robotern

Die beiden Bereiche haben historisch voneinander gelernt und sind zusammengewachsen. Viele Technologien im Bereich des autonomen Fahrens stammen aus der Robotikindustrie, darunter Sensoren, Wahrnehmungs- und Positionierungsalgorithmen, SLAM (Simultaneous Localization and Map Construction), Planungsalgorithmen, Betriebssysteme und Middleware usw.

Obwohl die Entwicklung der Robotikindustrie in den letzten fünf Jahren langsamer verlief als die der autonomen Fahrindustrie, erlebte die autonome Fahrindustrie eine beschleunigte Industrialisierung, und die Reduzierung der Kosten für Hardwarekomponenten und Sensoren hat sich tatsächlich auf die Industrie ausgewirkt Robotikindustrie. Im vergangenen Jahr hat die datengesteuerte KI-Methode, die durch das durchgängige autonome Fahren repräsentiert wird, schrittweise die Massenproduktion durchlaufen und wird voraussichtlich in Zukunft auf den Bereich allgemeiner Roboter zurückgreifen, die ebenfalls allgemeine Intelligenz erfordern.

Mit Blick auf die Zukunft sind autonomes Fahren und Robotik die beiden wichtigsten Bereiche für die Verwirklichung von KI in der physischen Welt. Viele Forscher unterteilen die allgemeine Intelligenz in zwei Teile: autonomes Fahren und Robotik. Aus der Perspektive der Realisierung von AGI in der physischen Welt hat die autonome Fahrindustrie derzeit offensichtlichere Vorteile, da ihre Aufgabenkomplexität relativ gering ist und eine vollständige Verbindung zum Erhalten von Daten und iterativen Algorithmen hergestellt wurde, die der Roboterindustrie Modelle zur Verfügung stellt von denen man lernen kann.

Die Entwicklung des durchgängigen autonomen Fahrens fördert nicht nur den Fortschritt der autonomen Fahrtechnologie, sondern bringt auch neue Möglichkeiten und technische Referenzen für die Robotikbranche. Die beiden werden sich im Rahmen der Entwicklung der KI-Technologie weiterhin gegenseitig fördern und gemeinsam fördern die Verwirklichung von KI in der physischen Welt.

Fragen und Antworten

F1: Was ist der zukünftige Entwicklungstrend von Lidar und Millimeterwellenradar als Eingangssensoren?

A: Die Kosten für Lidar- und Millimeterwellenradar sinken im Einklang mit dem Mooreschen Gesetz ständig. Die Kosten für derzeit ausgelieferte Lidar- und 4D-Millimeterwellenradare liegen bei etwa 2.000 bis 3.000 Yuan bzw. 600 Yuan, mit einem erheblichen Unterschied. Es wird erwartet, dass die Kosten für Lidar in zwei Jahren auf etwa 1.000 Yuan und für Millimeterwellenradar auf über 300 Yuan gesenkt werden können. Millimeterwellenradar ist eine hervorragende Ergänzung zu optischen Systemen wie Lidar und Kameras. Optische Systeme können bei Unwettern wie Regen, Nebel, Schnee und Staub ausfallen, während Millimeterwellenradar in diesen Umgebungen zuverlässiger ist. Langfristig wird die Nutzung verschiedener Sensoren von entscheidender Bedeutung sein, insbesondere auf den Stufen L3 und L4 des autonomen Fahrens. Für die L2-Ebene bevorzugen kostengünstige Lösungen möglicherweise eine Kombination aus Sicht- und Millimeterwellenradar.

F2: Wie hoch ist bei verschiedenen Unterteilungsszenarien im TOB-Bereich derzeit die Bruttogewinnmarge von Unternehmen für autonomes Fahren und welches Niveau kann sie potenziell erreichen?

A: Gemäß dem Rahmen des Geschäftsmodells des Unternehmens TO B kann es in zwei verschiedene Modelle unterteilt werden: Verkauf von Produkten und Durchführung von Geschäftstätigkeiten. Bereits in der frühen Phase der Branchenentwicklung kann der Betrieb die Fähigkeiten des Unternehmens besser testen und seine Stärke unter Beweis stellen, da der Betrieb für den gesamten Prozess verantwortlich sein muss. Relativ gesehen hat die Bruttogewinnmarge beim Verkauf von Produkten keinen großen Diskussionswert, da die Preisgestaltung nicht den Wert der gesamten Industriekette widerspiegelt. Die operativen Gesellschaften befinden sich derzeit in der Phase der Wende von einer negativen zu einer positiven Bruttogewinnmarge, wobei die angestrebte Bruttogewinnmarge bei 30 % oder sogar 40 % liegt, und einige Szenarien arbeiten immer noch im negativen Bruttogewinnmodus.

F3: Aus Sicht der Investmentinstitute sind viele Menschen der Meinung, dass die Zeit des autonomen Fahrens vorbei ist. Gibt es aus Branchensicht irgendwelche Unterteilungen, die einen Blick wert sind?

A: Wenn man auf die Entwicklung der Internetbranche zurückblickt, werden sich im Reifestadium jeder Branche neue Möglichkeiten und eine detailliertere Arbeitsteilung ergeben. Die aktuelle autonome Fahrbranche befindet sich an einem ähnlichen Wendepunkt wie die Internetbranche im Jahr 2010 oder 2012, was darauf hindeutet, dass in Zukunft unerwartete neue Geschäftsmodelle entstehen könnten. Aus Sicht der Investitionsphase ist es für einige Investmentinstitute in der Wachstumsphase ein guter Zeitpunkt, in den Wendepunkt der Kommerzialisierung zu investieren, insbesondere in den Bereichen Bergbau und städtische Verteilung. Die Flottengröße in diesen Bereichen ist von einigen Hundert gestiegen Einheiten auf Das deutliche Wachstum von mehreren Tausend Einheiten zeigt einen klaren Wendepunkt für die Kommerzialisierung. Daher ist jetzt ein besserer Zeitpunkt für Investitionen in der mittleren bis späten Phase.

Bei frühen Investitionen sollte den technologischen Veränderungen mehr Aufmerksamkeit gewidmet werden, insbesondere der Entwicklung von End-to-End-Technologien, die neue Möglichkeiten auf Algorithmen- und Tool-Chain-Ebene mit sich bringen, wie etwa Closed-Loop-Simulationen und End-to-End-Lösungen für generative Daten. Neben der End-to-End-Technologie hat das gestiegene Volumen an hochwertigen intelligenten Fahrsensoren auch Chancen für die Upstream-Industrie eröffnet. Beispielsweise hat das erhebliche Wachstum der Lidar-Lieferungen einen potenziellen Markt für Komponenten wie Chips und Laser geschaffen mit geringem Lokalisierungsgrad. Mit der kontinuierlichen Innovation der Technologie und der Expansion des Marktes werden sich in der Branche des autonomen Fahrens immer mehr frühe Investitionsmöglichkeiten ergeben. Genauso wie Pinduoduo und Douyin in der ausgereiften Phase der Internetbranche auftraten, ist die zukünftige Entwicklung voller unbegrenzter Möglichkeiten.

F4: Was sind die End-to-End-Anforderungen an die Rechenleistung an Bord? Wie hoch sind die Investitionen aus Sicht eines Rechenzentrums?

A: Durchgängige autonome Fahrtechnologie wird den Bedarf an Rechenleistung nicht direkt erhöhen. Da es sich jedoch um eine datengesteuerte Lösung handelt und dem Skalierungsgesetz entspricht, erweitert die Industrie im Allgemeinen den Modellmaßstab, um eine bessere Leistung zu erzielen, was die Nachfrage nach Chips mit hoher Rechenleistung erhöht. Einige Unternehmen wie Li Auto verfolgen eine Dual-System-Strategie, bei der ein leistungsfähigeres multimodales Großmodell die End-to-End-Funktion übernimmt und ein anderes leichtes End-to-End-Modell auf vorhandenen autonomen Fahrchips eingesetzt wird Andererseits ist die Inferenzgeschwindigkeit großer Modelle langsamer, was zeigt, dass sie eine höhere Rechenleistung erfordern. Mit zunehmender Größe des Modells steigen auch die Trainingskosten und die Anforderungen an die Trainingsrechenleistung. Für eine umfassende Einstiegsschulung sind möglicherweise 1.000 Karten erforderlich, die A100 entsprechen, und führende Unternehmen haben möglicherweise bereits ein Layout auf 10.000-Karten-Niveau erreicht. Nehmen wir als Beispiel Tesla: Die umfangreichen Investitionen in die Schulung von Rechenleistung könnten für andere Unternehmen schwierig sein. Es gibt auch inländische Unternehmen wie Xpeng und SenseTime, die enorme Investitionen in die Schulung von Rechenleistung getätigt haben. Insgesamt hat die Entwicklung der End-to-End-Technologie die Nachfrage nach Chips mit höherer Rechenleistung und größerer Trainingsrechenleistung zur Unterstützung des Trainings und Einsatzes größerer Modelle vorangetrieben. Dies spiegelt nicht nur den technologischen Fortschritt, sondern auch das Engagement der Branche wider zum Streben nach leistungsstarken autonomen Fahrlösungen.

F5: Gibt es für diese Unternehmen, die sich derzeit mit autonomem Fahren beschäftigen, Möglichkeiten oder Möglichkeiten, auf die Spur humanoider oder allgemeiner Roboter überzugehen?

A: Die Entwicklung heimischer humanoider Roboter steht in engem Zusammenhang mit Teslas Einführung des humanoiden Roboters Optimus. Das Figure-Team bringt auch Talente von Apple Cars und großen nordamerikanischen Automobilherstellern zusammen. Dieser branchenübergreifende Talentfluss ist selbstverständlich, da autonomes Fahren und Robotik auf vielfältige Weise miteinander verbunden sind.

Derzeit ist das Problem des humanoiden Roboterkörpers noch nicht vollständig gelöst, sodass die groß angelegte Migration der autonomen Fahrtechnologie in den Bereich der Roboter noch nicht erreicht ist. Unter Berufung auf die Ansichten der Industrie stimme ich persönlich dieser Ansicht zu. Dies zeigt, dass mit der Entwicklung der Technologie die Integration von autonomem Fahren und Robotik immer tiefer wird.

Beobachtung des Titanium Capital Research Institute

Die End-to-End-Architektur soll die ultimative Lösung für autonomes Fahren werden. Intelligente Fahrsysteme sind derzeit im Allgemeinen in drei Module unterteilt: Wahrnehmung, Vorhersage und Planung. Das End-to-End-Modell integriert die drei Module in einem, indem es Informationen von der Wahrnehmungsseite aus eingibt und Ergebnisse direkt von der Ausführungsseite ausgibt. Unter der modularen technischen Architektur wird die Informationsübertragung beeinträchtigt, die Wartung des Systems wird schwierig und es wird nicht in der Lage sein, komplexe Straßenverhältnisse gelassen zu bewältigen. Das End-to-End-Modell erfordert nicht, dass Programmierer Code schreiben, um Regeln zu formulieren, sondern nutzt riesige Datenmengen, um das System zu trainieren, wodurch die Maschine autonom lernen, denken und analysieren kann. Titanium Capital wird weiterhin auf die Technologieiteration achten und gemeinsam mit Industrie- und Kapitalpartnern Möglichkeiten für technologischen Fortschritt nutzen.