近日，在国际顶级CVPR 2025自动驾驶研讨会上，Argoverse2 2025场景挖掘挑战赛结果揭晓，中国极氪 智驾团队拔得头筹。极氪智驾团队用AI技术解决全球自动驾驶领域公认的技术挑战，从海量、高度冗 余的数据中，快速定位并提取对系统安全与体验的关键驾驶场景。在同数据量中，极氪智驾AI模型可 获得更优学习成果，在实际应用中提升端到端系统在关键驾驶场景的识别和处理能力。（全天候科技） ...

电动化及智能化专家交流 20260629 摘要 特斯拉 Robotaxi 采用端到端深度神经网络，虽有抖动问题，但整体体 验良好，且成本低于高清地图方案。工程团队热情高涨，预示进展可能 超预期，但完全无人交付难度高于 Robotaxi，需 AI 自主应对所有问题， 短期内难大规模铺开。 小米 SU7 在产品定义上与主流产品差异不大，优势在于搭载车规级骁龙 8 Gen 3 芯片，成本降低且性能优于现有车规芯片；深化"人车家战 略"，整合米家生态链配件，主机厂身份参与汽车后市场，或成标准制 定者。 特斯拉 Robotaxi 对海外订单促进作用不明显，中国市场影响难追溯。 自动驾驶和机器人技术虽宣称同源，但实际操作中存在差异。Ashok 监 管后，机器人深度神经网络预计更大程度转向端到端或与 FSD 同源，但 仍需大量特定开发。 小米汽车成功依赖独特设计、产品定义和品牌影响力，人车家战略和消 费电子芯片优势尚未完全体现。长期来看，复用米家生态链是其显著差 异化优势，能以主机厂身份有效进入汽车后市场配件领域。 Q&A 特斯拉 Robotaxi 在首次试运营中表现如何，其技术路线和团队状态有何特点？ 特斯拉完全无人交付 ...

本文结构： 先介绍AI学术圈为什么很多特点与其他学科不一样，引入能发多篇顶会的中国公司其实蛮多的，含金量并不高。这块我很懂, 我上一段创业 受众就是ICCV/CVPR/AAAI/ICLR的投稿者。 再详细论述理想VLA的原始创新度是DeepSeek MoE级别，没有跟随特斯拉了(VLM之后就不是跟随了，是深度参考)，并指出原始创新度低于DeepSeek的 MLA，MLA原始创新度低于Transformer。 目前有能力做出MoE级别原始创新的中国公司很少，这块很有含金量。 以下为正文： 25年6月27日，理想自动驾驶负责人表示自动驾驶团队5篇论文中稿ICCV，VLA交付后会把"梯队"拿掉。 李想补充到，理想基座模型团队还有三篇论文被录用，在措辞上对入选ICCV给予了很高评价。 TOP2上一段创业经历受众就是AAAI/ICML/NeurIPS/ICLR/CVPR/ICCV这些顶会的投稿者，所以TOP2对这块特别懂。 AI学术圈与其他学科圈特点有非常多不同 AI学术圈会议比期刊重要 ，本质原因是，AI学术发展速度太快，而期刊审稿周期太长，旧有的以期刊为中心的学术共同体范式难以满足AI学术圈的发展 需求。 AI会议 ...

点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 4D标注之静态元素 这些天一直在思考一个问题：当下自动驾驶的技术发展，重建还有哪些应用？ 起因是身边做SLAM的小伙伴抱怨现在工作都找不到，SLAM的职业发展空间正在逐渐缩小。而且当下自动驾驶所需要的重建也在向前发展，不再是SLAM相关的技术 栈了。。。 回到问题本身，重建当下在4D标注 - 静态元素上的应用还是很广的，当然核心技术不再局限在SLAM上。车道线及静态障碍物标注，还是强依赖在重建图上标注的~2D 空间标注，每个时间戳下都需要再图像上进行标注，模型做语义分割+深度预测，这种方式耗时费力，实时上，只需要重建出3D静态场景，在重建3D场景中静态元素 只需标注一次。 重建的目的主要有两个： 输入：根据lidar或者多个周视摄像头重建得到的3D重建图 输出：矢量车道线及类别，单条车道线用多个有序点表示组成折线，例如一条车道线为（N,3），其中N为车道线点的数量，3为xyz空间坐标值 获取地面重建图2D（BEV+高度）车道线和地面标识； 重建静态点云 3D（静态障碍物）。 在梳理下重建的整体流程，这里面涉及 ...

点击下方 卡片 ，关注" 大模型之心Tech "公众号 戳我 -> 领取大模型巨卷干货 写在前面 在深度学习的历史长河中，AlexNet的横空出世曾彻底改写识别模型的命运——它让"逐层训练"成为过去式，端到端学 习从此一统江湖。而今天，当我们望向生成模型的浩瀚星空，扩散模型的多步迭代、自回归模型的时序依赖，是否仍 在重演"前AlexNet时代"的困局？ 何恺明老师在 CVPR 2025 workshop上的最新分享 《Towards End-to-End Generative Modeling》 ，正以手术刀般的视 角剖开这场技术演进的历史轮回。他不仅回溯了识别与生成的"硬币双面"关系——一边是数据到语义的抽象流，一边 是噪声到实例的具象流，更带来了MeanFlow这把"瑞士军刀"：用平均速度替代复杂积分，让ImageNet生成从250步迭 代压缩到1步完成，FID指标直逼传统多步模型的天花板。 这不禁让人思考：生成模型的"AlexNet时刻"是否已至？ 今天，就让我们以何恺明老师的报告为锚点， 回顾 一下生成模型技术丛林的深度漫游，解锁那些正在重塑生成模型范 式的关键思想。 此外，借着这个话题，我们也同步 ...

刘诚／文 人工智能的技术进步及其成本降低推动了DeepSeek等大模型的普及。那么，自动驾驶汽车呢？是否也可以通过技术、成本及社会规则的演进，迎来快速落 地的井喷时刻？ 技术：从理想照进现实 技术创新是新事物发展的前提，也是根本动力。当前AI技术创新正在经历显著转变，从以内容生成为核心的生成式AI转向以目标驱动为核心的智能体AI。 我们预测，与ChatGPT、DeepSeek等模型在语言领域带来的跨越式进步类似，在不远的将来，智能体AI也将在自动驾驶领域呈现爆发式增长，实现感知、决 策与控制能力的重大突破，大量新车将会具有高级别辅助及完全的自动驾驶能力。 当前，汽车工业的智能化创新正在如火如荼地发生着。一些车企加速驶入具身智能人形机器人赛道，而抛开外形的"表面"创新不谈，自动驾驶技术本身有两 种技术走向。一种是"端到端"技术。它来自深度学习中的概念，英文为"End—to—End（E2E）"，指通过一个AI模型，只要输入原始数据就可以输出最终结 果。应用到自动驾驶领域，这意味着只需要一个模型，就能把摄像头、毫米波雷达、激光雷达等传感器收集到的感知信息，转换成车辆方向盘的转动角度、 加速踏板的踩踏深度以及制动的力 ...

EI/中文核心/毕业论文/申博等 点击下方 卡片 ，关注" 具身智能 之心 "公众号 还在为论文选题抓耳挠腮？被数据建模折磨到头秃？面对导师批注手足无措？别慌！具身智能之心，资深导师团 队在线 "救援"，一站式解决你的论文烦恼！ 【前沿论文辅导重磅上线！多模态大模型/VLA/3D感知/数据生成/视觉语言导航/机器人导航/具身智能等顶会 方向1V1定制化辅导】 CCF-A到CCF-C SCI一区到四区 你是否正在研究以下前沿领域却苦于突破瓶颈？ 多模态大模型（视觉-语言预训练、跨模态推理） 视觉语言动作（VLA）（端到端、分层等） 视觉语言导航（VLN）（Embodied QA、指令跟随、场景理解） 机器人抓取与导航（Sim2Real、强化学习、3D场景建模） 具身智能体泛化（跨任务迁移、零样本适应、仿真环境构建） 3D高斯泼溅（3DGS）（实时渲染、动态场景建模、SLAM结合） 端到端具身智能体（决策闭环、多模态传感器融合） 具身合成数据生成（自动标注、域适应、数据增强） 为什么选择我们？ ✅ 顶会/顶刊导师团队：来自CMU、Stanford、MIT等名校的PhD及大厂研究员，覆盖ICRA、NeurIPS、C ...

据悉，商汤绝影的世界模型研发负责人离职。据了解其负责商汤绝影云端技术体系建设，也是绝影的生 成式智驾方案R-UniAD的研发负责人。 以下文章来源于红色星际 ，作者红色星际科技 红色星际 . 让更多人，更深入地了解自动驾驶行业！ 来源 | 红色星际 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 >>点击进入→ 自动驾驶之心 『行业第一线』技术交流群 本文只做学术分享，如有侵权，联系删文 传闻该负责人离职之后有可能去创业。 25年对于商汤绝影来说仍旧会是充满挑战的一年。 在中阶上，商汤绝影在广汽传祺上量产交付了基于J6M的中阶方案。不过，今年中阶市场将迎来升级迭 代，也就是基于J6M做出来城区NOA，从目前的高速NOA升级为全域NOA，这是今年中阶市场最大的变 化。 一些头部公司基于高阶方案的蒸馏剪裁推出了轻量版的城区NOA，下放到100 TOPS算力左右的芯片上， 而且已经给主机厂客户做推广演示。 这次算法方案的升级迭代也会改变中阶市场的格局。跟得上的玩家，将会继续留在牌桌上，而跟不上 的，就有可能被挤下来。 这是行业非常残酷的一面，算法方案每年一次迭代 ...

Robotaxi 商业化专家解读会 20250625 摘要 初期 Robotaxi 运营表现与预期相符，技术水平与几年前 Pony.ai 等公 司相当，存在误入车道、违规掉头等问题，反映出 Robotaxi 技术仍处 于发展初期阶段。 Robotaxi 行业呈现稳中向好趋势，大型企业和主机厂陆续入局，预计 未来两三年是关键期，有望在部分区域实现盈亏平衡，宁德时代和蚂蚁 集团等公司的合作也印证了市场即将迎来繁荣。 Robotaxi 芯片正从英伟达 Orin X 向国产地平线征程 6 过渡，主要考量 在于打破垄断、降低成本和规避供应风险，预计未来两种芯片将共存， 地平线芯片搭载比例将大幅提升。 Robotaxi 算法训练大规模采用模型训练方式，小马智行和百度 Apollo 等公司已广泛采用类似于端到端的方式进行算法训练，短期内多段式方 案仍是 Robotaxi 的最优解。 国内 Robotaxi 单车在特定运营条件下（每日接 18 单，每单平均 5 公里， 车内无司机，后台安全员与车辆比例达到 1:5 以上），预计到 2026 年 基本能实现盈亏平衡（不考虑车辆折旧成本）。 Q&A 特斯拉 Robotaxi 于 ...

机器之心报道 机器之心编辑部 恭喜谷歌。 刚刚，有网友爆料，自己在公司收到了「欢迎何恺明加入」的邮件，何恺明疑似加入谷歌。 在搜索何恺明个人主页后，我们可以确认，他确实加入了谷歌，不过是以兼职的形式，职位是谷歌 DeepMind 杰出科学家 (Distinguished Scientist)。 个人主页：https://people.csail.mit.edu/kaiming/ 关于何恺明在谷歌的具体研究方向，目前还搜不到详细信息。 不过，我们可以根据他最近发表的研究推测一下。前段时间，他所在的团队发布了一篇题为「Mean Flows for One-step Generative Modeling」的论文（参见《 何恺 明团队又发新作： MeanFlow 单步图像生成 SOTA，提升达 50% 》）。在最近的 CVPR workshop 上，他也重点介绍了这一论文所代表的方向。 在分享中，他指出，在 AlexNet 之前，逐层训练更为流行，如深度信念网络（DBN）和去噪自编码器（DAE）。但 AlexNet 之后，识别模型普遍实现了端到端训 练，大大简化了模型设计和训练的复杂性。 不过，有趣的是，今天的生成 ...