智能驾驶技术的演进取决于三个关键要素：算法、算力和数据。行业内逐渐出现共识，智能驾驶应用有一些特点：

● 随着企业不断尝试，智能驾驶的算法趋于统一，以BEV+Transformer为主导，特别是大模型在各方面跑通以后，更加深了这个信念。

● 算力方面，随着E2E的需求，车企都需要更强的算力芯片来支持算法的迭代，Orin已经不够用，大家都准备上Thor了（之前黄教主的发布没特别的感觉，现在开始显出意义）

至于量产车反馈回来的数据，随着特斯拉宣称可以用生成的速度来覆盖Corner Place，数据反馈的权重可能被降低了！Elon Musk说：“特斯拉已经能够以精确的物理生成真实世界视频大约一年了。这并不是特别有趣，因为所有的训练数据都来自汽车，所以它看起来就像特斯拉的视频，尽管是动态生成的（而不是记忆的）世界。”

在这里，变化最大的是智能驾驶的数据要素。在Openai 发布Sora之前，大家都认为数据是根本。在智能驾驶场景中，影响数据产生和迭代的关键要素主要有以下几点：

● 量产车的数量，即需要足够多的数据传感器开始工作；

● 数据传感器的效率和质量，标准传感器方案对技术迭代有更强的推动作用；

● 免费使用的智能驾驶产品有助于数据反馈和技术迭代。

随着激光雷达量产规模的增加，成本下降，有利于大规模应用，并促进更多智能驾驶产品向更高等级迭代。但是随着大模型技术的推进，视觉技术在狂奔，激光雷达更像是一个冗余。

越来越多的L4玩家推出适用于乘用车的智能驾驶产品，完全自动驾驶技术的应用可加速高技术等级智能驾驶产品的上市。但是这些玩家存在感不强，没办法实现高性价比的方案。

相同规格的传感器方案能提高智能驾驶能力迭代效率，而传感器方案数量越少、已实现的能力等级越高，则智能驾驶技术能力越强。

芝能点评：下面这个图是不是能代表你的看法，欢迎大家把你的想法打在留言区！

中国智能驾驶市场呈现出明显的梯队格局，能够实现城区NOA的厂商被认为是领先一代，而能够实现高速NOA的厂商则被视为正当代，而缺乏NOA功能的厂商则被直接视为落后一代。各厂商逐渐形成统一的标准化数据容器，这有利于数据的收集和利用，帮助智能驾驶系统向更高级别的迭代发展。