这项由中国人民大学高瓴人工智能学院的吕昂、腾讯大语言模型部门🎉的谢若冰、东南大学的钱一宁等多位研究者共同完成的突破性研究，😆发表于2025年5月的第42届国际机器学习大会（ICML 2😘025）。有兴趣深入了解技术细节的读者可以通过研究团队在Gi😀tHub上公开的代码库（https://github.com⭐/trestad/Autonomy-of-Experts）访🤩问完整资料。 在人工智能的世界里，有一种被称为"混合专😡家模型"的技术，就像是在一家大型咨询公司里安排不同的专家来处👏理不同的问题。传统的做法是：当客户带着问题来时，前台接待员（❤️也就是"路由器"）会根据问题的表面特征，决定把这个客户分配给😜哪位专家。比如听起来像法律问题就分给法律专家，像财务问题就分😜给财务专家。 但这种安排方式有个根本性的问题：前台接待👏员其实并不真正了解每位专家的实际能力和专长，也不知道这个问题🥳是否真的适合某位专家处理。结果就可能出现这样的情况：一个复杂❤️的商业纠纷被分配给了只擅长处理简单合同的律师，而真正的商业法😅专家却在处理一些基础问题。 更糟糕的是，当分配错误发生😉时，那位不太合适的专家为了完成任务，不得不硬着头皮学习处理这🙌类问题，这就逐渐偏离了他原本的专长。同时，前台接待员也只能通🙌过反复试错来学习如何更好地分配任务，这个过程既低效又浪费资源😍。 研究团队提出了一个革命性的解决方案：让专家们自己决😊定是否接手某个任务，这就是他们称之为"专家自主模型"的创新概⭐念。在这个新系统中，当一个问题到来时，所有专家都会先快速浏览🤔一下，然后根据自己的判断给出一个"兴趣度评分"。只有那些最感🥳兴趣、最有把握的专家才会真正投入时间和精力来解决这个问题。 😀 这种做法的巧妙之处在于：专家对自己的能力最了解。当一位👍商业法专家看到一个涉及复杂并购的案例时，他内心会产生强烈的"🤗这正是我的专长"的感觉，这种感觉会反映在他的兴趣度评分上。相😀反，如果他看到一个简单的交通违章咨询，他的兴趣度就会很低，因😊为他知道这类问题更适合其他同事处理。 一、从现实发现到😡理论突破：专家真的"知道"自己知道什么 研究团队的发现🎉始于一个有趣的实验。他们拿来了两个已经训练好的大型AI模型—🤔—一个叫Mixtral，另一个叫Phi-3.5，这两个模型都😉采用传统的专家分配方式。研究人员做了一个大胆的尝试：他们完全🌟移除了这些模型中的"前台接待员"（路由器），然后让每个专家根😴据自己的"内心感受"来决定是否处理某个问题。 展开全文💯 这就好比在一家医院里，突然取消了分诊台，而是让每位医😉生看到病人的症状后，根据自己内心的专业直觉来判断："这个病人⭐的情况我最适合处理吗？" 结果令人惊喜。在处理一些智力💯挑战题时，即使没有分诊系统，这些"自选"的专家组合仍然能达到😉原系统95%的准确率。在另一个常识推理测试中，准确率甚至保持🙄在71%。这个发现证实了一个重要观点：专家确实对自己的能力有🌟着敏锐的自我认知。 研究人员进一步发现，专家的这种"自🎉我认知"其实体现在它们处理信息时的"激活程度"上。当一个AI😎专家遇到适合自己的问题时，其内部神经网络的活跃度会明显升高，😍就像一个人遇到感兴趣的话题时会变得神采奕奕一样。通过测量这种😁激活程度的强弱，就能判断这个专家对当前任务的胜任度。 👍这个发现为整个领域带来了全新的思路。研究团队意识到，与其让一🚀个外部的"分配器"来猜测哪个专家最合适，不如让专家们基于自己😍的内在感受来自主选择。这种方法不仅更准确，还能避免传统方法中😅决策制定和执行分离所带来的种种问题。 二、技术创新：让🙄AI专家学会"毛遂自荐" 要让专家自主选择听起来简单，👍但在实际的AI系统中实现这一点却需要巧妙的技术设计。研究团队🤩面临的第一个挑战是效率问题。如果让每个专家都完整地处理每个输😅入，然后根据结果来选择最佳答案，这就像让十位医生都给同一个病🎉人做完整的检查，然后再选择最好的诊断结果，显然这样做成本太高🤔。 研究团队想出了一个聪明的解决方案。他们让每个专家只🔥需要做一个"初步诊断"——快速浏览问题并给出一个兴趣度评分，😀而不需要立即给出完整答案。这就像让医生们先看看病人的基本症状😀，判断一下"这个病人的情况我有多大把握处理好"，然后只有最有🎉把握的几位医生才会进行详细诊断。 为了让这种"初步诊断😀"既快速又准确，研究团队对专家的内部结构进行了巧妙的改造。他🎉们将专家内部负责"感知"的部分分解成两个更小的组件：一个负责😆快速形成初步印象，另一个负责基于这个印象进行深度思考。这种设😅计就像是给每个专家配了一个"直觉系统"和一个"分析系统"，直❤️觉系统快速判断是否感兴趣，分析系统负责给出详细答案。 🙌通过这种分层设计，每个专家可以用很少的计算资源快速判断自己对😀某个问题的胜任度，只有在确认自己最适合处理时，才会启动"分析😊系统"给出最终答案。这大大提高了整个系统的效率，让"专家自主🌟选择"变得既实用又高效。 更有趣的是，研究团队发现这种🤯自主选择机制还带来了意外的好处。在传统系统中，经常会出现某些🙄专家工作过载而其他专家相对空闲的情况。而在新系统中，由于专家💯们会基于自己的实际能力来选择任务，工作负载自然就更加均衡了。😘这就像一个项目团队中，当大家都根据自己的专长和兴趣主动认领任👍务时，整个团队的效率和满意度都会更高。 三、深入验证：🙄小规模实验揭示大道理 为了深入验证这种"专家自主"方法🌟的有效性，研究团队设计了一系列精心控制的实验。他们构建了一些😅规模相对较小但功能完整的AI模型，就像在实验室里搭建微缩版的😆智能系统，来观察和分析各种现象。 这些小型模型包含12🙌个处理层，每层有12个注意力头和8个专家，总参数量约为7.3😀亿个，其中实际激活的参数约为2.47亿个。研究团队让这些模型👍学习处理1000亿个文本片段，这个数据量相当于阅读数百万本书🤩籍。训练完成后，他们在8个不同类型的任务上测试这些模型的表现🤯。 实验结果令人印象深刻。采用专家自主选择机制的模型在😉所有8个测试任务上都超越了传统的专家分配模型。更有趣的发现是🤯，即使不使用任何额外的负载均衡技术，专家自主模型也能自发地实⭐现更好的工作分配。这就像一个团队中，当成员们都能根据自己的兴🤔趣和专长主动选择任务时，整个团队的协作效果反而比强制分配任务🤗时更好。 研究团队还深入分析了专家们在训练过程中的行为😢变化。他们发现了一个有趣的现象：在训练初期，不同专家处理问题🙌时的"激活强度"相差很大，有些专家表现得很积极，有些则相对沉🤔默。但随着训练的进行，专家们逐渐找到了自己的定位，那些处理同👍一类问题的专家最终会形成相似的激活模式。 这种自发的专😆业化分工过程特别引人深思。在传统系统中，专家的分工往往是通过😍外部的分配机制强制形成的。而在新系统中，专家们通过自主选择逐🙌渐找到了最适合自己的"职业方向"，这种自然形成的专业化往往更😡加精准和稳定。 四、扩展验证：不同场景下的表现如何 🌟 为了确保这种方法不只是在特定情况下有效，研究团队还在多种😘不同的专家选择策略下测试了他们的方法。除了传统的"选择前K个🥳最佳专家"策略，他们还测试了"动态概率选择"和"专家主动选择😉"等不同方案。 在动态概率选择方案中，系统不是简单地选🙌择评分最高的几个专家，而是根据评分来计算每个专家被选中的概率🤩，然后进行随机选择。这就像在组建项目团队时，不是只选择最顶尖❤️的几个人，而是综合考虑多个因素，给不同水平的专家都留有机会。🤗 在专家主动选择方案中，每个专家都会主动"申请"处理一⭐定数量的任务，系统再根据申请情况进行协调。这更像是一个内部招😉聘系统，专家们根据自己的兴趣和能力主动申请参与不同的项目。 😆 令人惊喜的是，无论采用哪种选择策略，专家自主方法都表现🚀出了比传统方法更好的效果。这表明这种方法的优势不是偶然的，而🔥是具有普遍适用性的。 研究团队还详细分析了系统的效率表😘现。他们发现，新方法能够达到传统方法97%的处理速度，同时在🔥准确性上有明显提升。虽然存在一些额外的内存开销，但考虑到性能😁的显著改善，这种权衡是非常值得的。 特别值得注意的是，🙄在实际的分布式计算环境中，专家自主方法还能带来额外的效率优势⭐。由于专家们的工作负载更加均衡，那些处理能力强的服务器不会因😀为被分配过多任务而成为整个系统的瓶颈，这进一步提升了整体的处😡理效率。 五、规模验证：40亿参数的真实世界测试 🔥 为了验证这种方法在实际应用中的可行性，研究团队将实验规模扩👏大到了40亿参数的大型模型。这个规模的模型已经接近许多商业A😆I应用的水准，能够更好地反映真实世界的应用场景。 在这🚀个大规模实验中，模型包含24个处理层，每层有20个注意力头，🎉总参数达到40亿个，其中实际激活参数为11.8亿个。训练数据🔥量也相应增加，模型需要学习处理更加复杂和多样化的任务。 🙄 大规模实验的结果进一步证实了专家自主方法的优越性。在所有测😂试任务中，新方法都表现出了比传统方法更好的性能。更重要的是，😅随着模型规模的增大，这种优势变得更加明显。这表明专家自主方法🤔不仅在理论上合理，在实际的大规模应用中也具有很强的实用价值。🙄 研究团队还观察到，在大规模模型中，专家们的专业化分工😂变得更加精细和明确。不同的专家逐渐专注于不同类型的语言模式和😂知识领域，形成了一个高效的"智力分工体系"。这种自然形成的专😉业化分工比人工设计的分工方案更加灵活和有效。 六、意外😁发现：AI专家的"专业直觉" 在研究过程中，团队发现了😍一个特别有趣的现象。他们注意到，那些表现更好的专家在面对适合🤯自己处理的问题时，会表现出更强的"信心"——这种信心体现在其😆内部激活的集中度上。 这就像优秀的医生在面对自己擅长治😅疗的疾病时会表现得更加自信和专注，而面对不熟悉的症状时则会显🎉得犹豫不决。研究团队通过测量这种"信心指数"，发现它确实能够🤩很好地预测专家处理某个任务的效果。 更令人惊讶的是，专😜家们的这种"专业直觉"还表现出了层次性特征。在模型的浅层，专😎家们主要关注基础的语言模式和常见结构，它们的选择标准相对宽泛⭐。而在深层，专家们变得更加挑剔和专业化，只有在遇到真正符合自🎉己专长的复杂问题时，才会表现出强烈的处理意愿。 这种层💯次化的专业分工很像人类专家的成长轨迹：初级专家能够处理各种基🥳础问题，而资深专家则专注于特定领域的复杂挑战。这种自然形成的💯层次结构为整个系统提供了既有广度又有深度的问题解决能力。 🙌 七、理论解释：为什么"自主选择"更有效 从理论角度😜来看，专家自主选择方法的成功可以从几个层面来理解。首先，它解🙌决了传统方法中的信息不对称问题。在传统系统中，负责分配任务的😢路由器只能看到问题的表面特征，无法真正了解每个专家的内在能力😅。而专家自主选择让真正了解自身能力的专家来做决策，自然能够实🙄现更精准的匹配。 其次，这种方法避免了决策制定和执行分🤩离带来的问题。在传统系统中，如果路由器做出了错误的分配决定，😍被分配的专家要么勉强完成任务（导致质量下降），要么为了适应任😀务而改变自己的专长（导致专业化程度降低）。而在新系统中，专家🤗只会选择自己真正擅长的任务，这保证了既高质量又专业化的处理效😘果。 从学习效率的角度来看，专家自主选择还能促进更有效🥳的专业化发展。当专家们能够根据自己的兴趣和能力来选择任务时，😍他们更容易在特定领域积累深度的专业知识，而不是被迫成为"万金😀油"式的通用处理器。 研究团队通过一个简化的分类任务实🥳验生动地展示了这种差异。在这个实验中，系统需要学会区分三类不🥳同的输入。传统方法会让两个专家都参与所有类型的分类，结果每个🔥专家都只能达到中等水平的专业化程度。而自主选择方法让一个专家🎉专门处理其中两类相关的任务，另一个专家专门处理第三类任务，最💯终实现了更好的整体性能。 八、实际应用：从实验室到真实😜世界 这项研究的意义不仅仅局限于学术领域，它为现实中的😀AI应用提供了重要的改进方向。目前，许多大型AI系统都采用某🌟种形式的专家分工机制，比如搜索引擎中的不同算法模块、推荐系统😎中的不同推荐策略、以及聊天机器人中的不同对话技能。 在👍搜索引擎的应用中，传统方法可能会有一个中央调度系统来决定对于😜每个查询应该使用哪种搜索算法。而采用专家自主选择的方法，各种😉搜索算法可以根据查询的特征自主判断自己的适用性，那些最有把握😡给出高质量结果的算法会主动承担任务。 在推荐系统中，不😆同的推荐策略（比如基于内容的推荐、协同过滤推荐、深度学习推荐🔥等）可以根据用户的行为模式和偏好特征，自主判断哪种策略最适合😍为该用户提供推荐。这样不仅能提高推荐的准确性，还能让每种推荐😊策略在自己最擅长的场景中得到更充分的发展。 对于聊天机😅器人应用，这种方法可能带来更加自然和高效的对话体验。不同的对😡话技能模块（比如闲聊、问答、任务执行等）可以根据用户的输入自😀主判断是否适合自己处理，从而实现更流畅的对话切换和更准确的响🙄应。 研究团队指出，这种方法还特别适用于需要处理多样化😎任务的大型AI系统。随着AI应用场景的不断扩展，单一的模型往🚀往难以在所有任务上都达到最佳性能。通过让不同的专家模块自主选🙌择最适合自己的任务，整个系统可以在保持高效的同时，在各个细分💯领域都达到专业化的水准。 当然，这项研究也指出了一些需🔥要进一步改进的地方。比如随着专家数量的增加和任务稀疏度的提高🎉，系统的效率可能会受到一定影响。研究团队正在积极探索针对这些🎉挑战的优化方案，以使这种方法能够在更大规模的实际应用中发挥作🤔用。 说到底，这项研究揭示了一个深刻的道理：在复杂的智😅能系统中，让最了解自身能力的组件来做决策，往往比依赖外部的统❤️一调度更加有效。这不仅适用于AI系统，在人类组织和团队管理中😜也有着重要的启发意义。当团队成员能够根据自己的专长和兴趣主动😘承担合适的任务时，整个团队的效率和创新能力都会得到显著提升。⭐ 这项研究为AI领域带来了一种全新的思维方式，它告诉我😘们，有时候最好的管理就是让专业的人做专业的事，而判断什么是"😊专业的事"的最佳人选，正是专家自己。随着这种方法在更多实际应😀用中的验证和改进，我们有理由相信它将为AI技术的发展开辟出一👍条更加自然和高效的道路。 Q&A Q1：专家自主😴模型和传统混合专家模型的核心区别是什么？ A：核心区别😊在于任务分配的决策者不同。传统混合专家模型依靠外部路由器来决🙄定哪个专家处理哪个任务，就像公司前台分配客户给不同专家。而专🎉家自主模型让专家自己根据内在判断来选择任务，类似专家们看到问🎉题后主动说"这个我最擅长"。这种方式避免了外部分配可能出现的😜不匹配问题，让真正有能力的专家处理最适合的任务。 Q2😊：专家自主选择会不会导致某些专家一直不工作或工作过载？ ❤️ A：实际上恰恰相反。研究发现专家自主选择机制能够自然实现更😴均衡的工作分配。因为每个专家都会根据自己的实际能力来选择任务😢，既不会勉强接受超出能力范围的任务，也不会错过适合自己的机会😴。就像技能互补的团队中，成员们根据专长主动认领任务时，工作分😡配往往比强制指派更合理。这种自然的负载均衡效果甚至比传统方法🥳中专门设计的负载均衡机制还要好。 Q3：这种专家自主选👍择技术现在能在哪些实际应用中使用？ A：目前这项技术主⭐要还处在研究验证阶段，研究团队已经在GitHub开源了相关代👍码。但其核心理念可以应用到很多AI系统中，比如搜索引擎的多算😡法协调、推荐系统的策略选择、聊天机器人的技能模块切换等。随着🙌技术的进一步成熟，预计会逐步应用到需要多专家协作的大型AI系😅统中，让这些系统能够更智能地协调内部的不同能力模块。返回搜狐😉，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

文 | 陆玖商业评论 文 | 陆玖商业评论 从市😅场端来看，全球L2级以上新车智能驾驶渗透率已接近45%，随着🙄未来两年具备L2-L3组合驾驶辅助功能的产品的快速落地，这一😂数字还有望进一步增长至60%。 巨额融资与巨额亏损并存😡，地平线在资本市场的强势募资与财务表现的强烈反差，勾勒出中国😴智能驾驶芯片行业的狂飙与隐忧。 9月26日，地平线在港😀交所发布公告，宣布以每股9.99港元的价格配售约6.39亿股🔥股份，估计所得款项净额约63.39亿港元（约合人民币58.1😜4亿元）。不出意外，该配售消息一出，地平线当日股价跌超8%。😢 这已是这家智能驾驶芯片公司一年内第三次大规模融资，总🥳募资金额也高达近155亿元人民币。特别是，此次配售距离上一次😡不过3个月的时间。 在资本市场长袖善舞的同时，地平线的😊亏损也在扩大。2025年上半年，地平线收入约为15.67亿元❤️，同比增长67.6%；但亏损反而从上年同期的50.98亿元增😆至52.33亿元。 这家被业内称为“中国智驾芯片第一股😴”的企业，一边是业务高速增长、出货量屡创新高，另一边是亏损持🙌续扩大，以及现有客户纷纷下场自研芯片。资本市场依然相信未来吗🚀？ 01 一年内募资155亿 作为赛道中入局较早🎉且已打开一定市场的明星企业，地平线的融资能力无疑是令人瞩目的🥳。 自2024年10月在港交所上市以来，地平线通过IP😆O募资58.73亿港元，今年6月配售募资46.74亿港元，加😡上此次募资63.4亿港元，一年内合计募资168.87亿港元（🔥约合人民币154.8亿元）。 而此次公告中披露的配售价🌟格，是以前一日即9月25日的收盘价折让约5.75%的价格得来🥳的。对比三个月的那次配售，此次募资更多，但给出的“折扣”反而👏更小，不少股民则在各大社区中表示出了质疑。 对于本次募🤗资的用途，地平线公告称将用于扩大海外市场业务，加速国内市场业🙌务扩张；投资研发以进一步提升技术能力；投资新兴领域，例如与R🤔obotaxi相关的计划；对上游及下游业务合作伙伴进行策略性😜投资。 有分析认为，地平线的融资紧迫感，藏着其创始人余🥳凯对行业窗口期的判断。尽管今年初，余凯便喊出“3年脱手开，5🎉年闭眼开，10年随心开”的设想，但想要将这个战略规划落地，就😎必须要加速技术商业化。 加之，特斯拉、国内大厂、传统车😁企都在加码，地平线需要通过融资保持技术领先，才可能在规模化效⭐应到来前保持身位。 02 中高阶产品占比提升，前五大客❤️户依赖度高 尽管地平线一直在扩亏，但不能否认的是，其业🤯务增长速度还是可圈可点的。8月29日，地平线宣布其征程系列车🥳载智能芯片，累计量产出货突破1000万套，成为国内首家跨过该😂门槛的智能驾驶计算方案企业。 展开全文 2025🤗年上半年，公司实现营业收入15.67亿元，同比增长67.6%🤩，主要得益于产品及解决方案业务收入大幅增长。而该板块营收也达👍到了7.78亿元，为去年同期3.5倍，出货量198万套，同比🙌增长约100%。 更值得关注的是，中高阶辅助驾驶方案正🤗在成为业绩核心驱动力。支持高速NOA和城区NOA的征程6系列😁芯片出货约98万套，同比增长6倍，占上半年总出货量近50%，😎贡献超80%相关业务收入。 出货量的攀升，也带动平均单😀车价值量同比提升70%。这一变化源于智驾辅助功能从基础L2向😎城区NOA等高阶应用的升级。而余凯也预计，搭载城区辅助驾驶方🙄案的车型价格带有望下探至15万元区间，进一步推动智能驾驶向大🙄众市场普及。 据地平线官网上的数据，公司目前已与27家👏车厂合作，定点车型超300款，大众、比亚迪这些头部车企都在其🚀客户名单里。 另据高工智能汽车的监测数据，在中国自主品🌟牌乘用车智驾计算方案市场中，地平线以33.97%的市场份额稳🥳居第一，每3辆汽车中，就有1辆采用了地平线的智驾方案。 ⭐ 然而，亮眼的市场份额背后，地平线也面临着客户集中度较高的风😂险。 根据招股书，2021年至2024年上半年，来自前😘五大客户的收入分别占地平线当期总收入的60.7%、53.2%😊、68.8%和77.9%。 到了2025年上半年，地平😘线前五大客户收入在期内总收入的占比高达52.48%，其中第一😂大客户占比达到19.7%。尽管前五大客户收入占比有所回落，但😍从数值上看依然相对较高。 这种依赖性的衍生风险在于，当😊主流车企纷纷启动自研芯片计划之后，诸如蔚来、小鹏、比亚迪等车❤️企都已陆续下场真金白银砸入于此，这或将诱发地平线面对“备胎危🌟机”。 03 从“卖硬件”到“软硬一体化”，押注Rob😆otaxi 中信证券曾在一份研报中指出，到2025年，🙌国内中高阶智能驾驶的渗透率有望翻倍，带来约350亿元的增量市😅场。 群智咨询调研数据显示，2024年全球智能驾驶So🤯C市场规模约50亿美元，同比增长高达62%。而据其预测数据，🤗2025年全球智能驾驶SoC市场规模还有望进一步扩大至76亿🙄美元。 不过，从市场端来看，全球L2级以上新车智能驾驶😂渗透率已接近45%，随着未来两年具备L2-L3组合驾驶辅助功😍能的产品的快速落地，这一数字还有望进一步增长至60%。 🤯 政策层面也为行业提供了支持。工信部提出2025年汽车芯片国😘产化率提升至20% 的发展目标，此举受到了一众车企的积极响应💯。比如东风汽车集团，计划于2025年将车规级芯片国产化率提升💯到60%。 国内外玩家齐聚，算力军备竞赛加剧，智能驾驶😜芯片领域的竞争也变得愈发激烈。2025年，随着政策法规陆续落🤯地、技术迭代逐步成熟、用户智能化需求增加，国内外汽车芯片厂商😘也悄然间展开了一场算力军备赛。 国际巨头英伟达在202💯5年8月宣布Thor芯片量产，但这款原计划2024年落地的“💯下一代自动驾驶神芯”不仅延期了近一年，实际交付的“Thor 🚀U”版本算力也从宣传时的2000 TOPS缩水到1600 T🚀OPS。 与此同时，国产芯片品牌正在奋力追赶。在202😡4年的市场格局竞争中，智能驾驶辅助芯片市场依旧呈现国外厂商主🤯导的态势。 其中，英伟达以38.63%的市场份额稳居国👏内首位，特斯拉以23.43%的份额位居第二。华为、地平线分别😎以17.21%和10.68%的市场份额分别排列第三、第四。 😊 更值得注意的是，蔚来神玑NX9031芯片随ET9量产上😉车后迅速覆盖5款车型；小鹏P7搭载三颗自研图灵芯片，算力达2😁250 TOPS，比Thor U还高；芯擎科技推出“星辰一号💯+龍鹰一号”组合方案，直接叫板“Orin X+高通8295”😴的多芯片架构。 地平线在中报中提到，向中高阶辅助驾驶解⭐决方案的转型将成为行业下一阶段的主导趋势，其先进算法和软件对🤗云服务相关的需求日益增长。公司预计，搭载城市辅助驾驶解决方案⭐的车型价格区间将进一步下降至15万元区间。 与此同时，😊面对激烈的市场竞争，地平线正在积极朝着“软硬件一体化供应商”⭐的方向，进行战略转型。 通过对比地平线2021年和20🚀24年的收入结构变化就能看出，“卖硬件”的收入占比已从202👍1年的44.6%下降到2024年的27.9%，同一报告期内，🎉其“软件服务”的收入从43.3%一路上升到69.1%。 🎉 其实这种转型也并不难理解。近几年整个汽车行业价格战一轮接着😂一轮，各家车企都在不断向上游压缩成本，这直接影响了地平线产品🎉解决方案的平均售价。 Robotaxi同样是地平线押注😊的新兴领域。根据瑞银报告预测，到本世纪30年代后期，中国Ro😴botaxi服务市场的潜在规模将达到1830亿美元，届时全国🥳将有约400万辆Robotaxi投入运营。 在这种背景❤️下，9月11日，地平线宣布与哈啰正式签署战略合作协议。双方将😘基于Robotaxi运营场景和需求，发挥各自技术优势，共同打😢造极致低成本、高安全、高可靠、高可用的智能驾驶技术。 🥳在行业尚未盈利的背景下，边扩亏边谋求新机的地平线，还能让资本👏市场保持多久的耐心，我们不得而知，但资本的态度可能也将决定智😴能驾驶芯片之争的最终赢家。希望，这位百度出身的创业者余凯，可🤩以顶住压力。返回搜狐，查看更多