📰 研报摘要
查看全文 ➔本报告深入分析了智能驾驶大模型从云端基座向车端部署迁移的技术挑战与优化路径。核心观点认为，未来云车分工将趋于“云端探上限、车端保实时”。云端优化重点在于通过MoE稀疏化、注意力/KV缓存压缩（如MLA）、视觉Token剪枝以及隐式思维链压缩来降低推理成本并探索能力上限。车端部署则侧重于在固定车规算力约束下实现低时延，主流范式为“云端大模型蒸馏上车+快慢双系统”，通过教师-学生蒸馏将能力迁移至实时学生模型，并利用量化、并行解码和采样步数压缩等推理工程手段将时延压至10Hz量级。报告详细对比了理想（VLA 32B蒸馏至4B）、小鹏（第二代VLA时延压缩至80ms以内）及Waymo等厂商的技术实现。风险因素包括技术迭代不及预期、大模型厂商增速放缓、云服务商资本开支下降及智能驾驶商业化落地不及预期。