RL 驱动下自然涌现长文本推理能力 基于规则的奖励 Rule-Based Reward 推理为中心的大规模强化学习 Large-Scale Reasoning-Oriented RL DeepSeek-R1-Zero DeepSeek-v3-Base (671B) 奖励建模： 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + ，纯强化学习驱动的强推理模型 DeepSeek-R1 技术剖析： DeepSeek-R1 Zero 9 基于规则的奖励 (Rule-Based Reward) : 准确率奖励 + 格式奖 励 推理为中心大规模强化学习：组相对策略优化（ GRPO ） + 瞄准 Reasoning 推理任务 自我迭代提升 上训练）（基座模型知识帮助突破推理上界，也有 一些 工作利用小模型复现 Aha Moment 得益于大规模 RL 和高质量推理数据）； 大规模强化学习加持： GRPO 对于强化学习训练的优化； 规则化奖励： 绕过奖励攻陷问题，但是得益于推理问题可以进行自动化标记和验证 （ Self-Automated Verification and Annotation) ，这是与一般聊天和写作请求任务不同的；

基于人类制定规则进行执行 的能力，需要人类监督 基于人类指定的规则及训 练的成果进行一定的自主 运行的能力，复杂情况下 仍需人工监督 基于人类指定的规则及训练 的成果进行一定的自主运行 的能力，少量人工监督，具 有自成长能力 无需人类监督，能够在人类 规则下自主智能化运行，并 且具有自成长能力，具有情 感化交流能力 对于大脑能力的需求 解析指令，执行指令 感知环境，解析规则，自动 化执行 化执行 多模态感知理解，解析规 则，自动化解析执行复杂 的运动 多模态感知理解，解析规则， 自动化解析执行复杂的运动， 自主迭代优化能力 多模态感知理解及执行，自 主迭代，情感化交流能力， 成为机器与AI Agent的结合 体 信息/指令获取端口 遥控器，控制器 遥控器，指令集，摄像头、 雷达等传感器 遥控器，指令集，文本， 摄像头，雷达，麦克风等 各类传感器 遥控器，指令集，文本，摄

智驾地图与传统导航地图的区别 特征 传统导航地图 智驾地图 主要目的 人类驾驶员路径规划、导航指引 服务自动驾驶系统 (机器)，辅助感知、规划与决策 核心要素 道路网络、兴趣点(POI)、基本交通规则 按需提供车道拓扑、关键语义要素、精确道路属性等 精度要求 道路级别 (典型精度5-10米) 按需达到车道级或更高精度 (如信号灯等关键要素位 置，<50cm) 更新频率 相对较低 要求高，强依赖众源数据实现近实时或高频更新 提供更适合自动驾驶系统执行的路径（如车道级、 考虑曲率/坡度/可通行性），在高阶自动驾驶中始终是地图的核心能力。 决策支撑 (规 则/拓扑) ★ ★★ ★★★️ ★★★ ★★★️ 核心价值，高阶关键： 提供复杂的交通规则（如潮汐车道、特殊路口通 行）、道路拓扑关系，是实现安全、合规、高效智能驾驶决策的基础，重 要性随级别升高而凸显。 ODD 定义/验 证 N/A ★★ ★★★️ ★★★ ★★★ 高阶功能关键： ★★★️ ★★ ★★ ★ 重要性逐步下降： 早期高精定位依赖地图特征，未来多传感器融合定位 技术成熟后，对地图几何特征的依赖性降低。 趋势：从依赖几何精度 (L2+/高速) 转向依赖语义、拓扑、规则和优化规划能力 (城市NOA及以上)，并成为重要训练数据源。 主要作用 核心价值 智驾地图在不同自动驾驶等级中的作用演变 资料来源：泰伯智库制作 版权声明：本报告版权归泰伯智库所有，未经授

分析师：陈烨尧 执业证书编号：S0020524080001 邮箱：chenyeyao@gyzq.com.cn 智能驾驶行业研究 请务必阅读正文之后的免责条款部分 目录 2 1.端到端发展进入加速期，基于规则长期护航 1.1 端到端的定义、发展历程、实现方法及挑战 1.2 自动驾驶产业支持充足，标志性政策落地 1.3 车企抢滩DeepSeek，AI行业与智能驾驶共振 1.4 10万级别智驾落地推动行业进入智驾平权 轴汽车底盘 控制系统供应商 3.4.8 线控转向：L4级及以上自动驾驶必备，尚处市场导入期 4.投资建议 5.风险提示 请务必阅读正文之后的免责条款部分 3 端到端发展进入加速期，基于 规则长期护航 1 请务必阅读正文之后的免责条款部分 图1：端到端与模块化自动驾驶 资料来源：电动车公社，国元证券研究所 4 端到端的定义：基于数据驱动的深度学习 在广义语境中，端到端是一种研 从大量驾驶数据中自动学习复杂的驾驶模式和场景特征。 传统智驾系统的感知层、决策规划层和控制执行层之间 相互独立，信息传递容易积累误差，且智驾方案依赖于 工程师通过代码制定的规则，难以处理所有复杂场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 将感知、预测和规划结合为一个可以共同训练的单一模 型，

4五、案例--2024年国网电力市场发展状况 23 ◼ 国网市场存在问题： 5.储能发展： -储能的大规模发展对系统调度运行、电力市场设计等方面提出新的要求。 -需要通过完善市场机制和调度规则，激励储能的灵活调节能力，提高储能的利用效率和经济效益。 6.新型经营主体： -微电网、虚拟电厂、负荷聚合商等新型经营主体参与市场面临认定、计量、结算等问题。 -需要通过明确市场主体地位、完善 4五、案例--2024年国网电力市场发展状况 ◼ 国网市场存在问题： 9.省间省内市场衔接： -省间与省内市场、中长期与现货市场、电能量市场与辅助服务市场等市场衔接机制仍需进一步完善。 -需要通过加强市场规则设计、优化市场运营机制、提升市场协同能力等手段，实现各市场之间的有效衔接和协同运行，提高市场 整体效率和效益。 10.电力市场技术标准： -计量、结算等关键技术标准规范仍需进一步完善。 -需

重塑经济图景 解决复杂问题 7 政企、创业者必读 8 AI不仅是技术革新，更是思维方式和社会结构的变革 国家 产业 个人 企业 政企、创业者必读 人工智能发展历程（一）  从早期基于规则的专家系统，走向基于学习训练的感知型AI  从基于小参数模型的感知型AI，走向基于大参数模型的认知型AI  从擅长理解的认知型AI，发展到擅长文字生成的生成式AI  从语言生成式AI，发展到可理解和生成声音、图片、视频的多模态AI 等带来巨大改进，降低成本和算力要求  低成本低算力需求使得模型更容易被部署到机器人等智能设 备上，解决物理现实世界的认知、决策和行动问题 政企、创业者必读 赋予自动驾驶复杂物理世界理解能力 从规则驱动到学习驱动 43 政企、创业者必读  人工智能的目标是星辰大海，是为了让人类在科技上有突破  基于DeepSeek的强推理模型，利用科学领域专业知识进行强化学习， 能够打造更加专业的科学推理模型

传统机器人不智能， 应答效果差 客户诉求 产品示例 人工校验入库 在售前/售后服务领域：腾讯乐享帮助打造一站式智慧售前/服务社区 乐享讲好品牌故事，传播好企业文化，让工业企业和零售户感受到有规则，有公平，有信心 Deepseek 大模型引擎 结合物联网和人工智能打造的勘探/安装/巡检一体化平台， 节约人力成本，降低安全风险，提高工作效率 当前拍摄 未来拍摄 屋顶四周对角 各处细节+视频

Ø 多模态模型 Ø …… l 行业模型（垂直模型、垂类模型） Ø 教育、医疗、金融等 大模型的前世今生 •人工智能：让机器具备动物智能，人类智能，非人类智能（超人类智能） •运算推理：规则核心；自动化 •知识工程：知识核心；知识库+推理机 •机器学习：学习核心；数据智能（统计学习方法，数据建模） •常规机器学习方法：逻辑回归，决策森林，支持向量机，马尔科夫链，….. •人工神

进一步推动了算力需求的激增。当前，软硬件协同的方法正在不断提 升大规模智算训练效率。在硬件方面，高性能 GPU、专用 AI 芯片、 高速互联网络、大容量高速存储等技术，实现了大规模的算力供给， 为处理复杂、不规则的计算任务（如自然语言处理的长序列数据、计 算机视觉的多尺度图像特征）创造了条件；在软件方面，分布式训练 框架、预训练大模型、多模态数据处理等技术也通过精细化算力管理 提升了大模型的训练和推理速度，为机器人的大规模应用提供了基础 来看，机器学习对于数据和算力的需求较小，训练时间也相对较短， 而深度学习、强化学习则需要高性能的 GPU、TPU 等算力支撑，数据 需求也增长至百万量级。从应用场景来看，机器学习能够广泛用于各 类分类、回归、聚类、关联规则任务，帮助机器人实现物品分类、平 面移动和故障诊断等功能，但不具备决策能力；而深度学习则聚焦图 像、文本和语音等复杂任务的处理，能够帮助机器人实现缺陷检测、 知识问答、人机对话等功能，具有一定的决策能力。

义基础，确保机器可理解与执行。其次，企业需要实现战略与执行的动态映射。基于业务架构与流 程架构的贯通，将战略目标拆解为可执行的流程组件，确保 AI 与价值创造路径精准对齐。第三，企 业需要建立数据治理底层规则。通过明确数据采集点、流转路径及质量标准，形成"数据-流程-决策 "闭环治理框架。第四，识别流程熵增的优化靶点。企业通过拓扑关系分析揭示跨系统断点与冗余环 节，为 AI 提供明确的优化约束与决策