 智驾地图是支撑L2级及以上智能驾驶系统的关键数据基础设施，其核心价值在于补充车载实时感知、提 供超视距信息及优化路径规划。  智驾地图正从重几何精度的高精地图向更注重拓扑、语义与鲜度的轻量化地图演进，其具体形态随自动 驾驶算法需求动态演进，众源更新成为保障鲜度的关键技术。 5 资料来源：公开资料、专家调研、泰伯智库 市场概述 智驾地图的定义、核心特征与要素 高精地图主导 高精几何+语义 地图向轻量化、众包化、服务 化转型，并催生新型商业模式的关键驱动。 9 市场概述 主机厂降本增效的极致追求：驱动地图方案轻量化 降本方向 代表企业 具体实践 预期效果 推出“智驾平权” 比亚迪 将NOA（导航辅助驾驶）等高阶智驾功能下放至10万元 级别车型，打破了智驾功能以往与高价车型绑定的局面 道路覆盖成本降低，可扩展至6.98万元车型 数据轻量化 腾讯地图 轻量化数据服务，模块化工具链支持车企仅调用必要地

e k R 1 PART 02 DeepSeek公司 2025年1月20日推出DeepSeek-R1推理模型 作为由知名私募巨头幻方量化孕育而生的公司，DeepSeek获得了强大的资金支持和行业 影响力，幻方量化与九坤投资、明汯投资、灵均投资并称量化私募领域的“四大天王”， 管理资金规模均超过600亿元。这为DeepSeek提供了清晰的市场定位和投资者背景 DeepSeek专注于开发

AI的输出中获得更深入的洞察。 基于对 AI 赋能人才发展领域的深刻洞察，UMU 推出了创新性的 AI 力测评工具。这套 系统通过科学的量化指标，全面评估企业员工的 AI 力，为企业的 AI 转型提供可靠的 数据支撑。 UMU AI 力测评工具构建了全方位的量化评估体系，从五个关键维度精准解析员工的 AI 力现状： 基础认知：评估对 AI 技术的理解深度 情感态度：衡量对 AI 的主观意愿和接受程度 解决业务问题的能力 合规使用：评估 AI 应用的安全性和规范性 4.2 AI 力的诊断和测评 18 UMU 的 AI 力测评工具可以生成直观的 可视化报告，清晰展现员工 AI 力的现状和 不足，帮助管理层量化分析各个团队和部 门在 AI 转型中的优势与短板，从而制定更 针对性的人才赋能方案。 在实际应用层面，UMU 的 AI 力测评工具 突破了传统一次性评估的局限，通过持续 追踪员工 AI 力的提升轨迹，精准对比员 赛道十载，UMU 凭借丰富的数智化转型实践，致力于打造 AI 驱动型组织，提供 从 AI 战略规划到应用落地的一站式解决方案。用 AI 力系统化提升组织的 AI 认知与实 践能力，实现 AI 与业务的深度融合，以可量化的效能提升和流程优化，为客户创造持续 增长的商业价值。 课程自上线以来，已吸引众多全球 500 强及行业领军企业采购课程，从企业决策层到执 行层，成功构建了大模型时代所需的 AI 力。 在这场技

人形机器人机械本体的技术特点在于其高度模拟人类形态，具备 灵活的“肢体”，包括一体化关节、灵巧手、仿人机械臂、仿人腿、 骨架躯干、柔性电子皮肤，需要高强度紧凑的机械结构，也需要实现 灵活性和轻量化。 人形机器人一体化关节是一种高度集成化的机器人关节组件，它 将伺服驱动器、无框力矩电机、减速器（谐波、行星、滚柱丝杠）、 编码器等关键部件集成在一个模块中，可以提高人形机器人的运动精 度、 术难点，如驱动器等组件的精密度和可靠性保证、控制算法的开发和 优化、接口的标准化等。此外，如何在保证性能的同时实现关节的小 型化和轻量化，也是当前面临的重要技术问题，需要在整体设计、材 料应用、制造工艺等方面进一步提升。未来，人形机器人一体化关节 模组将不断向轻量化、紧凑化、高性能化、高可靠性、标准化、模块 化以及智能化方向发展，包括建立标准接口实现模块化设计，降低生 产成本和维修成本，提高可扩展性和可升级性。 置，腿足结构设计与加工技术对人形机器人的运动能力、稳定性和效 率起着关键作用。早期的大框架、大重量设计经过运动学、动力学分 析和拓扑优化等技术的改进，现已成为可在保证腿足强度的同时达到 轻量化与可靠性的平衡设计。同时，利用增材制造技术融合多材料多 工艺方法构建复杂的机械框架也提高了腿足的灵活性，兼顾强度、惯 量、运动范围、外观等多种需求。随着各个领域技术的发展，未来可 34 以通

，企业必须激励团队对传统系统 进行现代化改造，并改变新解决方案的开发方式。CIO、CFO 和其他主要领导者可以将长期生 产率提高和绩效指标与每个新解决方案联系起来，以衡量现代化改造的潜在效益，对采取捷径 的成本进行量化。这些领导者的联手合作可以帮助团队决定何时为了速度积累技术债务是合理 的，何种情况下自始就应当构建正确的架构。尤其是随着时间的推移，技能提升和再培训成果 会提高生产率。 灵活性也是必须考虑的问 如果领导者不转变这种思维模式，即便在快速成效能推动增长或 盈利的当下，技术债务也可能会阻碍进展。 领导者可以将长期生产率提高和绩效指标与每个 新解决方案联系起来，以衡量现代化改造的潜在 效益，对采取捷径的成本进行量化。 2025 年五大趋势：人智共创未来 点燃创新纪元 12 行动方案 弥合愿景与现实之间的差距。 确定扩展 AI 取得成功所缺的架构要素。将 AI 商业论证与相关的现代化改造成本联系起 委员会，负责从业务线的角度确定投资回 报率；同时制定劳动力战略，助力员工在不 增加技术债务的情况下进行创新。 激励大规模扩展。 赋能 IT 领导者，让他们向企业传达大规模扩 展 AI 所需技术架构的全部相关成本。量化采 取捷径的成本，以及开发可快速扩展的试点 项目所带来的业务价值。奖励那些全面考虑 AI 创新，或提出可限制产生未来技术债务的 项目团队，推动改变组织的行为经济学。 敏捷性架构。 建立一个神经中枢，专注于设计模块性和可

千行百业的智能化水平走向纵深。 各行业已普遍启动 AI 转型,智能成为一种生产力被认同并发挥作用 AI 创新文化逐渐形成。可预见的是,价值量化将成为企业识别差距、 路径规 划与战略更新的重要抓手。随着企业不断深入智能化转型,对智能化价值的 认知将不断提升,对价值量化的需求将更加迫切,企业将持续关注量化价值 的相关工作, 并将其作为推动智能化转型的重要手段。 1.3 数字经济迎多重政策利好, 驱动数字中国发展提质提速 能化发展水平上呈现出整体差距,因此企业在进行智能化转型时还受到规模、 资 源投入、业务范围等内在因素的影响。基于此,企业智能化转型框架必须在普遍 规律和企业特性相结合的基础上,建立起系统性、 客观性、可迭代、且具备量化 能力的分析框架和评估体系。 更多干货请关注公众号“管理技术化平台” 8 图 2-2 企业智能化转型框架图（2024 版） 与 2023 年版企业智能化转型框架相比,今年的企业智能化转型框架抓住了 明确可量化价值。客观自评, 是企业确定战 略方针的前提与基点。通过 AI 能力成熟度评估,企业可以根据自身的实际情况, 如业务复杂度、数据规模、技术水平等, 确定适合自己的 AI 投资方向, 避免资 源的浪费。对于投资者来说, 企业能够提供详细的 AI 能力成熟度评估报告和可 量化的价值分析,是其决策是否投资的重要依据。 对于企业来说, 通过进行 AI 能 力成熟度评估并明确可量化价值,

包括生成多样化的行人、车辆行为模式，提升模型对复杂交通 场景的适应能力，使模型提前学习应对策略，避免实际路测中的安全隐患。同时，通过云端协同的方式，将数据合 成和仿真训练放在云端完成，车端仅需加载轻量化模型，避免占用车端算力。这种提升极端路况的表现尤其适用于 城市NOA。 请务必阅读正文之后的免责条款部分 图10、11：模型蒸馏技术原理 资料来源：Python见习室，吴建明利驰数字，国元证券研究所 Representation for End-to-End Autonomous Driving，国元证券研究所 感知层：从全量感知到按需感知的算法演进 49 在传统的感知-规划框架里，感知的目的是全量化尽可能多的获取精确的场景感知信息，让规划模块能有完备的 输入以得出好的规划结果。这是由于传统框架模块化的设计使得感知无法获得规划的需求，所以只能尽可能多 的提取有效信息给下游模块使用。对于感知而言， 资料来源：汽车视界研究，国元证券研究所 图71：NPU核心架构 资料来源：汽车视界研究，国元证券研究所 黑芝麻智能：核心技术 69 核心技术2：神经网络加速器NPU。 •软硬件同步优化：通过可适配量化、结构化剪裁压缩、硬件可执行软 件的子图规划实现软硬件同步优化，支持稀疏加速和配备自动化开发 工具 •多阵列高算力：NPU内部可搭载多个3D卷积MAC阵列、1个2D GEMM阵列， 以及1个EDP运

算 力 训练阶段 微调阶段 ➢ 训练完的模型参数量也会影响推理端算力 大模型训练 作为驱动人工智能发展的关键生产要素，数据规模多维度影响大模型的性能与应用场景：超大模型追求“能力上 限”，轻量化模型聚焦“应用普适性”，两者共同推动人工智能从实验室研究走向规模化商业落地。 17 资料来源：灼识咨询 大模型的发展及参数量变化 ➢ 规模法则（Scaling law）在当前人工智能发展中仍然 范式，带动数据中心、边缘及端侧算力建设。 ➢ 大模型参数规模呈现两极分化趋势，主要表现为“超大参数模型”与“轻量化模型”的并行发展。超大参数模型（如千亿级以上）在复杂任务处理中展现出显著优势。 通过海量参数学习更复杂的特征和模式，支持定制化解决方案，满足企业和科研机构的高阶需求；轻量化模型（如参数在数十亿至百亿级）通过模型压缩、蒸馏等技 术实现高效部署，尤其在移动端和实时性要求高的场景中占据主流 Sparrow (70B) Claude (52B) Ernie Bot (260B) ChatGLM-6B 通义千问 (7B) 日日新 (180B) 中国大模型 海外大模型 “超大参数模型”与“轻量化模型”并行发展 在大模型出现之前，机器学习算法的参数量以平均每5-6年翻一个数量级的速度快速增长， 而大模型的出现使模型参数量的增长速度大幅提升。 • 2025年发布的大模型开始分化为两级 2021年

图3a：生成式人工智能给不同职能带来的机遇：银行业 资料来源：“生成式人工智能机遇量化”（Quantifying the GenAI opportunity）研究，毕马威美国，2025年2月 在深入研究了 家企业进行了评估。 为了向客户提供人工智能战略和投资指导，毕马威美国最近完成了为期18 个月的名为“生成式人工智能机遇量化”（Quantifying the GenAI opportunity） 34% 7% 资料来源：“生成式人工智能机遇量化”（Quantifying the GenAI opportunity）研究，毕马威美国，2025年2月 十大机遇：银行业 客户关系管理 运营 业绩提升 数据分析 产品表现分析 运营和供应链资源分配 客户情绪分析 内容生成 数据压缩 质量保证和测试 资料来源：“生成式人工智能机遇量化”（Quantifying the GenAI

中国应用层厂商市场策略 低价动机 – 内部： 低价动机 – 外部： 定制化： 产品化：平台/Agent/APP • AI芯片技术突破，单位算力对应的成本在下降 • MoE架构节约推理成本，大模型的量化压缩技术 越来越先进 • 基于低价策略吸引更多B端与C端客源，尽可能在 早期占据市场份额，以此获得业务正循环，在市 占基础上拓展更多业务线及利润点。 • 在吸引客源基础上，培育更良性的开发者生态， 到业界领先水平 DeepSeek成立于2023年，由幻方量化创始人梁文锋创立，定位为专注于人工智能基础技术研究的科技公司，致力于探索AGI的实 现路径。截至目前，DeepSeek已经推出了包括通用模型V系列、推理模型R系列以及代码模型、数学推理模型和多模态模型等在内 多款开源模型。其最新版本通用模型V3-0324实现660B参数下的轻量化部署，推理模型R1在数学、代码、自然语言推理等任务上， 性能比肩OpenAI