价值驱动，AI创新，开启高阶自智网络新篇章 目录 摘要 1 智能化时代洞察 2 2.1 趋势1 数字人直播、元宇宙等新业务蓬勃发展，带来变现新商机 8 2.3 趋势3 智算规模增长，算网深入融合，业界持续提升资源利用率 10 2.4 趋势4 大模型赋能运营商数智化转型，加速高阶自智 11 2.5 趋势5 数字孪生加速网络智能化演进，实现以虚映实，以虚控实 14 3.1 迈向高阶自智的整体思路 19 3.2 选择高阶自智网络L4价值场景

比亚迪：智驾平权加速，边际变化可期 3.智能驾驶产业链 3.1 车端：电子电气架构向中央计算迈进 3.2 感知层 3.2.1 传感器数量减配、性能提升 3.2.2 激光雷达市场快速增长，格局集中 3.2.3 高阶智驾需要激光雷达提供安全冗余 3.2.4 前视摄像头市场分散 3.2.5 从全量感知到按需感知的算法演进 3.3 决策层 3.3.1 域控制器构成 3.3.2 智驾域控市场逐渐走向合作定制化 3 为事故责任认定及原因分 析提供技术支撑。 资料来源：中国政府网，国元证券研究所 近年来，工信部等部门陆续颁布多项智联网汽车相关政策，助推智能驾驶从“小范围测试验证”加速迈入“规模化落地”，加快高阶 智能驾驶的普及应用和商业化进程。随着智能网联汽车技术快速迭代和辅助驾驶的大规模应用，“车路云一体化”正处于转入规模化 应用的关键时期，建成将具有巨大潜在价值：一方面，当车辆大规模接入车路云网络后， 资料来源：焉知人形机器人，国元证券研究所 车企抢滩DeepSeek，AI行业与智能驾驶共振 14 以Deepseek为代表的AI技术进步助推自 动驾驶行业告别硬件堆叠、算力比拼， 一场以AI融合为核心的高阶智能驾驶和 智能座舱新竞赛即将展开。以往在大模 型竞赛中，通常是围绕“数据、算法、 算力”三要素中的算力进行突破，企业 通过不断堆高算力水平来实现大模型训 练和推理的加速。而DeepSeek的出现则

自动驾驶系统 (机器) 价值体现 导航功能本身 (相对价值有限) 赋能智驾功能实现与体验提升，亦可作训练数据源 车辆系统融合 主要用于基础导航显示与座舱交互 与感知、规划、控制系统深度耦合，支撑高阶功能 版权声明：本报告版权归泰伯智库所有，未经授权许可，不得擅自引用或将报告内容外泄。Copyright@2025，Beijing Taibo Co.， Ltd. All Rights Reserved 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： 地图定义了自动驾驶系统的运行设计域（ODD），并用 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

出现语言混合的问题。 对推理链的质量进行细致的评估，并通过奖励机制引导模型生成更加合理、准确的推理过 程。 多目标优化：兼顾推理性能、帮助性和安全性； 蒸馏的潜力：蒸馏可以帮助将更大模型通过 RL 发现的高阶推理范式蒸馏到小模型中，这比用小 模型直接使用大规模 RL 发现的推理范式要更加有效； 基于群组的相对策略优化 (GRPO) : 通过构建多个模型输出的群组，并计算群组内的相对奖励来 给一个年轻的学生，让其在较短的时间内掌握复杂的技能。 DeepSeek 利用蒸馏 R1 的手段获得了一系列小模型，表现非常突出。这很大程度得益于 R1 模型足够强大， 发 现了很多高阶推理范式，而这些高阶推理范式是小模型直接利用大规模强化学习难以发现的（可以认为 是由 于预训练知识不足），因此这些蒸馏得到的小模型表现比较突出，甚至超过了基于大规模 RL 的方法。 技术对比讨论：蒸馏 vs end-of-thinking token 的出现， 并鼓励更深入的探索。 DeepSeek 利用蒸馏 R1 的手段获得了一系列小模型，表现非常突出。这很大程度得益于 R1 模型足够强大，发现 了 很多高阶推理范式，而这些高阶推理范式是小模型直接利用大规模强化学习难以发现的（可以认为是由于预 训练 知识不足），因此这些蒸馏得到的小模型表现比较突出，甚至超过了基于 RL 的方法。 相对依赖于强大的教师模型

Page42 企业数字化转型总体架构——高阶工作流程 业务数据规划管理高阶流程 数据认责流程 数据治理考核体系  数据治理考核流程  数据治理考核指标体系 数据标准管理管理高阶流程 数据标准建立流程 数据标准维护流程 数据质量管理管理高阶流程 – 数据质量要求确定流程 元数据管理高阶流程 元数据变更流程 数据安全管理管理高阶流程 数据安全审批流程 数据认责流程

务问题的能力； 为什么智能制造人才找不到、招不来、 留不住 那么，为什么制造企业“找不到、招不来、留不住”上面 所说的这些人才？ 首先，就是因为随着智能制造的推进，行业的人才需求结 构出现变化，但高阶人才在市场上普遍不足；其次，人才 供给结构也不够完善，由于产教融合不够深入，教育环节 输出的人才和企业实际需求的人才有比较大的出入，造成 的结果是，一边是越来越多的毕业生找不到工作，另一边 除此之外，随着产业的进一步升级，以及数据与业务的融 合日益加深，包括计算机科学、数据科学等领域在内的高 端人才也是企业落地智能制造的稀缺资源。“归根结底， 企业智能制造需要的是专业能力和综合能力都更强的高阶 人才，这将是企业未来发展的重要命脉。”朱德权表示。 观点 如何化解智能制造人才困境 要应对以上人才管理的“三连击”，i 人事 HR 系统人力资 源数字化业务专家李芳阳告诉 InfoQ，这需要政府政策、 场景举 例，有企业向 InfoQ 记者介绍，排班排的不应该是出勤时 间，而要把这个人排具体的订单工序上。比如，每天上午 贯穿全生命周期做人才精细化管理 也就是说，制造业“招不来”、“留不住”高阶人才，也受 到自身行业特殊性的影响。 比如，我国制造业过去长期以中低端生产为主，因此被贴 上了诸如工作环境恶劣、社会地位不高等特有的标签，而 这些“偏见”的存在，就使得制造业与互联网、金融等行

.... 28 （二）地质保障向精准探测与隐蔽致灾精准防控方向发展 .... 29 （三）掘进系统向数智少人化方向发展 .................... 30 （四）综采智能化向高阶数智开采方向发展 ................ 31 2 （五）主运输系统智能化向高级无人值守发展 .............. 32 （六）辅助运输向智能高效连续运输方向持续提升 和深部巷道智能快速掘进等成套装备的发展。建设一批薄 煤层、深部巷道、硬岩巷道少人化智能掘进示范工程，实现煤矿掘进 在特殊工况下截割硬度、月进尺、地质条件和环境适应性上的新突破。 （四）综采智能化向高阶数智开采方向发展 1.研制新一代高效智能开采装备。面向三软煤层、薄及极薄煤层、 急倾斜煤层、千米以上深煤层等复杂开采场景需求，开展自动截割、 自主支护、高效运输等关键核心技术攻关，推动自适应截割智能采煤 资源随采精 准探测与数字透明化开采；建设 600m 超长工作面典型示范工程，构 建“向上弹性增产保供-向下弹性节本降耗”的智能柔性生产体系， 提升煤炭能源供应保障能力。 2.开发煤矿无人化高阶数智开采技术。依托地质保障系统实现煤 层赋存条件透明化，构建智能化地质模型指导综采透明化开采，突破 智能感知与通信传输瓶颈，形成综采全域场景多源异构数据融合感知 能力，为感知提供“广连接、低延时、大上行”传输能力，构建“云

务问题的能力； 为什么智能制造人才找不到、招不来、 留不住 那么，为什么制造企业“找不到、招不来、留不住”上面 所说的这些人才？ 首先，就是因为随着智能制造的推进，行业的人才需求结 构出现变化，但高阶人才在市场上普遍不足；其次，人才 供给结构也不够完善，由于产教融合不够深入，教育环节 输出的人才和企业实际需求的人才有比较大的出入，造成 的结果是，一边是越来越多的毕业生找不到工作，另一边 除此之外，随着产业的进一步升级，以及数据与业务的融 合日益加深，包括计算机科学、数据科学等领域在内的高 端人才也是企业落地智能制造的稀缺资源。“归根结底， 企业智能制造需要的是专业能力和综合能力都更强的高阶 人才，这将是企业未来发展的重要命脉。”朱德权表示。 观点 如何化解智能制造人才困境 要应对以上人才管理的“三连击”，i 人事 HR 系统人力资 源数字化业务专家李芳阳告诉 InfoQ，这需要政府政策、 场景举 例，有企业向 InfoQ 记者介绍，排班排的不应该是出勤时 间，而要把这个人排具体的订单工序上。比如，每天上午 贯穿全生命周期做人才精细化管理 也就是说，制造业“招不来”、“留不住”高阶人才，也受 到自身行业特殊性的影响。 比如，我国制造业过去长期以中低端生产为主，因此被贴 上了诸如工作环境恶劣、社会地位不高等特有的标签，而 这些“偏见”的存在，就使得制造业与互联网、金融等行