本帖最后由 panyuedong 于 2023-12-20 18:12 编辑
【浙商证券】3M·39页
1、大模型技术发展历程
• 大模型泛指具有数十亿甚至上百亿参数的深度学习模型，而大语言模型是大模型的一个典型分支（以ChatGPT为代表）。 Transformer架构的提出引入了注意力机制，突破了RNN和CNN处理长序列的固有局限，使语言模型能在大规模语料上得到丰富的语言知识预训练，一方面，开启了大语言模型快速发展的新时代；另一方面奠定了大模型技术实现的基础，为其他领域模型通过增大参数量提升模型效果提供了参考思路。
• 复杂性、高维度、多样性和个性化要求使得大型模型在自动驾驶、量化交易、医疗诊断和图像分析、自然语言处理和智能对话任务上更易获得出色的建模能力。
2、自动驾驶模型迭代路径
自动驾驶算法模块可分为感知、决策和规划控制三个环节，其中感知模块为关键 ，经历了多样化的模型迭代：CNN（2011-2016）—— RNN+GAN（2016-2018）—— BEV（2018-2020）—— Transformer+BEV（2020至今）—— 占用网络（2022至今）。
特斯拉自动驾驶技术路径的演进可视为自动驾驶技术迭代的风向标，呈现全栈自研、出软硬件的协同发展趋势：软件层面从采用Mobileye到自研Transformer+BEV 和占用网络；硬件层面从与Mobileye 、英伟达合作到自研FSD芯片方案。
3、大模型对自动驾驶行业的赋能与影响
• 自动驾驶领域的大模型发展相对大语言模型滞后，大约始于2019年，吸取了GPT等模型成功经验。大模型的应用加速模型端的成熟，为L3/L4级别的自动驾驶技术落地提供了更加明确的预期。
• 可从成本、技术、监管与安全四个层面对于L3及以上级别自动驾驶落地的展望，其中：成本仍有下降空间；技术的发展仍将沿着算法和硬件两条主线并进；法规政策还在逐步完善之中；安全性成为自动驾驶汽车实现商业化落地必不可少的重要因素。
• 各主机厂自2021年开始加速对L2+自动驾驶的布局，且预计在2024年左右实现L2++（接近L3）或者更高级别的自动驾驶功能的落地，其中政策有望成为主要催化。
点击下载完整版报告
版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领 | 
