Краткое содержание анализа
На первый взгляд, китайская индустрия автономного вождения в 2026 году кажется процветающей (доля технологий уровня L2 превышает 70%, технологии уровня L3 начали использоваться на дорогах), однако скрываются три основные проблемы: невысокая прибыльность бизнеса, застой технологических инноваций и нехватка качественных данных. Эти проблемы привели к тому, что большое количество квалифицированных специалистов и капитала перешло в область антропоморфных интеллектуальных систем, что отражает циклический переход новых отраслей от быстрого роста к глубокой корректировке.
Подробный анализ
1. Бизнес-проблемы
Разработка технологий автономного вождения представляет собой серьезные трудности. Проблема заключается в серьезном несоответствии затрат и доходов:
- Затраты: На исследования и разработки требуется много денег — нанимаются доктора с годовым доходом в миллионы, арендуются дорогие вычислительные ресурсы, после продажи автомобилей необходимы дополнительные инвестиции в обновления программного обеспечения (старые пользователи не готовы платить);
- Доходы: Пользователи не готовы платить за программное обеспечение автономного вождения — стоимость таких услуг варьируется от нескольких тысяч до десятков тысяч юаней, многие считают это ненужным; сотрудники по продажам также жалуются на отсутствие привычки к платежам.
После начала массового производства команды, занимающиеся алгоритмическими разработками, превращаются из центров инноваций в центры затрат: раньше они работали над созданием новых решений, теперь же специалисты занимаются повторяющейся работой по обслуживанию кода и обработке данных, что объясняет отсутствие стимулов к инновациям.
2. Технологические инновации
В Китае быстро развивается производство автономных систем, однако прогресс в ключевых технологиях замедляется:
- Моделирование пользовательских привычек: Технология FSD от Tesla уже способна учитывать предпочтения пользователей при парковке, но большинство китайских решений не соответствуют этому уровню — проблема не в невозможности реализации, а в неправильном архитектурном дизайне с самого начала;
- Предсказание окружающей среды: Tesla использует реальные данные для создания виртуальных экстремальных сцен (дождь, неровные дороги), что позволяет решить проблему нехватки качественных данных, в то время как в Китае все еще применяются методы 3D-гауссовского моделирования, что сильно отличается от подходов Tesla.
Причина в высоких затратах после начала массового производства; компании предпочитают вносить патчи в существующий код, а не заниматься радикальными инновациями.
3. Проблемы с данными
Качественные данные для автономного вождения крайне нехваточны, особенно для моделирования экстремальных сцен:
- Редкость экстремальных условий: Обычные дорожные условия хорошо изучены, но дожди, снегопады, нестандартные транспортные средства встречаются редко; накопление большого количества обычных данных бесполезно;
- Низкая эффективность обработки данных: Из собранных терабайтов данных используется лишь небольшая часть для обучения алгоритмов;
- Низкий статус команд по обработке данных: В индустрии считается, что алгоритмы являются ключевыми, а работники, занимающиеся обработкой данных, считаются вспомогательными; по словам Чжоу Ирана, их работа часто недооценивается.
4. Миграция квалифицированных специалистов
Уход квалифицированных специалистов из индустрии автономного вождения не является случайностью — это результат смены центров инноваций:
- Инвестиционные тенденции: В 2025–2026 годах объем инвестиций в область антропоморфных интеллектуальных систем резко вырос (в первой половине 2026 года он превысил 93,5 миллиардов юаней); компания YuShu Technology вышла на биржу с рыночной капитализацией более 400 миллиардов юаней;
- Соответствие потребностей рынка: Технологии антропоморфных интеллектуальных систем требуют аналогичных навыков, что и специалистов из области автономного вождения; например, половина сотрудников компании Chen MoXin ранее работали в этой области;
- Ожидания рынка: Индустрия автономного вождения вступает в период коммерческой проверки, в то время как антропоморфные интеллектуальные системы все еще находятся на стадии технических исследований; специалисты считают, что в области робототехники есть еще много возможностей для развития.
5. Трудности работы с данными
Трудности, связанные с обработкой данных, затрагивают даже самые низкие уровни индустриальной цепочки:
- Строгие стандарты: Например, требуется, чтобы траектории движения автомобилей были плавными, а контуры пешеходов имели определенные размеры; это ограничивает возможности специалистов;
- Недостатки инструментов: Инструменты для обработки данных часто содержат ошибки; при обработке данных остаются данные предыдущих этапов; в сложных условиях специалистам приходится полагаться на интуицию;
- Недостаточная помощь ИИ: Существующие инструменты для предварительной обработки данных работают медленно или ошибочно; по словам Ли Сянга, их использование неэффективно.
Заключение
Индустрия автономного вождения переходит от периода бурного роста к периоду корректировок, а антропоморфные интеллектуальные системы становятся новым центром инноваций. Однако каждая новая отрасль проходит через этапы от лабораторных исследований к массовому производству и коммерческой проверке; антропоморфные интеллектуальные системы также могут столкнуться с аналогичными трудностями. Когда инвестиционный бум утихнет, наступит настоящий экзамен для всех участников этого рынка.