从量产辅助驾驶到Robotaxi：两条技术路线是否正在汇合20260816

📋 全文总结 本次电话会议围绕“从量产辅助驾驶到Robotaxi：两条技术路线是否正在汇合”展开深度讨论。核心结论为： 量产辅助驾驶与Robotaxi过去因产品目标、责任主体和成本约束不同而分化为两条独立路线，但随着端到端大模型、VLA（视觉-语言-动作）模型、世界模型以及数据闭环的快速演进，两条路线的

全文总结
全文总结
本次电话会议围绕“从量产辅助驾驶到Robotaxi：两条技术路线是否正在汇合”展开深度讨论。核心结论为：量产辅助驾驶与Robotaxi过去因产品目标、责任主体和成本约束不同而分化为两条独立路线，但随着端到端大模型、VLA（视觉-语言-动作）模型、世界模型以及数据闭环的快速演进，两条路线的底层AI技术边界正在快速收敛。 未来，同一套基础模型有望根据算力、传感器配置、ODD（运行设计域）和安全要求，适配L2、L3乃至L4不同等级。但技术共轨并不意味着产品完全统一：L2仍依赖驾驶员接管，L4必须在ODD内自行完成故障识别、风险处置和最小风险策略，因此对传感器冗余、系统可靠性、安全验证和工程化能力要求更高。监管层面，新的强制性国家标准（2027年实施）将推动行业从“功能准入”转向“可证明的系统安全”，L3和L4将在统一安全框架下分层管理。 商业模式上，量产辅助驾驶通过整车产品力、软件收费变现，Robotaxi则需验证单车运营经济性（TCO）。未来拉开厂商差距的核心不再是单一技术路线，而是数据、算力、工程、安全与商业化能力是否形成完整闭环。
本次电话会议围绕“从量产辅助驾驶到Robotaxi：两条技术路线是否正在汇合”展开深度讨论。核心结论为：量产辅助驾驶与Robotaxi过去因产品目标、责任主体和成本约束不同而分化为两条独立路线，但随着端到端大模型、VLA（视觉-语言-动作）模型、世界模型以及数据闭环的快速演进，两条路线的底层AI技术边界正在快速收敛。 未来，同一套基础模型有望根据算力、传感器配置、ODD（运行设计域）和安全要求，适配L2、L3乃至L4不同等级。但技术共轨并不意味着产品完全统一：L2仍依赖驾驶员接管，L4必须在ODD内自行完成故障识别、风险处置和最小风险策略，因此对传感器冗余、系统可靠性、安全验证和工程化能力要求更高。监管层面，新的强制性国家标准（2027年实施）将推动行业从“功能准入”转向“可证明的系统安全”，L3和L4将在统一安全框架下分层管理。 商业模式上，量产辅助驾驶通过整车产品力、软件收费变现，Robotaxi则需验证单车运营经济性（TCO）。未来拉开厂商差距的核心不再是单一技术路线，而是数据、算力、工程、安全与商业化能力是否形成完整闭环。
核心观点分点如下：
核心观点分点如下：
- 路线分化根源：量产辅助驾驶（L2）由驾驶员承担最终责任，侧重低成本、规模化、体验和数据闭环；Robotaxi（L4）需移除驾驶员，侧重安全冗余、系统可靠性、ODD管理和故障处置。
路线分化根源：量产辅助驾驶（L2）由驾驶员承担最终责任，侧重低成本、规模化、体验和数据闭环；Robotaxi（L4）需移除驾驶员，侧重安全冗余、系统可靠性、ODD管理和故障处置。
- 技术趋同趋势：感知方案从“识别物体”走向“空间级理解”和“未来状态预测”；模型架构从模块化走向统一端到端大模型和Foundation Model；VLA与世界模型从竞争走向融合。
技术趋同趋势：感知方案从“识别物体”走向“空间级理解”和“未来状态预测”；模型架构从模块化走向统一端到端大模型和Foundation Model；VLA与世界模型从竞争走向融合。
- 数据闭环关键：量产车提供海量真实道路数据，Robotaxi提供接近系统能力边界的高价值无人驾驶数据，叠加世界模型仿真数据，有望形成统一数据飞轮。
数据闭环关键：量产车提供海量真实道路数据，Robotaxi提供接近系统能力边界的高价值无人驾驶数据，叠加世界模型仿真数据，有望形成统一数据飞轮。
- 安全与监管升级：2027年实施的新国标将监管逻辑从“系统能否实现功能”升级为“企业能否持续证明系统安全”，L3和L4在统一安全框架下分层管理，安全门槛大幅提升。
安全与监管升级：2027年实施的新国标将监管逻辑从“系统能否实现功能”升级为“企业能否持续证明系统安全”，L3和L4在统一安全框架下分层管理，安全门槛大幅提升。
- 商业模式差异：量产辅助驾驶通过整车产品力、软件收费和品牌溢价变现；Robotaxi需验证单车TCO（总拥有成本）和运营经济性，规模化前提是新增车辆能贡献正向经济价值。
商业模式差异：量产辅助驾驶通过整车产品力、软件收费和品牌溢价变现；Robotaxi需验证单车TCO（总拥有成本）和运营经济性，规模化前提是新增车辆能贡献正向经济价值。
会议实录
会议实录
各位领导，我是国泰海通计算机的刘天雅。欢迎各位参加国泰海通计算机“AI+科技”系列深度研究电话会。今天我们交流的主题是：从量产辅助驾驶到Robotaxi，两条技术路线是否正在汇合。
各位领导，我是国泰海通计算机的刘天雅。欢迎各位参加国泰海通计算机“AI+科技”系列深度研究电话会。今天我们交流的主题是：从量产辅助驾驶到Robotaxi，两条技术路线是否正在汇合。
过去几年，量产辅助驾驶和Robotaxi更多被看作两条相对独立的发展路径。一条是从高速NOA、城市NOA出发，依托量产车规模和数据闭环，不断提升自驾能力；另一条则是从L4无人驾驶出发，强调多重安全冗余、限定ODD、统一模型软件架构等。同时，Robotaxi厂商也在持续降低硬件成本、强化大模型能力，并复用量产车型。
过去几年，量产辅助驾驶和Robotaxi更多被看作两条相对独立的发展路径。一条是从高速NOA、城市NOA出发，依托量产车规模和数据闭环，不断提升自驾能力；另一条则是从L4无人驾驶出发，强调多重安全冗余、限定ODD、统一模型软件架构等。同时，Robotaxi厂商也在持续降低硬件成本、强化大模型能力，并复用量产车型。
今天我们重点讨论三个问题：
今天我们重点讨论三个问题：
- 量产辅助驾驶与Robotaxi过去为什么会形成两条技术路线？
量产辅助驾驶与Robotaxi过去为什么会形成两条技术路线？
- 随着Foundation Model的发展，两条路线在哪些层面已经开始汇合？
随着Foundation Model的发展，两条路线在哪些层面已经开始汇合？
- 即使底层AI技术趋同，安全责任、硬件冗余、商业模式是否仍会使L2和L4保持长期分层？
即使底层AI技术趋同，安全责任、硬件冗余、商业模式是否仍会使L2和L4保持长期分层？
下面我们从这三部分展开。
下面我们从这三部分展开。
第一部分：两条路线过去的分化
第一部分：两条路线过去的分化
本质上，这不是技术先进程度的差异，而是产品目标函数的差异。量产辅助驾驶由驾驶员承担最终驾驶责任，因此更关注成本、体验和大规模复制能力，需要在有限的算力和硬件成本下尽可能扩大自驾能力。而Robotaxi需要真正移除驾驶员，在限定ODD内由系统完成全部动态驾驶任务，因此安全冗余、系统可靠性、故障处理优先级明显更高。
本质上，这不是技术先进程度的差异，而是产品目标函数的差异。量产辅助驾驶由驾驶员承担最终驾驶责任，因此更关注成本、体验和大规模复制能力，需要在有限的算力和硬件成本下尽可能扩大自驾能力。而Robotaxi需要真正移除驾驶员，在限定ODD内由系统完成全部动态驾驶任务，因此安全冗余、系统可靠性、故障处理优先级明显更高。
今年以来，行业正从L2+、L2++规模量产，向L3、L4商业化突破过渡。Robotaxi的评价标准也从“能不能实现无人驾驶”转向“能不能低成本复制、能不能跑通单车经济性”。
今年以来，行业正从L2+、L2++规模量产，向L3、L4商业化突破过渡。Robotaxi的评价标准也从“能不能实现无人驾驶”转向“能不能低成本复制、能不能跑通单车经济性”。
这种目标差异首先体现在感知方案上。量产辅助驾驶长期偏向以视觉为核心的技术体系，通过摄像头、神经网络和海量量产数据，不断提升三维环境理解能力，优势是低成本、易量产、数据规模大。传统Robotaxi大多采用多传感器融合方案（摄像头、激光雷达、毫米波雷达），通过不同物理原理的传感器形成安全冗余。
这种目标差异首先体现在感知方案上。量产辅助驾驶长期偏向以视觉为核心的技术体系，通过摄像头、神经网络和海量量产数据，不断提升三维环境理解能力，优势是低成本、易量产、数据规模大。传统Robotaxi大多采用多传感器融合方案（摄像头、激光雷达、毫米波雷达），通过不同物理原理的传感器形成安全冗余。
但无论哪种方案，视觉都已成为理解交通环境的核心信息来源。在感知之上，自动驾驶对物理世界的表征也在持续演进：早期算法重点解决“看见什么”，之后BEV+Transformer将各摄像头信息统一到鸟瞰空间，再通过Occupancy Network从识别物体类别转向判断三维空间是否被占据。多模态Token和潜在状态则开始尝试将视觉、语言、动作以及未来视觉状态统一到一个可学习的表示空间里。
但无论哪种方案，视觉都已成为理解交通环境的核心信息来源。在感知之上，自动驾驶对物理世界的表征也在持续演进：早期算法重点解决“看见什么”，之后BEV+Transformer将各摄像头信息统一到鸟瞰空间，再通过Occupancy Network从识别物体类别转向判断三维空间是否被占据。多模态Token和潜在状态则开始尝试将视觉、语言、动作以及未来视觉状态统一到一个可学习的表示空间里。
目前，尽管特斯拉、Waymo、小马智行、百度萝卜快跑、小鹏、华为、Momenta等厂商的具体技术实现不同，但共同方向都是从“目标级识别”走向“空间级理解”，再进一步走向“对未来世界状态的预测”。
目前，尽管特斯拉、Waymo、小马智行、百度萝卜快跑、小鹏、华为、Momenta等厂商的具体技术实现不同，但共同方向都是从“目标级识别”走向“空间级理解”，再进一步走向“对未来世界状态的预测”。
第二部分：两条路线正在汇合
第二部分：两条路线正在汇合
当前最明显的变化是：自动驾驶正在从针对不同等级分别开发算法，走向一个基础模型支持多种自动驾驶产品。Momenta就是这一趋势的典型代表——由统一团队开发L4级别算法，然后应用到L2++，通过功能裁剪和适配训练实现。更重要的是，量产车辆获得的数据并不区分L2和L4场景，可以直接用于L4模型训练。这意味着，量产辅助驾驶和Robotaxi不必对应两套完全独立的算法，而是可以建立在同一个高能力上限的Foundation Model之上。
当前最明显的变化是：自动驾驶正在从针对不同等级分别开发算法，走向一个基础模型支持多种自动驾驶产品。Momenta就是这一趋势的典型代表——由统一团队开发L4级别算法，然后应用到L2++，通过功能裁剪和适配训练实现。更重要的是，量产车辆获得的数据并不区分L2和L4场景，可以直接用于L4模型训练。这意味着，量产辅助驾驶和Robotaxi不必对应两套完全独立的算法，而是可以建立在同一个高能力上限的Foundation Model之上。
同时，VLA模型与视觉模型之间的界限也在快速弱化。VLA将视觉感知、理解与动作生成统一进模型，更擅长处理复杂交通语义和交互决策；视觉模型则更强调对物理规律和未来状态的建模，可通过预测和生成处理极端场景（Corner Case）。二者并非简单替代关系，越来越多的方案正在尝试同时获得理解复杂语义和预测物理世界的能力。VLA与世界模型正从两条独立路径走向融合，使模型同时具备语义推理、物理预测和动作生成的能力。
同时，VLA模型与视觉模型之间的界限也在快速弱化。VLA将视觉感知、理解与动作生成统一进模型，更擅长处理复杂交通语义和交互决策；视觉模型则更强调对物理规律和未来状态的建模，可通过预测和生成处理极端场景（Corner Case）。二者并非简单替代关系，越来越多的方案正在尝试同时获得理解复杂语义和预测物理世界的能力。VLA与世界模型正从两条独立路径走向融合，使模型同时具备语义推理、物理预测和动作生成的能力。
因此，当前行业技术路线的收敛，并不意味着所有厂商最终使用完全相同的结构，而是大家正在解决越来越相似的问题。对于头部厂商而言，真正的差异已经从“有没有采用某项技术”转向“数据质量、模型规模、推理效率、场景泛化能力和工程化程度”。技术竞争已经从“有没有做”进入到“做到什么程度”的阶段。
因此，当前行业技术路线的收敛，并不意味着所有厂商最终使用完全相同的结构，而是大家正在解决越来越相似的问题。对于头部厂商而言，真正的差异已经从“有没有采用某项技术”转向“数据质量、模型规模、推理效率、场景泛化能力和工程化程度”。技术竞争已经从“有没有做”进入到“做到什么程度”的阶段。
数据闭环是推动L2和L4打通的关键变量。 量产辅助驾驶的最大优势是规模化——几十万甚至百万辆汽车可以持续提供真实道路数据；Robotaxi的优势则是无人驾驶状态下接近系统能力边界的高价值数据和Corner Case。如果这两套数据体系能被同一Foundation Model利用，就可以形成一条完美的训练闭环：先由量产车提供海量基础数据，再由Robotaxi提供高价值数据，扩大模型对极端场景的覆盖。
数据闭环是推动L2和L4打通的关键变量。 量产辅助驾驶的最大优势是规模化——几十万甚至百万辆汽车可以持续提供真实道路数据；Robotaxi的优势则是无人驾驶状态下接近系统能力边界的高价值数据和Corner Case。如果这两套数据体系能被同一Foundation Model利用，就可以形成一条完美的训练闭环：先由量产车提供海量基础数据，再由Robotaxi提供高价值数据，扩大模型对极端场景的覆盖。
硬件层面同样呈现相向而行的趋势。高阶辅助驾驶不断提升算力、摄像头规格和安全冗余，Robotaxi则通过复用量产车型降低BOM成本、提升利用率，持续压低总拥有成本。两边都在寻找安全性、性能与成本之间的最优解。不过，相较于软件、模型和数据体系，传感器路线的收敛程度仍然较低，纯视觉与多传感器融合两条路径仍将长期并存。
硬件层面同样呈现相向而行的趋势。高阶辅助驾驶不断提升算力、摄像头规格和安全冗余，Robotaxi则通过复用量产车型降低BOM成本、提升利用率，持续压低总拥有成本。两边都在寻找安全性、性能与成本之间的最优解。不过，相较于软件、模型和数据体系，传感器路线的收敛程度仍然较低，纯视觉与多传感器融合两条路径仍将长期并存。
第三部分：L2与L4之间仍存在的边界
第三部分：L2与L4之间仍存在的边界
尽管底层AI能力正在汇合，但L2和L4之间仍存在一道难以通过单纯提升模型能力来消除的边界——谁对驾驶结果负责。L2系统在能力边界外可以要求驾驶员接管，而L4在其ODD内不能由驾驶员全权兜底。因此，从L3开始，行业竞争就需要回答：系统失效后如何处置？如何进入最小风险状态？如何通过测试和数据证明系统足够安全？
尽管底层AI能力正在汇合，但L2和L4之间仍存在一道难以通过单纯提升模型能力来消除的边界——谁对驾驶结果负责。L2系统在能力边界外可以要求驾驶员接管，而L4在其ODD内不能由驾驶员全权兜底。因此，从L3开始，行业竞争就需要回答：系统失效后如何处置？如何进入最小风险状态？如何通过测试和数据证明系统足够安全？
监管框架正从“功能准入”进一步转向“可证明的系统安全”。自动驾驶领域的监管是一个核心考量方向。近期发布的《智能网联汽车自动驾驶系统安全要求》强制性国家标准，将于2027年1月1日实施，取代现行的推荐性标准。新标准的核心变化在于：监管逻辑从“系统能不能实现自动驾驶功能”升级为“企业能不能持续、系统地证明自动驾驶是安全的”。ADS安全水平至少需要达到“合格且专注驾驶员”的水平，并将动态驾驶任务ODD、碰撞避免策略、安全保障能力纳入统一要求，同时引入完整的论证体系，要求企业围绕声明、论据、证据形成可追溯的安全档案，并通过仿真、场地和道路测试等多元证据共同支撑安全结论。
监管框架正从“功能准入”进一步转向“可证明的系统安全”。自动驾驶领域的监管是一个核心考量方向。近期发布的《智能网联汽车自动驾驶系统安全要求》强制性国家标准，将于2027年1月1日实施，取代现行的推荐性标准。新标准的核心变化在于：监管逻辑从“系统能不能实现自动驾驶功能”升级为“企业能不能持续、系统地证明自动驾驶是安全的”。ADS安全水平至少需要达到“合格且专注驾驶员”的水平，并将动态驾驶任务ODD、碰撞避免策略、安全保障能力纳入统一要求，同时引入完整的论证体系，要求企业围绕声明、论据、证据形成可追溯的安全档案，并通过仿真、场地和道路测试等多元证据共同支撑安全结论。
这意味着，监管正从单一的功能测试，转向覆盖研发、验证、量产及后续运行的全生命周期安全管理。更值得关注的是，L3和L4并非分别建立两套完全独立的监管体系，而是在统一的ADS安全框架基础上，根据谁承担后援责任进行分层。 L3的监管重点仍然集中于人机责任交接，要求系统监测后备用户的接管能力，在用户未能完成接管或出现特定风险情形时，主动执行最小风险策略。L4的安全责任则进一步由系统自身承担，车辆不能依赖远程人员完成动态驾驶任务，即使存在远程协助，ADS仍需独立完成驾驶闭环。
这意味着，监管正从单一的功能测试，转向覆盖研发、验证、量产及后续运行的全生命周期安全管理。更值得关注的是，L3和L4并非分别建立两套完全独立的监管体系，而是在统一的ADS安全框架基础上，根据谁承担后援责任进行分层。 L3的监管重点仍然集中于人机责任交接，要求系统监测后备用户的接管能力，在用户未能完成接管或出现特定风险情形时，主动执行最小风险策略。L4的安全责任则进一步由系统自身承担，车辆不能依赖远程人员完成动态驾驶任务，即使存在远程协助，ADS仍需独立完成驾驶闭环。
因此，本轮监管升级对产业最大的影响，不是简单利好某一种算法路线，而是将准入门槛从“功能体验”推向“能力+安全证明”。 未来，车企即使使用相同的端到端、VLA或Foundation Model，能否进入L3、L4，主要取决于ODD、系统冗余、故障处置、验证覆盖度及Corner Case等完整安全体系。
因此，本轮监管升级对产业最大的影响，不是简单利好某一种算法路线，而是将准入门槛从“功能体验”推向“能力+安全证明”。 未来，车企即使使用相同的端到端、VLA或Foundation Model，能否进入L3、L4，主要取决于ODD、系统冗余、故障处置、验证覆盖度及Corner Case等完整安全体系。
商业模式方面，量产辅助驾驶最终通过整车产品力、软件收费或品牌溢价变现，核心指标是智驾渗透率、使用率、接管里程和BOM成本。Robotaxi本质上是无人运营业务，需要关注单车订单、日均运营时长、扣时率、BOM成本折旧、维护远程运营成本以及单车经济性。Robotaxi真正的规模化，不是车队从1000辆增加到1万辆，而是新增车辆能够在持续降低TCO的同时，贡献正向的经济价值。
商业模式方面，量产辅助驾驶最终通过整车产品力、软件收费或品牌溢价变现，核心指标是智驾渗透率、使用率、接管里程和BOM成本。Robotaxi本质上是无人运营业务，需要关注单车订单、日均运营时长、扣时率、BOM成本折旧、维护远程运营成本以及单车经济性。Robotaxi真正的规模化，不是车队从1000辆增加到1万辆，而是新增车辆能够在持续降低TCO的同时，贡献正向的经济价值。
总结：
总结：
自动驾驶正从路线分化走向底层能力趋同。过去，量产辅助驾驶侧重低成本、规模化和用户体验，通过大规模装机形成数据闭环；Robotaxi则从L4无人驾驶切入，强调安全冗余、系统可靠性和ODD管理。两条路线的差异，本质源于产品目标、责任主体和成本约束的不同。
自动驾驶正从路线分化走向底层能力趋同。过去，量产辅助驾驶侧重低成本、规模化和用户体验，通过大规模装机形成数据闭环；Robotaxi则从L4无人驾驶切入，强调安全冗余、系统可靠性和ODD管理。两条路线的差异，本质源于产品目标、责任主体和成本约束的不同。
随着端到端大模型、VLA模型和数据闭环的快速发展，两条路线的技术边界正在模糊。模型层面，行业正从感知、预测、规划分离的模块化架构，向统一端到端模型和Foundation Model演进。未来，同一套基础基模有望根据算力、传感器配置、ODD和安全要求，适配L2、L3乃至L4。 表征层面，Occupancy、多模态Token和潜在状态虽实现方式不同，但共同目标是提升对三维物理世界、交通参与者行为和未来状态的理解与预测。VLA与世界模型也正从竞争走向能力融合——高阶智驾既需要语义理解和动作生成，也需要物理规律建模和长尾场景预测。
随着端到端大模型、VLA模型和数据闭环的快速发展，两条路线的技术边界正在模糊。模型层面，行业正从感知、预测、规划分离的模块化架构，向统一端到端模型和Foundation Model演进。未来，同一套基础基模有望根据算力、传感器配置、ODD和安全要求，适配L2、L3乃至L4。 表征层面，Occupancy、多模态Token和潜在状态虽实现方式不同，但共同目标是提升对三维物理世界、交通参与者行为和未来状态的理解与预测。VLA与世界模型也正从竞争走向能力融合——高阶智驾既需要语义理解和动作生成，也需要物理规律建模和长尾场景预测。
数据体系将成为量产辅助驾驶和Robotaxi的关键纽带。 量产车提供海量真实道路数据，Robotaxi提供接近系统能力边界的高价值无人驾驶数据和Corner Case，叠加世界模型生成的仿真数据，有望形成统一的数据飞轮。
数据体系将成为量产辅助驾驶和Robotaxi的关键纽带。 量产车提供海量真实道路数据，Robotaxi提供接近系统能力边界的高价值无人驾驶数据和Corner Case，叠加世界模型生成的仿真数据，有望形成统一的数据飞轮。
两条路线真正的汇合，不在于采用完全相同的技术路径、传感器或模型名称，而在于底层AI模型、软件架构和数据闭环能否逐步共用。 但技术共轨并不意味着产品完全统一。L2仍可依赖驾驶员接管，L4必须在ODD内自行完成故障识别、风险处置和最小风险策略，因此对传感器冗余、执行系统冗余、安全验证和工程可靠性要求更高。同时，量产辅助驾驶主要通过整车产品力和软件价值变现，Robotaxi则必须验证运营经济性（TCO）。
两条路线真正的汇合，不在于采用完全相同的技术路径、传感器或模型名称，而在于底层AI模型、软件架构和数据闭环能否逐步共用。 但技术共轨并不意味着产品完全统一。L2仍可依赖驾驶员接管，L4必须在ODD内自行完成故障识别、风险处置和最小风险策略，因此对传感器冗余、执行系统冗余、安全验证和工程可靠性要求更高。同时，量产辅助驾驶主要通过整车产品力和软件价值变现，Robotaxi则必须验证运营经济性（TCO）。
在这一背景下，判断一家智驾厂商的竞争力，不应再停留在单一的“是否采用VLA”等技术标签上，而应观察其是否具备统一基础模型能力、持续运转的数据飞轮、车端算力与软硬件协同能力、工程化和安全验证体系，以及将技术能力转化为规模化商业价值的能力。 真正拉开头部厂商差距的，可能不再是单一技术路线本身，而是数据、算力、工程、安全与商业化能力是否形成完整闭环。
在这一背景下，判断一家智驾厂商的竞争力，不应再停留在单一的“是否采用VLA”等技术标签上，而应观察其是否具备统一基础模型能力、持续运转的数据飞轮、车端算力与软硬件协同能力、工程化和安全验证体系，以及将技术能力转化为规模化商业价值的能力。 真正拉开头部厂商差距的，可能不再是单一技术路线本身，而是数据、算力、工程、安全与商业化能力是否形成完整闭环。
以上是本次分享的主要内容，非常感谢大家的参与和关注。后续我们会持续跟踪该领域的最新进展，欢迎随时沟通联系。也欢迎各位投资者继续关注并参与国泰海通计算机“AI+科技”系列电话会。谢谢！
以上是本次分享的主要内容，非常感谢大家的参与和关注。后续我们会持续跟踪该领域的最新进展，欢迎随时沟通联系。也欢迎各位投资者继续关注并参与国泰海通计算机“AI+科技”系列电话会。谢谢！