这个带指数的K线做出来了。感觉效果不错，实战测试几天。

银行因为银行股的指数涨幅跟个股涨幅差不多，所以说图看起来就会显得是这样。

这个算法有一定的提前预测的功能。我还会继续优化的。这是第1版雏形。

就是把大量的市场惯性编入后台计算。这个又是前无古人算法。

而且盘中一一对应，你再也不要去再去看什么指数和个股的影响一下子都出来了。而且后台自动计算强弱和跟随性。

也就是说把所有的经验全部放到后台去计算。你看到的就是所有看盘经验提炼出来的计算结果，当然准确率是很好的。

把人从繁重的看盘中解脱出来。

小鹏XNGP 从第一性原理视角拆解

第一性原理的核心：抛开行业现成方案、经验套路，回归物理、感知、车辆动力学底层，重新推导解决方案，而不是在别人方案上修修补补。

1. 推翻行业固有假设：高阶智驾必须依赖高精地图

行业过去的共识：做城市NOA，必须提前测绘高精地图，把车道线、红绿灯、路标全部预先存入地图。

- 经验派思路：买地图数据，在地图框架内写大量规则，地图没覆盖的城市就不能上线。
- 小鹏第一性思考：车辆驾驶，本质是驾驶员依靠实时视觉感知环境，不需要脑中预先存一份厘米级地图。人开车不需要地图，理论上也可以。

推导结果：砍掉高精地图依赖，转向无图方案。
好处：不需要测绘，全国城市一键OTA开通；摆脱地图资质、测绘更新慢的约束。
代价：算法难度大幅提升，需要模型实时识别道路拓扑，预测动态物体。

2. 推翻传统模块化算法：感知→预测→规划→控制，分模块独立写规则

传统智驾是流水线式模块：摄像头识别物体→单独网络预测物体轨迹→规划路径→输出控制。模块之间有信息损耗，大量场景靠工程师人工写if-then规则。

- 经验派：遇到一个“鬼探头”，就写一条专门应对的规则；遇到环岛，再单独写一套规则。长尾场景无穷无尽，永远写不完。
- 小鹏第一性思考：人类开车，视觉输入直接转化为动作决策，不是拆成一堆独立步骤。

推导结果：VLA端到端大模型。
原始图像作为输入，模型直接输出轨迹与车辆控制量，减少中间层信息丢失；模型从海量真实路况自动学博弈逻辑，不是靠人工一条条补规则。

3. 底层物理：交通参与者运动遵循物理动力学，行为存在时序因果

不管是电动车、行人、汽车，移动都有加速度、惯性、运动约束。

- 经验做法：短期线性外推，假设物体保持当前速度直行，遇到突然变速、拐弯很容易预判失误。
- 第一性原理：模型学物体运动的物理约束，做长时序多目标行为预测。
可以预判：路边违停车遮挡，非机动车大概率会突然穿出；路口左转车辆的减速、试探行为。模型不是只看当下画面，而是推演未来几秒的物理可能性。

4. 数据闭环的底层逻辑：真实世界危险场景样本稀缺

行业传统做法：大量上路试车，靠实车去碰危险场景，成本极高，危险场景很难采集。

- 第一性思考：物理世界的交通事故、危险场景，可以抽象成参数，在仿真世界复现。

推导：自建大规模仿真平台。
实车收集到1次接管事件 → 拆解场景参数 → 在仿真环境随机变换速度、位置，衍生几十万种变体场景，无限次训练模型。不用在真实道路反复冒险采集。

5. 硬件层面：感知硬件不是堆得越多越好，要匹配算法底层需求

很多车企的思路：竞争内卷，直接把更多摄像头、更高功率激光雷达全部堆车。

- 小鹏底层推导：算法需要什么感知信息，就配对应的硬件，硬件服务模型，而不是硬件堆砌。

两条路线：高配版本激光雷达做冗余兜底；低配版本纯视觉，依靠VLA模型也能跑城市NGP。
核心：算法优先，硬件适配算法，而不是硬件决定上限。

🔍 边界：第一性原理不是万能，存在天然约束

所有推导都不能脱离物理极限：

1. 大雨、浓雾会衰减摄像头、激光雷达光子信号，传感器接收的底层信息变少，算法再强也有感知上限；
2. 车辆轮胎、地面摩擦力存在物理极限，制动距离不能突破物理规律；
3. 它依旧是辅助驾驶，机器无法预判所有人类无逻辑极端行为。

一句话总结

大部分厂商智驾是归纳法：收集场景、总结经验、编写规则；小鹏XNGP是第一性原理思路：回到驾驶的本质——实时感知环境+预测物体物理运动+输出车辆动作，拆掉高精地图、模块化规则这些中间依赖，直接用大模型拟合驾驶底层机理。

要不要顺带对比一下华为ADS，看它研发思路更多是归纳法还是第一性原理？

当然我准备参考智驾方案的设计模型。

因为股票的风险和机会，事后我们一般都可以分析得出来。然后就用人工智能去拆解，去定性定量。然后再去做后台。那整个框架要根据自动驾驶的系统。这个很简单啊，什么时候可以速度快，什么时候要避让，什么时候要急刹。道理是一样的。

很简单，把我的现有模型和自驾模型一股脑塞给这个提米让他去编方案，然后我再看。