特斯拉引领智驾行业发展及核心竞争力在哪？

特斯拉引领智驾发展，端到端+大模型加速出行革命。

1.特斯拉引领智驾行业发展

1.1 复盘智驾行业发展，特斯拉起引领作用

回顾智驾发展历程，可分为三个阶段：第一阶段（2007-2016 年）由 Mobileye 主导，采 用纯视觉的黑盒方案，得益于方案成熟且成本低，快速推广，主导 L1、L2 级智驾市场， 但仍存在产品迭代周期长、算力有限、OEM 无自主权等问题；第二阶段（2017-2022 年） 由特斯拉引领 E/E 架构升级，从软硬件解耦、算力提升、通信效率提升等多个维度大幅 提升智能化上限，但该阶段算法仍为 rule based，无法解决 corner case；第三阶段（2023 年以来）特斯拉推出端到端大模型，实现场景泛化及降本，多家车企纷纷跟随。

第一阶段（2007-2016 年）：Mobileye 的纯视觉方案引领智驾 L0-L2 级。L2 级及以下（自 适应巡航、车道保持、制动刹车等功能）的自动驾驶市场主要由以色列 ADAS 芯片厂商 Mobileye 主导，巅峰时期 Mobileye 曾占据辅助驾驶市场 90%的份额。公司基于视觉感知算 法，利用摄像头和传感器组合来提供辅助驾驶功能，主要售卖“EyeQ 芯片+感知算法”打包 的黑盒方案，其软硬件耦合方案成本较低，对汽车架构变动有限，车企可短时间迅速部署上 车，备受市场青睐，其客户包含特斯拉、奥迪、宝马、蔚来等全球大型车企。公司 EyeQ 芯 片出货量屡创新高，2015-2021 年 Mobileye 的 ADAS 收入 CAGR 为 34%，是增长最强劲的 ADAS 供应商。但其仍存在局限性，黑盒方案使得车企无法掌握自主权；软硬件耦合使得产 品迭代周期长，无法适应市场快速变化；芯片算力相对有限。

第二阶段（2017-2022 年）：特斯拉引领整车 E/E 架构升级，确定行业算法层面技术 路线： E/E 架构从分布式到集中式，大幅提升智能化上限。汽车的电子电气架构决定智能化上 限，而此前分布式架构与 ECU 存在局限性，如 ECU 与线束数量提升成本和车重、无法满 足高算力需求、软硬件耦合掣肘车企且不便于 OTA 升级，因此更加集成化、智能化的域 集中式应运而生。特斯拉则是汽车 E/E 架构升级的引领者，2017 年量产上市的 Model3 便步入了域集中式 E/E 架构，全车“中央计算模块+3 个车身域控制器”。域集中式架构 大幅提升智能化上限：1）智能化升级边际成本降低：域控制器取代大量的 ECU，便于智 能化功能升级，显著降低线束成本；2）OTA 升级难度降低：软硬件解耦，便于 OTA 升 级，实现“软件定义汽车”；3）算力提升：算力向中央集中，统一处理数据，减少算力 冗余，可满足高阶智驾对于算力的高要求；4）通信效率提升：与传统 CAN 总线相比， 以太网有更高的带宽和交换网络，具备更强的通信能力。

特斯拉引领行业算法层面技术路线，车企纷纷跟随： 2021 年 特 斯 拉 推 出 BEV+Transformer（鸟瞰地图），BEV 是一种全新的 3D 坐标系，而 Transformer 则是一 种深度学习神经网络模型，Transformer 算法可以将鸟瞰图在 2D&3D 之间灵活转换，再 导入时间信息，形成基于时序融合的 4D 空间信息，从而使感知结果更加连续、稳定，并 可以解决传统方案的短板问题，例如：记住被汽车遮挡的行人。2022 年推出 Occupancy Network（（占用网络），有别于感知 2D-3D 转换，占用网络将世界划分为多个大小一致的 立方体，快速识别每个立方体是否被占用继而判断车辆是否要躲避。国内车企紧随特斯 拉智驾思路，小鹏、理想、蔚来等车企以及毫末智行、百度 Apollo、商汤、地平线等 Tier 1 纷纷跟进，提出自己的 BEV+Transformer 方案。

第三阶段（2023 年以来）：特斯拉推出基于端到端大模型的纯视觉方案，实现场景泛化： 2023 年底特斯拉推出端到端大模型。主流自动驾驶系统按照感知、规划、控制三个模块 划分，而特斯拉的端到端大模型将三大模块合为一体，形成大的神经网络，输入传感器 数据后，直接输出转向、制动和加速信号。端到端大模型相较于此前分模块方案的核心 优势在于：1）场景泛化：Rule based 是算法驱动、仍存在长尾问题，但大模型是数据驱 动，通过长尾场景下的训练数据更新模型参数，解决 corner case；2）降低成本：纯视 觉下，外围硬件主要依赖摄像头，激光雷达等传感器逐渐减少，降低硬件成本。国内主 流车企小鹏、理想、蔚来、零跑、小米、比亚迪等均跟随端到端大模型路线。

1.2 类比电动化，特斯拉或带动智驾渗透率快速提升

特斯拉将带动智驾迎来“chatgpt”时刻，L3 及以上渗透率有望迅速提升： 以电动化进程为例，特斯拉兼具产品力与性价比的 Model3 与 ModelY 的上市及其国产化 带动全球电动化浪潮开启，2021-2024，电动车在全球/中国的渗透率分别从 8%/14%到 20%/41%，销量复合增速分别为 40%/54%。 同样的角度来展望智能化历程，特斯拉可实现场景泛化及降本大模型视觉方案具备类似 电动化中“产品力与性价比”的属性，2024 年采用端到端大模型的 FSDV12.3 在美推送；2025 年，特斯拉希望 FSD 能在美国以外市场得到应用许可，扩大消费者使用范围；2026 年 Robotaxi 计划量产。节奏上，我们判断 2024 年为 L3 落地元年，2025 年逐步起量， 2026 年 L3 及以上智驾进入发展快车道，考虑法规层面尚有限制，相较于电动化，智能 化渗透率增长斜率相对更缓。基于弗若斯特沙利文预测，2024-2026 年全球 L4-L5 级渗 透率分别为 0.1%/0.4%/0.9%，2027 年有望提至 2.3%。

2.特斯拉智能化进展领先，大模型技术是核心竞争力

2.1 复盘特斯拉智能化历程：4 代硬件平台+12 代软件算法

特斯拉的智能驾驶系统推进大致分为四大阶段： 1）2016 年之前：发布 HW1.0，采用 Mobileye 打包软硬件全套方案的“黑盒模式”。 2）2016-2017：发布 HW2.0，切换为英伟达，允许自行开发软件系统。 3）2018-2020：FSD 正式开始软硬件全栈自研，推出 HydraNet 感知架构，自研芯片 算力高于同期市面上的其他芯片，停止使用成本较高的毫米波雷达，凭借强算法+高算 力达到毫米波雷达同样的感知效果。 4）2021 年至今：各方面迅速发展。算法方面，2021 年推出 BEV+Transformer（鸟瞰 地图），2022 年推出 Occupancy Network（占用网络），2024 年推出 FSD 正式版；硬件 方面，23Q4 发布 HW4.0；基础设施方面，超算 Dojo 已于 2023 年 7 月投入使用，可以 在无人监管的情况下对大量视频数据进行标注和训练，不断强化特斯拉自动驾驶水平。

从硬件迭代来看，摄像头依赖度提升&其他传感器减配、芯片自研且算力大幅提升领先 行业。HW1.0 主要采用 Mobileye 黑盒方案，2016 年由于事故原因与 Mobileye 终止合作 转向英伟达，算力由 0.256tops 提升至 21tops，摄像头数量增至 8 个；2016 年特斯拉开 始自研芯片，2019 年发布的 HW3.0 搭载双 FSD1.0 芯片，算力提升至 144tops，领先英 伟达；2024Q1，HW4.0 落地，算力大幅提升至 720tops，摄像头数量为 7 个，其画质、 分辨率、视野范围均有提升，减掉超声波雷达；下一代硬件平台 AI5 预计 2025H2 推出， 算力将达到 HW4.0 的 10 倍，或搭载 Robotaxi、人形机器人 Optimus 以及未来支持 L4、 L5 的特斯拉车型。

特斯拉算法迭代思路：图像升维、数据标注自动化、规则驱动转为数据驱动。2016 年特 斯拉开始自研算法，2016-2018 年使用常规骨干网结构，2D 检测器特征提取，数据采用 人工标注，算法相对原始传统；2018-2019 年，引入 Hydranet，实现 Multi-Task learning， 提高效率；2020 年，引入 BEV+Transformer，将图像空间检测目标“Transform”成向量空间，主张去掉雷达，使用纯视觉方案，同时实现自动标注，该阶段主要提高精度； 2021 年，引入 Lanes network，增加了时空序列与时序信息融合等能力，FSD V9、V10 落地；2022 年，引入占用网络，由 2D 图像升维至 3D 立体空间，FSD Beta V10.11 落 地；2024 年，基于端到端大模型的 FSDV12 上车，消除手动规则和代码，运行模型在未 知场景中更好泛化。

2.2 硬件&软件算法奠定智驾能力，工程化落地能力强巩固竞争优势

特斯拉智驾模式流畅丝滑、更类人。FSD 启用场景不设限、FSD 功能全驾驶过程可闭环、 驾驶区域全覆盖、行驶过程基本无断点，使用流畅、体验更类人。 特斯拉智驾领先的核心竞争力在于技术——硬件、软件算法两个维度，均具有极高的技 术壁垒与不可复制性：基于 Transformer 算法的端到端 AI 大模型是核心，高算力芯片及 Dojo 超算中心作为硬件端予以支持辅助。 软件算法层面，Transformer 算法是大模型的底座，其具备可处理长距离依赖关系、计算 效率高、适应性强等优势，因此取代 CNN（（积积神经网络）和 RNN（（环环神经网络）成 为 NLP（自然语言处理）中的特征提取器。特斯拉及比亚迪、长城、“蔚小理”、塞力斯 等国内主流车企均已采用 Transformer 架构。2022 年底，特斯拉 Autopilot 部门的一位 工程师提议，要借鉴 ChatGPT，让神经网络通过学习人类驾驶员的训练素材，来实现路 径规划，该方案意味着放弃 rule-based，全面转向神经网络，让机器像人一样学习。是 AI 赋能的端到端大模型通过解决长尾问题实现了场景泛化与降本，使 L3 及以上级别智 驾的落地成为可能。

大模型的技术壁垒，体现在模型编写、算力支持、海量数据需求等方面。端到端 AI 大模 型要靠代码实现，模型编写本身难度极高，对研发人员要求高；作为数据驱动的新型自 动驾驶方案，数据采集和标注的体量一定要达到相当的规模才能实施，需要海量的高质 量数据喂养和极高的算力支持。截至 2024 年 12 月，特斯拉 FSD 累计行驶里程突破 25 亿英里（40 亿公里），其中 FSDV12 2024Q1 上线后，累计行驶里程已超 15 亿英里（24 亿公里），相较其他车企智驾行驶里程显著领先，2024 年第四季度，使用 Autopilot 技术 的特斯拉车辆事故间行驶里程 594 万英里，创下第四季度最佳纪录，而美国平均水平为 70 万英里。目前，特斯拉 FSD 部分区域获得许可，后边将进一步扩大地域范围。

硬件层面，特斯拉云端超算平台为大模型提供高算力支持，边缘端 FSD 芯片算力行业领 先： 云端来看，特斯拉算力及资金投入均远高于其他车企。2024 年特斯拉投资约 100 亿美 元，用于训练和推理结合的人工智能，该投资水平远超其他车企。据特斯拉财报，2024Q4 特斯拉在德州工厂完成了约 5 万块 H100 训练集群 Cortex 的部署。特斯拉目前拥有算力 为 100EFLOPS，国内车企现有的算力都在 10 EFLOPS 以下，有些甚至低于 1EFLOPS， 1EFLOPS 是完成端到端智能驾驶的研发和训练的起步算力。 Dojo 超算中心采用自研芯片，预计 24 年底实现 8000 块 H100 等效算力。除了英伟 达 GPU，德州超算集群中还配备了特斯拉 AI4、AI5、Dojo 系统，24 年底 AI4 计算机约 4 万个（与英伟达芯片比为 1：2）。Dojo 超级计算机，搭载自研 AI 芯片 D1，该计算机 于 2023 年 7 月投入生产；到 2024 年 10 月，Dojo1 总算力规模将达到 100Exa-Flops， 到 24 年底上线算力等效 8000 块英伟达 H100。Dojo 有望成为特斯拉的 AI 基础设施， 为特斯拉的自动驾驶、人形机器人、X、SpaceX 等领域提供全方位支持。

边缘端来看，特斯拉自研 FSD 芯片性能行业领先、算力持续提升。2019 年起采用自研 芯片，HW3.0 搭载双 FSD1.0 芯片，使用三星 14nm 工艺，面积仅 260 平方毫米，可实 现 144Tops 算力，而英伟达 Xavier 使用台积电 12nm 工艺，面积 350 平方毫米，算力 仅 30TOPS，特斯拉自研芯片性能行业领先。目前，HW4.0 平台搭载双 FSD2.0 芯片，算 力达 720Tops，单颗芯片算力 360Tops，高于英伟达 Orin-x（254Tops）；AI5 硬件平台 下，算力 10 倍于 HW4.0，预计芯片算力将有大幅提升。

除软件算法及硬件外，特斯拉工程化落地能力强。在后续技术路线、算法等逐步趋同的 情况下，考验的将是车企工程化落地能力，包括功能安全设计、人机交互设计，以及算 法如何解决漏检误检、控制顿挫，如何避免规划失败、决策错误等。特斯拉工程化落地 能力强，各场景下表现持续优化，其中安全转弯、交叉路口、停靠校车等场景下驾驶流 畅度提升显著。

2.3 特斯拉智能化进展领先，Robotaxi、FSD 值得期待

特斯拉 FSD 有望逐步扩展到世界其他地区，相较国内车企布局领先。特斯拉的自动驾驶 产品主要有三个类别：AP（（自动辅助驾驶）、EAP（（增强辅助驾驶）、FSD（（全自动驾驶）。 其中，AP 是自动辅助驾驶，是特斯拉的免费标配；EAP 为增强辅助驾驶，在 AP 基础上， 增加了智能机召唤，自动泊车、高速 NOA 等功能，目前在中国地区售价为 3.2 万元；而 FSD 主要功能包括导航辅助驾驶（（NOA）、自动变道、自动泊车、智能召唤、交通信号识 别、（基于导航路线的）城市道路自动转向等，目前美国全域可实现，25 年有望拓展至 全球更大范围应用。国内车企蔚小理、小米及搭载华为 ADS 系统的车企均已实现全国高 速 NOA，城市 NOA 落地速度有差异，小鹏、华为、理想已实现全国全量推送城市 NOA， 其他车企城市 NOA 进度相对较缓。此外，特斯拉 Robotaxi 有望 2026 年实现量产，预计 2025 年在德州和加州向公众提供广泛服务。