2023年中小市值行业2024年度投资策略：重视科技革命带来的成长股投资机会

一、导语

我们认为 13-15 年的 tmt 牛市与当前的情况具有很多相似之处。自 23 年年初以 来，以大模型为代表的人工智能技术发展迅速，带动多个 tmt 领域的细分板块领 涨市场。 13-15 年期间，同样是以移动互联网为代表的新兴技术，在流动性宽 松的背景下带动产业变革，演绎出了一轮 tmt 的大行情。在当前我国经济流动性 整体处于宽松周期的背景下，叠加大模型带来的革命性技术创新，我们认为 13-15 年的 tmt 行情对理解当前的市场具有重要的指导意义。

二、13-15 年复盘：货币政策宽松，“互联网+”带动 产业革命

1、货币政策进入宽松周期

货币政策由紧向松转向。我国货币政策在2013年整体处于相对紧缩的状态，2012 年年底至 2014 年年初利率经历了短暂的上升后，我国政策开始转向宽松。

2、经济新动能：移动互联网带动新一轮产业革命

13 年开始后我国对科技领域的政策支持力度加大。2012 年以后，我国经济增速 放缓，国家对科技领域的重视程度明显提升，经济发展目标向着稳增长、调结构、 促改革的方向发展。2012 年 11 月 8 日，十八大在北京召开，做出了实施创新驱 动发展战略的重大部署，科技创新成为后续发展的主要方向。

4g 技术的快速发展推动商业化落地，移动互联网时代开启。2013 年 12 月 4 日， 业和信息化部向中国移动、中国电信、中国联通发放 TD-LTE 牌照，此举标志着 我国电信产业正式进入了 4G 时代。2015 年 2 月 27 日，工业和信息化部向中国 电信、中国联通两家企业发放 LTE FDD 牌照，两家企业 FDD 网络开始正式商用 联通定制的 4G 终端均支持 FDD 和 TDD 网络之间的自动切换。相对与 3g，4g 网络在网速等方面具有了跨越式的飞跃，为移动互联网的普及创造了条件。

智能手机渗透率快速上升。4g 基站建设的快速推进，带动智能手机渗透率快速 提升。根据 wind 数据显示，2011 年我国手机出货量中智能手机的渗透率约为 23%，在随后的几年内，智能手机出货量快速提升，2015 年上升至 88.3%，相 比于 2011 年提升了约 65 个百分点。

与智能手机同步增长的是各类下游 app 层出不穷。4g 与智能手机给予了下游应 用 app 极大的发挥空间，互联网格局沿着门户网站->社交 app->视频、游戏、生 活等生活类 app，包括移动 IM 类的微信、飞信，地图类的高德地图、百度地图、 移动社交类的微博、贴吧、人人网，移动购物类的淘宝、京东等，移动视频类的 优酷、爱奇艺、搜狐视频等，“互联网+”开始走向社会上的各个行业。

13-15 年我国移动互联网市场规模 CAGR 超过 100%。在各类 app 的带动下， 很多细分行业都实现了移动终端的线上化改造以及市场规模的快速增长。

3、多重因素叠加带来 tmt 板块的整体爆发

科技进步、政策扶持以及宽松的货币环境等多重因素叠加催动股价持续上涨。 2013-2015 年整个股市涨幅明显，在 2013 年年初至 2015 年 6 月中旬期间，上 证指数上涨了约 127%，创业板指上涨了约 453%，tmt 指数上涨了约 577%。创 业板指与科技类板块表现亮眼，显著优于上证指数。我们认为，这轮行情的主要 驱动力主要来源于 1）流动性的宽松给市场带来了充裕的增量资金，经济预期增 长预期触底向好；2）4g、智能手机渗透率的快速提升带来的“互联网+”时代 的全面到来，时代性的产业变革带来的经济增长新动力；3）政策上的鼓励与支 持。几大因素的共同作用下促成了 13-15 年的科技股大牛市。

三、美联储加息接近尾声，“AI+”有望引领新一轮产 业革命

与 13-15 年情况类似，当前我国也是处于流动性整体宽松的大背景。同时，美联 储最新 CPI 数据增长回落，加息进程有望结束。人工智能领域 ChatGPT 的出世 极大的提高了人们对于大模型的认知，我们认为未来大模型的逐步落地有望复制 当年移动互联网的行情，大模型渗透到各行各业，从而带来新一轮的产业大变革。

1、美联储加息接近尾声

美国 CPI 数据自 21 年 4 月开始增长幅度超过 3%，在 22 年 6 月更是达到 9.1%, 远超过 2%的目标,美国国内通胀压力较大。应对通胀高企等问题美联储开启加息 周期。 CPI 数据同比增长持续降速，非农就业人口低于预期，本轮加息或已接近尾声。 根据美国10月公布的经济数据，美国10月份CPI同比增长3.2%，预期升3.3%， 前值升 3.7%，为今年 7 月以来最低。10 月核心 CPI 同比增长 4.0%，略低于市 场预期，前值为 4.1%；10 月 CPI 环比增长 0%，略低于市场预期，前值为 0.4%。 同时，美国 10 月份新增非农就业人口约 15 万，市场预期为 18 万，实际值低于 市场预期。

2、大模型加速迭代，生态圈构建有望提速

GPT 模型能力上限提高速度超出预期，有望引领新一轮产业变革。GPT 出现的 最初形态为 ChatGPT，其能力圈总体处于与处理文字问题并给出答案的聊天型 大模型，并且其数据库时效性不高。然而随后的几个月时间 chatGPT 快速迭代， 目前已经迭代至 GPT-4 版本并接入 DALLE-3 模型，获得了更强的图文交互能力 以及对多模态数据的处理能力，代表着 GPT 模型具备了在 AIGC 等领域具备了实际的应用能力，极大的拓宽了下游应用的想象空间。其他厂商方面，七月国际 顶级学术期刊《自然》（Nature）杂志正刊发表了华为云盘古大模型研发团队研 究成果——《三维神经网络用于精准中期全球天气预报》，审稿人对该成果给予 高度评价：“华为云盘古气象大模型让人们重新审视气象预报模型的未来，模型 的开放将推动该领域的发展”。

生态圈建设开始启动，下游市场想象力巨大。2023 年 11 月，OpenAI 首届开发 者大会召开，推出 GPT-4 最新版本 GPT-4 Turbo。根据招商计算机组发布于 1 月 12 日报告《OpenAI 加速构建商业闭环，华为开启智界 S7 预售》，GPT-4Turbo 实现了六大升级：1）上下文长度：GPT-4 Turbo 将上下文长度提升到 128k；2） 控制：包括新增 JSON Mode、引入 seed parameter 等；3）模型知识：内部知 识库更新至 23 年 4 月，外部知识库升级更新方式；4）多模态支持 DALL-E 3（视 觉）、TTS（文本转语言）、Whisper V3（语音识别）5）微调定制：fine-tuning 扩展到 16K GPT，GPT-4 fine-tuning 开放邀测，同时开始接受企业模型定制；6） 速率：新模型速率翻倍。同时，定价方面 GTP-4 Turbo 全面降价，输入端 1 美 分/1koken，输出端 3 美分/1koken。 同时，大会上 OpenAI 还推出了自定义 GPT 功能，并命名为 GPTs，可添加知 识、操作和说明，并发布以供其他人使用，无需代码，企业构建大模型应用的便 捷程度大幅提升。同时允许用户制作并上传各类自己开发的大模型应用到 GPT 商店，生态圈有望得到快速完善。

3、基于 Transformer 的端到端自动驾驶有望成为主流方案

当前已经量产的自动驾驶解决方案主要以模块化的架构为主。通俗来讲，现阶段 使用较多的自动驾驶的模块化算法解决方案是将自动驾驶任务拆解成多个不同 的模块，然后将对应的任务交给专门的 AI，模型（模块）进行处理。一个完备的 模块化架构通常会包括： a) 感知模块：主要认为是对周边环境的感知，包括静态物体、动态物体、 路面情况，其中对于动态的物体还需要额外做到对其运动轨迹进行跟踪。 感知算法大部分采用深度学习卷积神经网络、图像识别技术等。 b) 定位模块：主要是通过 GPS 以及一些其他传感器数据进行车辆定位， 与感知模块类的点在于其采集到的数据同样会被用于后续模块。 c) 决策模块：决策模块根据感知模块以及定位模块等前端模块采集到的数 据，结合当前车辆的行驶状态、位置、与障碍物的距离等信息，做出转 向、加速、变道、超车等驾驶行为，起到类似于大脑的功能。 d) 路径规划模块：规划模块会根据上层信息，进一步规划出汽车行驶的路 径轨迹、速度、以及途径点等信息。 e) 控制模块：根据前序模型的分析计算结果输出控制信号，实现自动驾驶 中对车辆的控制。

现阶段模块化架构的核心问题主要在于： 1）研发强度大。模块化的架构意味着一个自动驾驶的模型可能包含了很多 种子模型，而每个模型都需要单独训练与优化迭代，需要的研发人员数 量多。2）误差容易在逐级的传递中放大。在模块化架构的系统中，下一级模块的 输入参数通常是上一级模块的输出结果，若是前一级模块出现误差，则 误差有可能会被逐级放大。 3）信息交互不顺畅。模块化的架构导致不同模块之间有着天然的隔阂，导 致不同模块间的信息交互、接口制定等难以顺畅地实现。 4）各个模块之间容易出现重复计算，浪费车载算力资源。

端到端自动驾驶最直观的变化就是将多个小模型整合成了一个“大模型”，是自 动驾驶的终极目标。自英伟达于 2016 年发表论文《End to End Learning for Self-Driving Cars》，端到端自动驾驶不断发展。相较于传统模块化的架构，端到 端（End to End）通过一个大模型既实现了感知、规划、控制等模块的功能，也 就是通过传感器采集到原始数据（raw data），并将原始数据输入到一个统一的 深度学习神经网络（大模型），并直接输出驾驶命令。

（1）Transformer 的 Attention 机制是一切的基础

Transformer 算法引入了 Attention 机制，算法的泛化能力大大增强，现流行的 大模型均是基于此类架构开发而出。2017 年，谷歌在人工智能领域提出的著名 论文《Attention Is All You Need》中首次提出 attention 机制，在 NLP 领域表现 极为出色。

Attention 机制极大地增强了算法对于上下文的感知能力，近些年最流行的 AI 模型均有着 Attention 机制的身影。从本质上看，Attention 实际上就是“权重”， 最早被应用于机器翻译领域并取得了良好的效果。举个例子，在“I love the 2022 Beijing Winter Games”这句英文翻译中文的算法中，games 这个词如果只考虑 自己的权重有可能会被翻译成游戏，当将 Beijing 这个词一起考虑时，由于 Beijing 与 Games 之间的关联，则有可能会被翻译成比赛，成为北京比赛，若是继续结 合“2022”，则会被翻译成北京 2022 冬奥会。

传统 RNN（循环神经网络）只能对较近时刻的输入值产生关联，泛化效果较差。 相较于更传统的神经网络，RNN 模型建立了网络各个层级之间的时序关联，也 就是说每一时刻的输出结果 St与输入结果 Xt 以及上一时刻 St-1，从而初步建立起 上下文之间的时序关联。RNN 先对一句话编码，再对一句话解码就能实现机器 翻译。但 RNN 模型会将所有长度的输入数据全部都统一压缩成相同的长度编码 c，从而导致翻译精度下降。

Attention 机制则是通过对每个时段设置不同的 c 来实现每个文字与全局其余部 分的关联。下图中αt 则是表示在 t 时刻，单个文字对全局其他文字的权重 （attention）。在这个结构下，可以通过对神经网络进行训练来得到最优的权重 矩阵。本质上这种方法就是让模型在不同时刻都能看到全局的信息，从而实现较 好的关联效果。

Attention 机 制 在 Transformer 算法中是 self-attention 机 制 的 基 础 ， self-attention 在原有基础上进一步实现了大规模的并行运算。随着大规模并行 运算的发展，由于 RNN 的顺序结构难以进行并行运算，因此效率很低，劣势逐 渐显现。另一方面，由于 attention 机制本身就已经对全部的输入数据进行了权 重分配，RNN 的顺序结构中的顺序已经没有存在的必要，在去掉该部分后就形 成了 tranformer 中重要的 self-attention 机制。通俗来说就是将上图中的箭头去 掉，在 encoder 编码阶段就使用 attention 机制将每输入一个数据与其他所有数 据之间的关联。经过计算后，将各个数据之间的关联权重加权表示后再放到“前 馈神经网络”中得到新的表示就实现了高效嵌入上下文信息的目的。

（2）Transformer 机制成功通过 BEV 将汽车视觉感知由 2D 向 3D 的跨越

BEV（Bird Eyes View）具有深度信息，相较于平面 2D 图信息更加丰富。自动 驾驶中的感知识别任务的目的是对物理世界的三维几何重建，由于车载的传感设 备逐渐增多，通过一个统一的视角呈现出不同视角采集到的信息变得逐渐重要起 来。传统的投影平面视角（Perspective view）由于缺乏深度信息，在视觉领域 仍有一定的缺陷。 BEV 本质是将图像空间“翻译”到向量空间，Transformer 大有可为。图像空 间(multicam features) 到向量空间 (BEV vector space)可以类比成一种语言 到另一种语言的翻译，因为他们都是对同一个空间的不同描述，transformer 在 该领域有着较好的表现。

BEV+transformer 相当于实现图像由 2D 至 3D 的升级，可以虚拟出感知世界的 坐标系，相当于给汽车开启了“上帝视角”。能够让车辆无遮挡地“看清”道路 上的实况信息，在 BEV 的视角下统一完成感知和预测任务。根据盖世学堂，传 统的 BEV 转化主要是通过在图像空间中进行特征提取，并产生分割结果，再利 用逆透视变换（IPM）将其转化为 BEV 空间，但这种方法非常容易造成成像结 果的失真。而 transformer 的交叉注意力机制则与该项任务适配性较高。

（3）多模态大模型赋能端到端训练，强化学习+transformer 或大有可为

多模态大模型是一种可以处理多种不同类型数据的深度学习模型。其通常由多个 分支组成，每个分支处理不同类型的数据，例如图像、文本、声音、视频等。这 些分支可以并行运行，并最终将结果合并以进行决策。与传统的单模态模型相比， 多模态大模型的独特之处在于它可以从多个数据源中获得更加全面有价值的资 源，从而提高模型的性能和鲁棒性。 多模态大模型在自动驾驶领域有以下三大优点： （1）高效处理不同类型数据间关系。在自动驾驶中，相机提供道路和障碍物的 图像信息，激光雷达提供距离和深度信息，而毫米波雷达提供速度和方向信息。 多模态大模型可以将多元化数据有机融合，以更全面和准确解读驾驶环境。 （2）通过深度学习以及强化学习完善性能。在自动驾驶中，多模态大模型可以 学习道路上不同类型的障碍物，并根据障碍物特性做出相应决策，不断训练并强 化自动驾驶系统。 （3）用于预测其他车辆的行为。多模态大模型可以根据不同类型的数据来定制 行驶路径，根据实时环境做出决策。在城市环境中，自动驾驶系统可以根据交通 信号灯和行人等因素来做出决策。在乡村道路上，它可以根据道路标志和路况等 因素来做出决策。 多模态大模型驱动自动标注发展，规控端应用成绩斐然。当前诸多自动驾驶领域 玩家在多模态大模型的加持下，对于自动标注服务应用愈加游刃有余。商汤科技多模态多任务通用大模型书生 2.5 拥有强大的语义理解和图像处理能力，在 ImageNet 分类任务开源模型中 Top1 准确率能超过 90%。在此基础上推出自 动标注服务，其广泛涵盖 1000 余个 2D、3D 目标类别，进而大幅度降低标注成 本。毫末智行于 4 月 11 日推出产品 DriveGPT，其大模型雪湖·海若对于上传图 片能够迅速响应处理，单帧图像整体标注成本降低至行业平均水平的十分之一。

长尾问题处理为 FSD 关键瓶颈，需优化数据驱动方案。目前市面上的 FSD 主流 算法可以覆盖绝大多数行车场景，但驾驶环境不确定因素较多，对于长尾场景的 算法处理却不够完善，这也就成为了 FSD 发展的一大困境。早期 Waymo 的路 测、特斯拉的影子模式均希望通过获取大量数据从而解决长尾问题。国内厂商毫 末智行将数据源类比为 FSD 模式的唯一自变量，坚持大模型数据处理是 FSD 发 展之关键。Momenta 在其公众号上也表示 L4 要实现规模化量产，至少要达到人 类司机的安全水平，需要至少千亿公里的测试，才能解决百万长尾问题。

Transformer+多模态+大模型（端到端），或能够成为自动驾驶的终极解决方案。 多模态实现了音频+视频+图像等多种数据的交互，Transformer 的 attention 机制 或能够在多种形态的信息中更好的找到其中数据互相之间的关联，生成更好的驾 驶指令。我们认为，由于涌现现象的存在（涌现指的是当一个 ai 模型被训练的 足够多时，其性能会突然指数级的提高），Transformer+多模态+大模型（端到端） 若是训练的足够多，或许有成为终极智能驾驶解决方案的潜力，解决长尾问题。

4、人形机器人：产业化进程加速，有望成为大模型的终极 应用形式

特斯拉最初于 2021 年 AI Day 首次发布人形机器人概念机。特斯拉在汽车领域 以及人工智能领域具有标杆性的领导作用，自特斯拉发布人形机器人后，在随后 的两年时间里其机器人产品不断迭代至今，目前已经完成了 Optimus 产品、电机 扭矩控制、端到端模型植入机器人等相关技术的研发储备。其中端到端模型在特 斯拉的汽车自动驾驶产品 FSD 上也有所运用，我们认为其所具备的泛化学习能 力以及对周边环境的识别与交互能力与机器人所需能力基本相通，特斯拉的人型 机器人的产业化落地有望加速。

我国人形机器人支持性政策密集出台，支持力度大。23 年 1 月份，工信部联合 十七部门共同发布了《机器人+”应用行动实施方案》，方案中明确说到要“聚 焦 10 大应用重点领域，突破 100 种以上机器人创新应用技术及解决方案，推广 200 个以上具有较高技术水平、创新应用模式和显著应用成效的机器人典型应用 场景”，为我国机器人产业发展提供了大的方向指导。除此之外，地方上对人形 机器人产业的支持性政策也频出，北京、深圳、上海均有相关的支持政策出台。 同年 11 月 2 日，工信部印发《人形机器人创新发展指导意见》，为人形机器发 展再度指明了发展目标。

国产厂商纷纷布局人形机器人赛道。2022 年 8 月，小米发布人形机器人 Cyberone;2023 年 4 月，腾讯(Robotics X 实验室)发布了灵巧操作研究成果，并 推出自研机器人灵巧手 TRX-Hand 和机械臂 TRX-Arm;2023 年 8 月，智元机器 人推出远征 A1，对百亿级别的开源大模型进行了调优，使其具备理解人的指令， 并对指令进行任务编排、执行闭环的能力;同月，均普智能宣布基于丰富的工业 机器人经验，正在积极研究探索人形机器人领域的业务机会，以进行规划和布局; 同月，字节跳动拟入局机器人，探索把 AI 大模型能力用到机器人上。国产化浪 潮下重点关注人形机器人整机以及零部件的国产化投资机会。

5、TSN：具有确定性时延以及多协议传输能力，是智能驾 驶以及机器人重要的连接神经

时间敏感网络(Time Sensitive Networking，TSN) ，是基于标准以太网架构演 进的新一代网络技术，它以传统以太网为网络基础，通过时钟同步、数据调度、 网络配置等机制，提供确定性数据传输能力的数据链路层协议规范。与传统以太 网相比，TSN 能够提供微秒级确定性服务，降低整个通信网络复杂度，实现信息 技术 (IT)与运营技术(OT)融合，其具有精准的时钟同步能力、确定性流量调度能 力，以及智能开放的运维管理架构，可以保证多种业务流量的共网高质量传输， 兼具性能及成本优势，是未来网络的发展趋势。

TSN 的出现主要解决了五大问题

1）流量传输不确定性：传统以太网采用“尽力而为”的传输方式，导致其在传 输数据的延时波动较大，且具有极高的不确定性，与商业互联网领域对网络拥堵 的态度不同，工业、汽车医疗等领域一旦出现严重网络问题则有可能导致致命后 果或巨大经济损失，因此上述等领域对网络卡顿、延时容忍度极低，TSN 的出现 为解决上述领域的应用问题提供了可行的解决方案，并衍生出了多种协议，为工 业、车载等领域提供了多样的选择。 2）时间同步：具有精准的时钟同步能力在对时间敏感的领域有广阔的应用空间。 3）通信协议不统一：在网络架构中通常不同的设备会使用不同的通信协议，而 不同的通信协议之间难以实现直接的互联互通，TSN 旨在提升以太网的性能，使 其更具备确定性、鲁棒性、可靠性，通过 IEEE802 网络保证数据包的延迟、抖 动、丢包，实现不同设备产生的数据流量的统一承载。 4）网络的动态配置：大多数网络的配置需要在网络停止运行期间进行，这对于 工业控制等应用来说难以实现。TSN 通过 IEEE 802.1Qcc 引入集中网络控制 器（centr alized network configuration，CNC）和集中用户控制器（centralized user configuration， CUC）来实现网络的动态配置，在网络运行时灵活地配置 新的设备和数据流。 5）安全：TSN 利用 IEEE 802.1Qci 对输入交换机的数据进行筛选和管控， 对不符合规范的数据帧进行阻拦，能及时隔断外来入侵数据，实时保护网络的安 全，也能与其他安全协议协同使用，进一步提升网络的安全性能。 当前 TSN 已逐渐发展成为了被行业组织认证的广泛使用的标准。当前国内外已 经有众多组织以及企业在积极推动 TSN 的发展，包括 ABB、B&R、Bosch Rexroth、 CISCO、GE、NI、KUKA、Parker、Phoenix、Schneider、SEW、TTTech 等 主流的自动化与 IT 厂商以及 EPSG、CC-Link 等协会也在积极参与 TSN 网络的 发展。

汽车智能化大势所趋，网络架构升级已迫在眉睫。近年来随着信息技术的不断进 步和发展，智能交通、车联网、自动驾驶等先进技术逐渐发展。汽车中的车载电 子系统的作用越来越重要。例如现在广受关注的 ADAS 统需要进行大量的数据传 输和处理。ADAS 系统通过各种各样安装在汽车上的传感器，不断分析车内外的 驾驶环境，在汽车行驶时收集数据并对其进行分析，从而实现车辆的紧急制动， 避免驾驶中发生意外碰撞、偏离车道等情况，也能够实现辅助倒车、自适应巡航 和驾驶员疲劳探测等功能。这些功能对车载网络数据传输的质量有着严格的要求。 在传统网络架构中，车内 ECU 透过内联网及中央网关连接来在不同子网间传输 数据，虽然也具有 ECU 以及中央网关等部件，但功能较单一，主要作为信息传 送、数据转换的通道，并未设计成适合数据处理的结构。

传统的车载网络技术有 CAN 总线、LIN、FlexRay、MOST 等。CAN 总线主要 用于汽车的刹车、引擎和悬挂等系统；LIN 用于灯光、车门和遥控等系统；FlexRay 主要负责引擎控制、ABS、悬挂等；而 MOST 是车载多媒体的首选协议。随着 汽车电子的发展，这些车载网络所存在的不兼容、带宽小、高延迟和抖动等缺点 逐渐突显。

（1）汽车智能化以及机器人大时代开启，引入 TSN 已成刚需

汽车朝着自动驾驶的方向发展，机器人也采用端到端解决方案，大量精密的传感 被器被融合进系统之中，产生了新应用场景如 GPS 坐标和当前道路状况及发动 机的控制器进行信息交互、机器人与周边环境的交互等。日益增加的高带宽、低 时延、可跨域通信和安全性的网络需求使得传统车载网络架构已难以满足汽车智 能化以及人形机器人时代的网络需求，主要体现在： f) 数据传输量的急剧上升。随着新兴的车载需求不断提升尤其是自动驾驶 技术的不断进步，车载数据传输量将会出现指数级上升。据北汇信息估 算，一辆自动驾驶的汽车每小时产生的数据量有望高达 4TB，传统汽车 网络架构已经难以满足自动驾驶时代汽车的数据传输需求。 g) 时效性要求的提高以及时间同步需求的上升。自动驾驶系统以及机器人 对于数据由简单的传输已经升级成为需要实时高效的处理，这对网络架 构提出了新的要求。除此之外，为保证数据处理的准确性，自动驾驶对 于数据之间的时间同步也有较高要求，传统网络无法满足此类需求。 h) 高度自动驾驶下的安全性保障。自动驾驶系统对于网络堵塞、延迟等容 忍度极低（一旦出现问题对于乘客来说大概率是致命性后果），因此从安 全性的角度出发，设置充足的冗余网络也是汽车智能化时代中自动驾驶 的必要要求。传统车载网络对时延不保证，也不具备设置冗余的结构。 i) 网络安全保障。由于新一代智能汽车以及人形机器人与互联网将会产生 连接，因此必须考虑在网络攻击以及单点功能失效造成的流量过载等因 素对于汽车行驶安全的威胁。

我们认为 TSN 将会是上述问题的最佳解决方案。智能驾驶领域的发展不断引领 车载网络架构不断发生变革，当前整车厂的设计方案通常倾向于将车辆按照不同 的功能划分不同的域，整合域中部分功能相近 ECU 的功能在域控制器下来管理， 形成 Domain Architecture，例如：ADAS、车载娱乐、车身控制、动力传动等域， 而 TSN 网络则是对这种设计架构提供了有力保障，设想其将具备高速 IP 网络连 接、智能自动驾驶员辅助/制动系统、信息娱乐门户、简化的内部线束及更轻的 总重量。

（2）TSN 方案有望逐渐被各大车企采用

TSN 是 FSD 网络时效性以及安全属性问题的最佳解决方案。智能驾驶的飞速发 展是车载网络亟需变革调试的必然原因，目前整车厂的设计方案更加倾向于将智 能汽车依照功能特性进而划分为相应域，整合域中部分功能相近 ECU 的功能在 域控制器下一并管理，形成完备的 Domain Architecture，例如：ADAS、车载娱 乐、车身控制、动力传动等域，而 TSN 网络则是对这种设计架构提供了强有力 保障，设想其将具备高速 IP 网络连接、智能自动驾驶员辅助/制动系统、信息娱 乐门户、简化的内部线束及更轻的总重量。对于特斯拉而言，BEV+transformer 视角下的 3D 视频流数据极大的增加了网路中的流量传输，对网络质量、时延保 障的要求大幅提高，未来对 TSN 网络解决方案的需求有望逐渐增强。 目前支持 TSN 的车载设备已经开始逐步面市，例如 Marvell 公司所推出的 88Q5050 车载以太网交换芯片，是一款 8 端口、高安全性车载千兆以太网交换 芯片，能够对输入端口的 AVB 流进行监管和限流。博通也推出了 BCM5316x 系 列交换芯片，主要的目标市场就是无人车、无人机、机器人和 L3 级别的无人驾 驶。

四、创业板估值仍处低位

创业板指估值处于历史较低位置。截至 2023 年 11 月 27 日，代表全体 A 股的同 花顺全 A 和代表创业板的创业板综估值分别为 17.12 倍和 47.95 倍。整体 A 股 市场的估值相比 2022 年同期基本持平，而创业板的估值相比于 2022 年同期略 有降低，目前正处于历史低位。

科创板指估值延续历史低位水平。截至 2023 年 11 月 27 日，代表科创板的科创 50 指数估值为 44.4 倍，估值延续 2022 年的低位态势。我们认为宽松的流动性 以及“AI+”有望带动科技逐渐成为目前国内发展的主要驱动力，目前市场仍处 于价值发掘期。

编辑：火腿肠