1.观点一：自动驾驶开始由创造型行业迈向工程型行业

1.1.原因：特斯拉引领下感知模块技术路径已逐步收敛，BEV 到 Occupancy 的感 知算法迭代路径已成为行业共识

国内头部厂商在 2020 年左右基于高精度地图+小模型的方法陆续落地了高速 NOA 功能，但随 着智能驾驶从高速走向城区，场景复杂度大幅提升，在感知环节主要面临两大问题：

（1） 对高精度地图的强依赖问题：在自动驾驶功能落地的过程中，单车对于周边环境的 实时感知能力越弱、对地图等先验信息的精度要求就会越高，反之亦然。此前海内 外主机厂主要通过 CNN 等传统小模型+后融合技术来完成单车实时感知，但在面对城 区等复杂场景时，最终感知的精度难以满足后续规划及决策的要求。因此，在实际 落地过程中，主机厂不得不强依赖于高精度地图来获得充分的先验信息辅助完成环 境感知。而高精度地图却存在着覆盖范围有限、更新频率低、迭代成本高等问题， 依然无法有效满足城市 NOA 规模化推广的要求。

（2） 对异形障碍物的识别率低问题：高速场景上障碍物种类有限，通过传统小模型的方 法即可有效识别。然而，利用小模型进行障碍物检测的本质原理是“穷举法”，在城 区场景下异形障碍物更为复杂和多样，一旦出现没有被标注过的异形物体，比如侧 翻的白色大卡车/侧翻的集装箱，则会造成频繁的接管，影响城市 NOA 功能的体验。

对此，2020-2022 年间特斯拉在北美提出并成功验证了“BEV+Occupancy”这一全新的感知 架构，使得以上两大限制城市 NOA 规模化推广的难题得以有效突破。其中，BEV 鸟瞰图解决 了此前落地城市 NOA 功能过程中对高精度地图强依赖的问题。2021 年 AI DAY，特斯拉提出 以 Transformer 为主干网络的 BEV 空间构建方式，也即通过 Transformer 模型将多视角图像 信息重建至向量空间下，且该向量空间在大模型的加持下拥有更高的环境感知精度，从而 降低对高精度地图的依赖。而 Occupancy 则在 2D BEV 的基础上增强对于物体高度信息的感 知，有效解决了对于异形障碍物识别的问题。

Occupancy 占用网络的核心思想在于将三维空 间划分为无数个微小立方体，面对障碍物时“不再考虑这个物体到底是什么，只考虑对应 区域的微小立方体是否被占用”，从而保障在面对异形障碍物时即便无法识别其具体类别， 但至少可以保证车辆能够根据物体体积大小完成避障等操作。（BEV+Occupancy 模型的具体 原理解读可参考我们此前发布的报告《AI 大模型在高阶自动驾驶中的应用》）。

在特斯拉的技术创新引领之下，国内主机厂自 2022 年以来亦纷纷开始效仿其技术路径重新 构建自身感知架构，并相继提出“重感知，轻地图”技术方案。全球自动驾驶行业感知模 块技术路径从百花齐放开始走向收敛。但需要注意的是，即便是在全新感知架构的加持下， 智能驾驶系统仍无法像人类一样仅依赖于普通导航地图，目前仅是降低对高精度地图的依 赖，而非彻底抛弃对任何形式地图的使用。高精度地图相较于普通导航地图包含的增量信 息可分为两类，一类是高精度的道路几何数据（如路宽、路线曲率半径等），这类信息部分 智驾厂商已经可以通过 BEV 实时感知补齐；另一类则是道路拓扑结构（如车道间的连接关系， 路口红绿灯和相应车道的绑定等），智能驾驶厂商暂时无法仅通过 BEV 网络架构补齐上述信 息。因此，在实际落地过程中，各家厂商仍然会根据自身感知能力水平的优劣，选择不同 类型的地图予以辅助。

具体可以分为以下三种类型： （1） 具有地图资质的厂商可以通过量产车采集的数据构建众包地图，再通过神经网络或 者 rule based 的方法补足道路拓扑信息。比如特斯拉 FSD 在北美基于量产车跑的众 包地图基础上，构建矢量地图 Lanes Network 模型进行车道连接关系的预测，来补 足智能驾驶规控所需要的道路拓扑信息。从网络架构上来说，矢量地图模型将来自 感知网络的视觉特征信息、众包地图的信息整合起来给到语义模块。语义模型将来 自视觉模块和地图模块的所有信息进行编码，类似于语言模型中单词 token，再以 序列自回归的方式预测节点的位置、属性以及连接关系。若自动驾驶厂商尚不具备 神经网络预测道路拓扑的能力，也可以通过基于规则的方式补足道路拓扑结构。

（2） 直接采用图商的“轻高精度地图”产品。轻高精度地图所包含的要素信息数量和精 度介于高精度地图（HD Map）和普通导航地图（SD Map）之间。相较于高精度地图， 主要减少了几何信息要素并在精度上有所放松，但保留了重要的逻辑类拓扑结构信 息，这与车端的实时在线感知信息正好互补。尤其在复杂路口、道路分歧合流等复 杂驾驶场景下，轻高精度地图能够为后续的规划决策提供重要信息。同时，“轻高精 度地图”和传统的高精度地图生产流程不同，更新频率大幅提升。轻高精度地图基 于众源数据进行制图，可以做到天级更新；而传统高精度地图基于专业激光雷达车 采集点云数据，只能做到季度更新。如高德于 23 年 6 月发布的 HQ LIVE MAP，可以 在城区场景提供全局逻辑类要素（包括车道级拓扑及属性信息、红绿灯、交通规制 信息）和复杂场景下部分几何信息（如在路口、车道变化点处等场景下），相对精度 降低到亚米级。同时，高德借助生态内网约车、物流车、行业车以及调度车结合的 众源数据体系可以做到天级更新。2023 年高德 HQ LIVE MAP 城区场景覆盖范围达到 50 城，预计 2024 年达到 100+城。

（3） 以普通导航地图为基础，叠加特征图层来实现类“众包地图”的效果。车企通过 量产车对于复杂路口进行道路拓扑结构的特征提取并回传至云端，云端进行特征 层的拼接并和 SD Map 做一层融合形成类“众包地图”后下发至车端。当车辆再次 经过这个路口时，就可以将提取好的特征拿出来与车端 BEV 相融合。同时，如果 车端再次经过该路口时发现相较于存储的特征发生了变化，车端会将新的特征回 传至云端进行特征图层的更新，由此来保证地图的鲜度。车企采用 SD Map+特征 图层方式的根本原因是规避绘制众包地图需要测绘资质的监管问题，这种方式相 当于对数据进行了严格加密，而不涉及存储地理坐标的信息。

1.2.对主机厂影响：数据闭环能力将直接决定主机厂智驾水平及兑现度

1.2.1.数据闭环能力直接决定主机厂智驾水平，对主机厂工程化能力提出考验

基于神经网络的自动驾驶模型由工程师设定算法框架，再依靠大量数据回灌进行参数的更 新和调优，因此主机厂智能驾驶水平=算法构建能力*数据训练效率。其中算法的构建能力 由模型本身的选择、技术路线等因素决定，数据训练效率则由主机厂数据闭环能力决定。 当前在特斯拉的引领之下感知技术框架趋于收敛，同时考虑到神经网络算法的开源性，国 内智能驾驶厂商中并不存在哪一家具备绝对的算法能力优势。相反，当前各个主机厂数据

闭环搭建的成熟度、迭代效率等方面仍差异较大，因此我们认为，当前阶段数据闭环能力 将直接决定主机厂的智能驾驶水平。 具体来看，在完整的数据闭环体系中，根据数据传导的路径可分为以下几个步骤： 1） 原始模型搭建：根据初始数据集训练初版神经网络并部署在车端。 2） 数据采集和挖掘：在车端设计 trigger 触发机制，当触发该机制后，完成一次数据采集， 并将所采集到的 corner case 数据（如神经网络结果不准确、司机接入接管等）回传至 云端。在云端记录该 corner case 后，继续挖掘并回传大量的类似数据集或通过仿真获 得合成数据。 3） 数据标注：对以上新得到的数据集进行标注。 4） 训练及部署：将标注好的模型重新训练并优化模型，最后将新的模型部署在车端重复以 上步骤。

进一步而言，主机厂数据闭环的效率将由其工程化能力决定。整个数据闭环体系，包括数 据获取、数据预处理、标注、仿真、模型部署在内的每个环节都存在大量需要优化的工程 化问题，比如： 1） 数据回传机制的优化：目前行业内通过量产车收集数据的通用做法是学习特斯拉的影子 模式，并设计数据的回传机制（Trigger)。具体而言，在有人驾驶状态下，智能驾驶系 统（包括传感器）仍然运行但并不参与车辆控制，只是对算法进行验证——系统的算法 在“影子模式”下做持续模拟决策，并且把决策与驾驶员的行为进行对比，一旦两者不一致，该场景便被判定为“极端工况”，进而触发数据回传。根据Andrej在2021年CVPR 上的演讲，彼时特斯拉已经在车端部署了 221 个数据回传触发器。Trigger 的设计要尽 可能收集对提升模型性能有价值的 corner case，同时还要避免收集无效数据；此外如 果大量数据同时回传可能会受到带宽的限制；对数据回传频次、时间等的设置还有可能 影响到用户端体验。因此可见，仅数据回传环节就涉及到大量的 know-how。

2） 数据标注的效率和准确性：自动驾驶感知从 CNN 小模型向 BEV+Transformer 大模型的迭 代过程中，对数据标注的需求也从 2D 标注向 4D 标注演进，数据标注的精度和准确性直 接决定智能驾驶模型的上限。在 4D 标注中最复杂的是场景多趟重建，这一过程中就涉 及大量的工程化细节：比如多趟重建中如何对单趟重建结果进行对齐；对于没有激光雷 达的量产车收集的数据如何保证重建的精度等等。对重建后的场景进行 4D 标注，又需 要具备自动化标注工具和人工质检平台，由于各个厂商之间工具链的完善度不同，自动 标注的效率亦有所区别。

3） 硬件部署，软硬件协同的问题：由于车端推理芯片的算力、带宽都与云端训练芯片有较 大的差距，在云端训练好的智能驾驶模型部署到车端时都需要对模型进行优化（剪枝、 蒸馏等方式）。领先的头部厂商将自动驾驶模型进行了大量的算子化，在车端的模型运 行效率就会很高；反之就可能对芯片算力有很大的浪费。因此，即便是用的同一款芯片， 不同厂商之间的芯片利用率、模型运行效率也有很大的差距。

1.2.2.国内头部主机厂数据闭环能力逐步完善，软件版本迭代速度明显加快

根据我们在《从特斯拉迭代历程看智能驾驶算法升级趋势》报告中的分析，特斯拉早在 2016 年首创影子模式，开始在车端大量收集众包数据，2018 年已初步构建了数据闭环体系， 并逐步完善了云端算力资源、自动化标注、仿真等环节。特斯拉完善的数据闭环体系造就 其极致的模型迭代速度，特斯拉 FSD BetaV11 的发版（公测版）速度为 20 天一次，完善的 数据闭环体系背后是特斯拉强大的工程能力和云端算力资源。目前，国内以小鹏和华为为 代表的头部智能驾驶厂商基础设施、数据闭环体系亦逐步完善，2023 年 Q3 以来智能驾驶功 能软件版本迭代速度明显加快，2023 年 Q4 头部主机厂在年初定的城市 NOA 落地目标已开始 集中兑现。

小鹏：数据处理效率相较于 2022 年大幅提升，1024 科技日后模型发版速度迅速提升。小鹏 是新势力中最早开始建立数据闭环体系、布局云端超算中心的厂商，2022 年 8 月小鹏汽车 成立自动驾驶 AI 智算中心“扶摇”，由小鹏和阿里联合出资打造，具备 0.6E FLOPS 算力。 该中心将自动驾驶算法的模型训练时间提升 170 倍，并且未来还具备 10~100 倍的算力提升 空间。2023 年以来小鹏数据闭环效率大幅提升，根据小鹏 2023 年 1024 科技日的介绍，去 年小鹏每年可以解决 1000 个 corner case，今年平均可解决的 corner case 数量提升至 2500 个，整体数据闭环效率提升 150%，具体体现在数据收集、模型训练、部署、仿真全链条的 效率提升。如在仿真环节，2022 年可以做到基于真实场景模拟数据，今年已经具备利用 AI 生成极限场景并融入到海量训练数据中的能力。在这样的数据闭环能力的支撑下，我们观 察到小鹏软件发版速度明显提升。从 23 年 1024 AI Day 后小鹏向早鸟用户推送了 6 个版本 的 Xmart OS 4.4.0 先锋版，平均不到一周迭代一版。11 月 28 日正式向全量用户推送首批 20 个城市的无图 NGP 功能。随后于 12 月 13 日向早鸟用户推送了新增另外 27 个城市的无图 NGP 功能的 Xmart OS 4.5.0 先锋版 1，并预计年底向全量用户推送。

华为：具备全栈能力，软硬件协同效率高，云端算力资源国内厂商中第一。华为在半导体、 通信、移动终端等多个科技行业积累下来的工程经验深度赋能智能驾驶数据闭环体系。如 华为是目前国内唯一一家自研云端训练芯片、车端智驾芯片的厂商，因此华为可以做到真 正的软硬件深度协同，针对自动驾驶模型做算子化，提高软硬件的协同效率。余承东在 2023 年 9 月问界 M7 改款发布会时披露目前云端算力为 1.8E FLOPS，每天可以学习 1000 万 公里数据，到 2023 年 11 月云端算力已经提升到 2.8E FLOPS（是国内其他厂商算力资源的 2-3 倍），每天可以学习 1200 万公里，每五天迭代一次模型。

2.观点二：预计 2024 年城市 NOA、通勤 NOA 渗透率将分别达到 4.2% 和 6.9%

2.1.原因：供给端驱动下通勤 NOA 功能有望在 20 万以上价格带车型中实现标配

展望 2024 年，我们认为通勤 NOA 功能有望凭借其硬件成本低、落地算法相对简单等优势率 先在中低价格带放量。通勤 NOA 又可称之为记忆行车或 AI 代驾，指在用户设定的特定路线 上通过车端学习后可以实现点到点单一路径的领航辅助驾驶。该功能最早由小鹏在 2023 年 3 月份面向媒体的 G6 试驾会上提出，命名为“AI 代驾”；随后，理想在家庭科技日中亦官宣 了该功能，命名为“通勤 NOA”引起广泛关注。从实现的算法原理上来看，通勤 NOA 的算法 技术栈与城市 NOA 完全相同，只是大幅缩小了场景范围，通过多次学习同一条路线来“重建” 一个单一路径的轻量化高精度地图；从硬件成本上来看，由于单一路径下工况相对简单和 可控，因此对算法模型的泛化性要求也相对较低，继而所对应的芯片算力及传感器的需求 也远远低于城市 NOA（我们根据对应功能所需的芯片及传感器配置测算，城市 NOA 相较于高 速 NOA 功能硬件成本提升了 360%，而通勤 NOA 相较于高速 NOA 硬件成本仅提升了 60%），例 如大疆“成行平台”基于单颗 TDA4VH（32Tops）+7 颗摄像头的硬件配置即可实现通勤功能。

最后，从实际应用效果来看，高速+通勤 NOA 已可以覆盖用户约 85%的出行场景。因此，对 于主机厂而言，在规模化推广城市 NOA 功能的前期，率先落地通勤模式不仅可以在有限的能 力下最大可能的满足用户使用需求，并由此逐步培育用户对高阶智驾功能的使用习惯；同 时也为主机厂后续升级或推广城市 NOA 功能提供时间窗口和数据积淀。可以看到，在小鹏等 头部主机厂的示范效应下，比亚迪（腾势）、上汽智己、奇瑞、零跑等多家整车厂均已将通 勤 NOA 功能推出时间表提上日程。

进一步来看，通勤 NOA 功能有望率先在新能源车竞争较为激烈的 20-30 万价格带加速渗透， 成为绝大多数该价格带车型的必配项。近两年来，国内自主品牌在 20-30 万价格带中相继发 布颇具竞争力的新能源车型，而在优质的新能源车型供给下，燃油车份额已快速下滑。根 据乘联会数据，截至 2023 年 11 月，国内 20-30 万中高端价格带区间内新能源渗透率已经超 过 50%，该价格带竞争已日趋激烈。在此背景下，今年以来小鹏 G6、智己 LS6 等代表性车型 已率先将高阶智能化功能作为该价格带车型的卖点之一。而在内卷压力之下，我们认为明 年有望有更多主机厂为保证整车综合产品力无短板，将相继在该价格带车型中至少搭载通 勤 NOA 功能。因此在 2024 年，我们有望看到高阶自动驾驶功能类似于 2019 年的新能源行 业，由供给端驱动渗透率快速提升。除此之外，部分头部主机厂亦将在明年率先开始规模 化推广城市 NOA 功能，并有望以此为差异化获得销量红利（该观点我们将在第三章展开论 述）。根据我们测算，预计 2024 年行业整体通勤 NOA 功能渗透率有望从 2023 年的 1.3%提升 至 6.9%，而在 20-30 万价格带车型中渗透率有望从 2023 年的 1.1%提升至 14%。预计 2024 年 城市 NOA 功能渗透率有望从 2023 年的 1.3%提升至 4.2%。

2.2.对主机厂影响：自研意愿开始分化，供应商的生意将长期存在

2.2.1.对头部主机厂而言：能否通过高投入实现自研逆袭取决于四大核心要素

如前所述，当前头部厂商数据闭环体系已趋于完善，版本迭代速度明显加快，2024 年高阶 辅助驾驶功能将从导入阶段迈向渗透率快速提升的阶段。在这种背景下，我们认为，对于 目前尚不完全具备自研能力的头部主机厂而言，能否通过持续的高投入而后来居上核心取 决于以下四个要素：

1） 资金充沛度：高阶智能驾驶功能需要长期的高研发投入，我们测算基于 BEV、Occupancy 技术架构实现城市 NOA 规模化量产每年至少需要 20 亿的资金投入：首先若组建一个完 整的自动驾驶自研团队，其人数应至少在 1000 人左右，具体包括感知算法团队 （200~300 人）、规控算法团队（100~200 人）、工程化落地团队（300~400 人）、数据闭 环相关的工具链团队等（200~300 人），假设研发人员平均薪酬为 60 万元/年（根据 offer_show、Boss 直聘信息进行假设），仅研发人员的薪酬就需要 6 亿元/年。同时，云 端算力中心是智能驾驶的一大“吞金兽”，何小鹏曾在“扶摇”超算中心发布会上表示 2025 年小鹏汽车在云端算力上的投入每年将超过 10 亿元。而具备超过 16E FLOPS 云端 算力的特斯拉 2024 年将在超算中心上的投入高达 20 亿美金（资料来源：马斯克 23 年 8 月推特直播 FSD V12 时披露）。此外，利用采集车进行数据采集需要相应的设备投入、 配备专业的司机，利用量产车回传数据会产生大量的网络带宽费用，以及在智能驾驶功 能研发过程中主机厂需要给相应的芯片、传感器硬件厂商支付开发费等，我们预计上述 环节还需要数亿元的资金投入。

2） 车型矩阵丰富度：对于目前尚不完全具备自研能力的主机厂，丰富的车型矩阵一方面给 自研团队提供了一定的容错空间，即便短期内自研团队的技术成熟度难以达到量产要求， 也可以先借助供应商的力量保证智驾功能的不掉队，从而为自研团队争取宝贵的时间； 另一方面，丰富的车型矩阵（乃至于一定规模以上的销量）也保证了智能驾驶软件迭代 长期所需要的数据来源。

3） 管理效率：智能驾驶功能是目前整车内复杂度最高的软件之一，研发过程中涉及大量自 动驾驶二级部门之间的协同，同时对于智驾功能的量产落地还需要座舱、底盘甚至于营 销多部门的协同配合，对整车厂整体管理效率提出挑战。比如在特斯拉的组织架构中， 一级部门 AI&Autopilot 由马斯克直接领导，下属二级部门包括硬件团队（包括车端芯 片和超算 Dojo）、算法团队等部门领导直接向马斯克汇报，这种架构下具备极高的管理 效率。

4） 技术上的“灵魂人物”：智能驾驶是典型的人才密集型行业，尤其在智能驾驶自研能力 从 0 到 1 的起步阶段，非常需要一个研发实力强、量产经验丰富技术大牛（随着主机厂 智能驾驶的系统能力增强，对“灵魂人物”的依赖度会逐步降低）。比如马斯克 2017 年 从 Open AI 挖来的 AI 天才工程师 Andrej 奠定了特斯拉自动驾驶感知算法技术架构以及 为特斯拉建立了完善的数据闭环体系；吴新宙自 2018 年 12 月加入小鹏汽车，主导了小 鹏从高精度地图方案向“重感知、轻地图”技术方案的切换，搭建了基本的技术框架。 我们梳理发现，2023 年以来传统主机厂也开始积极引进科技大厂、新势力主机厂的技术 人才。

按上述标准衡量，我们认为理想是最有可能实现自动驾驶自研逆袭的主机厂。1）资金充沛 度：截至 2023 年三季报，理想账上有将近 730 亿的现金及现金等价物，资金充沛，为智能 驾驶持续性的高研发投入提供支撑。2）车型矩阵丰富度：理想频出爆款车型+L 系列车型智 能化架构统一，带来数据量上的优势。根据乘联会数据，截至 2023 年 11 月，理想 L7/8/9 车型保有量为 37 万辆。由此可见，理想相较于目前处于第一梯队的小鹏和华为在数据量上 都有优势。3）组织架构：理想从 2019 年就开始认真研究全球顶尖的万亿级别企业的管理模 式，以及企业在不同规模阶段所做出的组织升级的选择、方法、经验。理想从 2023 年开始 全面向矩阵型组织架构变革，在纵向职能部门的基础上，设立了七个横向实体部门（包括 战略部、产品部、商业部、供应部、流程部、组织部和财经部），同时七个横向部门对应了 七个一级流程，并在一级流程的关键节点之间形成流程的互锁，这样将过去不同团队的 OKR 对齐变成团队之间的契约，显著增强了整体的协同效率。4）技术上的“灵魂人物”：理想 自动驾驶副总裁郎咸朋曾任百度智能汽车事业部高精地图与自动驾驶技术总监，于 2018 年 加入理想汽车，2021 年曾带领团队成功实现高速 NOA 的自研量产。

理想秋季战略会之后对智能驾驶投入坚决，产品迭代进程明显提速。根据 36kr 报道，理想 在 23 年十一前夕召开为期四天的秋季战略会，将智能驾驶提到了前所未有的战略高度。理想在三季报业绩交流会中提到目前智能驾驶研发人数 900 人（根据 36kr 报道 2022 年理想智 能驾驶团队仅 600 人），2024 年要扩张到 2000 人，到 2025 年将扩张到 2500 人。理想高阶 智能驾驶功能的落地目标经历多次调整，2023 年 4 月上海车展时将年底的目标定为城市 NOA 落地百城，而因前期智驾投入不足、算法框架不成熟，到 8 月成都车展后将目标下调至通勤 NOA 落地百城且只针对早鸟用户推送。随着战略会后理想加大对智能驾驶的投入，产品迭代 明显提速，11 月 28 日李想在微博上表示新的计划是 12 月城市 NOA 覆盖全国 100 个城市， LCC 全球都能用，对应软件的正式版本（OTA5.0）于 12 月 19 日正式向全量用户推送。

2.2.2.腰部主机厂：内卷压力下开始大量依赖供应商，供应商的生意将长期存在

自 2020 年开始，包括高算力芯片、激光雷达等在内的自动驾驶核心硬件开始相继实现量产， 自动驾驶行业已经逐步开始具备预埋上车的硬件基础。而彼时处在自动驾驶行业量产前夜 的国内传统主机厂，亦普遍开始通过设立子公司/参股公司等方式建立在自动驾驶领域的自 研能力。不同于新势力主机厂通常把智能驾驶团队设立为一级部门且智驾部门领导直接向 CEO 汇报（或 CEO 直接领导智驾团队），传统主机厂在组建自研团队时的做法是将智驾团队 孵化成子公司（如长城的毫末智行，奇瑞的大卓智能），或者是将智驾团队放在旗舰品牌下 （如极氪智能驾驶中心，上汽飞凡智驾共创中心）。但随着行业内卷程度逐步加剧以及核心 算法的革命性突破，高阶智能驾驶功能即将在 2024 年进入快速渗透阶段，而前期在智驾领 域自研积淀有限的主机厂，其自研意愿也将被迫开始分化，供应商的生意有望长期存在。 具体而言，我们认为在智能驾驶上主机厂和第三方供应商合作的模式未来主要有以下两种：

1） 供应商完全主导，直接提供交钥匙方案：目前这种模式最为典型的就是华为鸿蒙智行提 供相对标准化的全套解决方案，对于供应商而言可以用所有车辆收集的数据进行模型迭 代，迭代后的软件版本只需要针对不同车型的传感器标定做适配工作即可 OTA 到所有搭 载车型上。比如华为从 ADS1.0 升级到 ADS2.0 适用于包括问界、阿维塔在内的全部车型， 针对单个项目所需要投入的人力较少。这种模式下供应商的商业闭环最好，但同时对供 应商自身的数据闭环能力、工程落地能力要求较高，尤其是需要有自己的云端算力中心， 对供应商本身的资金充沛度也有较大考验。针对这种模式实际落地过程中可能面临的两 个问题进行讨论： a) 数据所有权问题：一种可能的解决方案是数据归主机厂所有，主机厂可以作为第 三方智驾厂商的数据供应商，有条件的将脱敏后的数据给第三方智驾厂商使用。 b) 主机厂是否完全失去了“灵魂”：华为与长安的合作提供了一种解决方案，11 月 26 日长安汽车官宣与华为签署《投资合作备忘录》，与华为共同成立了合资公司， 相当于双方都持有“灵魂”的一部分，并且该目标公司将对现有战略合作伙伴车 企及战略价值的车企投资者逐步开放股权。

2） 车企牵头，供应商相当于 Tier 0.5 深度配合：这种模式下上汽智己和 Momenta 提供了 很好的实践案例，整个数据闭环过程由车企牵头，包括专门的采集车、数据标注、云端 算力资源均是车企的（或车企找其他外包供应商），智驾供应商负责感知算法，并在整 个数据闭环过程中深度配合主机厂。这种模式下不需要供应商具备非常完善的数据闭环 体系和非常高算力的超算中心，对供应商的资金考验相对较小。但同时相较于供应商完 全主导的方案，Tier0.5 的模式对供应商而言项目的定制化属性更强，单个项目上占用 的资源较多。对于具体涉及的细节我们的猜想如下： a) 第三方供应商和首个战略客户合作利用客户的资源进行模型训练，训练的初版模 型由客户和供应商共享。 b) 在和后续其他客户合作过程中，供应商和相应主机厂设立合资公司并派相应人员， 在初版模型的基础上针对主机厂回传的数据进行后续的 OTA 迭代，整个数据闭环 过程（包括利用回传的数据做的版本迭代）均留在主机厂和合资公司的内部。

2.3.对 Tier1 影响：核心壁垒从“单环节量产经验”转向“多环节综合供应能 力”

在传统分布式 E/E 架构下，整车自动驾驶系统由几个相互独立的子系统（前向 ADAS、侧后 ADAS、泊车辅助系统、全景环视系统）构建而成，每个子系统中都有一个 ECU。而 ECU 的主 要物理结构为“单片机+外围电路”，在这种架构之下，软硬件是强耦合的，Tier1 将软硬件 打包以“黑盒”交付的形式提供给主机厂。随着整车 E/E 架构从分布式走向集中式，自动驾 驶子系统所对应的 ECU 也融合成自动驾驶域控制器，主控芯片从 MCU 演变成更高性能的 SoC 异构芯片，软件架构也随之向 SOA 架构升级，即系统软件（虚拟机、系统内核、中间件）、 算法模块以及应用程序层三部分，实现了“软硬件解耦”。因此，自动驾驶整个产业链环节 也随之分解为芯片、硬件集成及生产、底软开发、算法开发、应用程序几大环节。

在行业变革初期，芯片、中间件、算法开发等每个环节都单独衍生出一批创业公司，此时 相关公司的核心壁垒在于是否在各自环节具备充足的开发能力及量产经验。例如，德赛西 威过去两年凭借基于对英伟达 Orin 芯片的自动驾驶域控量产经验，斩获国内众多车企相关 订单。然而，随着行业技术路线逐步收敛、部分中低算力平台的智驾域控已逐步走向标准 化，此时对优秀的 Tier1 企业而言（包括芯片供应商、集成供应商、算法供应商等），对其 能力的要求已不仅仅局限于产业链单一环节，更多的是需要凭借现阶段的领先优势来充分 整合产业链上下游，尽可能的具备集芯片、算法、制造等为一体的综合供应能力，从而建 立生态、做低成本，建立更强的护城河。具体原因如下： （1） 软硬件深度协同能力是决定智能驾驶功能低成本落地的重要因素，因此我们认为只 有具备纵向一体化能力的企业才能提供高性价比的方案，进而在愈发激烈的行业竞 争中胜出。我们观察到，23 年以来算法公司及以及汽车电子传统 Tier1 均开始积极 向上游布局。自动驾驶算法出身的 Momenta 开始寻求自研 AI 芯片，根据 36kr 的报 道，数十名前 OPPO 哲库管理层加入了 Momenta，由哲库 COO 李宗霖带队，成立自动 驾驶芯片研发部门。此外，传统汽车电子 Tier 1 经纬恒润投资自动驾驶芯片初创企 业辉羲智能并签署战略合作协议，共同打造基于国产高性能 SoC 的自动驾驶量产解 决方案，实现城市 NOA 的量产落地。

（2） 智能驾驶第三方供应商的竞争本质上是不同生态之间的竞争，打造全栈能力是第三 方供应商构建自身生态的必经之路。如芯片厂商正致力于补足算法能力，从 Tier 2 转变成 Tier 1 甚至于是 Tier 0.5 的角色。英伟达本身具备强大的硬件生态和底层 软件生态，已完成基础软件 Drive OS、中间件 Driver Works 的布局，23 年以来明 显开始在自动驾驶整个解决方案上发力。2023 年 8 月，小鹏原副总裁、CTO 吴新宙 跳槽至 NVIDIA 担任自动驾驶产品主管。11 月英伟达官方公众号发布针对自动驾驶 中国团队的招聘信息，涉及自动驾驶软件组、自动驾驶平台组、系统集成&测试组、 地图&仿真组、产品组多个部门，基本涵盖自动驾驶整个数据闭环体系，开始加快智 能驾驶解决方案的落地。国内头部智能驾驶芯片厂商地平线最早就是通过提供一整 套解决方案证明自身能力从而打开市场的。在地平线通过标杆项目打开市场后，22 年开始地平线逐步培养了大量的生态合作伙伴，在基于征程 3 芯片来实现 L2 级辅助 驾驶的项目上地平线逐步退到 Tier 2 的角色。但随着智能驾驶行业向更高阶的城市 NOA 功能进军，地平线需要再次从 Tier 2 转变成 Tier 1 甚至于是 Tier 0.5 的角色。 11 月广州车展，地平线介绍了新一代系列车载智能计算方案征程 6 系列，基于地平线 BPU 3.0 纳什架构，支持 Transformer 算子，将于 2024 年 4 月正式发布。同时， 地平线也在积极布局高阶智能驾驶算法，根据 36kr 的报道，23 年初地平线招来了 前华为自动驾驶负责人苏箐，主导高阶智能驾驶项目。

如前所述，我们认为现阶段智能驾驶 Tier1 要想建立生态、做低成本需要尽可能具备集芯 片、算法、制造为一体的综合能力。我们观察到，目前已经具备相应能力的有华为（具备 真正的全栈能力，从底层芯片到上层算法全栈自研）、大疆（三大核心能力中具备强大算法 能力和制造能力，并且能够把芯片性能发挥到极致）。芯片厂商中，英伟达 Orin 芯片占据目 前城市 NOA 主控芯片 75%的市场份额；国产厂商地平线征程系列累积出货 400 万片，将于 24 年 4 月份正式发布征程 6 系列芯片，可实现城市 NOA 功能。当前，英伟达、地平线均积极补 足算法能力，未来将具备提供智能驾驶完整解决方案的能力。此外，智能驾驶算法龙头 Momenta 组建芯片团队，补足底层能力；经纬恒润作为传统汽车电子 Tier1 具备强大的制造 能力，投资辉羲智能布局高算力芯片。

2.4.对 Tier2 影响：终端渗透率快速提升阶段降本诉求显著，将充分受益于国 产替代逻辑

在终端产品渗透率快速提升阶段，降本诉求将格外显著，我们认为除技术降本外（例如通 过提升算法能力降低对算力的依赖等），通过核心元件的国产化亦是重要的降本思路。目前， 在智驾域控的原料列表中，MCU、连接器、Serdes 等多个赛道均以外资厂商为主，同时近年 来国产厂商在以上相关陆续取得突破，未来有望充分受益于国产替代逻辑。 （1）MCU：智能驾驶域控制器中负责功能安全的 MCU 目前仍以外资为主，国产替代空间广 阔。如前所述，目前智能驾驶的主控芯片已升级至高性能的 SoC 异构芯片，但大多数方案仍 然会搭配一颗负责功能安全的 MCU。目前只有少数芯片通过内置“安全岛”达到 ASIL-D 的 功能安全要求。但对于大多数方案而言，通常由具有强大 AI 算力的 SoC 负责传感器数据融 合，跑算法模型，执行计算；再搭配一颗 MCU 负责系统的安全，对供电/通信/其他芯片工作 状态进行监控，当监测到自动驾驶系统发生故障时，切换至安全状态。目前智能驾驶域控 制器中负责功能安全的 MCU 仍以外资为主，最常用的芯片选型为英飞凌的 TC397 和恩智浦 S32G3。国产厂商近年来逐步取得突破，如芯驰 E3 系列芯片集成了 3 对 ARM Cortex R5 双核 锁步 CPU 和 4MB 片内 SRAM，并通过 ASIL D 级别的功能安全认证；23 年 10 月，杰发科技（四 维图新子公司）发布首款符合功能安全 ASIL-D 多核高主频车规 MCU 芯片 AC7870x。

（2）连接器：高频高速连接器在智能汽车中主要负责数据传输，具体到自动驾驶域控制器 中的主要功能包括和传感器进行数据传输以及域控之间的数据传输，通常一个自动驾驶域 控制器中需要多个高频高速连接器，并随着智能化等级的提升，用量和性能要求都有所提 升。从连接器类别来看：1）Fakra主要用于传输摄像头数据，随着摄像头像素提高到2MP以 上，连接器需要升级至 Mini Fakra；2）激光雷达和域控之间的数据传输需要更高价值量的 以太网连接器。2021 年之前车载高频高速连接器市场主要被罗森伯格、泰科、安费诺三家 外资厂商把控，国产化率几乎为0，随着2021年国内新能源汽车的高速发展叠加疫情影响， 海外大厂产能不足，国产厂商电连技术由于提前布局得以抓住宝贵的窗口期打开市场。目 前电连技术 Fakra 产品性能已与罗森伯格达到同一水平，Mini Fakra 产品的性能正在追赶。

（3）SerDes：车载 SerDes（串行解串器）芯片市场高度集中，目前被美信半导体、TI 所 垄断，以龙迅股份为代表的公司有望率先实现国产替代。智能驾驶车辆配备的摄像头采集 到的原始数据是并行数据，需要配备串行器芯片将并行数据转换为串行数据进行传输。同 时，需要在域控制器板端配备解串器芯片，再将数据解码成原始格式。根据佐思汽研数据， 特斯拉 AP3.0 中使用了三片 TI 的 4 路解串器芯片。目前车载 SerDes（串行解串器）芯片市 场高度集中，被美信半导体、TI 所垄断。国内厂商中龙迅股份开发的车载 SerDes 芯片组已 于今年 6 月送出流片，公司自主定义了高低速双向传输协议，高速单通道速率可达 8.1Gbps， 低速通道速率可达 29.7Mbps，可支持音频、视频、GPIO、I2C 控制命令远程传输，支持菊花 链传输模式，解串器最多可以完成 16 路视频数据的融合传输。

（4）车载以太网物理层芯片：海内外市场几乎完全被欧美及中国台湾厂商垄断，国产厂商 裕太微有望率先取得突破。以太网物理层芯片（PHY）用来提供以太网的接入通道，起到连 接处理器和通信介质的作用。PHY 本质上是一个复杂的数模混合芯片系统，发送数据时将处 理器传输来的并行数据转化为串行数据，再按一定的编码规则进行编码，最后再转变为模 拟信号传输出去，反之亦然。如前所述，激光雷达到自动驾驶域控之间采用以太网进行数 据传输，因此需要在传感器侧部署一个 PHY 芯片，同时自动驾驶域控制器中部署一个以太网 交换机（每个交换机节点也需要配置若干个 PHY 芯片）。车载以太网物理层芯片市场高度集 中，几乎完全被欧美及中国台湾厂商垄断。根据中国汽车研究中心数据，2020 年美满电子、 博通、瑞昱、德州仪器和恩智浦五家企业占据了全国 99%以上的市场份额。近年来，国产厂 商裕太微在车载以太网物理层芯片上取得突破，有望打破海外垄断。裕太微研发的车载百 兆芯片 YT8010 已通过 AEC-Q100 Grade 1 车规认证，并通过德国 C&S 实验室的互联互通兼 容性测试，产品性能与海外大厂相当，并已开始小批量销售。

3.观点三：主机厂能否拥有因智驾能力而带来的销量红利，中短期 看技术的领先性、长期看智能驾驶功能的商业化能力

3.1.中短期来看，技术的领先性是决定主机厂是否有机会获得销量红利的唯一 因素

短期内，头部智能驾驶厂商大模型研发进程快、数据闭环已相对完善，开城速度大幅领先。 同时，消费者对于主机厂城市NOA功能开城数量及进展感知强烈。由于国内城市路况复杂， 不同城市的交通信息都有所差异，比如北京的辅路没有导流线；上海有文字的待行区灯；不同城市红绿灯的 LED 频闪也有所不同等等。这对模型泛化性的挑战非常大，每开一个新的 城市都需要收集大量的具有特质性的数据进行模型训练和调优。头部智能驾驶厂商对这一 代算法模型布局早，目前的数据闭环体系趋于完善，解决城市间具有特质性的 corner case 能力更强，开城节奏明显更快。目前华为和小鹏的开城速度以及单城市道路覆盖深度较大 幅度的领先其他厂商，华为在 4 月份智能汽车解决方案发布会上预计 23 年底城市 NCA 落地 45 城，9 月份 M7 改款发布会时上调目标至年底落地全国。小鹏预计 23 年 12 月底 XNGP 落地 50 城，且大部分无图城市都具有接近城市 NGP 的能力，即具备增强版 LCC 功能。

未来 1 年内（2024 年内），头部厂商有望统一技术栈，将 Max 版本能力下放到 Pro 版本上， 使得非智驾版的用户亦可体验到高阶智能驾驶的功能，并以此大幅提升智驾功能的在自身 车型中的普及度、快速树立“智能驾驶领先企业”的车型标签。目前国内自动驾驶厂商仅 在 Max 版本上应用了 BEV+Transformer、Occupancy 感知技术，而在低配版上依然应用的是 传统小模型的算法方案。随着国内头部自动驾驶厂商 BEV 感知技术不断优化迭代，将应用在 Max 版本上的 BEV+Transformer 大模型进行剪枝、蒸馏后部署在 Pro 版的低算力平台上，提 高 Pro 版本智能驾驶功能体验。如小鹏在今年的 1024 程序节中提出即将把 Max 版本的架构 移植到 Pro 版本的硬件体系中，实现一套架构两套能力，将使得 Pro 版本的高速 NGP、增强 版 LCC 等功能体验大幅提升。李想也在微博上称 AD Max3.0 的 LCC Plus 能力，明年上半年 的 AD Pro 3.0 也将具备。

未来 2 年内（2024-2025 年），头部智能驾驶厂商将凭借先发优势，产品率先实现从“能用” 到“好用”的飞跃。根据何小鹏在 23Q2 业绩会、快手汽车高峰论坛的发言，判断智能驾驶 功能达到“好用”具有两个核心指标：1）覆盖范围：是否能做到全国 95%以上的道路都能 开（包括偏远的乡间小路）；2）体验：在安全且高效的前提下，接管率达到 100-500 公里接 管一次（目前小鹏的高速 NGP 已达到该标准，而城市 NGP 安全接管里程在几十公里左右，体 验接管约十几公里一次）。目前看头部智能驾驶厂商领先同业 2 年左右，随着头部厂商数据 飞轮初步形成、版本迭代速度越来越快，预计 2025 年腰部厂商城市 NOA 可用时，头部厂商 已经可以做到“好用”，用户体验上明显不同。我们认为，届时高阶智能驾驶功能将从现在 的供给端驱动变成真正的需求端驱动，进而由此带来可观的销量红利。

3.2.长期来看，能否持续获得因智驾而带来的销量红利，更需关注其综合的商 业化能力

我们认为，中短期内由于不同主机厂之间高阶智驾功能体验差距较大，用户考量是否购买 的核心因素在于其技术上是否具有领先性。而由于所有主机厂当前技术路线基本归一、除 非有更多技术换代，否则越往后迭代用户对于智驾功能差距的体感将边际递减。届时，技 术的先进性不再是唯一考量因素，定价、营销、人机交互体验等方面，将都是影响用户对 主机厂智驾功能粘性的重要影响因素。

3.2.1.智能驾驶功能定价策略将显著影响功能对销量的拉动效应

主机厂对于智驾功能的定价方式可分以下四类： 1） 硬件和软件均单独额外收费：即一款车型智驾版和非智驾版具有硬件上的差异，智驾版 用户要使用城市 NOA 还需再选装软件智驾包来激活功能。 2） 硬件标配（成本含在车价里转移给用户）+软件额外付费：典型如特斯拉在北美的实践， 全系所有车标配 HW3.0 以上硬件，如要启用 FSD 功能用户需要额外支付 1.2 万美金。 3） 硬件单独付费（软件溢价含在智驾版车价中）：这种策略下，一款车型区分智驾版和非 智驾版的硬件配置，但二者价差将较大幅度的高于智驾硬件成本。 4） 软硬件均全系标配，不做单独付费。

当前国内主机厂针对高阶智能驾驶功能主要采取硬件付费+软件免费或限时免费使用权的定 价策略，除蔚来、阿维塔以及智己 LS6 选择硬件全系标配，其余厂商包括小鹏、理想、华为 智选均采取硬件单独付费的形式，Max 版/智驾版相较于 Pro 版/非智驾版的价差在 2-4 万元。 长期看，主机厂针对高阶智驾功能的定价策略与车企规模、智驾硬件成本、车企定位等多 个因素相关。如小鹏曾在 2023 年 Q2 业绩说明会上表示，通过技术创新+管理创新，2024 年 智能驾驶硬件成本能下降 50%，可以做到在 15 万级以上的车型做到全系硬件标配，因此我 们认为未来小鹏或将采用软件付费的形式；李想曾公开发微博向用户承诺理想不会针对智 驾额外收软件费用，因此我们认为理想未来可能会采取拉大 Max 版和 Pro 版价差的方式。

3.2.2.智能驾驶厂商的营销能力对用户认知影响较大

长期来看，主机厂高阶智能驾驶功能对整车销量的拉动需要关注营销对用户认知的影响。 因为相较于整车其他功能配置，高阶智能驾驶功能具有以下三个特点：1）除城市 NOA 落地 节奏外，缺乏真正公允、靠谱的指标衡量各个厂商的实际能力；2）用户建立认知的门槛高、 学习成本高。对比来看，座舱里大彩电、大沙发、大冰箱给予用户的冲击是非常直接的， 用户只要进店就有非常直观的体验；而智能驾驶不同，即便是通过试驾用户也通常需要适 应期来和智能驾驶系统建立信任度，且横向对比产品时，不同路线、不同路况都会影响到 试驾体验。同时智能驾驶科技含量高，用户学习成本高。举例而言，作为主动安全功能的 AEB 事实上技术难度不亚于 NOA 功能，AEB 难以做到完美、更多是在误报率和漏报率之间的 权衡，这与大多数用户的理解是存在较大偏差的。3）智能驾驶功能是成长性的，每次 OTA 后都在突破，需要长期、持续性的营销。在这种背景下，非主流媒体（如 UGC、KOL）等的 传播对用户理解智能驾驶功能起到非常大的作用。

当前，华为自带流量线上营销能力独一档，理想充分借助 KOL 营销能力领先行业。在智能 驾驶功能的营销方面，华为相较于其他所有整车厂都具有天然的优势：1）在手机终端领域 多年的积累沉淀了出了一套全面、标准的线上营销打法；2）华为在用户心中强有力的科技 标签；3）Mate 60 发布后和智选车业务带来的流量共振。余承东本人微博粉丝数高达 780 万，远远超过新势力创始人。新问界 M7 发布会微博直播在线人数 5500 万，话题总阅读量超 过 9 亿，发布会上智能驾驶宣传语“全国都能开，全国都好开”得到了非常好的传播度。其 余整车厂中，理想的线上营销能力领先。李想是汽车之家出身，有大量稳定合作的 KOL，媒 体号召力强，在微博高频发声维持热度。如理想 5.0.0 Beta2 向早鸟用户推送后，头部车评 人每天不断更新路测小视频预热，到 11 月 28 日李想发博宣布上调年底城市 NOA 功能落地目 标，直达微博热搜第四，将话题热度推至高点。

3.2.3.智能驾驶人机交互的水平直接影响产品综合体验

智能驾驶系统在中长期仍然处于人机共驾阶段，智能驾驶需要让人类司机放心并感到轻松， 因此即便主机厂在同等技术水平下，人机交互系统的差异将使用户体验具有明显的不同。 驾驶员需要 SR（智能辅助驾驶环境模拟显示）可视化来判断 ADAS 能力边界和道路实际情况， SR 人机交互的逻辑、内容细节以及渲染的逼真度直接影响智能驾驶产品的综合体验，如理 想 5.0.0 Beta3 版本 SR 界面新增显示其他交通参与者尾灯既展示了自身强大的感知能力又 增加 NOA 驾驶趣味性。对于人机交互细节的处理如道路标识、交通参与者类型的丰富度、泊 车环境感知和行车环境感知显示切换的流畅性等考验主机厂对于用户真实需求的挖掘能力， 并且模拟显示渲染的精确逼真度又对座舱芯片的算力提出了挑战。

 

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）