2024年汽车智能化下的投资机遇探析

前言：汽车智能化下的投资机遇探析

汽车或为最早落地的“具身智能”，市场空间大

智能驾驶汽车本质也是具身智能的产品之一（做极致类比相当于一个大型轮式机器人），和服务机器人相比，智能驾驶汽车一定程度替代司机的劳动付出（家庭服务机器人替代保姆），司机的驾驶行为是较为标准化的动作，如果不考虑安全法规要求，单纯从技术实现难度看，智能汽车有望成为较早落地的具身智能产品。

智能驾驶是第一步

1）汽车自动驾驶替代司机（遵循交规，偏标准化-通用人工智能）

需求空间：全球 14 亿保有量汽车，年化近 1 亿汽车销量（2023 年全球汽车销量9272 万辆），假设驾驶劳动补偿按每车每月 4000 元劳动力计算（不考虑私家车劳动力成本相较运营车的折价），测算理论上年化近5 万亿潜在劳动力市场空间可以由自动驾驶实现。 供给空间：全球 14 亿保有量汽车，年化近 1 亿汽车销量（2023 年全球汽车销量9272 万辆），假设自动驾驶软件包买断成本按 2 万计算，在不考虑共享汽车潜在减少汽车年销量的背景下，测算理论上自动驾驶供给端潜在年化空间2 万亿。

共享出行是第二步

完全无人驾驶之后，个人车辆可以在闲置时间段共享出行，让你的爱车出去“挣钱”。特斯拉或将于 2024 年发布无人驾驶出租车（Robotaxi）产品。需求空间：全球 80 亿人口，全球城市化率接近 60%，城市人口日均出行距离假设20 公里，其中公共交通占比 50%，测算约 480 亿公里日均乘用车潜在需求里程。供给空间：全球 14 亿保有量汽车，假设远期保有量降至10 亿，其中30%用于共享出行，日均有效供给 300 公里里程，测算约 900 亿公里日均共享出行潜在供给里程。 车主盈利：共享电动车购置成本 20 万，5 年运营周期（每年工作300 天），日均折旧约 130 元，日均用电成本 50 度*1.5 元=75 元，日均运营收费300 公里*1元=300 元，测算理想情况下车主可实现日均盈利 100 元。

2025 年国内自动驾驶有望超 500 亿市场空间，远期近3000 亿空间

可替代的劳动力空间巨大:智能驾驶汽车的劳动力替代空间巨大，假设在驾驶方面的劳动力成本按每月 1000 元计算（保守假设运营车辆司机月薪4000 元，私家车驾驶时间按运营车辆司机四分之一计算），无人驾驶实现后，测算每车每年劳动力节省成本有望破万元（当前华为 ADS 2.0 包年价格7200 元），考虑6-8年汽车生命周期，每车生命周期劳动力节省成本近 6 万元（当前特斯拉FSD 北美买断价格 8000 美元），无人驾驶所节省的劳动力成本可以覆盖当前国内外高阶自动驾驶的收费，渗透率提升空间较大。全球 14 亿汽车保有量（不考虑无人驾驶导致保有量下降），我们测算远期无人驾驶 100%渗透之后所节省的全球汽车驾驶员劳动力的潜在市场空间有望过 10 万亿（年化）。 预计 2025 年国内带城区辅助驾驶功能的智能驾驶市场规模约510 亿元。我们测算 2023 年车主购买带有城区辅助驾驶功能的车预计占我国乘用车市场整体的0.3%，假设单车买断价 3.6 万元，市场规模约 27 亿元；至2025 年，广汽、理想、小鹏、比亚迪、问界、小米、蔚来、吉利、特斯拉等车企发力下，国内带有城区辅助驾驶的自动驾驶渗透率预计到 6%，市场规模约510 亿元；到远期假设我国80%乘用车搭载城区辅助驾驶功能，其中 60%车主愿意支付2 万元买断费用，我国乘用车自动驾驶市场规模预计达 2880 亿元。

城市 NOA 持续落地，端到端技术方案加速推进。目前，NOA 功能从高速NOA，卷向城市 NOA，城市无图 NOA 已经成为下一阶段的技术需求。特斯拉引领，国内车企跟随，通过 BEV+Transformer 模型助力，实现硬件成本下降+城区NOA 落地。目前，端到端方案也在加速推进，特斯拉、momenta（感知+规划端到端及one-model端到端两条线）率先实现模型落地，国内华为、小鹏、理想均已实现感知及规划端到端（神经网络覆盖）。端到端自动驾驶是直接从传感器信息输入（如摄像头图像、LiDAR 等）到控制命令输出（如转向、加减速等）映射的一套系统，最早出现在 1988 年的 ALVINN 项目，通过相机和激光测距仪进行输入和一个简单的神经网络生成的转向进行输出。2024 年初，特斯拉 FSD V12.3 版本发布，智驾水平让人惊艳，端到端自动驾驶方案受到国内主机厂和自动驾驶方案企业的广泛关注。与传统的多模块方案相比，端到端自动驾驶方案将感知、预测和规划整合到单一模型中，简化了方案结构，可模拟人类驾驶员直接从视觉输入做出驾驶决策，以数据和算力为主导，能够有效解决模块化方案的长尾场景，提升模型的训练效率和性能上限。

笔者认为，每一轮新技术驱动下的景气度行情，离不开以下四要素：1）技术底层突破；2）爆款产品出现；3）可持续跟踪的数据；4）海内外行情共振。当前汽车智能化已经具备技术底层突破（端到端大模型上车）、爆款产品出现（问界M7/M9等）、可持续跟踪的数据（渗透率相关数据），海内外共振（海外跟踪特斯拉FSDV12 版本持续迭代），目前高阶智能驾驶渗透率较低（5%以内），供给端不断推陈出新，智能驾驶奇点时刻渐近。 复盘特斯拉智能驾驶发展之路，从硬件层面减少雷达配置、到软件层面提供BEV、Transformer、Occupancy network 等大模型实现重感知方案，均是特斯拉走在行业前列。2023 年后特斯拉推出 FSD V12 的端到端模式，带动行业进入新一轮快速迭代周期，智能驾驶方案渗透率有望持续提升。

1、汽车智能化奇点时刻将至

L3 级别是汽车自动化道路的一次跃升，相较于 L0-L2 级别的人类主导驾驶、车辆只做辅助的模式，L3 开始，车辆自动驾驶系统在条件许可下可以完成所有驾驶操作（作用不亚于驾驶员）。从技术实现难度看，家庭服务机器人替代保姆（任务非线性，偏非标-实现难度更大），汽车自动驾驶替代司机（遵循交规，偏标准化-通用人工智能），智能汽车有望成为较早落地的具身智能产品，测算2025年国内自动驾驶有望超 500 亿市场空间，远期近 3000 亿空间。

当前汽车智能化已经具备技术底层突破（端到端大模型上车）、爆款产品出现（问界 M7/M9 等）、可持续跟踪的数据（渗透率相关数据），海内外共振（海外跟踪特斯拉 FSD V12 版本持续迭代）。我们认为，智能驾驶空间巨大，奇点时刻渐近，技术迭代和产品渗透率有望加速。

2、特斯拉智能驾驶发展现状

特斯拉 FSD 算法持续升级（2021 年 BEV+Transformer—2022 年引入OccupancyNetwork—2023 年引入端到端融合大模型），引领行业发展。智能驾驶方案存在较高技术壁垒，从硬件层面减少雷达配置、到软件层面提供BEV、Transformer、Occupancy network 等大模型实现重感知方案，均是特斯拉走在行业前列。2023年后特斯拉推出 FSD V12 的端到端模式，带动行业进入新一轮快速迭代周期，智能驾驶方案渗透率有望持续提升。

3、智能化在汽车产业链的核心变化（上游基建、中游车端、下游运营）

智能化在汽车产业链的核心变化主要体现在三个部分：上游基建（算力-智算中心）、中游车端（架构、硬件、软件）、下游运营（Robotaxi 等）。1）上游基建端（算力-智算中心），随智能驾驶等级提升，数据计算量增大，算力要求提高，为匹配数据量增长并做好后续大规模数据训练准备，部分公司开始布局智算中心。 2）中游车端（架构、硬件、软件），智能化在车端的核心变化主要体现在三个部分：架构（分布-集中）、硬件（感知-决策-执行部件）、软件（BEV+Transformer、端到端大模型）。架构方面，智能驾驶时代，车辆电子电气架构从分布式-域集中式（功能域）-跨域融合-中央架构。硬件方面，我们认为在大模型落地及高阶自动驾驶加速上车的趋势下，越来越多的车企传感器方案重心会向视觉倾斜，会有更多的 800 万像素摄像头上车；同时 1000+TOPS 的大算力域控制器数量增多，底盘端线控制动和线控转向渗透率也将提升。与智能驾驶相关的汽车零部件，主要围绕感知（摄像头、雷达等）、决策（域控制器）、执行环节（线控底盘）进行布局。软件方面，大模型助力，实现硬件成本下降+城区NOA 落地，目前特斯拉、momenta（感知+规划端到端及 one-model 端到端两条线）率先实现模型落地，国内华为、小鹏、理想均已实现感知及规划端到端（神经网络覆盖），小米、大疆等玩家暂时停留在感知端到端阶段。 3）下游运营端（Robotaxi 等），从智能驾驶商业模式角度，我们认为除自动驾驶软件包（FSD 等）外，Robotaxi 也为潜在的应用方式之一，新势力（特斯拉、小鹏等）依靠着其先进的自动驾驶技术迅速获得政策批准开始积累路测里程，并有望在 2025 年之前开始商业化探索。

参考华为智能汽车解决方案品牌 HI 对于智能汽车的核心理念，HI 包含了1个全新的计算与通信架构和 5 大智能系统，以及激光雷达、AR-HUD 等30 余款智能化部件，提供了 3 大计算平台和 3 大操作系统，既代表技术创新，也代表商业模式的创新。因此，我们认为，智能化在车端的核心变化主要体现在以下三个部分：1）架构（分布-集中）；2）硬件（感知-决策-执行部件）；3）软件（BEV+Transformer、端到端大模型）。

1）车端-架构，智能驾驶时代，车辆电子电气架构从分布式-域集中式（功能域）-跨域融合-中央架构。

2）车端-硬件，我们认为在大模型落地及高阶自动驾驶加速上车的趋势下，越来越多的车企传感器方案重心会向视觉倾斜，会有更多的800 万像素摄像头上车；同时 1000+TOPS 的大算力域控制器数量增多，底盘端线控制动和线控转向渗透率也将提升。与智能驾驶相关的汽车零部件，主要围绕感知（摄像头、雷达等）、决策（域控制器）、执行环节（线控底盘）进行布局。

3）车端-软件，大模型助力，实现硬件成本下降+城区NOA 落地。BEV 等大模型落地实现了摄像头的 2D 数据的深度测试，同时减少了高精地图依赖；在中国存在很多城区快速建设、道路频繁变化的城市，受限于高精地图的高成本（头豹研究院指出高精地图辅助自动驾驶的服务费预估每辆车为700-800 元/年，是普通导航电子地图的 20-35 倍），城区 NOA 上车缓慢。特斯拉及华为等自动驾驶公司给出的occupancy network/GOD 网络等方案实现无高精地图的辅助驾驶，城区NOA落地加速。

若我们定义 one-model 端到端为自动驾驶模型最终形态，目前特斯拉、momenta（感知+规划端到端及 one-model 端到端两条线）率先实现模型落地，国内华为、小鹏、理想均已实现感知及规划端到端（神经网络覆盖），小米、大疆等玩家暂时停留在感知端到端阶段。

运营端，从智能驾驶商业模式角度，我们认为除自动驾驶软件包（FSD 等）外，Robotaxi 也为潜在的应用方式之一。 我们对 Robotaxi 运营收入和成本进行测算，假如 Robotaxi:1）20 万单车成本，2）1 个安全员能负责 2-3 台 Robotaxi 车，3）Robotaxi 每台每天20 单，4）Robotaxi运营单价是网约车 8 折的前提，不考虑前期百度投入的算法研发和车辆保险成本，测算发现 Robotaxi 可以实现盈亏平衡，测算过程如下：1）收入端：假设有 1000 台 Robotaxi 车，每车每天20 单，平均客单价16元，单月 Robotaxi 收入 960 万元。 2）成本端：安全员 400 人，假设人均月薪 7000 元，月人员成本280 万元，一天充电一次 40-50 度电（单日成本 50 元），月充电成本1500 元*1000 台=150万，单车价格 20 万（5 年折旧假设），月折旧成本 3333 元*1000 台=333 万，单月成本 763 万元。

目前，全球不同国家 Robotaxi 商业化发展主要分为三个梯队，中国Robotaxi市场处于全球领先地位。在第一梯队中，领先国家已成功进行无主驾安全员的商业化小规模应用，并已准备开始商业化发展，向 Robotaxi 商业化的第一阶段迈进。例如，美国以 Waymo 为首，已成功进行 Robotaxi 无驾驶员的商业化运营，中国萝卜快跑在武汉投入 Robotaxi(自动驾驶出租车)。在第二梯队中，各国已成功进行有主驾安全员的面向公众的 Robotaxi 商业化试运营。例如，韩国推出面向大众的配备主驾安全员的 Robotaxi 收费运营服务。在第三梯队中，各国仍处于Robotaxi测试阶段，并在努力追赶领先玩家。总体来看，中国Robotaxi 市场已处于全球领先地位。

从产业链看，自动驾驶出租车 Robotaxi 产业链包含：1）提供高精地图与定位、传感器、芯片、AI 训练、智慧道路支持的供应商；2）供给侧的自动驾驶公司、主机厂、出行服务商；3）需求侧的乘客；4）监管侧的地方政府。

国信汽车团队自 2018 年起重点研究汽车智能驾驶赛道，发布了多篇行业前瞻深度报告，本篇报告为《前瞻研究系列二十二：汽车行业中期投资策略之一-汽车智能化下的投资机遇探析》，主要就智能驾驶行业现状、特斯拉智能驾驶进展、智能化在车端的核心变化（架构、硬件、软件）、智能化的新商业模式（Robotaxi）进行系统梳理，以期为读者了解智能驾驶提供参考。

汽车智能化奇点时刻将近

核心：L3 级别是汽车自动化道路的一次跃升，相较于L0-L2 级别的人类主导驾驶、车辆只做辅助的模式，L3 开始，车辆自动驾驶系统在条件许可下可以完成所有驾驶操作（作用不亚于驾驶员）。从技术实现难度看，家庭服务机器人替代保姆（任务非线性，偏非标-实现难度更大），汽车自动驾驶替代司机（遵循交规，偏标准化-通用人工智能），智能汽车有望成为较早落地的具身智能产品，测算2025年国内自动驾驶有望超 500 亿市场空间，远期近 3000 亿空间。当前汽车智能化已经具备技术底层突破（端到端大模型上车）、爆款产品出现（问界M7/M9等）、可持续跟踪的数据（渗透率相关数据），海内外共振（海外跟踪特斯拉FSDV12版本持续迭代）。我们认为，智能驾驶空间巨大，奇点时刻渐近，技术迭代和产品渗透率有望加速。

L3 级别是汽车自动化道路的一次跃升，当前处在L2-L3进阶期

车辆自动驾驶级别主要参照 0-5 级分类。目前全球公认的汽车自动驾驶技术分级标准主要有两个，分别是由美国高速公路安全管理局（NHTSA）和国际自动机工程师学会（SAE）提出。中国于 2020 年参考 SAE 的 0-5 级的分级框架发布了中国版《汽车驾驶自动化分级》，并结合中国当前实际情况进行了部分调整，大体上也将自动驾驶分为 0-5 级。

L3 级别是汽车自动化道路的一次跃升。从法规和技术两个维度来看，L3 级别自动驾驶都是汽车自动化道路上的一大跃升。从法规来看，SAE 和中国《汽车自动化分级》规定 L0-L2 级别均是人类主导驾驶，车辆只做辅助，L0、L1 和L2之间的差异主要在于搭载的 ADAS 功能的多少，而 L3 开始，人类在驾驶操作中的作用快速下降，车辆自动驾驶系统在条件许可下可以完成所有驾驶操作（作用不亚于驾驶员），驾驶员在系统失效或者超过设计运行条件时对故障汽车进行接管；从技术来看，L0-L2 主要运用的传感器有摄像头、超声波雷达和毫米波雷达，L3及之后原有传感器配套数量上升，同时高成本的激光雷达方案难以避开，传感器之间的协同要求提升，多传感器融合算法愈发复杂，所需控制器芯片算力大幅提升。

从政策分析智能驾驶的节奏

各国政策在不断放开对自动驾驶的限制。 中国方面，管理细则不断完善、北京市、上海市、广州市、深圳市等地区相继发布无人驾驶车辆道路测试与商业示范管理实施细则，允许自动驾驶汽车和自动驾驶技术公司开展商业化运营，试点规模不断扩大、地区不断放开（从北上广深拓展到北上广深重庆武汉等）商业化快速推进。2023 年11 月，工业和信息化部、公安部、住房和城乡建设部、交通运输部发布《四部委关于开展智能网联汽车准入和上路通行试点工作的通知》，在智能网联汽车道路测试与示范应用工作基础上，四部门遴选具备量产条件的搭载自动驾驶功能的智能网联汽车产品，开展准入试点；对取得准入的智能网联汽车产品，在限定区域内开展上路通行试点，车辆用于运输经营的需满足交通运输主管部门运营资质和运营管理要求，本通知中智能网联汽车搭载的自动驾驶功能是指国家标准《汽车驾驶自动化分级》（GB/T40429-2021）定义的 3 级驾驶自动化（有条件自动驾驶）和4 级驾驶自动化（高度自动驾驶）功能。2024 年 1 月，工业和信息化部、公安部、自然资源部、住房和城乡建设部、交通运输部发布《关于开展智能网联汽车“车路云一体化”应用试点工作的通知》，开展智能网联汽车“车路云一体化”系统架构设计和多种场景应用，促进规模化示范应用和新型商业模式探索，大力推动智能网联汽车产业化发展。 美国方面，以加州为主的地方一线城市遵循“道路测试-示范应用-示范运营-商业运营”的推进顺序，同样表现为范围扩大和地区扩张。

欧洲方面，立法快于商业化进程，英国于 2024 年 5 月批准通过了《自动驾驶法案》，此次英国新法案的核心内容之一就是确定事故发生后的责任承担问题。法案中明确表示，“如果发生事故，将由企业承担责任”。每辆获得批准的自动驾驶汽车都有相应的“已授权的自动驾驶实体”，当自动驾驶模式被激活时，该实体将为车辆安全问题负责。

智能驾驶奇点时刻将近

笔者认为每一轮新技术驱动下的景气度行情，离不开以下四要素：1）技术底层突破。复盘电动化的技术底层在三电产品，尤其是电池，当续航里程和成本达到一个相对适合量产的阶段，且产业链完备性提高，为爆款产品打造奠定基础。智能化的技术底层颠覆性创新在这一轮的人工智能水平的提升，基于谷歌 2017 年提出的《Attention Is All You Need》，2021 年以特斯拉为首的感知层算法模型 BEV+Transformer 上车且持续迭代，2023 年端到端的大模型上车。2）爆款产品出现。技术突破之后伴随成本平价，会首先出现有标志意义的爆款产品，复盘电动化的爆款产品出现在 2020 年，伴随特斯拉国产化，Model3和比亚迪汉分别是特斯拉和比亚迪的两个标志性爆款。本轮智能化爆款产品国内可能由小鹏 G6 等车型开始，后续特斯拉 FSD 如若入华，有希望成为新的智能化爆款车型。3）可持续跟踪的数据。电动化的数据较为完备（销量和渗透率）。智能化目前没有一个公认的标准L3级别渗透率数据，但是海外可以跟踪特斯拉FSD装配率数据，国内我们预计后续各家车企会逐渐常态化发布城市NGP 的测试里程、付费率以及渗透率数据。

4）海内外行情共振。电动化的海外行情先启动，特斯拉2019 年底开始伴随上海工厂建设大涨，2020 年上半年先传导到美股新势力车企，下半年开始传导到国内比亚迪和长城的行情。智能化这一轮海外行情在特斯拉，国内映射在产品端主要是小鹏汽车等。 当前汽车智能化已经具备技术底层突破（端到端大模型上车）、爆款产品出现（问界 M7/M9 等）、可持续跟踪的数据（渗透率相关数据），海内外共振（海外跟踪特斯拉 FSD V12 版本持续迭代）。我们认为，智能驾驶空间巨大，奇点时刻渐近，技术迭代和产品渗透率有望加速。

电动化上半场，智能化下半场。汽车智能化和电动化相互促进：1）电动化趋势带来整车格局变化，全球整车龙头从大众/丰田或将演绎为特斯拉/新势力等，新势力车企为打造差异化产品力，会加装智能化配置“军备竞赛”。2）智能化的底层是电子电气架构变革，汽车从原来机械组件变成电子组件，终端设备用电需求增加，电动化对智能化具备底层技术正反馈（动力电池一部分电分流车内低压器件）。 3）智能化算法能省电或节油，自动驾驶车辆的算法精密度提升能进行能量回收。智能化对电动化具备底层技术正反馈。 电动化渗透率从 5%奇点（2020 年）起加速，破 30%（2022 年H2）开始减速，2025年估计渗透率到 55%+。电动化上半场，智能化下半场，目前智能化渗透率很低（预计高阶智能驾驶渗透率 5%以内），发展潜力大。

以特斯拉技术迭代看行业发展方向

核心：特斯拉 FSD 算法持续升级（2021 年 BEV+Transformer—2022年引入Occupancy Network—2023 年引入端到端融合大模型），引领行业发展。智能驾驶方案存在较高技术壁垒，从硬件层面减少雷达配置、到软件层面提供BEV、Transformer、Occupancy network 等大模型实现重感知方案，均是特斯拉走在行业前列。2023 年后特斯拉推出 FSD V12 的端到端模式，带动行业进入新一轮快速迭代周期，智能驾驶方案渗透率有望持续提升。

技术层面：端到端方案加速模型迭代，构建更类人驾驶体验

特斯拉智能驾驶方案可以简单分为四个阶段。2014 年10 月-2016 年7 月，特斯拉与 Mobileye 深度合作，当时的 Hardware 1.0 硬件配置为1 个前置摄像头+1个毫米波雷达+12 个中程超声波雷达，选用 Mobileye EyeQ3 芯片，软件方案为Mobileye黑盒模式。至 2016 年 10 月，特斯拉开始自研软硬件系统，发布第二代硬件Hardware 2.0，配 8 个摄像头+12 个远程超声波雷达+1 个前置毫米波雷达，选用英伟达Tegra Parker芯片，芯片算力从Mobileye EyeQ3的0.256TOPS提升到NIVIDTegra Parker 的 1TOPS，最关键在于英伟达芯片+安森美等传感器脱离mobileye的软硬件一体模式；软件上选用行业内通用的卷积神经网络实现2D 图像检测，但是 2016 年 10 月更新硬件 HW2.0 版本，直到 2017 年1 月Tesla 配备HW 2.0的车辆补齐 AEB、防碰撞预警、车道保持、自适应巡航等多种Autopilot 功能；2019年-2021 年 5 月，特斯拉升级 Hardware3.0 硬件配置，传感器不变，搭载2个自研 FSD 芯片，同时逐步在软件算法引入 BEV+Transformer+Occupancy network等模型，技术层面引领行业发展。2021 年 5 月起，特斯拉转向纯视觉方案，逐步减少超声波雷达及毫米波雷达配置，芯片配置保持不变。2023 年后，特斯拉发布新一代端到端大模型及新一代硬件配置 Hardware 4.0，智能驾驶技术路线进入新时代。而新一代智能驾驶系统 HW5.0（又名 AI5.0）有望25 年上市，进一步提升自动驾驶系统处理能力。

软件升级大趋势为向端到端持续迭代。端到端的核心是减少人工干扰，扩大模型处理复杂场景上限。传统分解式模型对不同传感器传递的信息进行特征提取，并通过人工定义进行 rule-based 代码编写对特征加以处理，通过感知端神经网络大模型传输给规划端，经过人工算法定义场景并加以执行，在核心关卡均需人为参与规则定义，而现实自动驾驶场景复杂，难以穷举。端到端以date-based取代rule-based，以一整个神经网络模型取消传统分解式模型下30 万行代码，通过海量数据训练确定关键参数，大幅减少人为干扰场景，进而有效扩大自动驾驶模型处理复杂场景上限。

进一步，智能驾驶可以分为感知、规划、执行三个层面；端到端模型可以分为感知端到端、决策端到端、模块化端到端和 one-model 端到端四类；前面三种为传统分解式模型，即感知模型与规划模型分开，传感器输入信息经过感知模型处理后传递给规划模型并进行路径决策，依照神经网络覆盖度加以区分；1）感知端通过 BEV+Transformer 等以神经网络模型覆盖，感知稳定性有效提升即为感知端到端；2）规划、决策等以一个神经网络模型覆盖，但与感知模块保持独立训练，同时感知与决策连接端口如障碍物位置、道路边界等仍是基于人类理解的rule-based；3）感知和决策模块需要通过梯度传导联合训练，但是感知和规划两个模块输出的并不是 rule-based 下抽象结论，而是特征向量。One-model端到端则以一整个神经网络模型处理数据全流程，不再有明确的感知和规划定义，最大保证信息无损化传输，减少人工干扰，有效加速模型迭代。

参考特斯拉的迭代方式，率先在分解式模型下通过感知层神经网络化迭代实现感知端到端带来无图驾驶，2018-2019 年特斯拉构建了多任务学习网络HydraNet，在 input 端输入摄像头的原始图像数据，在主干网络使用卷积神经网络模型regnet 进行特征的识别提取，对特征数据赋予时间信息，进一步实现对不同时间目标的融合。HydraNet 设置多个 head 同时处理多项任务，比如同时检测车道线及红绿灯等；主干网络提取的特征在多个 head 任务中共享，减少重复计算；同时任务间又相对独立，存在较低耦合，不会互受影响。2021 年推出BEV+Transformer架构，2022 年又提出 Occupancy network，通过感知算法处理传感器数据，然后将处理结果送入规划控制模型得出交互博弈的动态最优解。特斯拉在感知、规控两处模型创新性设计引领行业发展。

2023年特斯拉推出one-model端到端架构，实现神经网络从感知端向规划端延伸。传统自动驾驶软件开发基于模块化方法，包括用于物体检测和追踪、轨迹预测以及路径规划和控制的独立组件。特斯拉 2021 年前后提出BEV+Transformer架构，感知端首次引入神经网络大模型，加速模型进一步向脱离人类穷举规则进化。神经网络大模型核心是人为定义超参数决定训练过程和训练架构，但在训练过程中通过数据及反向传播和梯度下降等方法不断更新神经网络核心的权重和偏差等参数，增强基于数据得到的训练结果，模型整体从 rule-based 向date-based演进。特斯拉 FSD V11 及之前的版本，自动驾驶模型更多在感知端实现神经网络的迭代和演进，在规划端仍是依靠感知端输出结果并做人类定义规则模式。而端到端模型端到端自动驾驶系统采用一个统一模型接收传感器输入并生成车辆轨迹，将神经网络延伸至规划端，简化数据处理中人为定义过程，并提供了一种更加全面、以数据为依据的方法来处理现实世界中的各种情况。

General world model 提供真实世界仿真，加速自动驾驶模型进化。自动驾驶模型迭代验证需要海量数据支撑，momenta 曾提出需要1000 亿公里（100 万台年跑10 万公里的出租车）才能验证 L4 级自动驾驶，世界模型可以加速模型验证。世界模型是指通过对感知信息的处理和数据建模实现对现实世界的模拟和真实表达，核心作用为估计当前环境缺失信息和预测未来发展状态。现行世界模型可以分为以 GAN 为基础的模型（IRC-GAN、TGANs-C、TFGSN、StoryGAN、TiVGAN等，生成器与判断器对抗训练，生成更真实视频）、基于自回归建模（GODIVA、VideoGPT等，关注时间序列中依赖关系）、扩散建模（Imagen Video、SVD、CogVideo等，将先验数据转换为随机噪声并逐步还原，图像处理能力出色，sora 源于此）和掩码建模（MAGVIT、VideoPoet、WorldDreamer 等，将部分元素替换或者隐藏以用于模型训练，在自然语言处理表现出色）模型，均取得良好生成效果。

世界模型更进一步助力或在于构建自动驾驶基础结构。对自动驾驶而言，世界模型意义在于模拟环境解决 corner case 训练，通过自监督学习方式生成更多数据，解决自动驾驶模型训练中长尾问题，现存包括 Iso-Dream、MILE、TrafficBots、Think2Drive 等基于世界模型模拟环境用于测试训练端到端模型；更进一步可能在于构建自动驾驶模型本身，在现实场景中实现世界模型对未来场景等预测，Drive-WM 将世界模型与端到端规划结合，利用世界模型生成从规划器中采样轨迹预测未来场景，使用基于图像的奖励函数评估未来，并选择最优轨迹扩展规划树。

数据层面：构建数据闭环，可扩展智算中心适配训练量提升

数据闭环是高阶智能驾驶的必经之路。大模型及端到端模型训练均需要大量数据，特斯拉构建数据采集→搭建数据集→自动标注→送入模型训练→量化部署上车的数据闭环。 在数据采集层面，智能驾驶系统需要大量数据提供模型测试和优化，尤其是多样化、包含 corner case、标注深度、速度、加速度信息的数据。特斯拉基于数据集训练算法、通过云端部署到拥有影子模式（Shadow Mode）的车队中，影子模式在司机驾驶时运行但不控制车辆，运行算法中人类驾驶员行为与系统模拟行为不一致时，系统将此场景识别为“corner case”并上传搭建数据集，并用于后续的模型训练迭代。特斯拉智能驾驶数据集中的数据来自人工标注、自动标注、虚拟仿真及大规模生成四部分。人工标注是最传统的数据来源，直到2018 年时，特斯拉还在 2D 图像上采用人工标注，但效率低、难以满足模型迭代需求。2019年，特斯拉开始使用自动标注取代人工贴标，效率获得大幅度提升。特斯拉通过运行中的车辆采集数据，将包含图像、IMU、GPS 等数据的视频图像上传至服务器，对图像做预处理、输出深度等信息，再以 SLAM 等 AI 模型实现三维场景重建。标注效率显著提升，但考虑智能驾驶存在众多无法穷举的“corner case”场景、难以标注场景，特斯拉推进虚拟仿真及大批量生成，公司用尽量真实的传感器模拟和渲染设计虚拟数据，进一步扩充数据集丰富度。

数据中心端，可扩展性结构适配智能驾驶模型。Transformer 模型进一步奠定大模型领域主流算法结构，特斯拉自研 FSD 芯片提升车端智能驾驶算力；同时大数据量上车催化了算力需求的提升，数据训练中心算力需求同比提升。特斯拉2021年研发 AI 芯片 D1，同时将 25 个 D1 芯片封装成一个训练模块，达成9 Petaflops的算力，随后再将训练模块组成机柜，达到 1.1 EFLOP 算力，进一步提升数据训练中心能力。与特斯拉另外用 5760 个 Nvidia A100 构建的1.8 EFLOPS 超算中心相比，DOJO 的特色不在于算力的突破性进展，而是通过对称的分布式架构实现高扩展性；具体而言，通过 2D Mesh 架构连接形成互联对称、内存访问对称，同时具备分布式架构，每个 Node 都具有相同的处理能力和存储能力，可以实现增加机器但不影响模型运行性能的可扩展性，使模型开发和训练不会受模型分割等影响。

特斯拉 AI 训练算力达有望从等效 3.7 万颗英伟达H100 升级至8.5 万颗水平。特斯拉 21 年 6 月启用使用 720 个节点的 8 个 NVIDIA A100 Tensor Core GPU（共5760个 GPU），实现 1.8 exaflops 级别的超强性能；23 年为加速FSD V12 模型上车，启动搭载 1 万颗英伟达 H100 GPU 的超级计算机用于训练FSD 全自动驾驶系统及基于自研 D1 芯片的 dojo，AI 产能快速爬升。截至 24 年一季度末，特斯拉AI训练算力达约 3.7 万颗英伟达 H100 水平。其中包括公司H100 芯片及Dojo。同时在4月财报会议中，马斯克提出将投入 100 亿美元用于AI 训练和推理，在今年底前将特斯拉 AI 算力增加至等效 8.5 万颗英伟达 H100 芯片水平，并将进一步建设冷却功率高达 500MW 的冷却系统来满足飞速增长的数据中心功率。

用户层面：目前整体渗透率偏低，FSD 入华或将加速

FSD V12 提供更类人驾驶体验，价格下调至 8000 美元位置以及潜在FSD 入华进展，渗透率有望加速上行。2023 年前 FSD 处于分解式模型时代，虽受限于FSD区域开放进程、产品定位定价及迭代速度等因素，FSD 渗透率在不同车型及区域间存在较大差异，但整体版本迭代速度相对较慢，渗透率爬坡增速较弱。2023 年末特斯拉推出 FSD V12 版本，端到端模型提供更类人驾驶体验，叠加价格下调至8000美元位置以及潜在 FSD 入华进展有望加速渗透率上行。2016 年之前，特斯拉的辅助驾驶功能分为 autopilot 及enhanced autopilot两档，前者标配，包括交通感知巡航控制、自动辅助转向两项功能；后者提供高速导航、自动变道、自动泊车、智能召唤功能，需要购车时额外付费5000 美元购买（购车后需要 6000 美元）。2016 年特斯拉推出 FSD 预定，当时并没有给出功能，只需要在购车时额外增加 3000 美元可以获得预定；2019 年第二季度特斯拉正式发布 FSD 应用版本，价格增长至 5000 美元，同期取消enhanced autopilot购买；FSD 订购率飙升至历史最高。此后，随着低价格车型（3&Y）及中国地区销量快速增长、FSD 价格增长，2019 年第三季度开始 FSD 渗透率呈现下降趋势，截至2022年 Q3，特斯拉 FSD 全球订购率在 7.4%，北美和欧洲地区略高，在14.30%和8.80%，亚太地区仅为 0.4%。

低价格车型（3&Y）及中国地区销量快速增长、FSD 价格增长，2019 年第三季度开始 FSD 渗透率呈现下降趋势。往后展望，伴随 FSD V12 提供更类人驾驶体验，价格下调至 8000 美元位置以及潜在 FSD 入华进展，渗透率有望加速上行。1）FSD 版本持续迭代，最新 V12 带来端到端模型革新。FSD 自2019 年正式推出后，经历几轮涨价和多次系统更新，比如 2020 年 FSD BETA 版推出城区自动转向，2022 年 11 月将高速公路辅助驾驶系统融入 FSD BETA 版本。但是受限于法规等限制，并没有推动真正的功能性革新。马斯克 2023 年推出FSB V12 版本去掉“BETA”，启用端到端的自动驾驶大模型，将多年来行业通用的感知、规划几个模型融合成大模型，减少中间模型训练工作量、加速自动驾驶算法迭代、提升用户体验。2024年 7 月，进一步向用户推广 FSD V12.4.2，改用摄像头取代方向盘监测系统，FSD每次干预行驶里程数 5-10 倍提升，马斯克称其存在巨大更新以至于可以称为V13，FSD 系统渗透率有望进一步提升。

具体看 FSD V12 在施工区域、减速带、丝滑转向、道路选择等场景存在明显改善。根据 Tesla FSD Tracker 数据，用户从 0-5 为特斯拉FSD 运行的各项场景打分，0分代表从无运行，5 分代表始终运行，我们发现 FSDV11.4.9 在施工区域及减速带场景云执行效果并不好，较少做到减速平稳运行或者识别施工区域指示牌等情况；而在 FSD V12.3.6 下出现明显改善，多数路况均能实现模型的良好运转。

用户体验升级同样体现在接管里程延长。根据 Tesla FSD Tracker 网站数据，特斯拉 FSD V12.3 在关键场景的接管里程从大约 100 英里提升到300 英里量级，同时大量测评博主及个人用户提出 V12 版在左转、复杂参与者场景等具有更灵活处理能力，具备部分场景脱离导航灵活行驶的类人驾驶能力，端到端模型的泛化能力得到明显验证。2024 年特斯拉股东大会提出 FSD 模型目前已经实现几乎完全消除静态物体碰撞影响，同时进一步在影子模式下运行FSD 模型验证并提升端到端表现。

2) 中国为代表的亚太地区销量规模增长提供 FSD 入华后渗透率提升广阔空间。国内特斯拉销量持续增长，截至 2024 年第二季度，中国地区特斯拉销售车型累计超过 268 万台，但是由于数据安全问题，特斯拉尚未能向中国地区用户完全开放FSD 功能，待开发市场广阔。目前国内用户手册上并没有完全智能驾驶能力（Beta）功能，支付 6.5 万元费用后所得体验仅为标配 AP（自适应巡航、车道保持）+EAP(高速上自动辅助导航、高速上自动辅助变道、智能召唤、自动泊车)，而EAP单独售价仅为 3.2 万元，国内 FSD 订购率极低。我们认为FSD 完全进入中国关键在于数据。马斯克在 2021 年 9 月世界互联网大会上提出，特斯拉已在中国设立数据中心，将中国业务产生的所有数据本地化，包括生产、销售、服务和充电。初步解决个人数据存储问题，未来进一步解决自动驾驶数据存储及自动驾驶模型本地化迭代难题后，在国内外法规加速落地情况下，中国及亚太地区渗透率有望加速提升。

3)FSD 价格调整到 8000 美元。2016 年北美 FSD 售价为购车时在EAP 基础上增加3000 美元预订或购车后支付 4000 美元预订；在 2019 年4 月，特斯拉正式发布FSD应用包，价格上涨至 5000 美元，经过多轮涨价，最新到2023 年的V11 版本，FSD售价跃升到 15000 美元，2023 年 9 月 FSD 价格下调到1.2 万美元，2024年4月，为吸引更多用户，价格进一步下调到 8000 美元。

4）澳洲、德国等地 FSD BETA 开启推送。特斯拉 2020 年10 月推出FSD BETA，首次推出仅向美国少数用户开放测试，需要用户主动申请并通过安全评分系统评估；2022 年 2 月，该功能向加拿大少数用户开放；2022 年11 月，特斯拉向全北美用户开放测试权限，用户申请即可使用。直到 2023 年5 月，根据Teslascope平台，特斯拉 FSD BETA 首次在澳大利亚、德国、比利时开启推送，FSD BETA 首次向北美以外地区拓展，欧洲、澳洲渗透率有望提升。2024 年3 月，根据Teslascope消息，特斯拉 FSD Beta 测试版可能会从今年 10 月开始在欧盟部分地区进行测试，FSD 欧洲版将于 2025 年登陆欧洲市场。

智能化在汽车产业链的核心变化（上游基建、中游车端、下游运营）

核心：智能化在汽车产业链的核心变化主要体现在三个部分：上游基建（算力-智算中心）、中游车端（架构、硬件、软件）、下游运营（Robotaxi 等）。1）上游基建端（算力-智算中心），随智能驾驶等级提升，数据计算量增大，算力要求提高，为匹配数据量增长并做好后续大规模数据训练准备，部分公司开始布局智算中心。 2）中游车端（架构、硬件、软件），智能化在车端的核心变化主要体现在三个部分：架构（分布-集中）、硬件（感知-决策-执行部件）、软件（BEV+Transformer、端到端大模型）。架构方面，智能驾驶时代，车辆电子电气架构从分布式-域集中式（功能域）-跨域融合-中央架构。硬件方面，我们认为在大模型落地及高阶自动驾驶加速上车的趋势下，越来越多的车企传感器方案重心会向视觉倾斜，会有更多的 800 万像素摄像头上车；同时 1000+TOPS 的大算力域控制器数量增多，底盘端线控制动和线控转向渗透率也将提升。与智能驾驶相关的汽车零部件，主要围绕感知（摄像头、雷达等）、决策（域控制器）、执行环节（线控底盘）进行布局。软件方面，大模型助力，实现硬件成本下降+城区NOA 落地，目前特斯拉、momenta（感知+规划端到端及 one-model 端到端两条线）率先实现模型落地，国内华为、小鹏、理想均已实现感知及规划端到端（神经网络覆盖），小米、大疆等玩家暂时停留在感知端到端阶段。 3）下游运营端（Robotaxi 等），从智能驾驶商业模式角度，我们认为除自动驾驶软件包（FSD 等）外，Robotaxi 也为潜在的应用方式之一，新势力（特斯拉、小鹏等）依靠着其先进的自动驾驶技术迅速获得政策批准开始积累路测里程，并有望在 2025 年之前开始商业化探索。

从数据流的角度看未来汽车核心要素，数据流从获取、储存、输送、计算再应用到车端实现智能驾驶、应用到人端通过视听触等五感进行交互，数据流方向在车端涉及到的变化涵盖架构（汽车电子电气架构）、硬件（传感器、域控制器、线束、线控制动、空气悬架等）、软件（大模型）。

上游基建-算力端：数据需求提升，部分公司布局智算中心

当前的智能驾驶模型普遍基于深度学习构建，前期输入大量数据训练模型，使得模型具备类似人类驾驶员的感知、规划、执行能力，并通过训练矫正其行为。同时考虑现实存在 corner case，智能驾驶模型上车后也需要不断接收用户数据或使用仿真数据对模型迭代训练。随智能驾驶等级提升以及越来越多的大模型算法上车，数据计算量增大，算力要求提高，为匹配数据量增长并做好后续大规模数据训练准备，部分公司开始布局智算中心。 根据国家信息中心定义，智算中心是智能时代面向社会全域多主体的新型公共基础设施，集算力生产供应、数据开放共享、智慧生态建设和产业创新聚集四大功能于一体，为有海量数据存储、处理、分析及应用支撑需求的各类场景提供载体支撑，提供包括生产、聚合、调度、释放算力四个环节能力；1）生产算力，基于强大服务器和多种算力芯片，对智能驾驶模型提供数据处理、训练；2）聚合算力，采用最新网络和存储技术实现文件、对象、块、大数据存储服务一体化及同一架构上不同应用件数据融合， 并在需要时将数据高效传出；3）调度算力，基于智能驾驶系统对算力的需求特点，通过虚拟化、容器化等技术，CPU、GPU、FPGA、ASIC 等算力资源进行标准化和细粒度切分，满足多样化需求，保障系统开发和业务的高效运行。4）释放算力，采用全流程软件工具，针对不同场景应用需求，通过机器学习自动化的先进方法产出高质量模型或服务。

智算中心建设周期长，初始投资大，主机厂出于算力需求开始建设。但是高阶智能驾驶模型尤其是端到端模型数据计算量巨大，部分有实力的主机厂及企业已经开始布局。参考佐思汽车信息，2023 年 1 月，吉利汽车的星睿智算中心正式上线，总投资 10 亿元，规划机柜 5000 架。该中心目前的云端总算力达81 亿亿次每秒，预计到 2025 年，算力规模将扩充到 120 亿亿次每秒；覆盖包括智能网联、智能驾驶、新能源安全、试制实验等业务领域，提升吉利整体20%研发效率。特斯拉的dojo 超算中心进一步提升其综合业务能力（智算中心是CPU+AI 芯片，针对特定的人工智能行业赋能；超算中心采用 CPU+GPU 的芯片架构，可针对行星模拟、工程仿真等多种领域实现通用化大精度计算赋能）。

参考华为智能汽车解决方案品牌 HI 对于智能汽车的核心理念，HI 包含了1个全新的计算与通信架构和 5 大智能系统，以及激光雷达、AR-HUD 等30 余款智能化部件，提供了 3 大计算平台和 3 大操作系统，既代表技术创新，也代表商业模式的创新。因此，我们认为，智能化在车端的核心变化主要体现在以下三个部分：1）架构（分布-集中）；2）硬件（感知-决策-执行部件）；3）软件（BEV+Transformer、端到端大模型）。

车端-架构：分布式-集成式，实现 L3 的技术底层需要电子电气架构变革

汽车电子电气架构奠定车辆底层框架。汽车电子电气架构（ElectronicandElectrical Architecture，文中简称 EEA）是由车企所定义的一套整合方式，类似于人体结构和建筑工程图纸，也就是搭了一副骨架，需要各种“器官”、“血液”和“神经”来填充，使其具有生命力。具体到汽车上来说，EEA 把汽车中的各类传感器、ECU（电子控制单元）、线束拓扑和电子电气分配系统完美地整合在一起，完成运算、动力和能量的分配，实现整车的各项智能化功能。智能驾驶时代，车辆电子电气架构从分布式-域集中式（功能域）-跨域融合-中央架构。

1）分布式：主要用在 L0-L2 级别车型，此时车辆主要由硬件定义，采用分布式的控制单元，专用传感器、专用 ECU 及算法，一个功能对应一个ECU、线束布局复杂，不同 ECU 不能协同、算力浪费，不同 ECU 由不同供应商开发、软件难以复用专用传感器、专用 ECU 及算法。 2）域集中式（功能域）：即域控制器集中式架构，其出现的背景在于随着车载传感器数量越来越多，传感器与 ECU 一一对应使得车辆整体性能下降，线路复杂性也急剧增加，同时分布式 ECU 架构在自动驾驶功能实现上面临诸多技术瓶颈，此时 DCU（域控制器）和 MDC（多域控制器）应运而生，以更强大的中心化架构逐步替代了分布式架构。其结构特点在于由多个 ECU 合并成一个域控制器，从L3级别开始，【跨】域集中电子电气架构走向舞台，通过域控制器的整合，分散的车辆硬件之间可以实现信息互联互通和资源共享，软件可升级，硬件和传感器可以更换和进行功能扩展。

2021-2022 年大部分主机厂已实现域控集中式架构量产，典型代表为长城GEEP3.0架构、小鹏的 EEA 2.0 架构等。这个阶段会出现五大功能域，也就是动力域、底盘域、车身域、座舱域、自动驾驶域。现阶段按产品属性，可将五大域分为传统域与智能域。传统域包括动力总成域、底盘域和车身域，对算力要求较低；智能域包括座舱域和智驾域，对算力要求较高。过去两年，在智驾和智舱两个核心板块，已基本实现了域内融合：据盖世汽车研究院配置数据显示，2023 年中国市场座舱域控前装标配交付量达到 347.6 万套，搭载率提升到16.5%；智驾域控前装交付量为 183.9 万套，搭载率提升到 8.7%。

3）跨域融合和中央计算阶段： 当前汽车行业整体站在了电子电气架构由分布式转向域集中式的档口。以功能区分的域控制器存在算力资源浪费和性能倾向性，而跨域融合方案和基于区域控制器和中央计算机的方案可以进一步降低线束数量，做性能的整合，降低物料成本的同时，提高域控制器性能的集成度。因而，主机厂也开始加码布局跨域融合和“区域控制器+中央计算机”方案。

按功能融合：三域架构/舱驾一体

三域架构：动力域、底盘域和车身域逐步整合为整车控制域，进而构建了三域集中式架构，并朝着整车中央计算平台的发展方向迈进。三域架构一般将全车划分为车控域控制器、智能驾驶域控制器、智能座舱域控制器三大功能域，分别实现车辆行驶、自动驾驶、信息娱乐等功能。大众 MEB 平台的E3 架构、宝马iNEXT车型架构、华为 CC 架构等均属于此类。

舱驾一体：在智能化驱动的行业风向中，各大厂商将域融合的研究重点放在了与用户智能化体验高度相关的舱驾一体之中。在域集中架构下，智驾域和座舱域虽然已经实现了域内融合，但这两个域之间仍然是彼此独立，整体是Two Box、TwoBoard。而舱驾一体则致力于实现 One Box、One Board、One Chip，其中OneChip被普遍认为是舱驾融合的“终极方案”，即在一颗SoC 芯片上同时运行智驾域和智舱域。但由于更高的系统集成度，导致单芯片舱驾融合在软件适配，以及硬件选型等方面相较于前两种方案要求也更高。受制于当前芯片和软件技术成熟度，出现了舱泊方案、舱行泊方案等过渡形式。 英伟达和高通相继推出面向中央计算架构的 DRIVE Thor 和SnapdragonRide™Flex SoC（SA8775P），高达 2000TOPs 的算力使得在一颗芯片上同时部署智舱域和智驾域成为可能，舱驾融合由此拉开单 SoC 发展序幕。

按位置融合：区集中式

按照汽车的物理空间，将全车划分为多个区域，如左车身域、右车身域等。由于各处 ECU 均有区域控制器（zone ECU，ZCU）中继，再连接至中央计算机，线束数量能够大量减少，释放更多物理空间。特斯拉、沃尔沃、丰田等均属于此类。

车端-硬件：感知-决策-执行层，视觉成为感知系统重心，域控算力升级

从硬件成本来看，传统方案硬件成本 3 万元+，特斯拉纯视觉方案成本节省1-2万。1）国内常规城市 NGP 配置，以小鹏 G6 为例，目前小鹏G6 Max 版搭载31颗传感器，包括 12 颗摄像头+12 颗超声波雷达+5 颗米波雷达+2 颗激光雷达，整车传感器+域控成本约 3 万元。2）特斯拉纯视觉方案配置（从HW1.0-HW5.0），以2019 年推出的 HW3.0 为例，传感器配置为：8 摄像头，1 毫米波雷达，12超声波雷达；芯片配置为 3 颗自研 FSD 芯片。2021 年 5 月，特斯拉取消毫米波雷达；2022年 10 月，特斯拉取消 12 个超声波雷达（明确表示从2022 年10 月开始，面向北美、欧洲、中东和中国台湾制造交付的 Model 3 和Y 都不再有超声波雷达，2023年开始面向全球交付的 Model S 和 X 也都不再有超声波雷达）。

从硬件配置发展趋势来看，大模型及高阶自动驾驶落地催化硬件配置变革。我们整理了目前特斯拉和国内造车新势力的代表车型智能化配置，出于硬件预埋角度，虽然目前国内暂时无法落地高等级自动驾驶，蔚来等部分车企还是选择配置30+颗传感器，其中包括 800 万像素摄像头，为后续高阶智能驾驶落地后OTA升级做足准备。我们认为在大模型落地及高阶自动驾驶加速上车的趋势下，越来越多的车企传感器方案重心会向视觉倾斜，会有更多的800 万像素摄像头上车；同时1000+TOPS 的大算力域控制器数量增多，底盘端线控制动和线控转向渗透率也将提升。

感知层

1）摄像头

视觉逐渐成为感知系统重心，摄像头像素水平提升。车企摄像头方案相对雷达优势显著，一方面感知信息丰富，通过图像数据显示车道线、交通信号灯等多种信息，达到最接近人眼的感知效果；另一方面，摄像头从1956 年开始在汽车应用，技术水平更为成熟、产业链更为完备。在大模型的助力下，图像感知数据的处理能力得到进一步提升,视觉在感知层优势越来越显著。特斯拉从HW1.0 时期仅配备单个摄像头向三目前视、多路环视摄像头方案升级，目前国内新势力车型普遍采用 30+个传感器配置，摄像头占比约 40%。同时随自动驾驶技术进阶，摄像头素质同比提升，800 万像素的摄像头提供更好的成像效果、更远的探测距离及更大的视场角，2022 年开始大量 800 万像素摄像头搭载上车。理想L9、蔚来ES8等车型单车配备 800 万像素摄像头数量达 6~7 个。 目前行业普遍采用的11~12颗摄像头+5颗毫米波雷达+1~3颗激光雷达方案的成本在 1.5 万元~2 万元水平，远期规模化量产，全无人驾驶下，车企10-11 个摄像头+3 个 4D 毫米波雷达+2 个普通毫米波的传感器配置，成本有望降至10000元内。

摄像头市场规模：参考盖世汽车数据，随着摄像头在乘用车市场的持续渗透，预计国内乘用车摄像头市场规模有望从 2021 年的 72.1 亿元增至2025 年的251.4亿元，CAGR 分别为 37%。伴随着 ADAS 持续渗透，摄像头单车需求量增加，参考盖世汽车数据，2022 年上半年中国乘用车平均每辆车搭载2.3 颗ADAS 摄像头，预计 2025 年增长至 6 颗，预计国内乘用车 ADAS 摄像头搭载量有望从2021年的3935.7 万颗增至 2025 年的 13726.6 万颗，CAGR 为37%，预计国内乘用车摄像头市场规模有望从 2021 年的 72.1 亿元增至 2025 年的251.4 亿元，CAGR 分别为37%。

摄像头产业链：摄像头上游原材料包括流光片、光学镜片、保护膜和晶圆，中游元 件 主 要 由 三 部 分 构 成 ： 镜 头 组 、 CMOS （Complementary Metal-OxideSemiconductor，互补金属氧化物半导体）和 DSP（Digital Signal Process，数字信号处理器），三部分元件经过系统封装后形成摄像头，投入市场。从硬件成本来看，芯片、镜头和其他物料各占 1/3。从产业链企业布局看，国内目前主要布局在镜头组，CMOS 与 DSP 相对较弱；另外摄像头总成产品Tier1，国内布局公司包含德赛西威、华阳集团、豪恩汽电等。 竞争格局：摄像头供应商部分，根据高工智能汽车数据，2021 年中国市场乘用车前装标配摄像头（行/泊 ADAS）搭载量排名前十中，作为本土供应商代表，德赛西威、智华科技、比亚迪进入前十，市场份额分别8.3%、4.4%、4.1%。

2）激光雷达

激光雷达对于实现高级别智能驾驶的必要性：目前应用于环境感知的主流传感器产品主要包括摄像头、毫米波雷达、超声波雷达和激光雷达四类。总体来看，摄像头在逆光或光影复杂的情况下视觉效果较差，毫米波雷达对静态物体识别效果差，超声波雷达测量距离有限且易受恶劣天气的影响，因此单独依靠摄像头或毫米波雷达的方案去实现智能驾驶是存在缺陷的，而激光雷达可探测多数物体（含静态物体）、探测距离相对更长（0-300 米）、精度高（5cm），且可构建环境3D模型、实时性好，因而成为推进智能驾驶到 L3 级及以上的核心传感器。从组成上看，激光雷达主要由激光发射、激光接收、信息处理、扫描系统组成。1）激光发射系统：激励源驱动激光器发射激光脉冲，激光调制器通过光束控制器控制发射激光的方向和线数，最后通过发射光学系统，将激光发射至目标物体；2）激光接收系统：经接收光学系统，光电探测器接收目标物体反射回来的激光，产生接收信号；3）信息处理系统：接收的信号经过放大处理和数模转换后，经过信息处理模块计算，获取目标表面形态、物理属性等特性，最终建立物体模型；4）扫描系统：以稳定的转速旋转起来，实现对所在平面的扫描，产生实时的平面图信息。

上市公司：我们按照激光的路径对激光雷达上游主要零部件进行梳理，总体来看可以分为电学芯片（模拟芯片、FPGA）、光学部件（准直镜、分束器、扩散片、透镜、滤光片）、收发部件（激光器、探测器）。激光雷达电学芯片部分涉及的模拟芯片和 FPGA 芯片，海外芯片龙头为行业领导者，赛灵思的FPGA 芯片应用于速腾聚创、禾赛科技等主流激光雷达厂商中。光学部件MEMS 微振镜海外龙头（滨松、mirrorcle 等）技术成熟，国内速腾聚创投资希景科技、禾赛科技和镭神智能自研 MEMS 微振镜；其他光学器件比如准直镜、扩散片、分束器等已经非常成熟，国内诸多厂商均有布局，代表性厂商有舜宇光学科技、永新光学、腾景科技、蓝特光学、水晶光电、福晶科技、炬光科技等，国内供应链成熟且具备成本优势，有望乘激光雷达之风迎来新发展机遇。对于激光器和探测器，国内供应商在产品的定制化上有较大的灵活性，价格也有一定优势，有望在收发模块开启国产替代，其中激光器的代表性厂商有炬光科技、长光华芯、纵慧芯光、睿熙科技等，探测器的代表性厂商有灵明光子、南京芯视界、芯辉科技、宇称电子、阜时科技等。

决策层

数据和算法要求提升，自动驾驶芯片算力持续提升（或从低于100tps到远期1000tps）。一方面大模型及大型自动驾驶数据处理提出大算力需求；另一方面，高规格摄像头等传感器上车提供更多需要处理的数据，增加算力消耗，比如传统的 L1-L2 级自动驾驶，配备 120-200 万像素摄像头，只需要对车道检测等简单功能提供算力，而 800 万的高像素及 L2+高阶自动驾驶上车要求自动驾驶系统处理城区复杂路况、多交互场景的路口变道等情况，神经网络算法要求提升，域控制器算力需求进一步提升。根据 36 氪研究院整理数据，L2 级及以下智能驾驶算力需求通常为 10-100TOPS，而 L3 级算力需求为 100TOPS 以上，到L4 级算力需求跃升至 1000TOPS 以上。 以华为为代表的自动驾驶芯片占比持续提升。根据高工智能汽车数据，2024年3月，乘用车自动驾驶域控制器渗透率为 13.0%，同比+4.0pct，环比+2.7pct，其中英伟达、地平线、特斯拉 FSD、华为自动驾驶芯片占比分别为22.8%、13.2%、32.4%、17.4%，同比分别变动+2、+6、-20、+16pct，环比分别变动-2、-2、+2、-0pct。2024 年 1-3 月，乘用车自动驾驶域控制器渗透率为10.2%，同比+3.1pct，其中英伟达、地平线、特斯拉 FSD、华为自动驾驶芯片占比分别为25.4%、13.4%、29.6%、16.8%，同比分别变动+3、+6、-13、+16pct。

对不同自动驾驶 SoC 芯片厂商布局进行梳理后，可以发现以下特征：1）从方案上来说，目前 CPU+GPU+ASIC、CPU+ASIC 为相对更主流的SOC 芯片方案。2）从不同芯片厂商布局趋势来看，算力从低到高（个位数-十位数-百位数tops），制程更加先进（十位数-个位数 nm），能效比持续提升。3）从算力和能效比角度看，对高算力（30Tops 以上满足 L3 级及以上要求）芯片进行排名，第一梯队的为英伟达、高通、地平线、华为，第二梯队的为 mobileye，第三梯队为黑芝麻、瑞萨、TI。英伟达 Orin N、Orin X、Thor、高通骁龙 Ride 8775、8650、、地平线J6、华为 MDC610/810 算力分别 84、254、2000、75、100、200+/400+Tops，英伟达OrinX 能耗比 3.9；mobileye EyeQ6 Ultra、地平线征程5、瑞萨R-CAR V3U 算力分别176、128（最高）、60Tops，其中地平线征程 6 今年量产。

据盖世汽车研究院统计数据显示，2023 年，国内乘用车前装市场累计标配智驾域控 183.9 万套，同比增长约 70%；对应渗透率为 8.7%，相较于2022 年提升了3pct。在第三方供应商中间，则以德赛西威装机量最高。另外，福瑞泰克、毫末智行、知行科技等本土企业也占据了相当的比例。

执行层

线控底盘以电信号驱动取代机械或液压部件驱动的执行机构信号，核心技术包括线控转向、线控悬架、线控制动三个部分，整体传输信息效率高、时间短、控制精确，有望和智能化结合完成汽车主动控制工作，是高阶自动驾驶的大势所趋。

1）线控制动，ADAS 执行层的核心产品。传统燃油车以发动机动力提供真空度的真空泵放大脚踩刹车器的力度，实现制动操作；线控制动产品以电控信号取代传统制动系统的部分或全部机械部件，解决了新能源车缺少真空泵源的困境，通过电信号获得更快的信息传输及相应速度，提供更安全舒适的驾乘体验，同时可以通过电机提供主动控制，不需要人类驾驶员踩下踏板提供机械部件动力，将人从制动操作中解放出来，是高阶自动驾驶的必经之路。根据九章智驾，博世的ibooster 方案将系统响应时间从常规的 300-500 毫秒缩减到120-150 毫秒；大陆集团的 MK C1 在 30km/h 时启动行人保护，刹车距离从6.8 米减少到4.1 米。另外，线控制动系统可以通过电机控制器将车轮减速产生的制动能量转化为电能存储，实现一定的能量回收，提高车辆续航。目前随着电动智能化提速，自动驾驶级别提升，主机厂线控制动应用意愿增强，线控制动行业有望加速上量。根据佐思汽研及高工数据，2019年国内乘用车市场的线控制动装配率为2.6%，2021年为8.6%，2023 年为 37.68%，其中新能源汽车线控制动装配率超过73%。假设2025年我国乘用车产量 2700 万辆，线控制动产品单价为 1600 元，产品渗透率达到55%，则线控制动市场规模约为 238 亿元。

EHB 是主流方案，ONE-BOX 享有高集成度、低体积、低重量优势。产品设计上，线控制动传统液压系统+电信号控制单元的 EHB 系统和完全由电子控制单元与机械部件相连的 EMB 系统两种线控制动产品。EMB 将电机直接集成到液压钳上，响应效率高，但是技术成熟度低、成本较高且存在冗余设计困难，短期内无法取代EHB 的主流地位。而在 EHB 中，根据集成度高低又分为TWO-BOX 和ONE-BOX两种。ONE-BOX 方案的 ECU 中集成了 ESC 等功能，只有 1 个ECU，而TWO-BOX 方案没有集成，有 2 个 ECU，需要做协调。由于 ONE-BOX 方案集成度更高，在体积、重量上占优，在制动失效时的减速度表现更优秀,且其售价普遍低于TWO-BOX 产品，有望成为主流方案。目前伯特利、拿森电子、拓普集团等公司布局ONE-BOX 方案研发。

2）线控转向，线控转向用电子控制器取代方向盘与转向轮之间的机械连接，将驾驶员操作以电信号行驶向下传输给执行器执行转向操作，甚至更进一步在自动驾驶模式由控制算法给出向下传递的信号实现操作，将汽车转向的决策核心由人转为算法，是实现高阶自动驾驶的必经之路。另外，传统转向的机械连接限制系统传动比为固定值，而线控转向可以根据需求自由设计转向角传动比，谢立刚、陈勇、郭晓光 1通过实验论证这一设计有效提高车辆在低速行驶灵敏性，改善其高速时行驶的稳定性，实现“灵”与“轻”共存。更进一步，取消方向盘与转向轮硬连接后两者可以独立运转，即自动驾驶可以无需方向盘同步转动，提供隐藏方向盘或者取消方向盘可能；使用方向盘的智能化娱乐项目可以避免轮胎运转磨损。线控转向系统难度高，需要考虑硬件冗余安全、软件设计安全等多种因素，同时2022 年之前受到国内法规限制，落地进展较为缓慢。2022 年，我国开始实行GB17675-2021《汽车转向系基本要求》，解除以往对转向系统方向盘和车轮物理解耦的限制，同年中汽研标准所和集度、蔚来、吉利成为中国线控转向相关国家标准制定牵头单位，共同加速线控转向落地。根据中国汽车工程学会《线控转向技术路线图》征求意见稿，线控转向的量产目标为 2025 年渗透率5%，成本4000元以内；按照 2025 年中国乘用车大约 2500 万辆规模，中国乘用车线控转向市场规模约在 50 亿元水平，长期随高阶自动驾驶上车，线控转向渗透率将加速上行。

3）线控悬架，汽车 Z 轴调节。作为主动悬架的空气悬架升级传统悬架的钢制弹簧为空气弹簧调整悬架刚度和车身高度，升级普通减振器为电控减振器调整阻尼，具有高稳定性、舒适性、通过性，可提高车辆空间整体利用率。而在高阶自动驾驶上车时代，汽车传感器数量和算力水平不断提升，空气悬架可结合导航信息和汽车传感器输入数据，预先获知前方路况并提前做出反应，未来甚至可以与自动驾驶和智能座舱结合，给消费者带来最优乘车体验。

线控底盘是自动驾驶大势所趋。线控底盘改变底盘架构，大规模以线束和控制器取代原有的机械连接，通过电驱动执行操作；一方面改善底盘各环节响应速度，减轻整车底盘重量，契合自动驾驶时代的 OTA 升级趋势；另一方面，也为高阶OTA的全计算控制布局，线控转向、线控制动将驾驶员与车辆操控解耦，线控悬架提升驾乘人员舒适度，未来可以结合摄像头等多传感器数据实现完全自动驾驶。

车端-软件：大模型助力硬件降本和城区NOA 落地，端到端方案加速推进

目前，大模型上车已经迎来一定进展，并且随着技术的成熟，NOA 功能从高速NOA，卷向城市 NOA，城市无图 NOA 已经成为下一阶段的技术需求。特斯拉引领，国内车企跟随，通过 BEV+Transformer 模型助力，实现硬件成本下降+城区NOA落地。目前，端到端方案也在加速推进，端到端自动驾驶是直接从传感器信息输入（如摄像头图像、LiDAR 等）到控制命令输出（如转向、加减速等）映射的一套系统，最早出现在 1988 年的 ALVINN 项目，通过相机和激光测距仪进行输入和一个简单的神经网络生成的转向进行输出。2024 年初，特斯拉FSD V12.3 版本发布，智驾水平让人惊艳，端到端自动驾驶方案受到国内主机厂和自动驾驶方案企业的广泛关注。与传统的多模块方案相比，端到端自动驾驶方案将感知、预测和规划整合到单一模型中，简化了方案结构，可模拟人类驾驶员直接从视觉输入做出驾驶决策，以数据和算力为主导，能够有效解决模块化方案的长尾场景，提升模型的训练效率和性能上限。

国内新势力通过 OTA 升级等方式，加速落地城区无图智能驾驶。其中问界M5智驾版、新 M7 智驾版搭载 HUAWEI ADS 2.0 高阶智能驾驶系统，实现全国都能开、越开越好开的城区智能领航辅助（City NCA），2024 年4 月，华为ADS3.0发布，享界 S9 将首搭 ADS 3.0 智驾系统，该系统后续也会推送给其他车型；小鹏汽车无图高阶城市辅助驾驶多城推送，截至 7 月 2 日，XNGP 城区智驾累计覆盖356城；理想汽车 7 月的 OTA 6.0 智能驾驶即将迎来升无图NOA，此次升级将覆盖理想MEGA和理想 L9、理想 L8、理想 L7、理想 L6 的 AD Max 车型，用户数量超过24万，实现全国都能开。

技术迭代，特斯拉引领，车企加速推进端到端模型。在端到端大模型方面，不同于 Tesla 的 FSDV12 等一体化端到端方案是基于不可解耦的模型打造，国内首先实现端到端落地的小鹏、华为、理想都采取渐进式的端到端方案，其中小鹏端到端架构仍分为感知、规控两大模块，端到端落地的最大变化在于将过去基本完全由规则组成的规控模块，切换为神经网络为主；华为乾崑ADS3.0 端到端架构也分为GOD 和 PDP 两大模块，基于少量人工规则+端到端模型，并逐渐减少人工规则的数量；理想汽车端到端模型（E2E），经历从模块化设计（100 个城市NOA）-无图设计（感知层及规划层两个模型的分段式端到端）-one model 端到端模型三个阶段。此外，也有车企从部分功能开始落地端到端，如小米端到端技术代客泊车功能。

1）华为：参照特斯拉从感知端到端向 one-model 端到端进化，国内玩家更多采用逐步升级路径。华为在今年 4 月发布乾崑 ADS 3.0，由2.0 的BEV 网络+GOD网络架构升级为 GOD 大网，PDP 网络实现预决策规划一张网，在决策端引入神经网络，智能驾驶系统进一步向端到端架构升级，实现优质类人体验。

2）小鹏：小鹏将神经网络大模型延伸至规划端，2024 年5 月20 日宣布向用户全量推送 AI 天玑系统，通过三网合一（动态 XNet、静态XNet 及纯视觉2K占用网络）深度视觉感知神经网络 XNet 实现感知端裸眼3D；通过基于神经网络的规划大模型——XPlanner 加速迭代驾驶策略算法，实现类人驾驶体验；进一步引入AI大语言模型 XBrain 架构，提升泛化能力，解决自动驾驶模型的corner case困境。

3）Momenta 关注可规模化 L4 自动驾驶，考虑海量数据需求，采用量产自动驾驶+完全无人驾驶两套方案，量产自动驾驶带来数据流给无人驾驶，完全需要1000亿公里（100 万台年跑 10 万公里的出租车）才能验证L4 级自动驾驶反馈技术更新给量产自动驾驶，刷新用户体验。通过海量数据（23 年底5 万台车辆车，24年底 30 万台，计划到 28 年 1000 万台）、数据闭环（云端-标注-数据-仿真等）、date-based 模型形成算法闭环，加速迭代。城市领航做到有路就能开。端到端大模型上车腾势 N7、上汽智己等车型。

4）理想则采用与 momenta 思路相近的两个系统，有快系统System1 做预测和规划为 L3 级别线性端到端；同时存在慢系统 System2 对位置环境加以思考并解决更多场景。快系统为端到端模型（E2E），经历从模块化设计（100 个城市NOA）-无图设计（感知层及规划层两个模型的分段式端到端）-one model 端到端模型三个阶段，具备明显优势 1）高效传输，驾驶体验更类人；2）高效计算，车辆动作及时响应；3）高效迭代，模型 OTA 速度加快。慢系统为视觉语言模型（VLM），具备应对复杂场景能力，算法架构由 Transformer 模型组成，将Prompt（提示词）文本进行 Tokenizer（分词器）编码，并将摄像头图像结合导航地图信息编码通过传输给模型自回归推理，输出端包括对环境理解、驾驶决策和驾驶轨迹，并传递给系统 1 控制车辆。优势在于 1）设计流式视频编码，缓存视觉信息时序更长；2）增加记忆模块，提供上下文推理能力；3）设计 prompt 问题库，持续向系统1传输驾驶建议。通过世界模型给自动驾驶系统提供学习及思考环境。而远期端到端规划中，理想规划把规划/预测模型与感知模型进行统一，并在原基础上完成Temporal Planner 的端到端，实现泊车/行车一体化。

下游运营-商业模式：出行方式变革，Robotaxi 商业化落地在即

目前，全球不同国家 Robotaxi 商业化发展主要分为三个梯队，中国Robotaxi市场处于全球领先地位。在第一梯队中，领先国家已成功进行无主驾安全员的商业化小规模应用，并已准备开始商业化发展，向 Robotaxi 商业化的第一阶段迈进。例如，美国以 Waymo 为首，已成功进行 Robotaxi 无驾驶员的商业化运营，中国萝卜快跑在武汉投入 Robotaxi(自动驾驶出租车)。在第二梯队中，各国已成功进行有主驾安全员的面向公众的 Robotaxi 商业化试运营。例如，韩国推出面向大众的配备主驾安全员的 Robotaxi 收费运营服务。在第三梯队中，各国仍处于Robotaxi测试阶段，并在努力追赶领先玩家。总体来看，中国Robotaxi 市场已处于全球领先地位。

为何制造商要入局 Robotaxi？ 1）转变商业模式需要，Robotaxi 是智能驾驶企业将商业模式向更轻资产转化的重要方向之一。智能驾驶汽车拥有大量车辆驾驶数据，庞大的数据集将在未来有诸多应用场景，正如 APPstore 为苹果不断提供现金流一样，Robotaxi 业务是未来智能汽车拓宽商业模式的重要方向之一 。 2）共享出行降低成本，车企和消费者有望实现双赢。乘客可利用手机app召唤无司机驾驶的 Robotaxi，特斯拉会提供官方车队，车主也可以选择将自己空闲的车加入 robotaxi 车队用于出租，是 B2C+C2C 的双模式。对消费者而言，Robotaxi收费远低于现行出租车/拼车服务，美国传统乘车服务的平均收费为每英里2-3美元，Uber 和 Lyft 等新型出行服务费用在每英里1-2 美元，而Robotaxi费用低至每英里 0.18 美元以下，远低于中国国内出行费用（深圳滴滴快车每公里收费2-2.5 元，折合传统/拼车每英里 0.5-0.7 美元）。对购车者而言，马斯克预计每部 Robotaxi 每年可带来超 3 万美元的利润，可连续载客11 年。

摩根史丹利预测，2026 年特斯拉出行将投入 1000 辆运营车辆，到2030 年，这个数字将进一步提升到 15.75 万辆（占特斯拉全球车队的0.6%），在2035年增加至 170 万辆。并预计“特斯拉出行”的车队将一开始由人类驾驶员驾驶高度自动化的特斯拉车辆，并逐步过渡到完全自动驾驶的 Robotaxi。收入方面，到2027年，特斯拉移动出行业务收入将低于 10 亿美元，2030 年将达到170 亿美元。出行里程方面，到 2030 年特斯拉移动出行里程将达到每月95 亿英里（占总行驶里程的 0.07%），到 2035 年增加至每月 1190 亿英里（占总行驶里程的0.7%）。

我们对 Robotaxi 运营收入和成本进行测算，假如 Robotaxi:1）20 万单车成本，2）1 个安全员能负责 2-3 台 Robotaxi 车，3）Robotaxi 每台每天20 单，4）Robotaxi运营单价是网约车 8 折的前提，不考虑前期百度投入的算法研发和车辆保险成本，测算发现 Robotaxi 可以实现盈亏平衡，测算过程如下：1）收入端：假设有 1000 台 Robotaxi 车，每车每天20 单，平均客单价16元，单月 Robotaxi 收入 960 万元。 2）成本端：安全员 400 人，假设人均月薪 7000 元，月人员成本280 万元，一天充电一次 40-50 度电（单日成本 50 元），月充电成本1500 元*1000 台=150万，单车价格 20 万（5 年折旧假设），月折旧成本 3333 元*1000 台=333 万，单月成本 763 万元。

从商业模式看，目前，Robotaxi 常见的商业模式有主机厂+自动驾驶公司+出行服务商、主机厂+自动驾驶公司、主机厂+出行服务商三种。对于模式一，主机厂+自动驾驶公司+出行服务商的模式可以综合各方实力加速Robotaxi 市场化，同时三方可相互分担项目成本、共享数据与乘客资源，代表案例比如广汽+文远知行+如祺出行、上汽+Momenta+享道出行。

从产业链看，自动驾驶出租车 Robotaxi 产业链包含：1）提供高精地图与定位、传感器、芯片、AI 训练、智慧道路支持的供应商；2）供给侧的自动驾驶公司、主机厂、出行服务商；3）需求侧的乘客；4）监管侧的地方政府。

（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。）