《汽車行業深度報告：AI+汽車智能化系列之一【大模型+政策+功能】三重共振開啟L3智能化大行情！-230618（31頁）.pdf》由會員分享，可在線閱讀，更多相關《汽車行業深度報告：AI+汽車智能化系列之一【大模型+政策+功能】三重共振開啟L3智能化大行情！-230618（31頁）.pdf（31頁珍藏版）》請在三個皮匠報告上搜索。

1、證券研究報告行業深度報告汽車 東吳證券研究所東吳證券研究所 1/31 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 汽車行業深度報告 AI+汽車智能化系列之一【大模型汽車智能化系列之一【大模型+政策政策+功功能】三重共振開啟能】三重共振開啟 L3 智能化大行情智能化大行情！2023 年年 06 月月 18 日日 證券分析師證券分析師 黃細里黃細里 執業證書：S0600520010001 021-60199793 研究助理研究助理 譚行悅譚行悅 執業證書：S0600121070041 行業走勢行業走勢 相關研究相關研究 5月重卡批發環比-7%，重汽表現靚麗 2023-06-1

2、6 乘用車終端跟蹤：6 月新能源滲透率有望提升 2023-06-15 增持（維持）Table_Tag 關鍵詞：關鍵詞：#新產品、新技術、新客戶新產品、新技術、新客戶 Table_Summary 投資要點投資要點 重視新一輪汽車智能化重視新一輪汽車智能化大周期向上行情！大周期向上行情！復盤 2010 年以來汽車智能化行情已經走完 2 波：1）2014-2016 年年（mobileye/博世引領全球 L2 輔助駕駛，關鍵技術攝像頭等視覺創新，代表性應用 AEB/LCC 等）；2）2020-2022 年年（特斯拉引領全球準 L3 輔助駕駛，關鍵技術是大算力芯片+域控制器，代表性應用自動泊車+高速輔助

3、駕駛）。我們預計我們預計 2023 年將醞年將醞釀開啟第三波大行情！釀開啟第三波大行情！本輪全球引領者或是 TransFormer 架構的架構的大模大模型助推下推出低成本型助推下推出低成本 L3 自動駕駛方案的自動駕駛方案的【特斯拉】特斯拉】，關鍵技術或是【TransFormer 架構的大模型架構的大模型+端到端感知方案端到端感知方案（BEV+占用網絡）占用網絡）】，代表性應用或是城市道路自動駕駛。區別于前 2 波，【政策法規政策法規】是 L3-L4落地的先行條件，對啟動本輪行情具有更深遠意義?；谀壳爱a業鏈梳理核心受益標的：1）整車優選具備智能化先發優勢【特斯拉特斯拉/小鵬汽車小鵬汽車/華為

4、合作伙伴（賽力斯華為合作伙伴（賽力斯/江淮等）江淮等）】；2）高算力域控制器，推薦【德賽西【德賽西威】【經緯恒潤】威】【經緯恒潤】，關注【均勝電子】【科博達】【均勝電子】【科博達】；3）冗余底盤執行單元，推薦【伯特利】【拓普集團】【亞太股份】【耐世特】【伯特利】【拓普集團】【亞太股份】【耐世特】；4）AI 算法環節，推薦【中科創達】推薦【中科創達】，關注【光庭信息】關注【光庭信息】；智能化檢測，推薦【中國汽研】【中國汽研】。特斯拉引領，基于特斯拉引領，基于大模型實現大模型實現 2D-3D 環境建模環境建模，推動端到端感知方案，推動端到端感知方案落地，有效降低系統成本。落地，有效降低系統成本。T

5、ransFormer 模型作為最強的特征提取器，加速大模型行業的發展，在自然語言領域獲得突破性的成功。特斯拉借鑒其強大的特征提取能力，對多攝像頭進行視覺融合，提出 BEV（鳥（鳥瞰）瞰）算法，并通過占用網絡占用網絡算法實現 2D-3D 環境的實時建模以及路徑矢量規劃，全套模型參數量達到 7500 萬萬，最終實現端到端的感知算法和環境搭建。借助大模型帶來的感知算法效率提升，降低對于激光雷達等高成本傳感器的依賴性，從而有效降低高級別自動駕駛系統成本?；?TransFormer 大模型驅動的 BEV+占用網絡占用網絡算法成為主流車企下一代自動駕駛算法技術方向，高效率+成本下降有望推動滲透率進一步提

6、升。自動駕駛分級政策法規有望落地，推動智能化行業進程。自動駕駛分級政策法規有望落地，推動智能化行業進程。近年來從國家部委到地方政府對高級別自動駕駛發布了一系列政策和法規，從基礎建設、測試標準、數據安全、高精地圖、商業運營等方面進行完善。但是，國內有條件（L3 級別）自動駕駛技術商業化落地的主要難點在于相關責任定義的缺失，在實際操作中較難界定駕駛員和車企的責任。2023 年，美國內華達州和加州先后批準了奔馳 L3 級別自動駕駛功能的上路運行，對于責任進行了清晰的劃分，國內相關的政策法規也有望加速落地，明確 L3 級別自動駕駛功能的責任劃分，在限定工況下責任由提供自動駕駛功能的車企或者第三方供應商

7、承擔。清晰的責任認定劃分能夠有效的區分車企在智能化維度的能力邊界，有望推動智能化行業進程。智能化產業趨勢加速，本輪新車周期加速功能應用。智能化產業趨勢加速，本輪新車周期加速功能應用。2023H2-2024 年或是這輪智能化新車上市密集時間窗口?；谀壳爱a業跟蹤，我們預計這波新車特征或是：1）符合 L3 智能化法規標準；2）城市 NOA 落地使用；3）成本下行至 30 萬元以下，激光雷達不是必要條件。車企進展初步排序：第一梯隊領先（特斯拉/小鵬汽車/華為合作伙伴），第二梯隊快速跟進（理想/蔚來/比亞迪/長城/吉利/長安/廣汽/上汽等）風險提示：風險提示：L3 級別自動駕駛政策推出節奏不及預期；乘

8、用車價格戰幅級別自動駕駛政策推出節奏不及預期；乘用車價格戰幅度超出預期；下游乘用車復蘇不及預期。度超出預期；下游乘用車復蘇不及預期。-21%-18%-15%-12%-9%-6%-3%0%3%6%2022/6/202022/10/182023/2/152023/6/15汽車滬深300 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 2/31 內容目錄內容目錄 1.技術技術+政策政策+新品周期，新一輪智能化有望加速新品周期，新一輪智能化有望加速.5 1.1.2014-2016 純視覺方案崛起推動 ADAS 功能普及.5 1.2.2020

9、-2022 特斯拉 FSD 推動整車 E/E 架構升級.6 1.3.新一輪技術+政策+新品周期，共同推動高級別自動駕駛落地.7 2.AI 大模型加持，端到端感知方案實現降本增效大模型加持，端到端感知方案實現降本增效.7 2.1.CHAT GPT 橫空出世，AIGC 推動全新產業革命.7 2.1.1.AIGC 實現多模態輸入輸出，有望開創全新應用場景.8 2.1.2.技術架構+參數規模持續迭代，大模型表現能力不斷提升.8 2.2.深度學習+強化學習，推動大模型成為 NLP 重要驅動力.10 2.2.1.憑借歷史數據提取特征，機器學習成為 AI 發展重要方向.10 2.2.2.機器學習-深度學習，

10、神經網絡+海量數據提升學習效率.11 2.2.3.專注人類邏輯思維模式，NLP 成為 AI 重要應用領域.12 2.2.4.大規模無監督訓練技術應用，推動 LLM 成為 NLP 中重要構成.13 2.3.TransFormer 架構提升學習效率，推動大數據預訓練成為可能.14 2.3.1.CNN（卷積神經網絡）提取數據特征，適用靜態圖像識別+分割.14 2.3.2.RNN（循環神經網絡）解決全局記憶，完成 Seq2Seq 問題.15 2.3.3.TransFormer 并行計算加速學習效率，成為重要特征提取器.16 2.3.4.預訓練大模型問世，生成式技術路線成為主要趨勢.19 2.4.Tra

11、nsFormer+BEV，加速推動 L3 智能駕駛落地.20 2.4.1.模塊化&端到端，智能駕駛兩大算法框架.20 2.4.2.借助 TransFormer 模型，特斯拉感知系統全面升級.21 3.海內外政策逐步完善，有望加速實現突破海內外政策逐步完善，有望加速實現突破.23 3.1.搶占自動駕駛“智高點”，各國加速相關法規政策布局.23 3.2.國內：中央+地方協同完善政策，道路測試+數據安全并舉.24 3.3.海外：加快構建規范自動駕駛發展的政策法規框架.26 4.新技術方向確認，產品周期加速助推智能化新技術方向確認，產品周期加速助推智能化.28 5.投資建議投資建議.29 6.風險提示

12、風險提示.30 AW8ZoWoWwVhZiXqMmR6MbPaQnPpPmOnOiNrRoQkPqRyRaQpPvMvPtQqMwMnRoP 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 3/31 圖表目錄圖表目錄 圖 1：Mobileye 芯片+攝像頭方案.5 圖 2：Mobileye 芯片出貨量（萬顆）.5 圖 3：自動駕駛解決方案分級.6 圖 4：ADAS 功能感知+決策+執行環節.6 圖 5：博世 E/E 架構的演進路線圖.6 圖 6：分布式-域集中式變化.6 圖 7：英偉達 Orin 芯片.7 圖 8：底盤域控制系統.7

13、 圖 9：多模態大模型輸入/輸出.8 圖 10：深度學習模型參數量快速提升/億.9 圖 11：大模型發布時間軸.9 圖 12：機器學習實現流程.11 圖 13：人工智能/機器學習/深度學習之間關系劃分.11 圖 14：感知機機制圖示.11 圖 15：標準前饋神經網絡結構 FNN.12 圖 16：深度神經網絡架構.12 圖 17：NLP 在人機交互過程中扮演重要角色.13 圖 18：NLP 主要功能及結構.13 圖 19：Bert 結構:主要針對自然語言理解類任務.14 圖 20：GPT 結構：主要針對自然語言生成類任務.14 圖 21：CNN 算法流程.14 圖 22：經典神經網絡和 CNN

14、的區別.15 圖 23：CNN 特征提取+分類識別.15 圖 24：RNN 結構的 N to N 網絡拓撲圖.16 圖 25：多種 RNN 結構.16 圖 26：簡單 RNN 機制結構.16 圖 27：LSTM 機制結構.16 圖 28：傳統 Encoder-Decoder 結構.17 圖 29：引入 Attention 機制后的 Encoder-Decoder 結構.17 圖 30：Self-Attention 機制框圖.17 圖 31：Self-Attention 機制計算原理框圖.17 圖 32：Self-Attention 機制矩陣計算流程圖.18 圖 33：Multi-Head 結構

15、（以雙頭模型示例）.18 圖 34：TransFormer 模型結構.18 圖 35：TransFormer 的編碼器（Encoder）部分.19 圖 36：Bert 模型掩碼訓練過程.19 圖 37：TransFormer 結構的 Decoder 部分.20 圖 38：GPT 模型預訓練架構.20 圖 39：自動駕駛解決方案.21 圖 40：特斯拉 BEV 算法向量空間的線和邊界.21 圖 41：BEV 架構模型圖例.22 圖 42：BEV 感知模型框架圖.22 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 4/31 圖 43：

16、矩形框識別.23 圖 44：網絡占用算法.23 圖 45：特斯拉神經網絡處理過程.23 圖 46：地圖矢量規劃.23 圖 47：北京自動駕駛車輛道路測試成果.25 圖 48：自動駕駛示范區數據安全管理政策.26 圖 49：導航電子地圖制作甲級測繪資質單位數量.26 圖 50：美國各州自動駕駛法規政策情況.26 圖 51：韓國自動駕駛普及“三步走”計劃.27 圖 52：飛凡汽車搭載的激光雷達.28 圖 53：理想 AD MAX 自動駕駛系統感知硬件.28 圖 54：特斯拉 FSD Beta V11.3.6 版本.28 圖 55：比亞迪多傳感器 BEV+TransFormer 架構.28 表 1：

17、國內外自動駕駛相關法律法規加速落地.24 表 2：車企最新高級別自動駕駛架構及進展.29 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 5/31 1.技術技術+政策政策+新品周期新品周期，新一輪智能化有望加速，新一輪智能化有望加速 1.1.2014-2016 純視覺方案崛起推動純視覺方案崛起推動 ADAS 功能普及功能普及 在 21 世紀前的汽車百年歷史中，從定速巡航系統（CCS）-車身動態穩定系統（ABS/ESC）-自適應巡航系統（ACC，通過毫米波雷達），產業一直在努力讓更多的技術來幫助司機更加輕松、安全的操控汽車。但早期的設

18、計更多的采用機械式，直到 2008 年 Mobileye 的橫空出世，通過成熟的純視覺方案先后實現了車道偏離預警（LDW，2008 年）、自動緊急制動（AEB，2009 年）、前方碰撞預警（FCW，2010 年）、自適應巡航系統（ACC，2013 年）等多項 ADAS 功能。單顆攝像頭+芯片的技術架構大幅降低了系統的生產成本，同時具備完善的功能應用，因此隨著 2013 年純視覺 ACC 功能的推出，Mobileye 的芯片開始受到各大主流中高端汽車品牌的青睞，幾乎成為各家唯一的 ADAS 方案商，出貨量大幅攀升，成功的推動ADAS 功能的普及。圖圖1：Mobileye 芯片芯片+攝像頭方案攝像

19、頭方案 圖圖2：Mobileye 芯片出貨量芯片出貨量（萬顆）（萬顆）數據來源：汽車之家，東吳證券研究所繪制 數據來源：有駕汽車，東吳證券研究所繪制 根據美國 SAE 的分級，將自動駕駛分為 L1-L5 級別。Mobileye 領銜的純視覺方案成為 L2 級別及以下自動駕駛方案的首選，特斯拉的 S/X 車型自動駕駛方案也是采用其EQ3 芯片，推動了整套系統的快速普及。在 ADAS 系統的感知、決策、執行三大環節中，感知由 Mobileye 完成，高質量的傳感器信息大幅降低了決策環節的難度，并且也加速了執行環節的電控國產替代需求：制動（制動（ABS/ESC），轉向（），轉向（EPS 電動助力轉向

20、）電動助力轉向）。0400800120016002000 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 6/31 圖圖3：自動駕駛解決方案分級自動駕駛解決方案分級 圖圖4：ADAS 功能感知功能感知+決策決策+執行環節執行環節 數據來源：汽車之家，東吳證券研究所 數據來源：汽車之家，東吳證券研究所繪制 1.2.2020-2022 特斯拉特斯拉 FSD 推動整車推動整車 E/E 架構升級架構升級 2019 年特斯拉發布 Model Y 車型，相較于 2017 年發布的 Model 3 車型其最大的變化來自于整車電子電器（E/E）架構

21、，從過去的分布式架構開始向域集中架構轉變，這也符合博世公司提出的電子電器架構變革的技術方向。通過 E/E 架構的變化，特斯拉有效地解決了分布式之前的算力不足，難以支持 OTA 升級等多種問題，并且推出了基于自研芯片的 AutoPilot HW3.0 的新一代 FSD 自動駕駛系統。圖圖5：博世博世 E/E 架構的演進路線圖架構的演進路線圖 圖圖6：分布式分布式-域集中式變化域集中式變化 數據來源：汽車之家，東吳證券研究所 數據來源：東吳證券研究所繪制 在汽車智能化功能不斷升級所帶來的算力需求下，各家車企也開始向著集中式電子電器架構的方式演進。英偉達先后推出的大算力AI芯片Xaiver(30TO

22、PS)/Orin（256TOPS）很好地滿足了不斷增長的算力需求，并且提供一套完善的算子庫+開發工具鏈，取代Mobileye 成為域集中架構下眾多車企的首選?；?AI 芯片的自動駕駛域控制器駕駛域控制器成為產業鏈價值量增加最大的新產品。此外，由于新能源+操控需求帶來的價值新增量（線控線控制動制動+線控轉向線控轉向+空氣懸掛空氣懸掛）以及智能座艙新增量（座艙域控制器座艙域控制器+HUD+音響功放音響功放）等均成為這一輪智能化變革中重要的產業趨勢。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 7/31 圖圖7：英偉達英偉達 Orin

23、 芯片芯片 圖圖8：底盤域控制系統底盤域控制系統 數據來源：CSDN，東吳證券研究所 數據來源：格陸博，東吳證券研究所 1.3.新一輪新一輪技術技術+政策政策+新品周期新品周期，共同推動高級別共同推動高級別自動自動駕駛落地駕駛落地 成本成本+政策壓力，智能化產業節奏放緩。政策壓力，智能化產業節奏放緩。不同于 L2 或者 L2.5 級別自動駕駛方案，高級別自動駕駛方案對于感知要求更高，除特斯拉之外，各家車企均采用激光雷達+毫米波+攝像頭等多種傳感器融合方案支持相關算法，這也帶來了成本端的大幅增加。同時，國內目前沒有清晰的界定 L3 級別自動駕駛權責認定的法律法規，成本+政策導致車企和消費者對于

24、L3 級別自動駕駛的需求下降，智能化從 L2-L3 升級的節奏放緩。特斯拉特斯拉借助借助 AI 大模型大模型推出全新感知方案推出全新感知方案，有效降低成本，有效降低成本。隨著 AI 大模型技術的發展，特斯拉率先采用了基于 TransFormer 大模型的 BEV+占用網絡感知算法，提升了環境建模的效率，成為目前主流車企下一代智能化的主要架構。通過這套感知架構能夠減少對于激光雷達等高成本傳感器的依賴，有效降低系統成本，減輕車企及消費者的負擔。海內外政策準備加速，有望明確海內外政策準備加速，有望明確 L3 級別自動駕駛責任劃分。級別自動駕駛責任劃分。近年來從國家部委到地方政府對高級別自動駕駛發布了

25、一系列政策和法規，從基礎建設、測試標準、數據安全、高精地圖、商業運營等方面進行完善。2023 年，美國內華達州和加州先后批準了奔馳 L3 級別自動駕駛功能的上路運行，對于責任進行了清晰的劃分，國內相關的政策法規也有望加速落地，明確 L3 級別自動駕駛功能的責任劃分。城市城市 NOA（約等于（約等于 L3 級級別自動駕駛）功能成為別自動駕駛）功能成為產業產業智能化主要發力方向智能化主要發力方向。2023 年是智能化新車上市密集窗口期，基于目前產業跟蹤，我們預計這波新車特征或是：1）符合 L3 智能化法規標準；2）城市自動駕駛（城市 NOA）落地使用；3）成本下行至 30 萬元以下，激光雷達不是必

26、要條件。車企進展初步排序：第一梯隊領先（特斯拉/小鵬汽車/華為合作伙伴），第二梯隊快速跟進（理想/蔚來/比亞迪/長城/吉利/長安/廣汽/上汽等）。2.AI 大模型加持，端到端感知方案實現降本增效大模型加持，端到端感知方案實現降本增效 2.1.CHAT GPT 橫空出世，橫空出世，AIGC 推動全新產業革命推動全新產業革命 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 8/31 2.1.1.AIGC 實現多模態輸入輸出，有望實現多模態輸入輸出，有望開創全新應用場景開創全新應用場景 CHAT GPT 為代表，為代表，AIGC 基于訓練

27、數據基于訓練數據生成各類內容。生成各類內容。AIGC（Generative AI，生成式 AI）是一種人工智能相關的技術，它可以使用訓練數據來生成新的內容，包括文本、圖像、音頻和視頻等。當下最為火熱的 CHAT GPT（chat Generative Pre-trained Transformer）就是 AIGC 的一種，作為基于大規模預訓練語言模型的對話系統，具備極強的自然語言處理能力，能夠應用到各類文字語言任務中。多模態輸入輸出技術逐步成熟，多模態輸入輸出技術逐步成熟，AIGC 有望開創更多應用場景。有望開創更多應用場景。隨著自然語言生成技術以及 AI 大模型的成熟，AIGC 逐步受到市場

28、的關注。因為 Prompt 以及 Diffusion 等技術對模型泛化能力以及多模態輸出能力的提升，目前已經能夠生成文字、圖片、音頻、代碼等多類型的內容，多模態大模型輸入輸出能力的逐步完善，有望使得其在除了文字領域之外開創更多新的應用場景。圖圖9：多模態大模型輸入多模態大模型輸入/輸出輸出 數據來源：CSDN，東吳證券研究所繪制 2.1.2.技術架構技術架構+參數規模持續迭代參數規模持續迭代，大模型表現能力不斷提升大模型表現能力不斷提升 大模型參數規模不斷增長，推動大模型參數規模不斷增長，推動 AIGC 技術升級。技術升級。AIGC 技術發展的背后是大模型（Foundation Models）

29、技術的持續迭代。從 2017 年 TransFormer 結構的提出，加速了深度學習模型的參數學習能力。從 ResNet 系列開始參數規模不斷增長，以 GPT（Generative Pre-trained Transformer）系列大模型為例：1）GPT1 參數量達到 1.17 億的規模，25 億的單詞量；2）GPT-2 參數量達到 15 億的規模，其中數據來自互聯網，使用了 800 萬在Reddit 被鏈接過的網頁數據，清洗后的語料數據約 40GB；3）GPT-3 參數規模達到 1750億；4）ChatGPT 參數量達到萬億級別。在參數量上，每一代均比前一代產品有了數量級的飛躍，同時也帶來

30、了模型性能的快速提升。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 9/31 圖圖10：深度學習模型參數量快速提升深度學習模型參數量快速提升/億億 數據來源：CSDN，東吳證券研究所繪制 參數量參數量破億破億，預訓練大模型效果預訓練大模型效果。大模型指的是具有非常大的參數數量的人工神經網絡模型，在深度學習領域，通常指具備數億到萬億參數的模型，這些模型通常需要在大規模的數據集上面進行訓練，并且需要使用大量的計算資源進行優化。2018 年 Google和 Open AI 先后推出的 BERT(Bidirectional Encoder

31、 Representations from Transformers)以及 GPT（Generative Pre-trained Transformer）模型都是突破億級別參數量的自然語言處理模型，具備非常好的數據處理效果，并且分別代表了“預訓練+微調”（Pre-Train+Fintung）和“預訓練+提示”（Pre-Train+Prompt）兩種技術路線。圖圖11：大模型發布時間軸大模型發布時間軸 數據來源：CSDN，東吳證券研究所繪制 在確立了以 TransFormer 為主要技術架構方向后，大模型的發展開始逐步進入加速階段，隨著模型參數量的增長，帶來的處理效果也不斷提升。2019 年年，

32、OpenAI 繼續推出 15 億參數的 GPT-2，能夠生成連貫的文本段落，做到ResNet50（Bottleneck）inception-v3ResNet101（Bottleneck）inception-v4transformerGPT1BERT_baseBERT_largeBERT_xlargeELMoGPT2albert_basealbert_largealbert_xlargealbert_xxlargeMegatron-LMGPT3electra_smallelectra_baseMicrosoft T-NLGGShardGLaMGopher011010010001000020142

33、0152016201720182019202020212022 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 10/31 初步的閱讀理解、機器翻譯等。緊接著，英偉達推出了 83 億參數的 Megatron-LM，谷歌推出了 110 億參數的 T5，微軟推出了 170 億參數的圖靈 Turing-NLG；2020 年年，OpenAI 推出了超大規模語言訓練模型 GPT-3，其參數達到了 1750 億，在兩年左右的時間實現了模型規模從億級到上千億級的突破，并能夠實現作詩、聊天、生成代碼等功能；2021 年年，谷歌推出的 Switch

34、Transformer 模型以高達 1.6 萬億的參數量成為史上首個萬億級語言模型；同年12月，谷歌還推出了1.2萬億參數的通用稀疏語言模型GLaM，在 7 項小樣本學習領域的性能超過 GPT-3；2022 年年，Stability AI 發布的文字 到圖像的創新模型 Diffusion，以及 OpenAI 推出的 ChatGPT，ChatGPT 是由效果比 GPT3 更強大的 GPT-3.5 系列模型提供支持。2.2.深度學習深度學習+強化學習強化學習，推動，推動大模型成為大模型成為 NLP 重要驅動力重要驅動力 2.2.1.憑借憑借歷史歷史數據提取特征，機器學習成為數據提取特征，機器學習成

35、為 AI 發展重要方向發展重要方向 模擬人類思維方式，模擬人類思維方式，AI 開發面向具體領域。開發面向具體領域。人工智能（Artificial Intelligence,AI）是一種能夠模擬人類智能和思維過程的技術，旨在開發能夠自主學習、推理、理解、規劃、感知和適應的智能系統。作為計算機科學的一個分支，它出現于 20 世紀 50 年代，初始時候的目標主要有兩個：1）通過在計算機上建模和模擬來研究人類智能；2）通過像人類一樣解決復雜問題從而使得計算機更加有用。因為 AI 系統的復雜性，研究人員階段性地放棄了通用 AI 的研發，轉而開始研究面向感知、推理、記憶、語言、運動等具體領域的 AI 模型

36、。AI 領域獨立學科，機器學習著力自行習得智能。領域獨立學科，機器學習著力自行習得智能。機器學習機器學習從從 20 世紀 80 年代開始，作為人工智能內部一個獨立的學科領域快速發展。它能幫助機器從現有的復雜歷史數據中學習規律（提取特征），以預測未來的行為結果和趨勢。機器學習的出現，使得人工智能的工作重心從人工賦予機器智能向機器自行習得智能方向轉變。對于機器學習本身，分為有監督學習、無監督學習、強化學習有監督學習、無監督學習、強化學習三大類型。它通過數據獲取、預處理、特征提取、特征選擇、推理、預測、識別這幾個步驟完成相應的工作。監督學習監督學習：給算法一個數據集，并且給定正確答案。機器通過數據來

37、學習正確答案的計算方法。無無監督學習：監督學習：給定的數據集沒有“正確答案”，所有的數據都是一樣的。無監督學習的任務是從給定的數據集中，挖掘出潛在的結構。強化學習：強化學習：由智能體（Agent）、環境（Environment）、狀態（State）、動作（Action）、獎勵（Reward）組成。智能體執行了某個動作后，環境將會轉換到一個新的狀態，對于該新的狀態環境會給出獎勵信號（正獎勵或者負獎勵）。隨后，智能體根據新的狀態和環 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 11/31 境反饋的獎勵，按照一定的策略執行新的動作。圖

38、圖12：機器學習實現流程機器學習實現流程 數據來源：CSDN，東吳證券研究所繪制 2.2.2.機器學習機器學習-深度學習，深度學習，神經網絡神經網絡+海量數據提升學習效率海量數據提升學習效率 免除特征工程工作，深度學習實現端到端解決方案。免除特征工程工作，深度學習實現端到端解決方案。深度學習（深度學習（Deep Learning）是機器學習中的一個分支，從 2006 年開始被提出之后，促使人工智能產業有了革命性的突破。與傳統機器學習相比，深度學習去掉了特征提?。ㄌ卣鞴こ蹋┎糠值墓ぷ?，著力于實現端到端的解決方案，讓算法自動完成特征工程的內容，此后進行模型訓練，開發者只需要關注參數優化便能夠獲取效

39、果比較好的模型。模擬人類神經元傳導，模擬人類神經元傳導，感知機成為神經網絡基礎單元感知機成為神經網絡基礎單元。深度學習的成型依賴于神經網絡技術的發展，神經網絡技術最初基于感知機的提出感知機是最古老的機器學習分類算法之一，在 1957 年就已經被提出了，感知機通過模擬人類神經元傳導的機制進行輸入輸出處理，通過 z=w*x+b 來劃分數據集，并且模擬人類神經元激活過程來決定最終輸出的內容。圖圖13：人工智能人工智能/機器學習機器學習/深度學習之間關系劃分深度學習之間關系劃分 圖圖14：感知機機制圖示感知機機制圖示 數據來源：CSDN，東吳證券研究所繪制 數據來源：CSDN，東吳證券研究所 請務必閱

40、讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 12/31 感知機層層嵌套，搭建深度神經網絡感知機層層嵌套，搭建深度神經網絡。深度神經網絡完成在感知機的基礎上，對神經網絡進行設計。一個標準的前饋神經網絡（FNN）至少由三層結構，輸入層、隱藏層輸入層、隱藏層和輸出層和輸出層來構成：1）輸入層輸入層，主要的作用是對特征矩陣進行輸入，每個神經元上都是一個特征向量；2）隱藏層隱藏層，主要作用是用于讓算法進行學習的網絡層級，數據在隱藏層中間逐層傳遞，本質是一個感知器嵌套的過程。隱藏層中上層的每個神經元，都與下層中的每個神經元相連，因此隱藏層的結構隨著

41、神經元的變多可以變得非常復雜；3）輸出）輸出層層，主要用于輸出分類、回歸等預測結果。圖圖15：標準前饋標準前饋神經網絡結構神經網絡結構 FNN 圖圖16：深度神經網絡架構深度神經網絡架構 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 多層神經網絡實現復雜函數逼近，深度多層神經網絡實現復雜函數逼近，深度模型模型實現實現“特征學習特征學習”功能功能。深度學習在標準FNN 前饋神經網絡上，參考人類的多層信息處理系統，通過更多層的神經網絡傳遞來構建更加抽象的特征表達。不同于普通前饋神經網絡對復雜函數的表示能力有限，深度學習可以通過多層神經網絡的疊加架構，實現復雜函數逼近，并展

42、現了強大的從大樣本中集中學習數據集本質特征的能力，最終利用“深度模型”這一手段來實現“特征學習”的目的。2.2.3.專注專注人類邏輯思維模式，人類邏輯思維模式，NLP 成為成為 AI 重要重要應用領域應用領域 人類邏輯以語言形式為主人類邏輯以語言形式為主，NLP 成為成為 AI 研究研究重要領域重要領域。因為通用 AI 系統的復雜性，研究人員的主要精力放在專用領域 AI 的開發上。人類的邏輯思維以語言為形式，絕大多數知識也是以語言的形式記載和流傳，因此 NLP（Natural Language Processing）自然語言處理自然語言處理，成為專用 AI 最為重要的研究領域。人類希望通過發展

43、 NLP 來進一步了解人類自身的語言能力和智能機制。同時，自然語言因為其歧義性、進化性、非規范性、主觀性、知識性等多方面的特點，給自然語言處理帶來了極大的挑戰。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 13/31 圖圖17：NLP 在人機交互過程中扮演重要角色在人機交互過程中扮演重要角色 圖圖18：NLP 主要功能及結構主要功能及結構 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所繪制 NLU 解決語言理解解決語言理解問題問題，NLG 解決語言生成解決語言生成問題問題。NLP 分為 NLU（自然語言理解

44、）和 NLG（自然語言生成）兩個部分。其中：1）NLU 是所有支持機器理解文本內容的方法模型或任務的總稱，包括分詞，詞性標注，句法分析，文本分類/聚類，信息抽取/自動摘要等任務，核心目的是準確識別用戶的意圖；2）NLG 是一種自動將結構化數據轉換為人類可讀文本的軟件過程，核心的目的是能夠實現大規模的產生個性化內容，幫助人類洞察數據，讓數據更容易理解，加速內容生產等。深度學習深度學習推動推動 NLP 發展。發展。隨著人工智能技術的發展，NLP 也經歷了三次迭代：1）基于規則的方法基于規則的方法：通過總結規律來判斷自然語言的意圖；2）基于統計的方法）基于統計的方法：對語言信息進行統計和分析，并從中

45、挖掘出語義特征；3）基于深度學習的方法基于深度學習的方法：代表方法有 CNN（卷積神經網絡）、RNN（循環神經網絡）、LSTM（長短期記憶網絡）、TransFormer 等。2.2.4.大規模無監督訓練大規模無監督訓練技術應用，推動技術應用，推動 LLM 成為成為 NLP 中重要構成中重要構成 早期深度學習模型受限于特征抽取器能力，任務效果不夠突出。早期深度學習模型受限于特征抽取器能力，任務效果不夠突出。在 2017 年之前，NLP 的核心技術主要是深度學習模型，通過大量的改進 LSTM 模型及少量的改進 CNN模型作為典型的特征抽取器，以 Sequence to Sequence+Atten

46、tion 作為各種具體任務典型的總體技術框架。在以上核心技術的加持下，NLP 的主要研究方向，就是如何有效的增加模型層深或者模型參數容量。但是，基于 CNN 和 LSTM 的特征抽取器，表達能力不夠強，不能在大數據中有效地吸收相關的知識，因此整體的任務效果并不突出。2017 年谷歌團隊發布論文TransFormer is all you need提出 TransFormer 結構，此后基于 TransFormer 結構的 LLM（Large Language Model）語言大模型 Bert/GPT 先后發布，使得 NLP 的特征抽取器逐步從 LSTM/CNN 統一到 Transformer

47、上。其中，Bert 通過“雙向語言模型預訓練+應用 Fine-tuning”模式，主要針對自然語言理解類任務；GPT通過“自回歸語言模型+Zero/Few Shot Prompt”模式，主要針對自然語言生成類任務。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 14/31 圖圖19：Bert 結構結構:主要針對自然語言理解類任務主要針對自然語言理解類任務 圖圖20：GPT 結構：主要針對自然語言生成類任務結構：主要針對自然語言生成類任務 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 TransFormer

48、模型強大的特征提取能力，Bert 和 GPT 相關模型不再通過大量的標注后數據來生成模型，而是通過大量的非標注數據（如維基百科），通過預訓練提取相關的數據特征屬性，這種學習方式是無監督的模型。在微調階段繼續使用預訓練好的模型參數，采用自身標注數據在此基礎上完成最后一步的監督學習。2.3.TransFormer 架構提升學習效率，架構提升學習效率，推動大數據預訓練成為可能推動大數據預訓練成為可能 2.3.1.CNN（卷積神經網絡）（卷積神經網絡）提取數據特征，適用靜態圖像識別提取數據特征，適用靜態圖像識別+分割分割 在深度學習早期發展的過程中，卷積神經網絡（Convolutional Neura

49、l Networks，簡稱 CNN）是推動深度學習能力發展的主要動力，特別是在圖像識別領域。CNN 的核心是通過合理的神經網絡結構來有效的降低神經網絡中的參數個數：1）卷積層卷積層中中每一個節點的輸入只是上層神經網絡的一小塊，通過卷積層會使得矩陣變的更深；2）池化層池化層不會改變矩陣的深度，但是可以縮小矩陣的大小，主要功能就是逐步減小表征空間的尺寸從而減小參數量和網絡中的計算復雜度；3）全連接層）全連接層通過連接所有輸出層的特征信息，并對這些信息進行匯總整理完成輸出。圖圖21：CNN 算法流程算法流程 數據來源：CSDN，東吳證券研究所 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責

50、聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 15/31 模擬人類感知過程，通過局部信息抽象特征。模擬人類感知過程，通過局部信息抽象特征。在傳統的圖像處理過程中，通過經典的神經網絡模型，需要讀取整幅圖像作為神經網絡的輸入（全連接的方式），當圖像尺寸越大，則連接的參數會變得很多，從而導致計算量非常大。CNN 的連接方式模擬人類對外界的感知，從局部向全局進行擴散，在圖像中局部范圍內的像素聯系較為緊密，而距離較遠的像素則相關性較弱，因此 CNN 的核心原理就是：對局部信息進行感知，抽象對局部信息進行感知，抽象出特征，并在更高層將局部的信息綜合起來得到全局信息，從而降低神經網絡中的參數出特征，

51、并在更高層將局部的信息綜合起來得到全局信息，從而降低神經網絡中的參數數目數目。圖圖22：經典神經網絡和經典神經網絡和 CNN 的區別的區別 圖圖23：CNN 特征提取特征提取+分類識別分類識別 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 基于 CNN 的基礎假設（人類的視覺總是關注視線內特征最為明顯的點），因此在機器學習的神經網絡應用中，它主要應用在圖像識別中較多。2.3.2.RNN（循環神經網絡）解決全局記憶，完成（循環神經網絡）解決全局記憶，完成 Seq2Seq 問題問題 增加時序關系，增加時序關系，賦予賦予 RNN 記憶能力。記憶能力。不同于 CNN 的架構，

52、循環神經網絡（Recurrent Neural Network，簡稱 RNN）指在全連接神經網絡的基礎上增加了對于前后時序上的關系，可以更加好的處理機器翻譯等與時序相關的問題。在傳統的神經網絡模型中，從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節點是無連接的，這種結構對于一些問題無能為力，比如預測下個單詞是什么，而而 RNN 的本質是：像人一樣的本質是：像人一樣擁有記憶的能力擁有記憶的能力。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 16/31 圖圖24：RNN 結構的結構的 N to N 網絡拓撲圖網絡拓撲圖

53、圖圖25：多種多種 RNN 結構結構 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 在 RNN 的循環結構中，每一步輸出的結果，會作為下一步的新的輸入，也就是上一個時刻的網絡狀態將會作用（影響）到下一個時刻的網絡狀態，表明 RNN 和序列數據密切相關，從而對于數據具備一定的記憶能力（雖然可能隨著序列增加導致前面部分特征不斷遺忘）。同時，對于 RNN 來說并不是每一個步驟都需要有輸出，這樣可以實現Sequence to Sequence 這樣的不對稱輸入和輸出關系，用來解決機器翻譯機器翻譯等問題。RNN 結構雖然具備記憶能力，但是因為自身結構的原因，每個時間序列中采用相

54、同的參數，對于序列中出現的所有信息都會嘗試記住，這樣導致不同重要性的信息具備同樣的權重值。在 RNN 的基礎上，LSTM（Long Short Term Memory）模型被提出，它的核心思想就是：設計一個記憶細胞，通過遺忘門、更新門、輸入門、輸出門等結構互相配合，可以選擇性的記憶重要信息，過濾掉噪音信息，減輕記憶負擔。圖圖26：簡單簡單 RNN 機制機制結構結構 圖圖27：LSTM 機制結構機制結構 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 2.3.3.TransFormer 并行計算加速學習效率，并行計算加速學習效率，成為重要特征提取器成為重要特征提取器 20

55、17 年 Google 實驗室發布論文Attention Is All You Need，基于 Encoder-Decoder架構，由 Attention 的機制來實現 TransFormer 模塊。相較于原來的 CNN/RNN 模型結構，解決了輸入和輸出的長期依賴問題，并且擁有并行計算的能力，大幅度減少了計算資源 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 17/31 的消耗，后續進一步提出的 Self-Attention 機制，讓源序列和目標序列做了“自關聯”，Muti-Head Attention 模塊使得 Encoder

56、 端具備并行計算能力。注意力機制給予不同權重，輸出結果參考輸入信息注意力機制給予不同權重，輸出結果參考輸入信息。傳統的 Encoder-Decoder 機制（用于實現 Seq to Seq 任務），所有的輸入最終匯聚成唯一的語義編碼 C，并且作為Decoder 的唯一輸入，這樣對于 Decoder 輸出時，所有的輸入貢獻度權重是一樣。在引入注意力（Attention）機制之后，對于不同的輸出會分配不同的語義編碼 C，對不同的輸出給予不同的輸入權重，從而讓系統從眾多的輸入信息中選擇出對當前任務目標更為關鍵的信息，將注意力放在上面。圖圖28：傳統傳統 Encoder-Decoder 結構結構 圖圖

57、29：引入引入 Attention 機制后的機制后的 Encoder-Decoder 結構結構 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 Attention 機制中，語義編碼 C 的權重計算取決于輸入 X 和輸出 Y 兩者所有的元素之間，但是自注意力機制（Self-Attention）的權重計算無關輸出相關元素，只是輸入相關元素之間的 Attention 機制。如下圖所示，通過計算輸入向量 a1-a4 之間的關聯程度，輸出向量 b1。在計算的過程中存在 QKV 三個重要的向量，其中 Q：Query，用來匹配其他輸入；K：Key，用來被其他輸入匹配；V：Value，

58、需要被提取的信息，通過 Q/K之間的點積計算可以得到不同元素之間的關聯度，然后再與 V 進行點積求和，能夠得到b1 基于各個輸入之間關聯程度的信息總和。圖圖30：Self-Attention 機制框圖機制框圖 圖圖31：Self-Attention 機制計算原理框圖機制計算原理框圖 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 18/31 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 對于 Self-Attention 來說，從輸入到輸出過程中，對于 Q/K/V 三個向量的生成可以看作 Wq/Wk/Wv三

59、個向量的點積。最終的輸出可以看作 Q/K/V 三個向量矩陣的點積結果，因此整個 Self-Attention 的計算過程可以通過并行矩陣計算進行實現，很大程度上提升了深度學習的計算效率。圖圖32：Self-Attention 機制矩陣計算流程圖機制矩陣計算流程圖 數據來源：CSDN，東吳證券研究所 自注意力機制在 Self-Attention 機制上進化出了（Multi-Head Self Attention）多頭注意力機制，通過這個結構（雙頭或者更多頭）可以提高注意力機制的空間分辨度，從更多的維度對數據特征進行提取，因此也在 TransFormer 模型結構中得到應用?；诙囝^注意力機制、E

60、ncoder-Decoder 等架構搭建的 TransFormer 模型，能夠很好的完成對于大量數據的特征提取和內容生成，相較于 RNN 網絡結構，它沒有時序上順序依賴，無需逐步遞歸才能獲取全局視野，同時并行計算的優勢也提升了系統的計算效率，因此取代了 CNN/RNN 成為 NLP 中最為重要的特征抽取器。圖圖33：Multi-Head 結構（結構（以以雙頭模型示例雙頭模型示例）圖圖34：TransFormer 模型結構模型結構 數據來源：CSDN，東吳證券研究所 數據來源：CSDN，東吳證券研究所 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所

61、 行業深度報告 19/31 2.3.4.預訓練大模型問世預訓練大模型問世，生成式技術路線成為主要趨勢生成式技術路線成為主要趨勢 基于 TransFormer 特征提取器，NLP 發展出兩類大參數預訓練（Pre-Trained）語言模型，BERT 和 GPT，其中 BERT(Bidirectional Encoder Representation from Transformers)的實質是采用 TransFormer 模型的 Encoder 結構，通過“填空題”的方式來完成預訓練，它的優點包括：1）預訓練模型，泛化能力較強；2）端到端模型，無需調整網絡結構；3）基于 TransFormer，可

62、以實現快速并行；4）雙向模型，可以結合上下文進行訓練。采用采用 Encoder 結構，通過掩碼進行結構，通過掩碼進行預預訓練訓練。Bert 模型在 2018 年由谷歌實驗室提出，在 11 項 NLP 任務中均取得 SOTA（state-of-the-art）結果，因此 Bert 以及預訓練模型獲得了廣泛的關注。Bert 采用的是 Encoder 層的結構，通過自編碼（Auto-Encoding）的方式，能夠同時獲取到上下文的信息，通過掩碼（Masked）來對模型進行預訓練，遮掩掉部分有效數據，訓練模型的預測能力，并且對訓練完成后的模型通過微調（Fine-Tunning）的方式來對最終的下游任務

63、進行適應。圖圖35：TransFormer 的的編碼器（編碼器（Encoder）部分部分 圖圖36：Bert 模型掩碼訓練過程模型掩碼訓練過程 數據來源：CSDN，東吳證券研究所繪制 數據來源：CSDN，東吳證券研究所繪制 谷歌官方為 Bert 發布了兩個版本，Bert_Base&Bert_Large。其中，Bert_Base：L=12，H=768，A=12，Total Parameters=110M；Bert_Large：L=24，H=1024，A=16，Total Parameters=340M。L 為神經網絡的層數即深度，H 代表輸出的維度，A 表示 Multi-Head Attenti

64、on 中 Head 的數量，兩者參數分別是 1.1 億和 3.4 億，屬于初代大模型范疇。除了 BERT 之外，OPEN AI 推出了 GPT（Generative Pre-Training）模型，它是基于單向的 TransFormer 的解碼器模型，GPT 模型中，輸入的序列首先被通過一個嵌入層轉換成向量表示，然后輸入到 Transformer 解碼器中，每個解碼器層都由多個注意力頭和前饋神經網絡組成，用于逐步生成下一個詞語的概率分布。最初的 GPT 模型，也是通過預訓練+微調的方式來解決下游任務。初代 GPT 具備 12 層神經網絡，每層具備 12 個Head，詞編碼長度為 768，模型參

65、數約為 1.17 億。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 20/31 圖圖37：TransFormer 結構的結構的 Decoder 部分部分 圖圖38：GPT 模型預訓練架構模型預訓練架構 數據來源：CSDN，東吳證券研究所繪制 數據來源：CSDN，東吳證券研究所繪制 2018 年剛剛推出的時候，GPT 的自然語言處理能力弱于 Bert，Bert 主要面對自然語言理解任務，然后完成自然語言生成任務，GPT 跳過自然語言理解任務，直接面向自然語言生成任務，但隨著大模型參數和數據的不斷增長，GPT 的技術路線開始“量變引起

66、質變”，GPT 所代表的生成式大模型逐步成為主流的技術路線。大模型的生成能力持續提升，結合前文提到的多模態的輸入和輸出能力，不僅僅在NLP 領域，大模型在圖像處理、語言處理、視頻處理等多個維度的應用在不斷的加強，也有望給整個汽車智能化趨勢進一步賦能。2.4.TransFormer+BEV，加速推動，加速推動 L3 智能駕駛落地智能駕駛落地 2.4.1.模塊化模塊化&端到端，智能駕駛兩大算法框架端到端，智能駕駛兩大算法框架 智能駕駛算法的框架主要有兩大類：1）模塊化智能駕駛算法方案；）模塊化智能駕駛算法方案；2）端到端的解）端到端的解決方案決方案。截至 2022 年，業界采用最多的自動駕駛架構還

67、是模塊化自動駕駛系統，它的優點是整個架構非常簡潔，通過感知層、決策規劃層和執行控制層三層來解決整個系統的感知、決策和執行工作。同時，每一層還可以細分成不同的模塊和子模塊，這樣對于每個模塊的輸出結果可以單獨進行監控。在自動駕駛開發過程中，不同的子模塊可以交由不同的團隊來并行開發，有效提升開發效率。但是缺點就是系統非常復雜和龐大，需要人工設計所有的模塊，并且受困于算力所限，無法對所有的子模塊都采用深度學習網絡進行升級。因此對于模塊化自動駕駛系統，可能用很少的精力就能夠解決大部分的自動駕駛場景，但是少部分的 Corner Case 會耗費大量的精力去進行一一的標準解決。請務必閱讀正文之后的免責聲明部

68、分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 21/31 圖圖39：自動駕駛解決方案自動駕駛解決方案 數據來源：CSDN，東吳證券研究所 另一種自動駕駛的系統方案是端到端（End to End），核心就是車輛把采集到的信息（圖像數據、點云數據等）直接送入統一的深度學習網絡，經過其處理之后直接輸出自動駕駛汽車的駕駛命令（方向盤轉角、方向盤轉速、車速等）。相較于模塊化的系統，它設計難度低+硬件成本小，易于獲得不同場景下的泛化性，但是是一個完全的黑盒，不具備解釋分析性，可靠性和靈活性較差，工程師無法對其進行系統化的解釋分析，從而難以保障系統的安全。2.4.2.借助借

69、助 TransFormer 模型，特斯拉感知系統全面升級模型，特斯拉感知系統全面升級 實時建圖實時建圖完成完成環境搭建，協助車輛進行決策。環境搭建，協助車輛進行決策。作為純視覺方案的代表企業，特斯拉為了更好的通過攝像頭來了解其所處環境，并且擺脫高精度地圖頻繁更新帶來的較高維護成本，希望通過實時建圖的方式來完成周圍環境的搭建，幫助車輛更好的進行決策。圖圖40：特斯拉特斯拉 BEV 算法向量空間的線和邊界算法向量空間的線和邊界 數據來源：特斯拉 AI Day，東吳證券研究所 在 2021 年 AI Day 上，特斯拉發布了 BEV（Birds Eye View）+TransFormer 算法，將攝

70、像頭的二維圖像空間（包含景深信息）通過 TransFormer 模型轉換成向量空間，使得多傳感器（攝像頭、毫米波雷達等）的信號輸入能夠轉換到統一的俯視角度進行處理。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 22/31 統一俯視視角共享圖像特征，提升算法開發效率。統一俯視視角共享圖像特征，提升算法開發效率。在這樣的一個統一的俯視視角下具備很多的優勢：1）解決多傳感器融合問題，方便下游任務共享圖像特征；2）在 BEV視角下沒有物體變形問題，使得模型集中精力解決分類問題；3）融合多個視角解決遮擋問題和物體重疊問題。同時，BEV 能夠

71、把傳統感知方案中 3D 目標檢測、障礙物實例分割、車道線分割、軌跡預測等多項任務在一個算法框架內實現，大幅的減少人力需求，提升算法開發效率，可以說在感知算法的層面實現了端到端的架構開發。圖圖41：BEV 架構模型圖例架構模型圖例 圖圖42：BEV 感知模型感知模型框架圖框架圖 數據來源：CSDN，東吳證券研究所 數據來源：特斯拉 AI Day，東吳證券研究所繪制 BEV（2D）-占用網絡（占用網絡（3D），全面提升感知效率。），全面提升感知效率。BEV 算法通過 TransFormer 實現了多傳感器二維空間特征往向量空間融合的過程，但是整個 BEV 鳥瞰圖是一個 2D 圖像，缺少高度信息，無

72、法真實的反映出物體在 3D 空間實際的占用體積是多少，即使識別也是通過矩形框進行標記，這種方式會導致細節的損失。為了解決上述問題，特斯拉在 2022 年 AI Day 上發布 Occupancy Networks(占用網絡)，它核心思想是把 3D 空間分為大小一致的 Gridcell，然后判斷每個 Cell 是否被占用，它是 BEV 網絡在高度方向進行了進一步的擴展。這種算法帶來幾個優點：1）實現了實現了 BEV 從從 2D-3D 的優化的優化；2）有效的解決了垂直高度上不同立方體的空間占用情況；有效的解決了垂直高度上不同立方體的空間占用情況；3）可以實時預測被遮擋物體的狀態；）可以實時預測被

73、遮擋物體的狀態；4）10ms 內可以完成計算，處理頻率很高；內可以完成計算，處理頻率很高；5）解決了目標檢測的長尾問題）解決了目標檢測的長尾問題，即使某些物體不存在于訓練集中，但是因為算法本身進行的是空間占用的檢測，不進行目標檢測，因此從根本上避免了這個問題。請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 23/31 圖圖43：矩形框識別矩形框識別 圖圖44：網絡占用算法網絡占用算法 數據來源：CSDN，東吳證券研究所 數據來源：特斯拉 AI Day，東吳證券研究所繪制 參考語言大模型架構，參考語言大模型架構，7500 萬參數萬參數

74、生成矢量地圖生成矢量地圖。特斯拉 FSD 算法在矢量地圖生成過程中也采用了 TransFormer Decoder 算法，把車道相關信息包括車道節點位置、屬性（起點，中間點，終點等）、分叉點、匯合點，以及車道樣條曲線幾何參數進行編碼，做成類似語言模型中單詞 token 的編碼，然后利用時序處理辦法進行處理，從而獲得車道線之間的拓撲連接關系，在這個基礎上進行行駛路徑規劃，整個矢量地圖生成過程中涉及到 7500 萬個參數。圖圖45：特斯拉神經網絡處理過程特斯拉神經網絡處理過程 圖圖46：地圖矢量規劃地圖矢量規劃 數據來源：特斯拉 AI Day，東吳證券研究所繪制 數據來源：特斯拉 AI Day，東

75、吳證券研究所繪制 3.海內外政策逐步完善，有望加速海內外政策逐步完善，有望加速實現突破實現突破 3.1.搶占自動駕駛“智高點”搶占自動駕駛“智高點”，各國加速相關法規政策布局，各國加速相關法規政策布局 汽車產業發達國家高度重視自動駕駛政策布局。汽車產業發達國家高度重視自動駕駛政策布局。自動駕駛技術處于科技應用和產業創新的最前沿，主要汽車制造大國如中國、美國、德國、日本和韓國等正在積極出臺法規政策以推進自動駕駛商業化部署。目前針對自動駕駛出臺的政策可分為四大類：一、一、優先開展城市智能網聯汽車道路測試優先開展城市智能網聯汽車道路測試，探索構建高級別智能駕駛車輛標準與規則，例如我國在部分城市地區建

76、立智能網聯汽車測試區與劃定測試道路；二、強調機動車強制安二、強調機動車強制安 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 24/31 全標準全標準，推動自動駕駛汽車結構性升級，例如美國調整車輛強制標準等措施，以安全防護能力為準則促進汽車安全性能提升；三、修訂道路交通法等法律修訂道路交通法等法律，明確高級別自動駕駛中的責任義務，例如德國、日本等修訂道路交通法等頂層法律，推動高級別自動駕駛的責任劃分與依法應用；四、開展小批量自動駕駛汽車認證四、開展小批量自動駕駛汽車認證，探索自動駕駛車輛注冊與銷售規則，例如歐盟允許成員國在特定區域特

77、定場景下開展無人駕駛車輛的注冊與銷售，推動相關法規與技術規范的創新。目前海內外高級別自動駕駛政策落地正在同步加速。目前海內外高級別自動駕駛政策落地正在同步加速。根據我們不完全的統計，僅2023 年我國就有超過 17 條以上直接面向高級別智能駕駛相關的政策法規發布，其中上海地區占據了絕對的數量優勢。工信部、經信委、交通委等部門紛紛出面牽頭制定相關的政策法規，自動駕駛政策體系不斷完善。2023 年 6 月，美國加州機動車管理局（DMV）批準了奔馳 L3 級別自動駕駛系統的上路行駛申請，今年 1 月，內華達州已經批準了相關的系統上路行駛申請。國內外監管部門共同發力，有望推動 L3 級別自動駕駛盡快落

78、地量產。表表1：國內外自動駕駛相關法律法規加速落地國內外自動駕駛相關法律法規加速落地 地點 時間 部門 法規或者政策 美國 2023/6/8 加州機動車管理局(DMV)批準奔馳 L3 級別自動駕駛系統上路行駛申請 美國 2023/1/8 內華達州監管部門 批準奔馳 L3 級別自動駕駛系統上路行駛申請 北京 2023/5/12 市自動駕駛辦公室 北京市智能網聯汽車政策先行區數據安全管理辦法(試行)成都 2023/5/8 成都經信局 關于推進成都市智能網聯汽車遠程駕駛測試與示范應用的實施意見(公開征求意見)全國 2023/5/5 工信部 汽車整車信息安全技術要求 智能網聯汽車自動駕駛數據記錄系統等

79、四項強制性國家標準的制修訂 杭州 2023/4/12 杭州政府辦公廳 關于印發杭州市智能網聯車輛測試與應用管理辦法的通知 上海 2023/3/31 上海通信管理局/交通委 支持高級別自動駕駛的 5G 車聯網網絡性能和建設驗收標準編制啟動 北京 2023/3/31 北京經信局 北京市智能網聯汽車高精度地圖試點工作指導意見 上海 2023/3/22 上海臨港地區管委會 中國（上海）自由貿易試驗區臨港新片區促進無駕駛人智能網聯汽車創新應用實施細則（試行）上海 2023/3/22 上海浦東新區 上海市浦東新區促進無駕駛人智能網聯汽車創新應用規定實施細則 上海 2023/3/21 上海嘉定區 建設世界智

80、能網聯汽車創新高地行動方案 浙江 2023/3/20 浙江德清縣人民政府 德清縣智能網聯車輛道路測試與示范應用管理實施細則(試行)山西 2023/3/9 山西陽泉市人民政府 陽泉市智能網聯汽車管理辦法(草案)(征求意見)深圳 2023/3/2 深圳保安區投資推廣署 培育發展智能網聯汽車產業集群實施方案 無錫 2023/2/8 無錫市人大 無錫市車聯網發展促進條例 上海 2023/2/7 上海經信委/交通委/公安局 上海市無駕駛（安全）員智能網聯汽車測試技術方案 上海 2023/2/1 上海市浦東新區 上海市浦東新區促進無駕駛人智能網聯汽車創新應用規定 上海 2023/1/29 上海經信委/交通

81、委/公安局 上海市智能網聯汽車高快速路測試與示范實施方案 上海 2023/1/1 上海經信委/交通委/公安局 上海市智能網聯汽車示范運營實施細則 數據來源：各官方部門，東吳證券研究所整理 3.2.國內：中央國內：中央+地方協同完善政策，道路測試地方協同完善政策，道路測試+數據安全并舉數據安全并舉 央地協力央地協力持續完善自動駕駛法律法規體系。持續完善自動駕駛法律法規體系。2021 年 7 月，工業和信息化部、公安 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 25/31 部、交通運輸部聯合發布智能網聯汽車道路測試與示范應用管理規范

82、(試行)允許在充分開展道路測試的基礎上開展載人載物示范應用；2022 年 9 月工信部發布的 國家車聯網產業標準體系建設指南（智能網聯汽車）（2022 年版）提出，到 2025 年要制修訂100 項以上智能網聯汽車相關標準。國家層面的大力推動得到地方政府的積極響應國家層面的大力推動得到地方政府的積極響應，2022年 8 月深圳發布國內首部關于智能網聯汽車管理的法規 深圳經濟特區智能網聯汽車管理條例，2023 年 3 月上海浦東實施全國首部“智能網聯”地方性法規上海市浦東新區促進無駕駛人智能網聯汽車創新應用規定實施細則，無錫、陽泉、德清、成都等地也積極出臺地方政策持續完善自動駕駛汽車監管體系，目

83、前全國已有 50 多個省市出臺智能網聯汽車測試規定。自動駕駛道路測試先行，加速推動商業化落地。自動駕駛道路測試先行，加速推動商業化落地。2021 年 4 月，北京市智能網聯汽車政策先行區總體實施方案 指出，北京將正式開放高速公路場景，開展自動駕駛測試，同年 10 月北京正式開放無人化測試場景，首批向百度、小馬智行兩家企業頒發無人化道路測試通知書，在經開區 20 平方公里范圍內、共 100 多公里城市道路上開展無人化測試。2022 年以來，上海、武漢、杭州等地陸續出臺法規對智能網聯車輛測試明確監管要求，截至 2023 年 5 月全國累計發放道路測試和示范應用牌照超過 2000 張，開放測試道路超

84、過 10000 公里，測試總里程超過 4000 萬公里。圖圖47：北京自動駕駛車輛道路測試成果北京自動駕駛車輛道路測試成果 數據來源：智能車聯，東吳證券研究所 測試規模的累積推動自動駕駛從測試示范邁入商業化探索。測試規模的累積推動自動駕駛從測試示范邁入商業化探索。北京、上海、廣州、深圳等 10 余個城市已經允許自動駕駛汽車在特定區域、特定時段從事出租汽車、城市公共汽（電）車等商業化試運營，且應用規模不斷擴大。國內國內自動駕駛數據合規趨嚴自動駕駛數據合規趨嚴。2022 年 8 月 30 日國家自然資源部關于促進智能網聯汽車發展維護測繪地理信息安全的通知 要求高精地圖的測繪和制圖僅能由國家頒發導航

85、電子地圖制作甲級測繪資質的企業合法操作。2023 年 5 月 12 日北京市高級別自動 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 26/31 駕駛示范區工作辦公室正式發布北京市智能網聯汽車政策先行區數據安全管理辦法（試行），這是全國首個自動駕駛示范區數據安全管理辦法，詳細梳理了重點數據類型的合規風險，要求在地理信息安全方面，嚴格把關相應資質、技術保護與境內范圍相應資質、技術保護與境內范圍等要求。2021 年 5 月特斯拉宣布在中國建立數據中心，實現數據存儲本地化，眾多跨國車企陸續在中國建立數據中心，數據本土化成大勢所趨。圖圖4

86、8：自動駕駛示范區數據安全管理自動駕駛示范區數據安全管理政策政策 圖圖49：導航電子地圖制作甲級測繪資質單位數量導航電子地圖制作甲級測繪資質單位數量 數據來源：新京報，東吳證券研究所繪制 數據來源：德勤中國，東吳證券研究所繪制 3.3.海外：海外：加快構建規范自動駕駛發展的政策法規框架加快構建規范自動駕駛發展的政策法規框架 美國強調機動車安全標準，美國強調機動車安全標準，加快調整監管政策加快調整監管政策。2021 年 6 月美國國家公路交通安全管理局（NHTSA）要求配備 L2 級別高級輔助駕駛系統(ADAS)或 L3-L5 級別自動駕駛系統（ADS）車輛的制造商和運營商，需要提交涉及車輛碰撞

87、事故的報告。2022 年 3月 NHTSA 出臺了首個針對無人駕駛車輛的乘客安全技術規定，強調自動駕駛車輛必須提供與人類駕駛傳統車輛同等水平的乘員保護能力。截至 2023 年 5 月，美國本土已有40 個州出臺了自動駕駛相關法規政策。2023 年 5 月，美國加州通過奔馳 L3 級別自動駕駛系統上路申請。圖圖50：美國各州自動駕駛法規政策情況美國各州自動駕駛法規政策情況 數據來源：NCSL，東吳證券研究所 05101520253035202020212022 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 27/31 歐盟立法歐盟立

88、法開展小批量無人駕駛車輛的型式認證開展小批量無人駕駛車輛的型式認證。2022 年 7 月歐盟強制普及新車輔助駕駛功能，法規要求汽車制造商在新認證車型上強制配備包括 6 項 ADAS 功能在內的 30 種安全功能。同年 8 月，歐盟發布自動駕駛車輛型式認證法規，系全球首個允許成員國批準注冊和銷售高級別自動駕駛車輛的技術法規，目前此法規只適用于歐盟范圍內小批量的車輛型式認證，大批量的車輛型式認證已納入歐盟委員會的工作計劃中，預計在 2024 年 7 月之前完成。德國英國加快完善自動駕駛頂層法律。德國英國加快完善自動駕駛頂層法律。2021 年 5 月德國正式通過全球首部自動駕駛法，為自動駕駛車輛上路

89、提供合規保障，自 2022 年開始德國允許具有高級別自動駕駛車輛在德國的公共道路上和指定區域內行駛。在自動駕駛法框架下，德國奔馳獲得德國聯邦汽車運輸管理局允許其銷售 L3 級自動駕駛汽車的許可，為奔馳自動駕駛技術全球推廣奠定基礎。2022 年 8 月，英國政府發布網聯和自動化出行 2025：英國實現自動駕駛汽車的收益，提出了政府在 2025 年之前促使自動駕駛車輛更廣泛地的普及，制定新的自動駕駛立法框架。報告還提出政府將向議會提出新立法，以明確在現行法律基礎上規定制造商需要對自動駕駛車輛的行為負責規定制造商需要對自動駕駛車輛的行為負責。日韓加速推動自動駕駛商業化落地。日韓加速推動自動駕駛商業化

90、落地。2019 年 5 月，日本通過新的道路交通法，允許 L3 級自動駕駛車輛上路；次年 10 月，日本警察廳公布的道路交通法修正案允許 L4 級別自動駕駛車輛上路，于 2023 年 4 月 1 日起正式實施。2022 年 9 月，韓國政府公布移動創新路線圖制定自動駕駛普及“三步走”計劃，即到年底成為繼日本和德國后，第三個允許 L3 級（有條件自動化）自動駕駛汽車上路的國家；到 2025 年實現L4 級（高度自動駕駛）自動駕駛巴士、擺渡車商業化；到 2027 年推出 L4 級乘用車。圖圖51：韓國自動駕駛普及“三步走”計劃韓國自動駕駛普及“三步走”計劃 數據來源：The Korea Times

91、，東吳證券研究所 持續更迭自動駕駛政策法規已經成為促進自動駕駛技術落地的重要舉措。持續更迭自動駕駛政策法規已經成為促進自動駕駛技術落地的重要舉措。國內有條件（L3 級別）自動駕駛技術商業化落地的主要難點在于相關責任定義的缺失，在實際操作中較難界定駕駛員和車企的責任。2021 年 3 月，公安部發布道路交通安全法(修訂建議稿)首次從法律上對自動駕駛汽車的道路測試、通行以及違法和事故責任分擔等進行了規定，盡管 2021 年 4 月道路交通安全法并未體現上述規定，但是修訂意見 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 28/31 稿

92、的發布已經體現了我國對推動自動駕駛實際落地采取的積極行動。目前我國中央+地方國內相關的政策法規逐步完善，明確 L3 級別自動駕駛功能的責任劃分，在限定工況下責任由提供自動駕駛功能的車企或者第三方供應商承擔。清晰的責任認定劃分能夠有效的區分車企在智能化維度的能力邊界，有望推動智能化行業進程。4.新技術方向確認，產品周期加速助推智能化新技術方向確認，產品周期加速助推智能化 純視覺方案具備成本優勢，多傳感器融合用于純視覺方案具備成本優勢，多傳感器融合用于長尾場景。長尾場景。在之前的智能化進程中，車企主要分為以特斯拉為代表的純視覺方案，和其它車企所采用的多傳感器融合方案，相較來說基于純視覺的方案在成本

93、維度具備更好的優勢，但是因為對于 Corner Case 或者長尾場景的擔心，使得絕大多數車企依然采用激光雷達+毫米波雷達+攝像頭方案來實現高級別自動駕駛功能。圖圖52：飛凡汽車搭載的激光雷達飛凡汽車搭載的激光雷達 圖圖53：理想理想 AD MAX 自動駕駛系統感知硬件自動駕駛系統感知硬件 數據來源：汽車之家，東吳證券研究所繪制 數據來源：汽車之家，東吳證券研究所繪制 全新架構全新架構 FSD 版本開始推送，改善多種自動駕駛場景版本開始推送，改善多種自動駕駛場景。特斯拉 FSD V11.4.1 版本在2023 年 5 月面向北美用戶開始推送。根據馬斯克的透露，這次的改動在架構上有了非常大的變化

94、，應該是采用了基于 BEV+TransFormer+Occupancy Network 的方案。感知能力在城市街道場景+36%、交叉場景+44%、合并場景+27%、轉彎場景+16%。圖圖54：特斯拉特斯拉 FSD Beta V11.3.6 版本版本 圖圖55：比亞迪多傳感器比亞迪多傳感器 BEV+TransFormer 架構架構 數據來源：汽車之家，東吳證券研究所繪制 數據來源：汽車之家，東吳證券研究所繪制 請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 29/31 特斯拉引領技術特斯拉引領技術方向方向，高級別自動駕駛方案有望實現降

95、本。高級別自動駕駛方案有望實現降本。特斯拉全新的自動駕駛架構一經推出，迅速獲得業界各家企業的認可，國內主流車企包括理想、小鵬、賽力斯、比亞迪等車企都紛紛采用 BEV+TransFormer 的方式對全新一代自動駕駛感知方案進行建模。理想汽車和賽力斯（華為 ADS 2.0）均采用了占用網絡的技術，在算法架構上全面向特斯拉看齊，雖然基于安全考慮，目前推出的城市 NOA 功能都搭配了激光雷達作為冗余感知配置，但隨著算法的成熟，有望降低對于激光雷達的依賴，大幅降低整套系統的成本，進一步推動高級別自動駕駛滲透率的提升。新一輪產品周期新一輪產品周期窗口窗口，城市城市 NOA 助推智能化功能加速助推智能化功

96、能加速。根據我們的統計數據，2023年 H2 以及 2024 年是車企智能化新車加速投放的窗口期，其中城市 NOA（類 L3 級別自動駕駛）功能成為區分車企智能化的關鍵能力，隨著政策法規的落地，有望加速推動汽車智能化行業的發展。表表2：車企車企最新高級別自動駕駛架構及進展最新高級別自動駕駛架構及進展 車企 功能 車型 上市 芯片 算力 攝像頭 激光雷達 毫米波 BEV 占用網絡 Trans Former 理想 城市 NOA L9 2023Q2 雙 Orin 508TOPS 11 1 1 長城汽車 城市 NOH 摩卡 DHT 2024H1 高通 360TOPS 12 2 5 /吉利汽車 無 極氪

97、 009 2022Q4 雙Mobileye EyeQ5H 48TOPS 14/1/比亞迪 城市 NOA 漢 2023Q3 征程 5 128TOPS 11/5 /小鵬汽車 城市 NGP 小鵬 G9 2023Q2 雙 Orin 508TOPS 12 2 5 長安汽車 城市領航 阿維塔 11 2023Q1 麒麟990A 400TOPS 13 3 6 /上汽智己 城市 NOA LS7 2023Q1 1 Orin 254TOPS 11 2 5 /廣汽埃安 無 Aion LX 2022Q1 華為昇騰 610 200TOPS 12 3 6/蔚來 高速領航NOP+ES8 2023Q2 4 Orin 1016T

98、ops 11 1 5 /賽力斯 城市 NCA M5 智駕 2023Q2 MDC610 200TOPS 11 1 3 數據來源：汽車之家，東吳證券研究所 5.投資建議投資建議 產業技術突破+政策持續推動，我們認為大模型加持下的 L3 甚至更高級別的自動駕駛量產落地到了關鍵的時間節點，有望加速實現從 0-1 的突破，并且隨著系統成本的下降，滲透率有望持續提升。本輪全球引領者或是TransFormer架構的架構的大模型大模型助推下助推下推出低成本推出低成本L3自動駕駛方自動駕駛方案案的的【特斯拉】特斯拉】，關鍵技術或是【TransFormer 架構的大模型架構的大模型+端到端的感知方案（端到端的感知

99、方案（BEV+占用網絡）占用網絡）】，代表性應用或是城市道路自動駕駛。區別于前 2 波，【政策法規】【政策法規】是 L3-L4落地的先行條件，對啟動本輪行情具有更深遠意義?；谀壳爱a業鏈梳理核心受益標的：1）整車優選具備智能化先發優勢【特斯拉特斯拉/小鵬汽車小鵬汽車/華為合作伙伴（賽力斯華為合作伙伴（賽力斯/江淮等）江淮等）】；2）高算力域控制器，推薦【德賽西威】【經緯恒潤】【德賽西威】【經緯恒潤】，關注【均勝電子】【科博達】【均勝電子】【科博達】；3）請務必閱讀正文之后的免責聲明部分請務必閱讀正文之后的免責聲明部分 東吳證券研究所東吳證券研究所 行業深度報告 30/31 冗余底盤執行單元，推

100、薦【伯特利】【拓普集團】【亞太股份】【耐世特】【伯特利】【拓普集團】【亞太股份】【耐世特】；4）AI 算法環節，推薦【中科創達】【中科創達】，關注【光庭信息】【光庭信息】；智能化檢測，推薦【中國汽研】【中國汽研】。6.風險提示風險提示 L3 級別自動駕駛政策推出節奏不級別自動駕駛政策推出節奏不及預期。及預期。L3 級別政策如果推出節奏不及預期，可能會影響智能化功能落地量產時間，導致整個板塊向前推進受阻。乘用車價格戰幅度超出預期。乘用車價格戰幅度超出預期。乘用車價格戰幅度超出預期可能導致成本壓力向供應鏈傳導，高級別自動駕駛相關滲透率提升不及預期。下游乘用車需求復蘇不及預期。下游乘用車需求復蘇不及

101、預期。下游乘用車需求不及預期，導致行業整體競爭加劇，降價減配可能成為乘用車車企主要競爭手段。免責及評級說明部分 免責聲明免責聲明 東吳證券股份有限公司經中國證券監督管理委員會批準，已具備證券投資咨詢業務資格。本研究報告僅供東吳證券股份有限公司（以下簡稱“本公司”）的客戶使用。本公司不會因接收人收到本報告而視其為客戶。在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議，本公司不對任何人因使用本報告中的內容所導致的損失負任何責任。在法律許可的情況下，東吳證券及其所屬關聯機構可能會持有報告中提到的公司所發行的證券并進行交易，還可能為這些公司提供投資銀行服務或其他服務。市場有風險，投

102、資需謹慎。本報告是基于本公司分析師認為可靠且已公開的信息，本公司力求但不保證這些信息的準確性和完整性，也不保證文中觀點或陳述不會發生任何變更，在不同時期，本公司可發出與本報告所載資料、意見及推測不一致的報告。本報告的版權歸本公司所有，未經書面許可，任何機構和個人不得以任何形式翻版、復制和發布。如引用、刊發、轉載，需征得東吳證券研究所同意，并注明出處為東吳證券研究所，且不得對本報告進行有悖原意的引用、刪節和修改。東吳證券投資評級標準：公司投資評級：買入：預期未來 6 個月個股漲跌幅相對大盤在 15%以上；增持：預期未來 6 個月個股漲跌幅相對大盤介于 5%與 15%之間；中性：預期未來 6 個月個股漲跌幅相對大盤介于-5%與 5%之間；減持：預期未來 6 個月個股漲跌幅相對大盤介于-15%與-5%之間；賣出：預期未來 6 個月個股漲跌幅相對大盤在-15%以下。行業投資評級：增持：預期未來 6 個月內，行業指數相對強于大盤 5%以上；中性：預期未來 6 個月內，行業指數相對大盤-5%與 5%；減持：預期未來 6 個月內，行業指數相對弱于大盤 5%以上。東吳證券研究所 蘇州工業園區星陽街?5 號 郵政編碼：215021 傳真：（0512）62938527