《電子行業AI系列報告：AI大模型加速落地汽車智能化迅速發展-230627（30頁）.pdf》由會員分享，可在線閱讀，更多相關《電子行業AI系列報告：AI大模型加速落地汽車智能化迅速發展-230627（30頁）.pdf（30頁珍藏版）》請在三個皮匠報告上搜索。

1、 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。電子行業 行業研究|深度報告 報告起因報告起因 近日，工信部副部長表態：工信部將啟動智能網聯汽車準入和上路通行試點，組織開展城市級“車路云一體化”示范應用，支持有條件的自動駕駛。L3 級及更高級別的自動駕駛功能商業化應用有望加速。媒體報道，特斯拉 Dojo“超級計算機”即將投產，汽車公司開啟算力角逐。核心觀點核心觀點 AI 技術提升汽車智能化：技術提升汽車智能化：汽車智能化主要體現在自動駕駛和智能座艙兩方面，AI 技術的發展持續提升汽車的智能化能力。據工

2、信部等數據，22年L2級輔助駕駛滲透率34%，30 年 L3 自動駕駛滲透率將達 70%。AI 是自動駕駛模塊化系統和端到端系統的關鍵：主流的模塊化自動駕駛系統可分為感知、決策和執行三層，AI 算法是其中感知層和決策層的核心，而在端到端系統中，輸入數據到輸出控制僅通過一個 AI 大模型實現。AI 大模型技術的發展，讓自動駕駛技術可以通過提升感知能力來去除對高精地圖的依賴。多種多種 AI 大模型將應用在智能汽車：大模型將應用在智能汽車：AI 大模型在智能汽車的應用，需滿足海量數據、模型、強大算力的三重要求，BEV、認知、NLP 語言等 AI 大模型技術有望助推汽車智能化登上新高度。NLP 大模型

3、實現人車的更友好交互，推動座艙智能化進程；CV大模型助力數據標注、仿真和感知等；多模態 AI 大模型為城市場景輔助駕駛乃至高等級自動駕駛的規模量產拉開帷幕，同時也有望用于智能座艙中的人機交互，融合語音、視覺、手勢等多種交互方式，滿足用戶在不同場景下的不同使用習慣。AI 大模型帶來感知層、決策層和人車交互的變化：大模型帶來感知層、決策層和人車交互的變化：在自動駕駛感知層，大模型推動傳感硬件的復雜度和精度提升，也有望降低自動駕駛傳感器硬件成本，加速自動駕駛普及。在自動駕駛決策層，AI 認知大模型上線，基于學習的決策規劃算法走向主流。在人車交互領域，通用型 NLP 模型以車載語音助手或集成化車機操作

4、系統的形式搭載在智能座艙，主要功能包括對話式交互、邏輯推理、策略規劃和知識問答。AI 大模型在自動駕駛領域的應用將催生海量計算和數據傳輸需求，云端和車端算力硬件行業有望受益；感知大模型的應用帶動傳感器硬件需求，車載攝像頭、4D 毫米波雷達、高線束固態激光雷達是關鍵傳感器部件；同時，多模態大模型和 NLP 大模型將推升智能座艙的發展，相關公司也有望從中受益。建議關注韋爾股份、舜宇光學科技、晶晨股份、裕太微、北京君正、滬電股份、富瀚微、龍迅股份、思特威-W、聯創電子、徠木股份、?？低?、大華股份、東山精密。風險提示風險提示 技術研發進度不及預期、法規風險、行業競爭加劇。投資建議與投資標的 核心觀點

5、 國家/地區 中國 行業 電子行業 報告發布日期 2023 年 06 月 27 日 證券分析師 蒯劍 021-63325888*8514 執業證書編號：S0860514050005 香港證監會牌照：BPT856 證券分析師 李庭旭 執業證書編號：S0860522090002 聯系人 韓瀟銳 聯系人 楊宇軒 聯系人 薛宏偉 聯系人 張釋文 繼續看好 AI 主線 2023-06-23 創新、復蘇與國產化的共振：電子行業2023 年中期策略報告 2023-06-18 Vision Pro 樹行業標桿，有望開啟 XR 行業“iPhone 時刻”2023-06-08 AI 大模型加速落地，汽車智能化迅速

6、發展-AI 系列報告 看好（維持）電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。2 目 錄 一、AI 技術提升汽車智能化.4 1.1 國標促進自動駕駛逐步落地，座艙智能化程度持續提升.4 1.2 AI 是自動駕駛模塊化系統和端到端系統的關鍵.5 1.3 AI 大模型在自動駕駛領域應用前景廣闊.7 二、多種 AI 大模型將應用在智能汽車.8 2.1 AI 大模型在智能汽車的應用，需滿足數據、模型、算力的三重要求.8 2.2 NLP 大模型助力人車

7、交互，加速座艙智能化.11 2.3 CV 大模型助力數據標注、仿真和感知.11 2.4 多模態大模型逐步在自動駕駛和智能座艙中應用.13 三、AI 大模型帶來感知層、決策層和人車交互的變化.16 3.1 自動駕駛感知層：大模型提升傳感硬件的復雜度和精度.16 3.2 自動駕駛決策層：基于學習的決策規劃算法走向主流，AI 認知大模型上線.21 3.3 人車交互領域：語言大模型落地在即.22 四、投資建議.24 4.1 韋爾股份：車載 CIS 積累深厚，汽車電子領域收入增長迅速.24 4.2 舜宇光學科技：車載鏡頭行業龍頭地位穩固，激光雷達等新產品加大研發投入.24 4.3 晶晨股份：智能座艙芯片

8、.25 4.4 其他公司.25 五、風險提示.27 4UfWrVoWMBmWgVqMnQ7NcM8OnPrRmOsRjMoOpRfQpNvNbRqRpPwMqRsRvPmMxO 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。3 圖表目錄 圖 1：2023 年內已上市和預計上市的搭載 AI 大模型的自動駕駛汽車.4 圖 2：國標汽車駕駛自動化分級分級標準.4 圖 3：座艙智能化程度持續提升.5 圖 4：主流模塊化自動駕駛系統的組成.6 圖 5：端

9、到端自動駕駛系統與主流模塊化方案對比.6 圖 6：AI 大模型在自動駕駛系統中的應用.7 圖 7：不同自動駕駛系統架構.7 圖 8：自動駕駛公司的 AI 大模型訓練模式.8 圖 9：各廠商的自動駕駛智算中心建設情況.9 圖 10：百度 Apollo Cloud2.0 智能云服務架構.10 圖 11：基于大模型的 toB 自動駕駛云產品.10 圖 12：AI 大模型在智能汽車的應用.10 圖 13：大模型賦能的商湯絕影智能車艙.11 圖 14：特斯拉 Auto-labeling 自動標注系統.12 圖 15：場景仿真關鍵要素.12 圖 16：特斯拉純視覺方案的環境感知系統架構.14 圖 17：多

10、模態傳感深度融合架構.14 圖 18：多模態端到端感知模型.15 圖 19：多模態大模型將在智能座艙發揮更大作用.15 圖 20：不同車載傳感器的性能比較.17 圖 21：主流自動駕駛廠商的傳感器和大模型方案.17 圖 22：傳感器融合算法.18 圖 23：國內主流自動駕駛車企已宣布開發和量產的大模型感知架構.19 圖 24：特斯拉 HW3.0 系統攝像頭分布圖.19 圖 25：Mobileye 計劃 2025 年在側向感知中使用毫米波雷達代替激光雷達.20 圖 26：百度 Apollo 自動駕駛系統的規劃算法架構.21 圖 27：強化學習算法基本架構.21 圖 28：DriveGPT 訓練過

11、程和基本效果.22 圖 29：DriveGPT 模型架構.22 圖 30：NLP 大模型在智能汽車領域的應用.22 圖 31：NLP 大模型應用的主要時間節點.23 圖 32：韋爾股份的車載攝像頭系列產品.24 圖 33：舜宇汽車鏡頭份額持續提升.25 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。4 1）近日，工信部副部長辛國斌在國務院新聞辦公室舉辦的關于促進新能源汽車產業高質量發展的國務院政策例行吹風會表態：工信部將啟動智能網聯汽車準入和上

12、路通行試點，組織開展城市級“車路云一體化”示范應用，支持有條件的自動駕駛。L3 級及更高級別的自動駕駛功能商業化應用有望加速。AI 大模型技術的發展，讓自動駕駛技術可以通過提升感知能力來去除對高精地圖的依賴。2）媒體報道，特斯拉 Dojo“超級計算機”即將投產，汽車公司開啟算力角逐。一、一、AI 技術提升汽車智能化技術提升汽車智能化 汽車智能化主要體現在自動駕駛和智能座艙兩方面，AI 技術的發展持續提升汽車的智能化能力，BEV、認知、NLP 語言等 AI 大模型技術有望助推汽車智能化登上新高度。2023 年上半年，已有多家廠商基于 BEV 大模型的自動輔助導航駕駛 NOA 系統量產；2023

13、年 6月發布的新摩卡 DHT-PHEV 將搭載認知大模型；2023 年內，2 款搭載 NLP 語言大模型的新車型將要上市。圖1：2023 年內已上市和預計上市的搭載 AI 大模型的自動駕駛汽車 上市時間上市時間 車型號車型號 搭載模型搭載模型 模型開發者模型開發者 2023.5.31 吉利銀河 L7 吉利-百度文心 NLP 大模型 百度、吉利合作 2023Q4 問界 M9 盤古 NLP 大模型 華為 2023Q3 集度 ROBO-01 BEV 感知模型 百度 2023.6.1 新摩卡 DHT-PHEV DriveGPT 認知模型、BEV 感知模型 毫末智行 2023.1.6 廣汽埃安 aion

14、 lx plus BEV 環視通用感知算法 商湯 2023.6（OTA 推送）蔚 來ES7、EC7、2022-2023款ET7、2022款ET5等 BEV 感知模型 蔚來 2023.3（OTA 推送）小鵬 G9 等 BEV 感知模型 小鵬 數據來源：各公司官網，東方證券研究所整理 1.1 國標促進自動駕駛逐步落地，座艙智能化程度持續提升 隨著人工智能技術的不斷進步和成本的降低，自動駕駛技術有望不斷成熟和普及。國標汽車駕駛自動化分級（GB/T 40429-2021）于 2022 年 3 月正式實施。國標參考美國 SAE 標準基礎，0-5 級基本對應 SAE 標準 L0-L5；值得注意的是，國標將

15、 0-2 級自動駕駛規定為如遇到事件影響由駕駛員及系統協作完成，并非 SAE 標準中的全部讓駕駛員來完成。圖 2：國標汽車駕駛自動化分級分級標準 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。5 數據來源：工業與信息化部、東方證券研究所 根據工信部、中國工業經濟聯合會、中國汽車工程學會等機構數據，2022 年 2 級（L2 級）輔助駕駛滲透率達 34%，其中燃油車滲透率為 32%，新能源汽車滲透率為 46%。目前全球和中國汽車市場 3+級（L3

16、+級）高等級自動駕駛技術的滲透率仍處于極低水平。在中國汽車工程學會牽頭組織編制的節能與新能源汽車技術路線圖 2.0中，明確提到到 2025年，PA（部分自動駕駛）、CA（有條件自動駕駛）級智能網聯汽車市場份額超過 50%，HA（高度自動駕駛）級智能網聯汽車實現限定區域和特定場景商業化應用。到 2030年，PA、CA級智能網聯汽車市場份額超過 70%，HA 級智能網聯汽車市場份額達到 20%，并在高速公路廣泛應用、在部分城市道路規?；瘧?。相似的，中國工業經濟聯合會會長李毅中預測，2030 年 L3 自動駕駛滲透率將達 70%。此外，汽車的智能化也體現在座艙的持續升級，已從傳統座艙的機械儀表盤、

17、車載收音機等，發展到具有生物識別、駕駛員健康的智能助理座艙，并將實現使用場景豐富的信息、娛樂等多功能融合的第三生活空間。圖 3：座艙智能化程度持續提升 數據來源：羅蘭貝格，東方證券研究所 1.2 AI 是自動駕駛模塊化系統和端到端系統的關鍵 AI 是自動駕駛系統感知和決策模塊的關鍵。主流自動駕駛系統為模塊化系統，可分為感知、決策和執行三層，AI 是其中感知層和決策層的核心內容。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。6 圖 4：主流模塊化

18、自動駕駛系統的組成 數據來源：東方證券研究所繪制 感知層中，傳感器算法是關鍵，多傳感器融合算法可分為數據級融合、特征級融合和決策級融合三種，決策級融合是最廣應用的技術方案。特斯拉的矢量地圖建模和自動車道標注算法是其自動駕駛算法的重要內容，為實現車道軌跡規劃提供支持。決策規劃算法可進一步分為全局路徑規劃層、行為決策層和運動規劃層。全局規劃算法，包括基于物理模型、基于意圖分類、基于深度學習等主要類別；行為決策算法，包括基于規則、基于學習、融合規則和學習等主要類別；運動規劃算法，包括基于策略規則、基于最優控制、基于機器學習等主要類別。行為預警式運動規劃將決策規劃過程升級為交互式過程，引入人機共駕、車

19、路協同以及車輛對外部動態環境的風險預估，有助于提高自動駕駛車輛行駛安全性。圖 5：端到端自動駕駛系統與主流模塊化方案對比 數據來源：上海人工智能實驗室、東方證券研究所 端到端自動駕駛系統成為研究熱門，對端到端自動駕駛系統成為研究熱門，對 AI 大模型需求更甚。大模型需求更甚。端到端系統中感知決策一體化，較傳統模塊化設計性能有望更佳，同時可更有效處理復雜路況和多交通要素交互情況。2023 年 5 月，特斯拉 CEO 馬斯克在推特表示，特斯拉計劃在其全自動駕駛（FSD）Beta v12 版本中使用全新感感知知層決決策策層執行行層傳感感器器數數據據標注注雷達攝像頭感感知知算算法法傳感器算法導航算法車

20、聯網系統決決策策規劃劃路徑規劃行動規劃行為預測認知知理理解解車輛狀況環境理解車輛定位電子子制制動電子子驅動電子子轉向向傳感感器器感感知知決決策策規劃劃控控制制傳感感器器端端到到端端網網絡軌跡跡規劃劃控控制制執行行器器執行行器器傳統自自動駕駛方方案案端端到到端端自自動駕駛方方案案 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。7 的端到端人工智能，通過單個神經網絡編碼，僅利用特斯拉汽車上的攝像頭輸入，來輸出轉向、加速、制動等駕駛行為，模型可通過學

21、習人類輸入的駕駛行為來不斷改進。復雜性和安全性隱憂存在，端到端系統尚未落地。在端到端系統中，輸入數據到輸出控制僅通過一個 AI 大模型實現。一方面，多模態、大量傳感輸入數據和嚴苛的輸出精度和速度要求，對車載硬件算力和車端、云端協同要求較高；另一方面黑箱模型很難進行系統化的解釋分析，只能依靠推測和實驗調整，在出現問題時難以快速定位對癥，在模型更新時也易出現倒退。因此，端到端自動駕駛系統目前還未成為主流。1.3 AI 大模型在自動駕駛領域應用前景廣闊 AI 大模型在大模型在 NLP、CV方向發展方向發展迅迅速，在自動駕駛領域感知、決策等模塊具有廣闊應用前景。速，在自動駕駛領域感知、決策等模塊具有廣

22、闊應用前景。CV大模型主要用于感知層算法，可用于數據自動標注、傳感器算法和場景仿真；NLP 大模型主要可應用于車機系統和智能座艙，實現更高智能的人車交互；而多模態大模型一方面可應用于多傳感器數據融合的感知算法，提高感知精度和安全性；另一方面，多模態大模型是端到端、決控集成、感知決策一體化等新自動駕駛架構實現的主要解決方案。海量數據驅動的多模態 AI 大模型將成為集成化自動駕駛設計實現的關鍵。圖 6：AI 大模型在自動駕駛系統中的應用 圖 7：不同自動駕駛系統架構 數據來源：東方證券研究所整理 數據來源：IEEEITSC 2021，上海人工智能實驗室，東方證券研究所整理 AI 大模型大模型有望加

23、速有望加速 L0-L2 級輔助駕駛向級輔助駕駛向 L3+高等級自動駕駛的發展過程。高等級自動駕駛的發展過程。高等級自動駕駛對精度和復雜度要求更高，需要高精度的環境感知和場景重建。要突破極端路況/天氣等長尾場景的應用，實車數據和測試數據必須有更充分的積累。一方面，面對環境感知數據量和復雜度的增加，數據標注和仿真方法必須進步；另一方面，為了減少感知過程中原始數據的信息損失從而提高感知精度，數據驅動的多傳感器數據融合 AI 大模型將更受重視。感感知知層決決策策層執行行層傳感感器器數數據據標注注雷達攝像頭感感知知算算法法傳感器算法導航算法車聯網系統決決策策規劃劃路徑規劃行動規劃行為預測認知知理理解解車

24、輛狀況環境理解車輛定位電子子制制動電子子驅動電子子轉向向感感知知決決策策一一體體決決策策控控制制集集成成端端到到端端感感知知層執行行層模模塊化化架架構構（主流架構）端端到到端端架架構構決決控控集集成成架架構構感感知知決決策策一一體體化化架架構構 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。8 高等級自動駕駛在認知決策需更智能化、人性化。高等級自動駕駛在認知決策需更智能化、人性化。傳統決策規劃方法將從傳統的基于規則，向數據驅動、基于學習的決策智

25、能方向發展，Transformer+RL 架構已展示出面對更大數據集、更復雜、更大型環境中的應用優勢。長期來看，端到端自動駕駛系統落地有望。端到端系統需基于單一模型實現輸入數據處理到決策控制的全過程，Transformer 架構的 AI 大模型可滿足需求。二、二、多種多種 AI 大模型大模型將將應用在應用在智能汽車智能汽車 2.1 AI 大模型在智能汽車的應用，需滿足數據、模型、算力的三重要求 海量訓練數據是海量訓練數據是 AI 大模型的應用前提大模型的應用前提。自動駕駛龍頭企業的實際里程數據積累占據大模型應用先機。2020 年 4 月，特斯拉 Autopilot 智能駕駛系統里程數就已超過

26、48 億公里；百度 Apollo 自動駕駛也已積累超 5000 萬公里測試里程；2023 年 4 月，毫末智行發布的 DriveGRT 認知模型使用了超過 4000 萬公里真實里程進行訓練；小鵬汽車的智能輔助駕駛行駛里程截至 2022 年 8 月超過1.74 億公里，高速智能導航輔助駕駛（NGP）累計行駛里程超過 2450 萬公里。AI 大模型應用為時尚短，自動駕駛領域模型架構仍在探索中大模型應用為時尚短，自動駕駛領域模型架構仍在探索中。目前 AI 大模型主要應用于自然語言處理（NLP）和計算機視覺（CV）領域，以 Transformer 架構為主。Transformer 架構較卷積神經網絡（

27、CNN）在大規模數據的學習中表現更好,也有少量 CNN 架構的大模型處于科研進程中。目前，ChatGPT、DriveGPT 等大模型均采用 Transformer 架構+監督學習（SL）預訓練+人類反饋強化學習（RLHF）的模式。自動駕駛 AI 大模型的算力建設主要可分為以下 3 種模式：自建智算中心，獨立訓練大模型。自建智算中心，獨立訓練大模型。特斯拉等自動駕駛廠商已自建云端計算中心，用于自動駕駛模型訓練和數據標注。部分環節合作。部分環節合作。百度、騰訊、火山引擎（字節子公司）等互聯網科技公司均推出 toB 全流程智能汽車云服務，為主機廠提供數據中心用于模型訓練。解決方案合作。解決方案合作。

28、百度文心、商湯日日新等大模型體系均開放了與車企的行業應用合作渠道，針對汽車行業應用場景進行模型調優。如吉利汽車與百度文心合作吉利-百度文心 NLP 大模型，2023年 5 月 31 日，首款搭載車型吉利銀河 L7 已經上市。圖 8：自動駕駛公司的 AI 大模型訓練模式 模式模式 自研自建為主自研自建為主 部分環節合作部分環節合作 解決方案合作解決方案合作 模式特征 全棧自研算法、自建云平臺及應用，僅外采部分云計算和云存儲服務 自研核心算法，在云平臺及關鍵業務環節的應用服務上與供應商展開合作 外采包括算法、云資源、應用服務在內的全棧解決方案 優勢 有利于打造產品及服務的差異化亮點，構建競爭優勢

29、掌握全流程算法與技術能力，利于實現多元融合 掌握智駕核心，利用合作伙伴技術反哺自身能力建設 有效降低研發成本，加快產品從研發到上市的周期 快速實現智駕產品落地，搶占智能化發展先機 直接搭載完整解決方案，無需承擔技術開發風險 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。9 合作內容 采購云存儲資源（主要針對圖形數據）及附帶的圖形檢索能力 外采云存儲和計算資源，及自動駕駛研發平臺服務（數據標注、訓練模型和仿真平臺等）全棧自動駕駛解決方案 合作方式

30、 主機廠獲得云服務商的戰略及其體系內企業提供的云服務 針對每一項云服務需求展開供應商競標 主機廠負責需求的定義，云廠商按需提供“全家桶”式解決方案 數據來源：安永、東方證券研究所 AI 大模型訓練過程算力要求高，智算中心成為關鍵。大模型訓練過程算力要求高，智算中心成為關鍵。自動駕駛領域 AI 大模型訓練數據規模在億公里級多模態傳感數據，參數可高達幾百到幾千億，預訓練階段算力要求非常高。特斯拉、吉利、小鵬、毫末智行等主要自動駕駛廠商采用不同模式建設云端計算中心用于模型訓練。圖 9：各廠商的自動駕駛智算中心建設情況 公司公司 智算中心智算中心 發布時間發布時間 運算能力運算能力（PFLOPS）功能

31、功能 特斯拉 自建 Dojo 智算中心 2021.8 1800 自動駕駛模型訓練，自動標注 理想 與火山引擎合作建設山西智算中心 2023.6 47 以上 FP32 蔚來 與阿里合建合肥蔚來云智算中心 自動駕駛、電池云服務 小鵬 阿里云扶搖智算中心 2022.8 600 自動駕駛模型訓練 毫末智行 雪湖綠洲智算中心 2023.1 670 自動駕駛大模型訓練 吉利 星睿智算中心 2023.1 810 智能網聯、智能駕駛、新能源安全、試制實驗等 廣汽 與騰訊合建廣汽智能網聯云平臺 商湯 商湯 AIDC 2022.1 3740+1170（規劃中）自動駕駛，自動標注 百度 昆侖芯（鹽城）智算中心 20

32、22.9 200 為自動駕駛全鏈路開發提供支持服 陽泉智算中心 2022.12 4000 大搜索，人工智能，智能駕駛等 注：各廠商未公布算力的精度，相互不具有可比性。數據來源：各公司官網，佐思汽研，東方證券研究所 科技巨頭科技巨頭可為自動駕駛可為自動駕駛主機廠主機廠提供算力支持和提供算力支持和 AI 大模型開發大模型開發服務。服務。百度、華為、騰訊、阿里等科技巨頭，具有較強的 AI 模型開發能力和充足的 AI 算力，可作為云計算服務商和云開發平臺為主機廠的 AI 大模型開發提供服務。相較主機廠投建智算中心和獨立 AI 模型開發平臺的方式，其成本和技術難度大幅降低，也為小型新創主機廠和傳統汽車廠

33、提供了快速入局自動駕駛領域和追趕頭部自動駕駛廠商的機會。據 IDC 數據，2022 年百度 Apollo 自動駕駛云平臺和華為分別占據34.4%、29.7%的中國自動駕駛開放平臺市場規模，行業集中度較高；2022 年中國自動駕駛平臺市場規模達到 5.89 億元，增速達 106%，預計 AI 大模型應用推廣帶來算力需求進一步增長，IDC預計 2023 年將達 7.9 億元。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。10 圖 10：百度 Apo

34、llo Cloud2.0 智能云服務架構 數據來源：百度 Apollo、東方證券研究所 合作并裝載互聯網企業合作并裝載互聯網企業已已開發的開發的 BEV 感知模型感知模型，可成為新入局主機廠的較優，可成為新入局主機廠的較優選擇。選擇。AI 感知決策大模型均需海量數據驅動，已宣布實現 BEV 感知模型落地的國內廠商包括百度 Apollo、小鵬汽車、華為、毫末智行、商湯等，均為已實現高速輔助駕駛量產并積累大量智能駕駛數據的主流自動駕駛主機廠或互聯網企業?？紤]到數據收集、標注和模型訓練的復雜性，與百度、華為、商湯等互聯網企業合作，搭載其已開發的 BEV 感知模型可大大降低主機廠入局自動駕駛的成本。圖

35、 11：基于大模型的 toB 自動駕駛云產品 服務商服務商 大模型體系大模型體系 toB 自動駕駛云產品自動駕駛云產品 百度 文心大模型 Apollo Cloud 2.0 商湯 日日新 SenseNova 商湯絕影智能汽車平臺 騰訊 混元大模型 騰訊智能汽車云平臺 數據來源：各公司官網，東方證券研究所 NLP 大模型實現人車的更友好交互，推動座艙智能化進程；CV 大模型助力數據標注、仿真和感知等；多模態 AI 大模型為城市場景輔助駕駛乃至高等級自動駕駛的規模量產拉開帷幕，同時也有望用于智能座艙中的人機交互，融合語音、視覺、手勢等多種交互方式，滿足用戶在不同場景下的不同使用習慣。圖 12：AI

36、大模型在智能汽車的應用 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。11 數據來源：第七屆世界智能大會-智能網聯汽車高質量發展論壇，東方證券研究所 2.2 NLP 大模型助力人車交互，加速座艙智能化 NLP 大模型的應用可實現語言交互、擬人表達和決策建議。大模型的應用可實現語言交互、擬人表達和決策建議。NLP 大模型可突破性解決傳統人車交互場景中對話風格固化、智能性差的問題，根據高工智能汽車研究院數據，2022 年中國智能座艙前裝搭載率為 3

37、9.89%，其中搭載了語音交互功能的智能座艙占比已達到 76.76%。NLP 大模型的落地和普及，預期將帶來智能座艙的技術革新。NLP 大模型提升操作系統交互性和功能豐富度。大模型提升操作系統交互性和功能豐富度。邏輯推理、策略規劃和知識問答等功能使車載操作系統功能全面升級；可實現自然對話式交互，使語音交互成為車載系統主要操作模式之一，帶動操作系統架構的重新優化調整。2023年3月，百度發布文心NLP大模型，其智能語音交互功能已搭載到Apollo智能座艙系統上；2023 年 5 月，科大訊飛發布訊飛星火認知大模型，宣布“大模型+智能座艙”為其四大行業應用之一；商湯也提出了基于大模型體系的絕影智能

38、車艙產品。圖 13：大模型賦能的商湯絕影智能車艙 數據來源：商湯科技、東方證券研究所 2.3 CV 大模型助力數據標注、仿真和感知 人人車語言言交交互互N N L LP P大大模模型型C CV V大大模模型型多多模模態/跨跨模模態大大模模型型B BE EV V+T Tr ra an ns sf fo or rm m e er r感感知知大大模模型型自自動數數據據標注注仿仿真真（場景景重重建建）感感知知決決策策一一體體化化端端到到端端多多模模態模模型型視覺-語言言跨跨模模態模模型型語音音-語音音跨跨模模態模模型型認知知大大模模型型 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分

39、析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。12 數據標注數據標注方面方面，大模型預標注，大模型預標注+車載小模型學習微調的方式具有應用潛力。車載小模型學習微調的方式具有應用潛力。數據標注從人工標注轉為 AI 主導人工輔助，一方面大模型知識完備性好，精度高，泛化能力強；另一方面，自動駕駛數據積累和標注復雜度提高使數據標注工作量快速增加，AI 大模型的應用有助于加速數據標注并大幅降低數據生產成本。特斯拉從 2018 年以來不斷發展自動標注技術，從 2D 人工標注轉為 4D空間自動標注，特斯拉人工標注團隊規模

40、不斷縮小，2021 年超過 1000 人，2022 年裁員超過 200人。小鵬汽車和毫末智行也相繼采用自動標注工具，毫末智行表示，獲取車道線、交通參與者和紅綠燈信息，人工標注成本約每張圖 5 元，而毫末 DriveGPT 的成本僅 0.5 元。圖 14：特斯拉 Auto-labeling 自動標注系統 數據來源：特斯拉、東方證券研究所 場景構建是能力仿真系統的核心之一，生成式場景構建是能力仿真系統的核心之一，生成式 AI較傳統建模渲染生成場景庫速度大大提升。較傳統建模渲染生成場景庫速度大大提升。仿真通過構建虛擬交通場景測試和驗證自動駕駛系統，可在一定程度上取代實車路測，從而降低自動駕駛系統開發

41、測試成本?；谟邢薜穆凡蓴祿悄芑纱罅繄鼍笆欠抡娴年P鍵，數據驅動的 AI視覺仿真對自動駕駛系統開發落地具有重要價值。圖 15：場景仿真關鍵要素 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。13 數據來源：曼孚科技、東方證券研究所 人工智能生成內容（人工智能生成內容（AIGC）技術在仿真、數據標注、座艙交互等系統的部署日益廣泛。）技術在仿真、數據標注、座艙交互等系統的部署日益廣泛。在仿真方面，AIGC 技術可大量合成虛擬場景以用于模型訓練和

42、測試，從而提高自動駕駛技術精度和可靠性；在數據標注方面，AIGC 技術可自動標注真實世界圖像數據以用于訓練 AI 模型；在座艙交互方面，AIGC 技術可讓車機系統與人的交互更自然，提高駕乘體驗?；诨?BEV+Transformer 架構的感知算法應用帶來傳感器架構改變，大模型的本地化部署對車載架構的感知算法應用帶來傳感器架構改變，大模型的本地化部署對車載算力硬件提出要求。算力硬件提出要求。一方面，基于 AI 大模型的感知算法，使激光雷達傳感器的重要性下降，在主流的多雷達+多攝像頭的傳感器架構之外，提出了純視覺傳感方案，基于多個攝像頭即可基本滿足復雜場景環境感知的需求。另一方面，大模型的本地

43、化部署對邊緣算力、數據傳輸帶寬和速度都提出了新的要求，車載芯片需進行相應升級。2.4 多模態大模型逐步在自動駕駛和智能座艙中應用 多模態大模型和純視覺大模型是感知算法的兩個方向。多模態大模型和純視覺大模型是感知算法的兩個方向。數據驅動的感知算法快速發展，在是否使用雷達數據方面存在技術分歧。目前主流自動駕駛車企的傳感器系統可分為純視覺傳感器和多模態傳感器兩類，純視覺系統以特斯拉 FSD 系統為代表，以多個攝像頭作為傳感器，以視覺圖像訓練 CV 大模型；多模態系統同時采集攝像頭和高精度雷達的多模態數據并進行融合，以訓練多模態大模型。兩種傳感器系統在傳感器數據融合算法上存在架構差異，但都使用 Tra

44、nsformer 模型進行訓練。純視覺大模型優勢在于硬件成本低，圖像數據信息量高，模型訓練優化較快。特斯拉CEO馬斯克認為，視覺具有更高的精度，隨著視覺處理能力的提高，攝像頭性能將會遠遠甩開雷達。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。14 圖 16：特斯拉純視覺方案的環境感知系統架構 數據來源：特斯拉、東方證券研究所 多模態模型優勢在于可充分發揮不同傳感器性能特點，全場景適用性更強，安全性好。多模態模型優勢在于可充分發揮不同傳感器性能特

45、點，全場景適用性更強，安全性好。攝像頭、雷達等設備具有不同的數據形式和數據量，以往受算力和模型限制，不同類型數據多使用感知后融合方案，不同傳感器感知結果可能出現沖突，影響系統穩定性，故被認為不如純視覺方案穩定。受益于算力的進步和多模態大模型的開發與應用，基于多模態模型的融合感知技術受到國內外自動駕駛廠商的廣泛關注與研究。圖 17：多模態傳感深度融合架構 數據來源：焉知新能源汽車，東方證券研究所 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。15

46、 多模態 AI 大模型可通過單模型實現感知、決策、控制等自動駕駛過程，有望成為高等級自動駕駛汽車的主要操作系統。圖 18：多模態端到端感知模型 數據來源：佐思汽研，東方證券研究所 此外，多模態大模型也有望用于智能座艙中的人機交互，融合語音、視覺、手勢等多種交互方式，滿足用戶在不同場景下的不同使用習慣。長安、集度、吉利、嵐圖、紅旗、長城、東風日產、零跑等多家車企已經宣布將接入文心一言。長安逸達成為首搭文心一言的車型，將通過軟件升級的形式搭載到新車上。華為在 5 月宣布 AITO 問界 M9 將搭載 AI 大模型，小藝智慧助手將具有更好的車載 AI 體驗。訊飛“星火認知”大模型也有汽車領域相關的產

47、品，可以實現車內跨業務、跨場景人車自由交流。圖 19：多模態大模型將在智能座艙發揮更大作用 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。16 數據來源：佐思汽研、東方證券研究所 三、三、AI 大模型大模型帶來感知層、決策層和人車交互的帶來感知層、決策層和人車交互的變變化化 3.1 自動駕駛感知層：大模型提升傳感硬件的復雜度和精度 大模型的應用有望降低自動駕駛傳感器硬件成本，加速自動駕駛普及。自動駕駛傳感器主要包括攝像頭、超聲波雷達、毫米波雷達

48、、激光雷達、自動駕駛傳感器主要包括攝像頭、超聲波雷達、毫米波雷達、激光雷達、GPS 等。等。超聲波雷達在0.1-3 米間精度較高，但易受天氣和車速影響，主要應用于智能泊車功能；攝像頭是實現眾多預警、識別類高級輔助駕駛功能的基礎；毫米波雷達使用波長為 1-10 mm 的電磁波，具有較強的穿透性，可全天候工作，不受極端天氣和夜晚影響，測距可達 200 m，但是分辨率有限，無法清晰辨別較小的物體。激光雷達精度高（角/速度/距離分辨率），響應速度快，最遠的探測距離高達500米，但目前成本高，且抗干擾能力弱。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其

49、他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。17 圖 20：不同車載傳感器的性能比較 傳感器傳感器 攝像頭攝像頭 超聲波雷達超聲波雷達 毫米波雷達毫米波雷達 激光雷達激光雷達 成本成本 中等 很低 中等 高 探測距離探測距離 250m 內 0.1-3m 200m 內 500m 內 探測角度探測角度 30-150 120 10-70 15-360 夜間工作能力夜間工作能力 弱 強 強 強 極端天氣工作能力極端天氣工作能力 弱 弱 強，僅大雨稍有影響 弱，濃霧、大雨、煙塵、大氣湍流影響大 溫度穩定性溫度穩定性 強 弱 強 強 受車速影響受車

50、速影響 中等 大 小 小 車速測量能力車速測量能力 弱 中等 強 強 路標識別能力路標識別能力 無 有 無 無 車道識別能力車道識別能力 中等 無 無 強 數據來源：電子技術應用，電子工程專輯，東方證券研究所整理 目前，傳感器路線尚無定論，主流自動駕駛廠商主要采取三種：純視覺方案純視覺方案：以特斯拉為代表。使用多顆攝像頭為傳感器，采用 Transformer+BEV 算法或Occupancy 算法，成本較低，更接近人類駕駛；但較易受環境和天氣影響，需要路外數據補充缺乏的長尾場景。視覺視覺+毫米波雷達方案毫米波雷達方案：毫米波雷達的全天候識別能力可提升自動駕駛系統在極端天氣和幽暗環境下的安全性。

51、值得注意的是，根據太平洋汽車等平臺，特斯拉最新自動駕駛系統 HW 4.0 可能在車頭重新搭載了 1 顆前向 4D 毫米波雷達。視覺視覺+毫米波雷達毫米波雷達+激光雷達方案激光雷達方案：是短期內實現高等級自動駕駛的關鍵。根據小鵬汽車、哪吒汽車、智目科技、辰韜資本等公司發言人在第十屆全球新能源汽車大會（GNEV11）上的討論，短期內（1-3 年）激光雷達對自動駕駛都是必要的，可以加快推出自動駕駛系統的時間，并提高安全性。大模型的應用有望降低自動駕駛傳感器硬件成本，降低自動駕駛普及門檻。大模型的應用有望降低自動駕駛傳感器硬件成本，降低自動駕駛普及門檻。根據毫末智行分析，自動駕駛 1.0 時期為硬件主

52、導，通過增加硬件投入增強感知能力；2.0 時期為軟件驅動，基于規則的小模型逐漸應用到自動駕駛系統；而數據驅動的 3.0 時代已經開啟，通過數據驅動算法模型快速迭代，可減少對傳感器硬件數量的依賴。例如華為 2023年 4 月發布的最新自動駕駛 ADS2.0 系統，較 ADS1.0 激光雷達減少 2 個，毫米波雷達減少 3 個，攝像頭數量減少 2 個，但依靠Transformer+BEV 算法的提升，自動駕駛功能增強，新增了城區車道巡航輔助增強和哨兵模式。多模態大模型提升自動駕駛安全性。多模態大模型提升自動駕駛安全性。盡管純視覺方案具有成本優勢，激光雷達可為視覺方案提供感知冗余。弗洛斯特沙利文認為

53、，在未來幾年內隨著雷達硬件成本下降和多模態大模型的發展，視覺+毫米波雷達+激光雷達方案憑借安全冗余的優勢仍將在 L2+高等級自動駕駛中受到廣泛選擇。圖 21：主流自動駕駛廠商的傳感器和大模型方案 公司公司 最新傳感器方案最新傳感器方案 大模型方案大模型方案 毫末智行毫末智行 攝像頭+毫米波雷達+激光雷達 多模態互監督大模型 小鵬小鵬 攝像頭+毫米波雷達+激光雷達 CV 大模型到多模態大模型 特斯拉特斯拉 純視覺（HW3.0），攝像頭+毫米波傳感器（HW4.0）CV 大模型 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明

54、之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。18 理想理想 攝像頭+毫米波雷達+激光雷達（AD Max）、純視覺（AD Pro）多模態大模型、CV 大模型 蔚來蔚來 攝像頭+毫米波雷達+激光雷達 多模態大模型 集度集度 視覺、雙激光雷達的雙獨立系統 CV 大模型、雙激光雷達融合感知模型 AITO 攝像頭+毫米波雷達+激光雷達 多模態大模型 數據來源：人工駕駛之心，太平洋汽車，東方證券研究所整理 AI 算法復雜度和精度提升，主流傳感器算法從決策級融合算法逐漸向特征級融合算法過渡。算法復雜度和精度提升，主流傳感器算法從決策級融合算法逐漸向特征級融合算法過渡。決策級融

55、合算法是將各傳感器數據分別進行特征提取并進行識別，最后融合感知信息以備決策。決策級融合算法對不同傳感器分別建立識別模型，其算法復雜度低、算力要求小，且便于進行不同傳感器組合，是目前自動駕駛車企采取的主流方案；但是該方法精度有限，在城市道路等復雜場景下適用性較差。特征級融合算法是在多傳感器特征提取的基礎上進行特征融合并識別，較決策級融合信息丟失更少，精度更高，同時所需算力有所提高但仍低于數據級融合算法。圖 22：傳感器融合算法 數據來源：云創智學，東方證券研究所 Transformer大模型的應用使數據驅動的感知算法快速發展。大模型的應用使數據驅動的感知算法快速發展。特斯拉FSD系統目前采用純視

56、覺傳感器，將多個攝像頭獲取的 2D 圖像在 Occupancy 網絡進行特征融合，再使用 Transformer 模型進行訓練；毫末智行將攝像頭+雷達多模態傳感數據進行前融合，并使用 Transformer 模型訓練；小鵬汽車亦采用多攝像頭數據 BEV 空間+Transformers 融合方案。在感知領域，現有自動駕駛廠商憑借實車數據積累占據大模型先機。在感知領域，現有自動駕駛廠商憑借實車數據積累占據大模型先機。主流廠商在城市領航輔助駕駛（NOA）中采用 BEV 算法，特斯拉率先應用的 BEV+Transformer 感知大模型基于攝像頭硬件+CV 大模型，可實現“重感知、輕地圖”乃至徹底“脫

57、圖”。多家國內主流自動駕駛車企已宣布開發和量產基于 BEV+Transformer 模型的感知架構。百度于 2022 年 11 月推出 ANP3.0 系統，預計將于 2023 年內實現量產，率先搭載該模型的集度 ROBO-01 車型預期于 2023Q3 交付；小鵬汽車宣布在中國率先量產了基于 BEV+Transformer 模型的 XNET 架構，自 3 月開始城市 NGP 將在廣深滬多城市多車型加速落地；23年下半年，基于 XNET深度學習算法的 XNGP將徹底脫高精地圖；華為 ADS 2.0 架構已于 4 月落地，預計 Q2 將無圖商用高階智能駕駛方案推廣到全國 15 城，Q4 推廣到 4

58、5 城；毫末智行于 2023 年 4 月宣布 DriveGPT認知大模型系統將首先搭載在 6 月正式上市的新摩卡 DHT-PHEV；商湯于 2023 年 4 月宣布 BEV 環視通用感知算法已進入實車量產階N個數據源融合特征提取識別N個數據源特征提取融合識別N個數據源特征提取識別融合數數據據級融融合合高算力，高精度特特征征級融融合合適中，漸成主流決決策策級融融合合低算力，低精度 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。19 段，其中廣汽埃

59、安 aion lx plus 車型已于 2023 年 1 月上市；蔚來于 2023 年 5 月發布 Banyan2.0.0系統，正式實行 BEV 模型量產上車，將于 6 月 OTA 升級多款 2022、2023 款車型；地平線等廠商也紛紛宣布將在 2023 年內實現 BEV+Transformer 模型架構的落地。理想汽車將在很快向北京和上海的內測用戶交付不依賴高精地圖的城市 NOA 功能，使用自研的類似 BEV 的神經先驗 NPN網絡（Neural Prior Net），也在紅綠燈信號識別、通行規劃控制等方面引入大模型算法。理想也將在下半年開放通勤 NOA 功能，可以在 1-2 周內完成上班

60、通勤路線的激活。圖 23：國內主流自動駕駛車企已宣布開發和量產的大模型感知架構 公司公司 應用大模型的感知架構應用大模型的感知架構 備注備注 百度 ANP3.0 2023 年內量產 商湯 BEV 環視通用感知算法 2023 年 4 月宣布實車量產 小鵬 XNET 架構 2023 年 3 月起落地，H2 將脫高精地圖 毫末智行 HPilot3.0、DriveGPT 含動態環境大模型、多模態互監督大模型，2023 年 6月起落地 理想 類似 BEV 的神經先驗 NPN 網絡 2023 年底落地 蔚來 Banyan2.0.0 2023 年 5 月發布，6 月起量產上車 華為 ADS 2.0 2023

61、 年 4 月落地，Q2 將推廣到全國 15 城，Q4 推廣到 45 城 小馬智行 未公開 2023 年 1 月量產 元戎啟行 DeepRoute-Driver3.0 2023 年 3 月 22 日發布 地平線 未公開 2023 年推出 數據來源：36kr、虎嗅、東方證券研究所整理 數據驅動的大模型落地推動傳感器硬件發展數據驅動的大模型落地推動傳感器硬件發展。攝像頭分辨率提升有助于感知模型精度提高，但同時也會帶來計算量的增加，提升算力和傳輸帶寬需求。特斯拉HW3.0系統使用8顆分辨率為1.2M（1280 x960）攝像頭，總算力約為 144TOPS；據媒體報道，HW4.0 系統將使用 12 顆分

62、辨率為5.4M（2896x1876）攝像頭，總算力約為 500TOPS。國內理想 one,蔚來 ET7，小鵬 SUVG9，極氪 001 等自動駕駛高端車型紛紛實裝 8M 攝像頭，以達到更高的感知精度和更遠的感知距離。圖 24：特斯拉 HW3.0 系統攝像頭分布圖 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。20 數據來源：特斯拉、東方證券研究所 4D 毫米波雷達落地，毫米波雷達有望迭代。毫米波雷達落地，毫米波雷達有望迭代。4D 毫米波雷達在傳

63、統毫米波雷達的距離、方位、速度三個維度基礎上增加了高度，從而具有更高分辨率和一定成像能力，有望取代3D毫米波雷達。據高工智能汽車研究院預計，2023年中國乘用車市場前裝 4D毫米波雷達將突破百萬顆，到 2025年 4D 成像雷達占全部前向毫米波雷達的比重有望超過 40%。4D 毫米波雷達可與純視覺方案結合，提高感知精度；也可部分替代激光雷達，應用于側向感知或低等級自動駕駛的前向感知中，提供兼具成本和精度的硬件解決方案。例如英特爾子公司 Mobileye 計劃 2025 年在側向感知中使用毫米波雷達代替激光雷達。圖 25：Mobileye 計劃 2025 年在側向感知中使用毫米波雷達代替激光雷達

64、 數據來源：虎嗅智庫，東方證券研究所 高線束激光雷達在角分辨率和點云數量上較高線束激光雷達在角分辨率和點云數量上較 4D 毫米波雷達仍具有優勢。毫米波雷達仍具有優勢。高線束（32 線以上）激光雷達通過對周圍環境掃描能夠形成 3D 圖像模型，可在橫向 120視場范圍生成百萬/秒的點云量，滿足高級別自動駕駛的感知需求；而 4D 毫米波雷達雖具有一定成像能力，但目前生成點云僅可達到十萬/秒的數量級，角分辨率也遜于激光雷達。對于感知大模型來說，數據量至關重要，因此，短期內對于多模態感知模型，高線束激光雷達仍無法完全被毫米波雷達取代。激光雷達技術從機械式向全固態升級，降本有望。激光雷達技術從機械式向全固

65、態升級，降本有望。MEMS、FLASH 激光雷達已逐步走向市場，有望降低激光雷達成本并提高穩定性，從而為激光雷達在自動駕駛領域的應用創造更廣闊空間。超聲波雷達成本低廉，超聲波雷達成本低廉，但但工作距離很近，特斯拉、毫末智行等公司已采用視覺方案代替超聲波雷工作距離很近，特斯拉、毫末智行等公司已采用視覺方案代替超聲波雷達。達。超聲波雷達主要應用于泊車輔助系統，進行低速高精度下的距離測量，基于視覺的Occupancy 網絡+Transformer 模型有望替代超聲波雷達實現該功能。但對于 L0-L2 低級別輔助駕駛車輛，裝載超聲波雷達仍是更具成本性和安全性的選擇。綜合來講，視覺方案和視覺+激光雷達融

66、合感知方案均可使用 AI 大模型以提高感知精度，但兩者對硬件有著不同的需求：純視覺方案中，攝像頭分辨率和成像質量要求高，已有12M、15M車載攝像頭處于研發狀態；4D毫米波雷達可作為視覺方案的輔助，提供前向和側向感知，提高感知精度和安全性。視覺+激光雷達融合感知方案中，攝像頭參數要求亦逐步提高，4D 毫米波雷達可部分取代激光雷達應用于側向感知，激光雷達仍作為前向感知的關鍵傳感器，車載激光雷達將從機械式向全固態升級。激光雷達4D毫米波雷達激光雷達4D毫米波雷達 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請

67、與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。21 兩種技術路線均需要多個攝像頭進行視覺傳感，兩者后續發展的關鍵在于：多模態大模型較純視覺模型的發展速度，激光雷達的降本趨勢等。3.2 自動駕駛決策層：基于學習的決策規劃算法走向主流，AI認知大模型上線 相較于傳統基于規則的決策規劃算法，基于學習的決策算法具有更強的靈活性和智能性。相較于傳統基于規則的決策規劃算法，基于學習的決策算法具有更強的靈活性和智能性?；趯W習的決策算法，即通過對環境樣本進行自主學習，由數據驅動建立行為規則庫，利用不同的學習方法與網絡結構，根據不同的環境信息直接進行行為匹配。進一步的，基于學習的決策算法可分為

68、數據驅動型學習方法和強化學習方法。數據驅動型學習依靠自然駕駛數據直接擬合神經網絡模型，以達到自動駕駛行為的高決策水平。其需要海量訓練數據，數據收集成本和耗時高，難以超越駕駛員水平。強化學習方法尚處摸索階段，有望進一步提高車機行為決策智能水平。強化學習方法讓智能體作為行為決策主體，以試錯方式進行環境交互，并基于每一步行動后的環境反饋調整智能體行為。通過試錯式學習，智能體能夠在動態環境中自己做出一系列行為決策，達到優異的自動駕駛能力。圖 26：百度 Apollo 自動駕駛系統的規劃算法架構 圖 27：強化學習算法基本架構 數據來源：百度技術培訓中心、東方證券研究所 數據來源：2022 年北京智源大

69、會自動駕駛論壇、東方證券研究所 認知決策認知決策AI大模型已開始落地。大模型已開始落地。23年4月11日，毫末智行發布了自動駕駛大模型毫末DriveGPT雪湖海若，相關車型新摩卡 DHT-PHEV 于 6 月 1 日正式上市，毫末 DriveGPT 參數規模 1200億，預訓練階段引入 4000 萬公里量產車駕駛數據，優化階段采用人類反饋強化學習（RLHF）技術引入 5 萬段人工精選的困難場景接管 Clips 數據。DriveGPT 定義 50 萬個新的 tokens，包括障礙物、車道線、行人等，作為一種全新的“自動駕駛語言”。其輸入是感知融合后的文本序列，輸出是自動駕駛場景文本序列。模型目標

70、為實現端到端駕駛，希望實現四大應用能力，包括智能駕駛、駕駛場景識別、駕駛行為驗證、困難場景脫困。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。22 圖 28：DriveGPT 訓練過程和基本效果 圖 29：DriveGPT 模型架構 數據來源：毫末智行，東方證券研究所 數據來源：毫末智行，東方證券研究所 百度于 2022 年 11 月發布了預測決策多任務大模型和離線智能仿真系統研究進展；商湯于 2023年 4月發布的日日新大模型體系中所包括的感

71、知決策一體化大模型；理想 CEO在致員工的內部信中提出2023年底落地端到端城市輔助駕駛，預計屆時有可能實裝包括認知決策能力的端到端、多模態 AI 大模型。3.3 人車交互領域：語言大模型落地在即 NLP 語言語言大模型主要將應用于智能座艙的語音交互系統。大模型主要將應用于智能座艙的語音交互系統。通用型 NLP 模型以車載語音助手或集成化車機操作系統的形式搭載在智能座艙，主要功能包括對話式交互、邏輯推理、策略規劃和知識問答。圖 30：NLP 大模型在智能汽車領域的應用 公司公司 大模型體系大模型體系 NLPNLP 大模型大模型 發布時間發布時間 汽車應用汽車應用 車載形式車載形式 推出時間推出

72、時間 百度 文心 文心 NLP 2023.3 小度車載語音 SDK 2023.4 吉利 文心 吉利-百度文心 2023.1 吉利銀河系列智能座艙 2023.5 首款搭載車型吉利銀河 L7 上市 商湯 日日新SenseNova 商量 SenseChat 2023.4 商湯絕影智能車艙 尚未量產 科大訊飛 無 星火認知大模型 2023.5 訊飛智能座艙 尚未量產 中科創達 魔方 RUBIK Rubik Language 2023.5 E-Cockpit 智能駕駛艙 尚未量產 阿里 通義 通義千問 2023.4 斑馬智行 alios 系統 尚未量產，將在智己汽車首先落地 華為 盤古大模型 盤古 NL

73、P 2021.4 鴻蒙 4.0 系統 預計 23Q4 首款搭載車型問界 M9 上市 騰訊 混元 HunYuan-NLP-1T 2022.12 騰訊云智能車載語音助手 數據來源：各公司官網，東方證券研究所整理 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。23 我們預測 NLP 大模型在汽車領域應用的主要時間節點如下 根據各自動駕駛廠商已披露的 NLP 大模型上車進度，我們預測 NLP 大模型在汽車領域應用的主要時間節點如下表所示。圖 31：NL

74、P 大模型應用的主要時間節點 時間節點時間節點 NLP 大模型的應用大模型的應用 2023 年上半年 多個國產 NLP 大模型發布，并提出“大模型+智能座艙”應用形式 到 2023 年底 預計 2 款以上搭載車型問世，NLP 大模型走向實際應用 2023-2026 年內 預計 10 款以上智能汽車將搭載 NLP 大模型 到 2030 年 基于 NLP 模型的設計將有望成為未來智能座艙語言交互的主流路線 數據來源：東方證券研究所整理 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀

75、本證券研究報告最后一頁的免責申明。24 四、四、投資建議投資建議 AI 大模型在自動駕駛領域的應用將催生海量計算和數據傳輸需求，云端和車端算力硬件行業有望受益；感知大模型的應用帶動傳感器硬件需求，車載攝像頭、4D 毫米波雷達、高線束固態激光雷達是關鍵傳感器部件；同時，多模態大模型和 NLP 大模型將推升智能座艙的發展，相關公司也有望從中受益。建議關注韋爾股份(603501，買入)、舜宇光學科技(02382，買入)、晶晨股份(688099，買入)、裕太微-U(688515，未評級)、北京君正(300223，買入)、滬電股份(002463，未評級)、富瀚微(300613，未評級)、龍迅股份(688

76、486，未評級)、思特威-W(688213，買入)、聯創電子(002036，買入)、徠木股份(603633，未評級)、?？低?002415，買入)、大華股份(002236，買入)、東山精密(002384，買入)4.1 韋爾股份：車載 CIS 積累深厚，汽車電子領域收入增長迅速 韋爾股份是全球排名前列的中國半導體設計公司。韋爾股份在車用圖像傳感器領域有著多年的研發經驗，近年來，韋爾股份在原有的歐美系主流汽車品牌合作基礎上，也大量的導入國內傳統汽車品牌及造車新勢力的方案中。2022 年，韋爾股份汽車電子領域實現收入 36.3 億元，較 2021 年增長 57%。AI 感知大模型的應用成為實現 L

77、2+自動駕駛的關鍵，隨著自動駕駛技術的發展和應用場景的復雜化，車用圖像傳感器在數量和單顆價值量將有望上漲，預期韋爾股份將在 AI 感知大模型的應用過程中受益，汽車電子領域收入增長。圖 32：韋爾股份的車載攝像頭系列產品 數據來源：韋爾股份、東方證券研究所 4.2 舜宇光學科技：車載鏡頭行業龍頭地位穩固，激光雷達等新產品加大研發投入 舜宇光學科技是中國領先的光學產品制造企業。2022 年，隨著高級駕駛輔助系統搭載率的進一步提升以及自動駕駛等級的不斷提高，舜宇光學車載鏡頭的全球市占率持續提升，進一步鞏固了行業龍頭地位。2022 年年報顯示，舜宇光學科技的車載鏡頭出貨量接近 1000 萬件，較 20

78、21 年增 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。25 長約 16%，全球范圍內市場占有率仍居于首位。舜宇光學車載模塊獲得了多個海內外知名客戶的定點項目，市場開拓持續取得突破。圖 33：舜宇汽車鏡頭份額持續提升 數據來源：舜宇光學科技、東方證券研究所 與此同時，舜宇光學2022年內加大了對激光雷達、抬頭顯示及智能車燈等新產品研發和市場推廣的投入，為搶占市場先機奠定了良好基礎。激光雷達方面，舜宇光學專注于光學組件和模塊業務，新獲得的定點項

79、目數量快速增加，并作為全球首家企業量產玻璃材質的多邊旋轉棱鏡，持續為激光雷達廠商賦能。隨著AI感知大模型的應用，車載鏡頭需求和激光雷達需求都將有所增長。預期舜宇光學將在AI感知大模型的應用過程中受益。4.3 晶晨股份：智能座艙芯片 公司的汽車電子芯片包括車載信息娛樂系統芯片和智能座艙芯片。座艙智能化、網聯化的趨勢帶動芯片計算和數據處理能力、圖像和視頻處理能力、可靠性等需求提升，為公司帶來新的發展契機。公司汽車電子芯片已進入國內外多個車企，并成功商用，如寶馬、林肯、Jeep、極氪、創維。該系列芯片采用先進制程工藝，內置最高 5 Tops 神經網絡處理器，支持多系統多屏幕顯示，功能覆蓋影音娛樂、導

80、航、360 全景、個性化體驗、人機交互、個人助理、DMS（Driver Monitor System,駕駛員監測系統）等，符合車規級要求，部分產品已通過車規認證。公司把汽車電子做為長期戰略，將持續投入研發，充分發揮既有優勢（系統級平臺、智能化 SoC），不斷擴充新技術、推出新產品。4.4 其他公司 思特威：思特威：22 年思特威的汽車業務收入增長 155%至 2.26 億元，占主營收入的比例超過 9%。公司在 22 年構建了覆蓋汽車電子全應用場景的 CIS 產品布局，包括 360 度全景影像、行車記錄儀、艙內監控、流媒體/電子外后視鏡、ADAS/AD 等。據 TSR 統計，公司在 2021 年

81、首次進入了“全球 CIS 車載市場出貨量 Top 10 廠商”排行榜，位列全球第 4 名。0%10%20%30%40%50%60%202120222023汽車鏡頭汽車感知鏡頭 電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。26 裕太微：裕太微：公司是境內為數不多可以大規模供應千兆高端以太網物理層芯片的企業，已開發了系列千兆物理層芯片，產品性能和技術指標上基本實現對博通、美滿電子和瑞昱同類產品的替代，成功打入國內眾多知名客戶供應鏈體系。公司自主研

82、發的車載百兆以太網物理層芯片已通過 AEC-Q100Grade1 車規認證，并通過德國 C&S 實驗室的互聯互通兼容性測試，陸續進入德賽西威等國內知名汽車配套設施供應商進行測試并已實現銷售。公司自主研發的車載千兆以太網物理層芯片已工程流片。北京君正：北京君正：公司存儲、模擬芯片業務在汽車應用上實現穩定供貨，全球大部分知名的 Tier 1 廠商均為公司客戶，產品面向整個汽車市場的各類車型，隨著汽車智能化程度提升也將更有利于公司業務拓展。聯創電子：聯創電子：車載光學高速發展，全面切入汽車產業供應鏈。公司重點發展光學鏡頭及影像模組、觸控顯示器件等新型光學光電子產業，布局和培育集成電路模擬芯片產業。公

83、司車載鏡頭業務發展勢頭良好，已全面切入國內外幾大汽車龍頭品牌客戶和全球幾大主要汽車 Tier1 客戶供應鏈。車載鏡頭及車載影像模組業務收入 22 年增長 400%以上至 7.67 億元。合肥智行車載影像模組項目和桐城聯創玻璃鏡片項目均順利投產，合肥聯創基礎建設進展順利。依頓電子：依頓電子：公司汽車 PCB 業務 22 年營收占比已超過 50%，已與德國大陸汽車（Continental）、法雷奧（Valeo）、均勝電子（Preh）、博世（Bosch）、安波福（Aptiv）、李爾公司（Lear）、小鵬汽車、宏景智駕等國內外頭部汽車零部件企業形成了穩定合作關系。滬電股份：滬電股份：22 年汽車 PC

84、B營收近 19 億元，23 年初向汽車 PCB子公司滬利微電增資約 7.76 億元以擴充汽車高階 HDI 產能，其毫米波雷達、采用 HDI 的自動駕駛輔助以及智能座艙域控制器、埋陶瓷、厚銅等新興產品市場迅速成長?？毓勺庸緞賯ゲ邔⒓涌?p2Pack 技術開發與市場推廣，爭取在 2023年四季度量產應用于 48V輕混系統的產品，加快推進應用于 800V高壓架構的商業化應用。富瀚微：富瀚微：隨著前裝芯片產品在車內 CMS/DMS/OMS/AVM/DVR應用的逐漸成熟，公司已獲得多家頭部 Tier1 產品導入，替代了國外廠商的方案。龍迅股份：龍迅股份：公司多款車載橋接芯片量產，已有 6 顆芯片通過了

85、車規級體系 AEC-Q100 認證，公司已拓展終端客戶包括寶馬、博世、長安、比亞迪、理想等；公司車載 SerDes 項目進展順利，計劃在 Q2 流片，Q3 末樣片可以回來，Q4 開始調試和推廣。徠木股份：徠木股份：公司汽車連接器產品供應法雷奧、麥格納、科世達、比亞迪、寧德時代、蜂巢電驅、匯川技術、均勝電子、馬瑞利等知名 tier1，應用于大眾、通用、奔馳、福特、豐田、本田、上汽、一汽、比亞迪、長城、吉利、日產、小鵬、理想、蔚來、金康等整車。22 年 7 月募集 7 億元將新增 500 萬只新能源汽車高電流電壓連接器、1,200 萬只（套）輔助駕駛模塊連接器的年產能。公司計劃拓展 800G 光模

86、塊殼體產品、1500V 儲能連接器等業務。海?？低暎嚎低暎汉？灯囯娮映掷m提升在乘用車前裝市場競爭力：在視覺傳感器方面，5M 和 8M 攝像頭在多家國內頭部車企平臺化車型中量產；在智能駕駛方面，公司聚焦超聲波和視覺融合感知技術和座艙視覺感知技術，擴大泊車產品和 VIMS 產品投入，實現多家國內頭部車企的 10 余個項目量產落地，新定點項目份額國內領先；在行泊一體高階智能駕駛產品方面，公司融合視覺、超聲波和毫米波雷達等感知能力，為客戶提供覆蓋各層級需求的智能駕駛域控制器產品，22 年取得量產定點突破。公司持續推進與合資和國際品牌的合作，聚焦 L2+智能駕駛場景，打造覆蓋各層級 電子行業深度報

87、告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。27 需求的智能駕駛域控系統，積極探索智駕和座艙融合應用的解決方案。此外，?？狄苍诔擞密嚭笱b市場和商用車市場持續創新。大華股份：大華股份：子公司華銳捷專注于智能車載產品和行業解決方案，結合車載相機、雷達、域控等產品和 AI、感知數據分析與處理等技術，已量產 L2+級輔助駕駛系統、全自動泊車系統、1R1V 系統、智能座艙系統等，并獲得自主品牌頭部客戶的項目定點。五、五、風險提示風險提示 技術研發進度不及預期：技術研

88、發進度不及預期：AI大模型技術壁壘較高，尤其是適用于城市場景和解決長尾問題的 AI感知大模型需要較強的研發能力，若技術研發進度不及預期，將會對相關公司造成不利影響。法規風險：法規風險：一方面，生成式 AI 和 AI 決策模型在法規監管方面尚未完全明晰，存在 AI 大模型不能如期“上機”風險；另一方面，自動駕駛車輛相關管理辦法尚不明確，城市輔助駕駛和高等級自動駕駛存在不能按計劃落地和普及的風險。行業競爭加?。盒袠I競爭加?。嚎萍?、汽車、機械等不同行業公司都看好汽車智能化趨勢，競爭加劇將有可能對相關公司的業績造成不利影響。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見

89、本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。28 信息披露信息披露 依據發布證券研究報告暫行規定以下條款：依據發布證券研究報告暫行規定以下條款：發布對具體股票作出明確估值和投資評級的證券研究報告時，公司持有該股票達到相關上市公司已發行股份 1%以上的，應當在證券研究報告中向客戶披露本公司持有該股票的情況，就本證券研究報告中涉及符合上述條件的股票，向客戶披露本公司持有該股票的情況如下：就本證券研究報告中涉及符合上述條件的股票，向客戶披露本公司持有該股票的情況如下：截止本報告發布之日，東證資管、私募業務合計持有滬電股份(0

90、02463)股票達到相關上市公司已發行股份 1%以上。提請客戶在閱讀和使用本研究報告時充分考慮以上披露信息。電子行業深度報告 AI大模型加速落地，汽車智能化迅速發展 有關分析師的申明，見本報告最后部分。其他重要信息披露見分析師申明之后部分，或請與您的投資代表聯系。并請閱讀本證券研究報告最后一頁的免責申明。29 分析師申明 每位負責撰寫本研究報告全部或部分內容的研究分析師在此作以下聲明：每位負責撰寫本研究報告全部或部分內容的研究分析師在此作以下聲明：分析師在本報告中對所提及的證券或發行人發表的任何建議和觀點均準確地反映了其個人對該證券或發行人的看法和判斷；分析師薪酬的任何組成部分無論是在過去、現

91、在及將來，均與其在本研究報告中所表述的具體建議或觀點無任何直接或間接的關系。投資評級和相關定義 報告發布日后的 12個月內行業或公司的漲跌幅相對同期相關證券市場代表性指數的漲跌幅為基準（A 股市場基準為滬深 300 指數，香港市場基準為恒生指數，美國市場基準為標普 500 指數）；公司投資評級的量化標準公司投資評級的量化標準 買入：相對強于市場基準指數收益率 15%以上；增持：相對強于市場基準指數收益率 5%15%；中性：相對于市場基準指數收益率在-5%+5%之間波動；減持：相對弱于市場基準指數收益率在-5%以下。未評級 由于在報告發出之時該股票不在本公司研究覆蓋范圍內，分析師基于當時對該股票

92、的研究狀況，未給予投資評級相關信息。暫停評級 根據監管制度及本公司相關規定，研究報告發布之時該投資對象可能與本公司存在潛在的利益沖突情形；亦或是研究報告發布當時該股票的價值和價格分析存在重大不確定性，缺乏足夠的研究依據支持分析師給出明確投資評級；分析師在上述情況下暫停對該股票給予投資評級等信息，投資者需要注意在此報告發布之前曾給予該股票的投資評級、盈利預測及目標價格等信息不再有效。行業投資評級的量化標準行業投資評級的量化標準：看好：相對強于市場基準指數收益率 5%以上；中性：相對于市場基準指數收益率在-5%+5%之間波動；看淡：相對于市場基準指數收益率在-5%以下。未評級：由于在報告發出之時該

93、行業不在本公司研究覆蓋范圍內，分析師基于當時對該行業的研究狀況，未給予投資評級等相關信息。暫停評級：由于研究報告發布當時該行業的投資價值分析存在重大不確定性，缺乏足夠的研究依據支持分析師給出明確行業投資評級；分析師在上述情況下暫停對該行業給予投資評級信息，投資者需要注意在此報告發布之前曾給予該行業的投資評級信息不再有效。免責聲明 本證券研究報告（以下簡稱“本報告”）由東方證券股份有限公司（以下簡稱“本公司”）制作及發布。本公司不會因接收人收到本報告而視其為本公司的當然客戶。本報告的全體接收人應當采取必要措施防止本報告被轉發給他人。本報告是基于本公司認為可靠的且目前已公開的信息撰寫，本公司力求但

94、不保證該信息的準確性和完整性，客戶也不應該認為該信息是準確和完整的。同時，本公司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證券研究報告。本公司會適時更新我們的研究，但可能會因某些規定而無法做到。除了一些定期出版的證券研究報告之外，絕大多數證券研究報告是在分析師認為適當的時候不定期地發布。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，也沒有考慮到個別客戶特殊的投資目標、財務狀況或需求?？蛻魬紤]本報告中的任何意見或建議是否符合其特定狀況，若有必要應尋求專家意見。本報告所載的資料、工具、意見及推測只提供給客戶作參考之用

95、，并非作為或被視為出售或購買證券或其他投資標的的邀請或向人作出邀請。本報告中提及的投資價格和價值以及這些投資帶來的收入可能會波動。過去的表現并不代表未來的表現，未來的回報也無法保證，投資者可能會損失本金。外匯匯率波動有可能對某些投資的價值或價格或來自這一投資的收入產生不良影響。那些涉及期貨、期權及其它衍生工具的交易，因其包括重大的市場風險，因此并不適合所有投資者。在任何情況下，本公司不對任何人因使用本報告中的任何內容所引致的任何損失負任何責任，投資者自主作出投資決策并自行承擔投資風險，任何形式的分享證券投資收益或者分擔證券投資損失的書面或口頭承諾均為無效。本報告主要以電子版形式分發，間或也會輔

96、以印刷品形式分發，所有報告版權均歸本公司所有。未經本公司事先書面協議授權，任何機構或個人不得以任何形式復制、轉發或公開傳播本報告的全部或部分內容。不得將報告內容作為訴訟、仲裁、傳媒所引用之證明或依據，不得用于營利或用于未經允許的其它用途。經本公司事先書面協議授權刊載或轉發的，被授權機構承擔相關刊載或者轉發責任。不得對本報告進行任何有悖原意的引用、刪節和修改。提示客戶及公眾投資者慎重使用未經授權刊載或者轉發的本公司證券研究報告，慎重使用公眾媒體刊載的證券研究報告。HeadertTable_Address 東方證券研究所 地址：上海市中山南路 318 號東方國際金融廣場 26 樓 電話：021-63325888 傳真：021-63326786 網址： 東方證券股份有限公司經相關主管機關核準具備證券投資咨詢業務資格，據此開展發布證券研究報告業務。東方證券股份有限公司及其關聯機構在法律許可的范圍內正在或將要與本研究報告所分析的企業發展業務關系。因此，投資者應當考慮到本公司可能存在對報告的客觀性產生影響的利益沖突，不應視本證券研究報告為作出投資決策的唯一因素。