《汽車行業2024年智駕中期策略：特斯拉打開智駕技術新高度降本是國內產業鏈首要目標-240525（31頁）.pdf》由會員分享，可在線閱讀，更多相關《汽車行業2024年智駕中期策略：特斯拉打開智駕技術新高度降本是國內產業鏈首要目標-240525（31頁）.pdf（31頁珍藏版）》請在三個皮匠報告上搜索。

1、2024年智駕中期策略：特斯拉打開智駕技術新高度，降本是國內產業鏈首要目標證券研究報告2024年5月25日國投證券研究中心 汽車團隊 分析師：徐慧雄 S1450520040002分析師：李澤 S1450523040001聯系人：者斯琪 S1450123070037 行業評級：領先大市-A證券研究報告 1083137801、技術角度：特斯拉端到端打開智駕新高度，中美智駕階段性脫鉤 aV9WfVcW8XbUfVcW8OcM9PnPpPtRmQeRmMqNjMoMtMaQoOwPuOnPzQMYnQoM1.1 2022-2023：特斯拉引領下感知技術收斂，國內頭部廠商城市NOA功能開始落地2020-

2、2022年間特斯拉在北美提出并成功驗證了“BEV+Occupancy”感知架構，國內廠商從2022/2023開始陸續跟隨：BEV鳥瞰圖解決了此前落地城市NOA功能過程中對高精度地圖強依賴的問題。2021年AI DAY，特斯拉提出以Transformer為主干網絡的BEV空間構建方式，也即通過Transformer模型將多視角圖像信息重建至向量空間下，且該向量空間在大模型的加持下擁有更高的環境感知精度，從而降低對高精度地圖的依賴。Occupancy則在2D BEV的基礎上增強對于物體高度信息的感知，有效解決了對于異形障礙物識別的問題。Occupancy占用網絡的核心思想在于將三維空間劃分為無數個

3、微小立方體，面對障礙物時“不再考慮這個物體到底是什么，只考慮對應區域的微小立方體是否被占用”。201920202021202220232024201920202021202220232024FSD V10，特斯拉召開第二屆AI Day，公布Occupancy網絡架構FSD V9，第一屆AI Day，公布BEV網絡架構，城區NOA落地FSD V11，統一高速/城區堆棧，端到端全新架構在研FSD V12推送，端到端上車國內向重感知輕地圖方向演進，BEV架構開始上車，城市NOA開始落地國內Occupancy網絡開始上車。在研端到端，架構與特斯拉差異較大。算法架構向神經網絡升級，提出九頭蛇算法，探索基

4、于后融合的BEV感知開始聚焦純視覺自動駕駛華為極狐首次亮相，搭載三顆激光雷達國內新勢力廠商基于傳統機器視覺的方法，陸續落地高速NOA功能國內頭部新勢力廠商基于小模型+激光雷達方案在個別城市落地NOA功能特斯拉國內智駕國內廠商陸續跟隨特斯拉BEV+Occupancy網絡架構資料來源：國投證券研究中心繪制 1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂為什么需要端到端智能駕駛？規控端仍是主要基于程序員自己寫規則的方式，城區場景下僅一個十字路口可能就存在上百種交互情景，靠人類程序員手寫規則無法窮盡，造成的結果就是強博弈場景通行效率低。上述三種端到端均可以解決與復雜交通參與者的

5、交互問題。對高精度地圖的強依賴問題BEV鳥瞰圖增強車端實時感知能力一般障礙物識別率低的問題與復雜交通參與者交互問題Occupancy占用網絡端到端自動駕駛“端到端”智能駕駛的三層概念全局端到端：從傳感器輸入到控制信號輸出（Photon to Control），中間所有步驟都是端到端可導，可進行全局的優化。模塊化端到端：在最終輸出控制信號之外，引入一些中間任務的監督。和全局端到端相同的地方在于同樣可以進行全局的優化，整個模型可以進行聯合訓練和調優?！皞巍倍说蕉耍涸谝幙囟擞蒙窠浘W絡替代基于程序員自己寫規則的方式，感知大模型網絡和規控大模型網絡之間不可導。傳統分模塊的自動駕駛模型架構下，不同模塊之間

6、的接口輸出結果均基于人工的選擇，感知輸出的信息都是人工定義的顯示抽象（如車道線、障礙物等信息），但現實中可能存在難以充分表達但會影響下游決策的因素。同時模塊之間的誤差結果會累計，使得最終的輸出結果有較大的偏差。針對這個問題只有前兩種端到端才可以解決。1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1 特斯拉端到端模型上車，FSD體驗跨越式提升模型層面：基于全局端到端自動駕駛模型目前特斯拉未召開第三屆AI Day，行業內尚不知道特斯拉端到端自動駕駛模型具體的網絡架構，我們僅能從23年CVPR以及馬斯克采訪/博文的只言片語中得到一些基本的判斷。1）特斯拉端到端模型很可

7、能是基于生成式AI。2）在特斯拉很可能在原有Occupancy模型的基礎上構建世界模型，為端到端提供場景演化的理解。特斯拉端到端模型很可能是基于生成式AI判別式模型 vs.生成式模型：判別式模型：學習輸入數據到輸出結果的映射關系，需要人工標注的數據進行有監督的訓練。之前特斯拉、國內自動駕駛廠商主要采用的就是判別式模型，為了提高效率，特斯拉逐步從人工標注向自動化標注轉變。但自動標注過程非常占用算力資源，影響模型的scale up能力。生成式模型：可以利用自然數據做自監督訓練，無需標注，模型的scale up能力大幅提升。比如GPT會讀取一段連續的文本，嘗試預測這段文本中的下一個詞，再比較預測的單

8、詞與實際的單詞進行迭代優化。自動駕駛最終任務可以抽象為“生成自車的未來軌跡”，與生成式模型的原理非常類似，且相比于判別式模型，生成式模型在scale up上具備明顯的優勢，因此我們判斷，特斯拉端到端模型很可能是基于生成式AI模型。1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂模型層面：基于全局端到端自動駕駛模型 特斯拉端到端模型很可能是基于生成式AI以學界OccWorld模型解釋生成式AI在自動駕駛模型中的應用：采用類似GPT的生成架構，以自回歸方式從先前場景預測下一個場景，實現了對自車運動和周圍環境演化的同時建模。特斯拉FSD V11的算法架構中，已經在Lanes n

9、etwork模型中部分應用了類似的思路：將來自視覺模塊和地圖模塊的所有信息進行編碼，類似于語言模型中單詞token，再以序列自回歸的方式預測節點的位置、屬性以及連接關系。特斯拉Lanes network模型語義模塊架構OccWorld模型采用類似于GPT的框架資料來源：特斯拉AI Day，國投證券研究中心資料來源：OccWorld:Learning a 3D Occupancy World Model for Autonomous Driving，國投證券研究中心 1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1 特斯拉端到端模型上車，FSD體驗跨越式提升模型層

10、面：基于全局端到端自動駕駛模型特斯拉或在原有Occupancy模型的基礎上構建世界模型，為端到端提供場景演化的理解。世界模型應用于自動駕駛的Pipeline什么是世界模型？world model世界模型的核心任務是預測出未來怎么發展，背后的本質在于模型能夠自己習得因果關系。當前神經網絡和人類的差距在于，神經網絡的預測結果是概率輸出，知其然而不知其所以然；而人類可以通過觀察、以及通過無監督的方式進行交互來學習積累大量關于物理世界如何運行的常識，這些常識告訴人類什么是合理的、什么是不可能的，因此人類可以通過很少的試驗學習新技能，可以預測自身行為的后果。所謂世界模型就是希望神經網絡可以同樣具備上述的

11、能力。世界模型和端到端的關系？在自動駕駛領域引入世界模型意味著對未來場景的模擬和預測，即世界模型為端到端提供場景演化的理解。資料來源：World Models for Autonomous Driving:An Initial Survey，國投證券研究中心 1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1 特斯拉端到端模型上車，FSD體驗跨越式提升特斯拉或在原有Occupancy模型的基礎上構建世界模型，為端到端提供場景演化的理解。特斯拉在2023年 CVPR上曾展示了對于世界模型的探索：構建向量空間的世界模型特征（一種三維重建方式能描述物理世界的全部特征），

12、所有的智能駕駛任務都可以通過簡單地插入（plugging）任務頭來實現。端到端模型不等于拋棄之前的感知網絡架構：特斯拉在2023 CVPR的演講上曾表示“Occupancy模型實際上具有非常豐富的特征，能夠捕捉到我們周圍發生的許多事情。整個網絡很大一部分就是在構建世界模型特征?！監ccupancy模型中很大一部分用于構建向量空間特征資料來源：2023 CVPR，國投證券研究中心 1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1 特斯拉端到端模型上車，FSD體驗跨越式提升數據閉環：數據閉環流程簡化，云端算力為數據閉環中最核心的環節隨著模型架構的改變，數據閉環流程也

13、隨之改變。在FSD V11的技術棧下，數據閉環包括數據采集-數據清洗-自動化標注-模擬仿真-云端訓練-模型部署等多個環節。若模型架構從判別式模型向生成式模型轉變，訓練方式從有監督向自監督轉變，并省去了復雜的數據清洗和自動化標注環節（僅需要刪選出來人類優質的駕駛行為數據即可），數據閉環流程大幅簡化。云端算力資源的重要性進一步提升。馬斯克曾多次在推特上表示“FSD V12端到端模型迭代主要受到云端算力資源的掣肘”。特斯拉針對超算中心大幅投入，云端算力快速提升。截至22年AI Day，特斯拉具有1.4萬個A100（5E FLOPS算力），到23年8月馬斯克直播時特斯拉已經具備1.6萬個A100+1萬

14、個H100+Dojo，算力合計超過16E FLOPS，同時馬斯克提到特斯拉23/24年對超算中心的年投入都會超過20億美金。在大幅投入的背景下，特斯拉云端算力快速提升，至24年4月，具有約35E FLOPS云端算力，預計到24年底提升到85E FLOPS。2019年8月0.472020年2月0.532021年8月3.602022年10月4.372023年8月162024年4月352024年12月852019年1月2020年1月2021年1月2022年1月2023年1月2024年1月特斯拉FSD 云端算力大幅增長（單位：EFLOPS）資料來源：特斯拉AI Day，馬斯克直播，特斯拉業績會等，國投

15、證券研究中心 1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂日期版本推送范圍FSD V11推送節奏2022年11月11日V11向員工和特定車主（specific groups）推送FSD V11。2023年2月14日V11.3向內部員工推送FSD V11.3。2023年3月7日v11.3.1面向此前使用過 FSD Beta 11.3 的員工以及最初的1000名公測用戶推出。2023年3月19日v11.3.2發布后一天內面向0.1-0.5%、0.1-0.5%、15%-25%的北美用戶范圍進行三輪推送。由于發現關鍵問題，測試在有9%的測試用戶參與測試后停止。2023年3月2

16、4日v11.3.3向員工發布FSD V11.3.3。2023年3月25日v11.3.3修正v11.3.2問題后面向北美用戶推出，覆蓋超過35%的測試者，v10等舊版本用戶可直接更新至v11.3.3。2023年3月31日v11.3.4向員工推送FSD V11.3.4。2023年4月1日v11.3.5同時向北美用戶推出，原因可能是進行A/B測試。在4月1日、4月2日、4月5日分批次向用戶推送。2023年4月8日v11.3.6先后向員工和全量用戶陸續推出。FSD V12推送節奏2023年11月24日V12 內測版推送給以高管和團隊領導人組成的“特殊小組”。2023年12月21日V12.1北美所有的團

17、隊領導和經理。2023年12月27日V12.1推送給Wave1（以員工自有車輛組成的項目）。2024年1月14日V12.1.1向員工推送FSD V12.1.1。2024年1月22日V12.1.2首次向部分非員工用戶FSD V12.1.2，且首次包括HW4.0平臺車輛，之前只有3.0平臺2024年2月10日V12.2FSD V12.2向內部員工和special group（受邀加入搶先體驗計劃的用戶）進行推送，僅包括3.0平臺。（由于 NHTSA 召回而稍微延長了期限）2024年2月19日V12.2.1向內部員工和受邀加入搶先體驗計劃的用戶推送FSD V12.2.1，包括HW3.0和4.0平臺。

18、2024年2月20日V12.2.1特斯拉向0.5-2%訂閱了FSD的用戶推送FSDV12.2.1而不僅限于特邀用戶。包括加利福尼亞州以外的區域。包括S/X/3/YHW3.0和HW4.0平臺車輛。2024年3月14日V12.3開始向包括部分員工和擁有FSD V12.2.1的用戶開放，試駕人數在百人左右2024年3月24日V12.3累積向超過40%的FSD用戶推送。（根據Teslascope統計樣本）2024年3月25日V12.3.1開始向部分用戶推送。2024年3月27日V12.3.2開始向用戶推送2024年3月31日Supervised V12.3.3 美國所有符合要求的車輛開啟免費試用30天

19、，同時FSD Beta正式更名為FSD Supervised2024年4月11日Supervised V12.3.4向部分Model S/X/3/Y車主推送，首次向Model X車主推送FSD V12版本2024年4月21日Supervised V12.3.5特斯拉開始向員工推送FSD(Supervised)V12.3.5；買斷價格下調到8000元。2024年4月29日Supervised V12.3.6開始向用戶推送；同時免費試用30天活動結束。得益于云端算力不斷增強，FSD V12迭代速度遠快于FSD V11資料來源：Not a tesla app,國投證券研究中心 1.2 2024：明確

20、端到端為智駕算法迭代方向，但具體技術路線尚未收斂1.2.1 特斯拉端到端模型上車，FSD體驗跨越式提升1.corner case處理可繞開施工封閉路段可識別購物車等異形障礙物并繞行在交通極度復雜路段能根據其他車輛和行人意圖進行路徑規劃2.擬人化處理能在坑洼地段/減速帶減速可識別地面積水并繞行對紅綠燈、含文字路標等的識別和理解能力增強3.行車泊車打通到達目的地后靠邊停車或自動尋找車位具備Autopark泊車功能，可實現平行停車等功能12.4/12.5版本將打通智能召喚等功能。FSD V12 Autopark功能FSD V12在復雜路段低速準備左轉資料來源：X EdgeCase，X AIDrive

21、r，X FSDdreamsFSD V12 繞過水坑功能體驗層面：相較于V11，FSD V12功能體驗跨越式提升，帶來近L4的駕駛體驗 模型層面：國內對端到端的探索主要為模塊化端到端和“偽”端到端獲得2023年CVPR最佳論文獎的Planning-oriented Autonomous Driving提出UniAD自動駕駛大模型，以“規劃”為目標，利用多組 query 實現了全棧 Transformer 的端到端模型。但需要注意的是，UniAD模塊之間有明顯的區隔，模塊之間可導，可實現全局調優。UniAD將三大類主任務感知、預測、規劃等進一步劃分為六小類子任務（目標檢測、目標跟蹤、場景建圖、軌跡

22、預測、柵格預測和路徑規劃），模型整體由 2 個感知模塊，2 個預測模塊以及一個規劃模塊組成.UniAD技術架構資料來源：Planning-oriented Autonomous Driving，國投證券研究中心感知模塊預測模塊規劃模塊1.2.2 目前國內智駕廠商在研的端到端與特斯拉相差較遠1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂 模型層面：國內對端到端的探索主要為模塊化端到端和“偽”端到端百度于Apollo Day 2024發布自動駕駛的端到端大模型 Apollo ADFM，整體思路與UniAD類似，有明顯的模塊區隔，但模塊之間可導。與UniAD的區別在于Apol

23、lo ADFM將預測和規劃融合在一張網絡里，跳出原決策規劃任務中階段性任務，直接生成最終可執行軌跡。1.2.2 目前國內智駕廠商在研的端到端與特斯拉相差較遠資料來源：Apollo Day 2024，國投證券研究中心Apollo ADFM技術架構：通過隱式傳遞、聯合訓練實現端到端自動駕駛1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂 模型層面：國內對端到端的探索主要為模塊化端到端和“偽”端到端1.2.2 目前國內智駕廠商在研的端到端與特斯拉相差較遠Vision目標障礙物LidarNavigationGOD網絡道路結構場景理解PDP網絡預決策規劃一張網Radar運動控制國內

24、頭部智駕主機廠目前在研的“端到端”模型架構僅為在規控端用神經網絡模型替代了手寫規則，分別實現了感知端到端和規劃決策端到端，與特斯拉有本質不同。華為ADS 3.0模型架構：感知端基于Occupancy占用網絡（取消BEV），將預決策規劃融合進一張網（PDP）網絡小鵬面向全場景智駕的終極架構XBrain：Xnet 2.0（具備空間理解的下一代感知）+XPlanner（規控端神經網絡）+More小鵬即將推出規控大模型XPlanner華為ADS 3.0模型架構資料來源：華為智能汽車解決方案發布會，國投證券研究中心資料來源：小鵬北京車展發布會，國投證券研究中心1.2 2024：明確端到端為智駕算法迭代方

25、向，但具體技術路線尚未收斂 基礎設施層面：國內廠商云端算力與特斯拉差距較大1.2.2 目前國內智駕廠商在研的端到端與特斯拉相差較遠主機廠超算中心FP16/BF 16算力（EFlops）對應時間對應卡的數量合作方未來規劃說明特斯拉英偉達GPU集群+Dojo352024.04等效3.5萬張H100直接購買NV GPU+自研訓練芯片D124年底具有等效8.5萬張H100算力不只用于自動駕駛訓練，還有機器人等小鵬扶搖2.2（預估）2024.057000張卡（假設為A100）阿里云未來具備10100倍的算力提升空間專用于自動駕駛模型訓練蔚來-1.42023.09-騰訊云-具有10PB Cache分布式緩

26、存系統（可同時訓練10PB數據）理想-1.22023.06-火山引擎專用于自動駕駛模型訓練華為昇騰AI云服務3.52024.04-華為云-專用于自動駕駛模型訓練，每天可學習3000萬公里數據長城九州超算中心1.642024.04-寬帶3.7T/s比亞迪韓冰23年6月在出席智源大會時提到比亞迪未來會建立智能駕駛基礎設施（推斷目前尚無超算）吉利星睿智算中心1.022024.01阿里云2025年達到1200 PFLOPS 不止用于自動駕駛模型訓練，還包括座艙等上汽-阿里云-飛凡、智己、中海庭等上汽各種智駕相關的子公司共用長安-1.42 2023.08百度云-用于自動駕駛和智能網聯，模型訓練速度最高提

27、升125倍；截止23年8月16日，已累計完成了15000次智能AI算法模型的訓練。極越-2.2 2024.02-百度云30PB數據緩存，98%有效訓練時長，95%帶寬有效性1.2 2024：明確端到端為智駕算法迭代方向，但具體技術路線尚未收斂資料來源：各主機廠發布會，國投證券研究中心 小結：由模型本身的選擇、技術路線等因素決定由主機廠數據閉環能力決定主機廠智能駕駛水平=算法構建能力*數據訓練效率目前我國頭部主機廠自動駕駛功能對標特斯拉FSD V10/11（相當于1-2年前特斯拉FSD的水平）算法構建能力：收斂至BEV Occupancy感知架構，技術路線趨同。數據閉環能力：由主機廠工程化能力決

28、定。FSD V12：基于端到端打開智駕新高度，中美階段性脫鉤算法構建能力：目前端到端的智能駕駛技術尚未收斂，特斯拉暫未召開AI Day，并不知道特斯拉具體的算法構建方式。但僅從基本思路上來說，國內基于UniAD模塊化的端到端或僅在規劃決策端用神經網絡替代規則的方式與特斯拉差距較大。超算中心：端到端架構下，主機廠云端算力的重要性進一步提升，國內外算力差距同樣非常大。特斯拉端到端打開智駕新高度，中美智駕階段性脫鉤 2、應用角度：平價化是用戶買單的前提，降本是當前產業鏈首要目標 2.1 規模效應降本對于智駕Tier1而言，規模效應降本體現在以下兩個方面：研發成本：研發投入主要包括給芯片廠商的開發費和

29、智駕域控制器系統開發的成本（簡單理解為攢板子投入的資源）。以德賽為例，在IPU04研發初期，需要一次性支付英偉達大額的開發費，隨著出貨量的增多，開發費逐步攤薄。同時，高階智駕處于0-1階段時，項目的定制化屬性強，隨著產業發展到1-10的階段，項目的標準化程度增強，單個項目需要投入的研發成本下降。物料采購成本：智駕域控除了主控SoC芯片以外，還包括大量電子元器件，如MCU、存儲芯片、交換機以太網芯片、Serdes等，此外還需要PCB、結構件、水冷板、連接器等。隨著出貨量的增多，在物料采購端同樣具有規模效應，進而降低BOM成本。德賽西威研發費用率逐步下降智駕域控包括大量電子元器件：以特斯拉HW3.

30、0為例0.0%2.0%4.0%6.0%8.0%10.0%12.0%14.0%16.0%19Q119Q219Q319Q420Q120Q220Q320Q421Q121Q221Q321Q422Q122Q222Q322Q423Q123Q223Q323Q424Q1資料來源：wind，國投證券研究中心資料來源：Tesla，國投證券研究中心 2.2 技術降本 2.2.1 低算力跑高算法，城市NOA硬件門檻降低提高軟硬件的協同效率，城市NOA的硬件門檻逐步降低：在高階智駕0-1階段，頭部廠商主要基于雙OrinX（508Tops）平臺落地了城市NOA功能，隨著當前一代智駕在算法端逐步成熟，行業技術創新的重心也逐

31、步從算法端向后端更底層的部分轉移，以此來提高軟硬件協同效率，進而實現降本。目前城市NOA的硬件門檻逐步從雙OrinX降低到單OrinX，成本大幅降低，如智己LS6/L6、零跑C10/C16、樂道L60等均僅搭載單OrinX芯片，目標實現全國無圖城市NOA。從技術實現實現的角度：元戎啟行：自研DeepRoute-Engine的推理引擎技術壓榨芯片算力：元戎啟行推理引擎技術包含了模型解析前端、圖融合終端、后端算子的自動生成和編譯優化等等多方面工作，具有自有的框架支持底層算子，可適配多種主流的神經網絡模型，針對智能駕駛做專門的優化，以此來實現更高的軟硬件協同效率。Momenta：通過核心算子自動調優

32、、跨層融合、模型壓縮等技術方式使模型運行效率提升500%，算力需求降低90%，僅通過單OrinX+單激光雷達是實現無圖城市NOA功能。元戎啟行自研推理引擎技術資料來源：元戎啟行Map free發布會，國投證券研究中心 慣導三目及激光雷達總成：由慣導立體雙目+一個長焦單目+一個激光雷達構成的的車規級集成一體式傳感器，激光雷達作為輔助增強車輛的縱向控制安全感，該方案還具備以下優勢：1）前前融合：硬件設計整合激光雷達和攝像頭，由中央域控芯片替代激光雷達主控芯片，激光點云處理軟件可隨智駕軟件OTA；2）艙內集成：系統可整體內置于車艙內，僅要求擋風玻璃透光率70%，降低綜合裝配成本，造型美觀、不影響風阻

33、系數、不增加噪音；3）標定同步：硬件剛性互聯，兩個傳感器的坐標幾乎一致，時間同步和空間同步精度上升、難度下降。量產計劃：根據大疆車載在中國電動汽車百人會論壇上披露，激目方案最早2025年開始上車；2026年左右與L3異構域控制器組合配置，把L3級自動駕駛下放至25萬左右級別的車型上。成本降低：省去一個激光雷達主控芯片，同時降低綜合裝配成本。分離式傳感方案激目集成式傳感方案硬件設計獨立設計的多個傳感器硬件相機&激光一體化系統設計時間同步毫秒級同步誤差微秒級同步誤差空間同步（外參標定）整車工站標定+在線標定+售后標定對齊精度受環境影響大只需模組工站標定對齊精度高計算架構端側激光計算架構：激光&相機

34、只能在點云層面做融合激光點云處理軟件一般不OTA中央域控激光計算架構：激光&相機raw data融合處理，提升點云質量激光點云處理軟件可隨智駕軟件OTA“激目”方案與傳統分離式傳感方案對比Stereo Camera(Right)Stereo Camera(Left)Tele CameraLidar“激目”方案示意圖資料來源：大疆車載，國投證券研究中心2.2 技術降本 2.2.2 傳感器降本：大疆“激目方案”資料來源：大疆車載，國投證券研究中心 2.3 縱向一體化降本L2 ADAS前視一體機的供應模式簡單，由芯片廠商或Tier 1負責算法環節；而由于L3功能復雜度高，因此在原有產業鏈基礎上，逐步

35、分化出單獨的算法供應商，供應模式復雜度提升。但隨著技術路線的逐步收斂、高階智駕產品標準度提升，產業鏈之間逐步整合、減少環節，通過增強縱向一體化能力實現降本。芯片廠商英偉達、地平線均積極補足算法能力，未來將具備提供智能駕駛完整解決方案的能力；智能駕駛算法龍頭Momenta 組建芯片團隊，補足底層能力；經緯恒潤作為傳統汽車電子 Tier1 具備強大的制造能力，投資輝羲智能布局高算力芯片。芯片Mobileye算法底軟硬件代工Tier 1（如經緯恒潤）英偉達Momenta等德賽等Tier1英偉達、地平線、Momenta等傳統Tier1英偉達等具備算法能力的Tier1主機廠瑞薩Tier 1（如博世）L2

36、 ADAS產業鏈L3產業鏈L3未來產業鏈智能駕駛產業鏈供應模式資料來源：國投證券研究中心繪制 3、行業滲透率開始從1到10，高階智駕即將走向千家萬戶 3.1 新勢力廠商和自主品牌紛紛在20-30萬價格帶主力車型上搭載城市NOA功能 內卷壓力之下，新勢力廠商和傳統主機廠的新能源品牌紛紛在20-30萬價格帶主力車型上搭載城市NOA功能，2023年20-30萬成為城市NOA功能滲透率最高的價格帶。20-30萬價格帶新能源車競爭激烈，根據乘聯會數據，截至2024年3月，20-30萬價格帶新能源滲透率已達到57.3%。23年以來小鵬 G6、智己 LS6 等代表性車型已率先將高階智能化功能作為該價格帶車型

37、的賣點之一，24年以來更多該價格帶的主力車型搭載城市NOA功能。主機廠車型上市時間可實現城市NOA功能的最低價格主控芯片廠商指導價疊加終端優惠后的實際價格小鵬G620230622.9920.99雙Orin XP7i20231123.9921.99雙Orin XP62024H220-30雙Orin X蔚來樂道L6020240921.99（預售）單Orin X理想L620240427.9827.48雙Orin X華為問界M5（2024）20240424.9824.68MDC610智界S720240426.9826.98MDC610長安阿維塔072024H220-30MDC810吉利極氪007202

38、31222.9922.99雙Orin X奇瑞星紀元ET20240524.9824.98雙Orin X上汽智己LS620231022.9921.99單Orin X智己L620240521.9919.99單Orin X小米Su720240324.5924.59雙Orin X20-30萬價格帶可實現城市NOA功能的重點車型注：終端優惠為2024年5月數據；資料來源：各公司官網，國投證券研究中心 3.2 華為系朋友圈逐步擴大，頭部效應增強 模式主機廠品牌車型上市時間定位價位智選模式賽力斯問界M52022M2B級SUV25-30萬M72022M7C級SUV30-40萬M92023M12D級SUV50-6

39、0萬M82024H2C級SUV30-40萬M5改款2024M4B級SUV25-30萬北汽享界S92024H1行政級中大型轎車40-50萬奇瑞智界S72023Q4C級轎車25-35萬EHY（S9）2024H2C級SUV30萬左右江淮X界X6平臺2024Q4/2025中大型MPV百萬級轎車2025中大型轎車百萬級HI模式長安阿維塔阿維塔112022M8中大型SUV30-40萬阿維塔122023M11中大型轎車30-40萬阿維塔072024H2中型SUV20-30萬阿維塔162024H2中型轎車未知深藍2024年陸續落地產品北汽極狐阿爾法S2021M4中大型轎車25-35萬阿爾法T2020M10中型

40、SUV25-30萬東風嵐圖2024年陸續落地產品猛士廣汽傳祺三款合作車型，2025年陸續上市搭載華為ADS的車型將于24/25年密集上市搭載華為ADS2.0 的車型于24年春節后陸續推送了全國都能開的無圖城市NCA，功能可用范圍大幅增加。華為于智能汽車解決方案發布會上表示，到24年底，采用華為智駕系統的車輛將超過50萬輛。11420027098.86%99.00%99.20%98.6%98.7%98.8%98.9%99.0%99.1%99.2%99.3%050100150200250300202304202309202402MPI平均接管里程（km）城市高架匯入匯出成功率華為ADS“可用性”數

41、據資料來源：汽車之家，華為智能汽車解決方案發布會，國投證券研究中心資料來源：智界S7發布會，國投證券研究中心 3.3 傳統主機廠/合資廠商被迫卷入智能化浪潮，利用供應商方案實現快速上車 主機廠車型智能駕駛規劃/合作情況芯片合作方案廠商可實現功能長城魏牌藍山智駕版Orin X（預計）某外部供應商城市NOA（5月開放體驗）比亞迪仰望U7雙Orin XMomenta城市NOA騰勢 Z9GT城市NOA豹 8城市NOA（Q3上市）宋L智駕版-高速NOA（6月上市）海獅07EV-高速NOA（5月上市）長安深藍與華為簽署戰略合作協議，今年將陸續落地產品-已自研高階智駕系統兩年，預計下半年推出吉利極氪MIXO

42、rin X領克2024年將發布首款搭載激光雷達的純電車型，支持城區 NOA廣汽埃安VOrin X城市NOA（7月上市，后續OTA）傳祺聯合華為車BU，未來推出三款搭載華為乾崑智能汽車解決方案的旗艦車型，首款合作車型計劃2025年上市北汽極狐MDC 610/810華為城市NOA享界MDC 610/810華為城市NOA奇瑞星途星紀元ET雙Orin X博世城市NOA（后續OTA）iCAR 03TDA4VH大疆高速NOA東風嵐圖、猛士24年推出搭載華為乾崑智駕的車型奕派008A1000-高速NOA（后續OTA）-與大疆車載簽署戰略合作協議，將在智能駕駛系統方面深入合作，并在“東風”品牌多個車型上進行量

43、產搭載。上汽智己 L6Orin XMomenta城市NOA上汽大眾途觀L ProTDA4VH大疆高速NOA一汽大眾邁騰TDA4VH大疆高速NOA寶駿悅也PlusTDA4VH大疆高速NOA傳統主機廠智能駕駛車型規劃資料來源：北京車展發布會，國投證券研究中心 小結：預計24/25年可實現城市NOA硬件配置的車型滲透率可達到10%/15%高速NOA及城市NOA硬件配置滲透率預測資料來源：各主機廠發布會，乘聯會，國投證券研究中心測算2023年是城市NOA功能落地的元年，城市NOA硬件配置滲透率約為5%，實際城市NOA功能滲透率僅為1.5%。2024年開始行業滲透率進入1-10階段，我們測算24/25年

44、城市NOA硬件配置滲透率分別為10%/15%，實際城市NOA功能滲透率為7%/11%。測算口徑說明：根據主機廠智駕車型規劃測算硬件配置滲透率和功能滲透率的差異主要來自于部分相關硬件配置的車型城市NOA功能尚未向用戶推送。未假設特斯拉FSD入華，因此僅計入硬件配置滲透率，未計入功能滲透率。0%2%4%6%8%10%12%14%16%18%20%0 50 100 150 200 250 300 350 400 450 2021202220232024E2025E可實現高速NOA的硬件配置車型銷量僅可實現高速NOA的硬件配置車型銷量可實現城市NOA的硬件配置車型銷量可實現高速NOA的硬件配置車型滲透

45、率僅可實現高速NOA的硬件配置車型滲透率可實現城市NOA的硬件配置車型滲透率 4.風險提示 p技術進步不及預期：2022-2023年之前我國自動駕駛主要參與者算法均依賴于高精度地圖，從小模型向Transformer大模型需要對底層算法進行重構并需要大量數據進行迭代優化。特斯拉從2020年8月份重構底層算法，經過近一年的時間，至2021年7月才推送城市領航輔助駕駛功能。目前國內自動駕駛主要參與者均明確提出城市領航輔助駕駛及大模型推送時間表，若技術進步不及預期，將影響國內城市NOA落地節奏。p市場競爭加?。耗壳霸燔囆聞萘?、傳統主機廠以及百度、華為等科技大廠紛紛布局自動駕駛，并且不斷有新的自動駕駛初

46、創公司參與競爭，未來競爭可能進一步加劇。p假設不及預期的風險：本文對2024年城市NOA滲透率的測算基于主機廠車型規劃及新車型所在的車型系列對其硬件配置進行假設，但如果主機廠出于成本控制等因素對新車型智駕硬件進行了減配，則可能會造成高階智駕功能的滲透率不及預期。行業評級行業評級p 收益評級收益評級：領先大市未來6個月的投資收益率領先滬深300指數10%以上；同步大市未來6個月的投資收益率與滬深300指數的變動幅度相差-10%至10%；落后大市未來6個月的投資收益率落后滬深300指數10%以上；p 風險評級風險評級：A 正常風險，未來6個月投資收益率的波動小于等于滬深300指數波動；B 較高風險

47、，未來6個月投資收益率的波動大于滬深300指數波動；分析師聲明分析師聲明p 分析師分析師聲明聲明本人具有中國證券業協會授予的證券投資咨詢執業資格，勤勉盡責、誠實守信。本人對本報告的內容和觀點負責，保證信息來源合法合規、研究方法專業審慎、研究觀點獨立公正、分析結論具有合理依據，特此聲明。p 本公司具備證券投資咨詢業務資格的本公司具備證券投資咨詢業務資格的說明說明國投證券股份有限公司（以下簡稱“本公司”）經中國證券監督管理委員會核準，取得證券投資咨詢業務許可。本公司及其投資咨詢人員可以為證券投資人或客戶提供證券投資分析、預測或者建議等直接或間接的有償咨詢服務。發布證券研究報告，是證券投資咨詢業務的

48、一種基本形式，本公司可以對證券及證券相關產品的價值、市場走勢或者相關影響因素進行分析，形成證券估值、投資評級等投資分析意見，制作證券研究報告，并向本公司的客戶發布。免責聲明免責聲明。本公司不會因為任何機構或個人接收到本報告而視其為本公司的當然客戶。本報告基于已公開的資料或信息撰寫，但本公司不保證該等信息及資料的完整性、準確性。本報告所載的信息、資料、建議及推測僅反映本公司于本報告發布當日的判斷，本報告中的證券或投資標的價格、價值及投資帶來的收入可能會波動。在不同時期，本公司可能撰寫并發布與本報告所載資料、建議及推測不一致的報告。本公司不保證本報告所含信息及資料保持在最新狀態，本公司將隨時補充、

49、更新和修訂有關信息及資料，但不保證及時公開發布。同時，本公司有權對本報告所含信息在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。任何有關本報告的摘要或節選都不代表本報告正式完整的觀點，一切須以本公司向客戶發布的本報告完整版本為準，如有需要，客戶可以向本公司投資顧問進一步咨詢。在法律許可的情況下，本公司及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或期權并進行證券或期權交易，也可能為這些公司提供或者爭取提供投資銀行、財務顧問或者金融產品等相關服務，提請客戶充分注意?？蛻舨粦獙⒈緢蟾鏋樽鞒銎渫顿Y決策的惟一參考因素，亦不應認為本報告可以取代客戶自身的投資判斷與決策。在任何情況

50、下，本報告中的信息或所表述的意見均不構成對任何人的投資建議，無論是否已經明示或暗示，本報告不能作為道義的、責任的和法律的依據或者憑證。在任何情況下，本公司亦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。本報告版權僅為本公司所有，未經事先書面許可，任何機構和個人不得以任何形式翻版、復制、發表、轉發或引用本報告的任何部分。如征得本公司同意進行引用、刊發的，需在允許的范圍內使用，并注明出處為“國投證券股份有限公司研究中心”，且不得對本報告進行任何有悖原意的引用、刪節和修改。本報告的估值結果和分析結論是基于所預定的假設，并采用適當的估值方法和模型得出的，由于假設、估值方法和模型均存在一定的局限性，估值結果和分析結論也存在局限性，請謹慎使用。國投證券股份有限公司對本聲明條款具有惟一修改權和最終解釋權。公司地址公司地址國投證券研究中心深圳市地 址：深圳市福田區福田街道福華一路119號安信金融大廈33樓郵 編：518026上海市地 址：上海市虹口區楊樹浦路168號國投大廈28層郵 編：200082北京市地 址：北京市西城區阜成門北大街2號樓國投金融大廈15層郵 編：100034