《汽車行業：智能駕駛將駛向何方？-240820（46頁）.pdf》由會員分享，可在線閱讀，更多相關《汽車行業：智能駕駛將駛向何方？-240820（46頁）.pdf（46頁珍藏版）》請在三個皮匠報告上搜索。

1、 請務必閱讀報告末頁的重要聲明 glzqdatemark1 證券研究證券研究報告 聯合研究|聯合研究專題|汽車（2128）智能駕駛將駛向何方？智能駕駛將駛向何方？2024年08月20日2024年08月20日|報告要點|分析師及聯系人 證券研究證券研究報告 請務必閱讀報告末頁的重要聲明 1/45 本篇報告深度拆解了智能駕駛，充分剖析智能駕駛當下百花齊放的原因，以及未來在何時、何種方式實現大規模的功能迭代以及商業模式如何成立。以全產業鏈視角充分回答了智能駕駛未來進展，以及各個環節中所帶來的投資機會。高登 張寧 SAC：S0590523110004 SAC：S0590523120003 請務必閱讀報

2、告末頁的重要聲明 2/45 聯合研究|聯合研究專題 glzqdatemark2 汽車 智能駕駛將駛向何方？投資建議：強于大市（維持）上次建議：強于大市 相對大盤走勢 從何而來：技術完善，智駕進入百花齊放階段共享出行或成為未來主要方向，高階智能駕駛與共享出行相互促進，未來保持融合進化，高階智駕或帶來安全和效率的提升。落地來看，受益于政策支持力度增大和消費者支付意愿增強，國內具備智能駕駛更好的發展環境。國內通過多個方向實現落地：（1）車路云 2020-2023 年的標準建立后，2024 年開始進入城市商業化落地階段；（2）Robotaxi 在多輪迭代后目前技術進入相對成熟階段；（3）L2+目前占比

3、為 9.3%，滲透率進入“5%-30%”階段，有望加速撬動消費需求。政策迭代，政策迭代，車路云、車路云、單車智能單車智能、RobotaxiRobotaxi 協同加速，高階智駕進入百花齊放的“綻放”階段。協同加速，高階智駕進入百花齊放的“綻放”階段。殊途同歸：落地方式差別，結果具備強互通性智能駕駛研發參與者持續增加，不同維度加速智能駕駛研發參與者持續增加，不同維度加速推進推進高階功能。高階功能。Robotaxi 采用“躍進式”方式，單車智能采用“漸進式”方式，從研發和落地方式上存在明顯差別。Robotaxi 與單車智能傳感器和計算方式高度一致，有望實現“1+12”的效果。我們認為高階高階功能功能

4、技術具備互通性技術具備互通性，端到端大模型加速迭代，端到端大模型加速迭代，數據規模和算力規數據規模和算力規模成為車企的核心競爭能力模成為車企的核心競爭能力。車路云、單車智能、Robotaxi 有望成為加速高階智能駕駛落地的三駕馬車，端到端等大模型應用有望加速高階智能駕駛功能落地。駛向何方：模型驅動，2025 年功能或大規模落地端到端大模型是智能駕駛未來落地的主要路徑。端到端大模型是智能駕駛未來落地的主要路徑。神經網絡充分簡化運算步驟，減少人工特征提取的需要，打通從感知到決策的全過程，訓練上將智能駕駛的核心生產力從研發人員轉向數據和算力，有望憑借算力積累實現功能迭代。智能駕駛端到端大模型是重要的

5、垂直類模型，20252025 年年有望實現大規模落地。車端從模型和硬件兩個維度完成升級，模型上探索端到端模型上限，世界模型、VLM 等加速端到端能力提升。硬件上電子電氣架構升級，算力集中傳感器成本逐步下探。商業模式：車企有望實現智能駕駛盈虧平衡車企車企未來有望實現未來有望實現智能駕駛維度的智能駕駛維度的盈虧平衡。盈虧平衡。（1）Robotaxi 通過成本下探實現單車的盈虧平衡，而后通過泛化能力實現 Robotaxi 維度下商業模式的盈虧平衡。（2）單車智能，通過功能優化帶動銷量及智駕車型占比的雙重提升，最終實現營收和毛利率水平的提升，直觀反應在財務數據中。（3）技術輸出，通過架構及算法等方式完

6、成對其他車企智能化水平的提升，從而實現營業收入來源的增加和擴張。投資建議：打通產業鏈，關注各環節投資機會端到端等端到端等 AIAI 大模型加速應用，車企端強者恒強。大模型加速應用，車企端強者恒強。車企維度上，建議關注域架構車型領先且車型保有量高的、智能駕駛研發支出較高的車企，重點推薦比亞迪、長安汽車、理想汽車和小鵬汽車。產業鏈價值量分配，技術領先的有更多的話語權。產業鏈價值量分配，技術領先的有更多的話語權。零部件維度上建議關注智能化充分收益零部件公司，重點推薦伯特利、德賽西威、電連技術、經緯恒潤等。產業加速，配套公司有望實現營收和業績的增長。產業加速，配套公司有望實現營收和業績的增長。數據存儲

7、和算力部署方面，建議關注國產 GPU、存儲服務器和作為算力基礎設施的 IDC、云計算、CDN 行業投資機會。風險提示：風險提示：智能駕駛進展不及預期；智能駕駛在消費決策權重下降；乘用車銷量不及預期。-20%-7%7%20%2023/82023/122024/42024/8汽車滬深3002024年08月20日2024年08月20日 請務必閱讀報告末頁的重要聲明 3/45 聯合研究|聯合研究專題 投資聚焦 核心邏輯 本篇報告復盤了智能駕駛的伊始，深度拆解了當下智能駕駛百花齊放的原因。智能駕駛研發參與者持續增加，從不同維度加速推進高階功能，在迭代過程中存在明顯的路線差異。Robotaxi 與單車智能

8、傳感器和計算方式高度一致，未來結果上具備相通性。端到端神經網絡充分簡化運算步驟，減少人工特征提取的需要，打通從感知到決策的全過程，訓練上將智能駕駛的核心生產力從研發人員轉向數據和算力，有望憑借算力積累實現功能迭代。2025 年或是垂類模型加速落地的一年，同時智能駕駛或迎來盈虧平衡，智能駕駛有望迎來行業趨勢性升級。投資看點 端到端等端到端等 AIAI 大模型加速應用，大模型加速應用，車企端車企端強者恒強。強者恒強。大模型的研發需要車企持續的研發投入，在保證端到端大模型“正循環”的情況下，即銷量領先、數據規模領跑的車企具備更大數據存儲量。同時銷量領先的情況下收入擴張后研發費用有望持續拓張，充分支持

9、算力的投入。未來我們認為，整車廠和智能駕駛企業將會加速分化，頭部企業有望具備更強大的研發能力。智能駕駛端到端大模型作為未來發展方向，車企是主要的投入者和推進者，建議關注域架構車型領先且對應車型保有量高的、智能駕駛研發支出較高的車企。重點推薦比亞迪、長安汽車、理想汽車、小鵬汽車、華為系車企等。產業鏈價值量分配，技術領先的有更多的話語權。產業鏈價值量分配，技術領先的有更多的話語權。產業鏈價值量來看，軟件和算法占比或進一步提升，現有的硬件結構或進一步降本，建議關注車端數據量和算力量具備優勢的零部件企業。數據產生階段：需要感知層、決策層、執行層的三層配合。建議關注線控底盤域供應商伯特利、拓普集團、保隆

10、科技、中鼎股份；智能駕駛域控制器核心供應商德賽西威、科博達、華陽集團等。數據傳輸階段：需要保持較高規模的數據的傳輸體量和車端集中式 E/E 架構，車端數據量和傳輸速度有望顯著提升。建議關注高速連接器核心供應商電連技術；區域控制器核心供應商經緯恒潤等。產業加速，配套公司有望實現營收和業績的增長。產業加速，配套公司有望實現營收和業績的增長。訓練端來看，數據存儲和算力部署有望迎來全新增長，頭部配套公司有望實現營收和業績的新增長。數據存儲和算力應用維度：車企或成為較大應用方向和需求核心彈性方向。建議關注算力方面的核心標的和數據存儲方面的核心領跑公司。隨著自動駕駛車型、里程的不斷增加，有望帶來更多的 A

11、I 算力部署需求和數據存儲需求。建議關注國產 GPU、存儲服務器和作為算力基礎設施的 IDC、云計算、CDN 行業核心標的。請務必閱讀報告末頁的重要聲明 4/45 聯合研究|聯合研究專題 正文目錄 1.從何而來：技術完善，智駕進入百花齊放階段.6 1.1 車路云：標準趨向完善，城市商業化應用加速.9 1.2 Robotaxi：功能通過地方性測試，盈利曙光初現.13 1.3 單車智能：技術突破撬動需求，加速拐點已至.18 1.4 殊途同歸：多路線百花齊放，智駕進入加速階段.20 2.駛向何方：模型驅動，2025 年有望大規模落地.23 2.1 端到端：效率提升，數據和算力成為核心生產要素.23

12、2.2 時間節點：垂類大模型或在 2025 年實現大規模落地.26 2.3 車端升級：輔助模型增加，架構升級硬件結構優化.31 2.4 商業模式：運營模式豐富，智駕迎來盈虧平衡曙光.37 3.投資建議：關注各環節龍頭公司的投資機會.43 4.風險提示.44 圖表目錄 圖表 1：未來共享化交通實現路徑.6 圖表 2：智能駕駛功能車型具備安全性的提升.7 圖表 3：使用特斯拉 Autopilot 功能安全性更高.7 圖表 4：高階智能駕駛有望保持運行效率的提升.7 圖表 5：各類車型運行時長對比.7 圖表 6：智能駕駛在國內具有更高的支付溢價.8 圖表 7：智能駕駛研發參與者持續增加.8 圖表 8

13、：我國智能網聯汽車及基建的相關政策演進.9 圖表 9：截止 2023 年底，各地智能駕駛示范區建設情況.10 圖表 10：我國智能網聯汽車標準體系建設.11 圖表 11：車路云一體化系統架構圖.11 圖表 12：近期智能網聯車路云一體化相關政策梳理.12 圖表 13：智能網聯車路云一體化產業整體產值增量（億元）預測（中性預測）13 圖表 14：各主要廠商布局情況.13 圖表 15：中國智能駕駛相關政策梳理.14 圖表 16：中國各省市無人駕駛相關政策梳理.15 圖表 17：中國主要廠商 Robotaxi 進程.16 圖表 18：北京亦莊通州區蘿卜快跑安全員招聘薪資.17 圖表 19：20192

14、030 年傳統出租車/網約車和 Robotaxi 的單公里成本（元）.17 圖表 20：L2 及以上智駕滲透率有望提速.18 圖表 21：L2+智駕月度滲透率.18 圖表 22：高速 NOA 月度滲透率.18 圖表 23：城市 NOA 月度滲透率.18 圖表 24：電動化時代投資框架.19 圖表 25：進入智能網聯汽車準入和上路通行試點聯合體基本信息.20 圖表 26：特斯拉 FSD V12.5 有望加速推進 Robotaxi.21 圖表 27：百度蘿卜快跑在武漢可示范運營范圍.21 請務必閱讀報告末頁的重要聲明 5/45 聯合研究|聯合研究專題 圖表 28：Robotaxi 與單車智能在高階

15、功能具備互通性.21 圖表 29：智能駕駛向高階發展的核心架構.22 圖表 30：智能駕駛端到端大模型架構.23 圖表 31：智能駕駛端到端大模型具備更高功能表現上限.23 圖表 32：特斯拉自動標注算法.24 圖表 33：算力和數據成為未來智能駕駛迭代的核心要素.24 圖表 34：各家車企智能駕駛 2023 年至今車型銷量及智能駕駛付費模式.24 圖表 35：車企車端算力部署進展.25 圖表 36：車企智能駕駛端到端模型評價體系及主要參數.25 圖表 37：垂直類模型有望加速落地，推動大模型發展.26 圖表 38：英偉達汽車收入占比逐步提升.27 圖表 39：英偉達汽車主要客戶.27 圖表

16、40：車企端到端大模型或進入加速訓練和功能落地階段.27 圖表 41：特斯拉 FSD V12 上市后累計里程數據突破十億公里.28 圖表 42：特斯拉軟件版本迭代.29 圖表 43：各家車企域架構平臺車型及上市時間.30 圖表 44：各車企城市 NOA 功能規劃.30 圖表 45：優質自主品牌高階智駕規劃.31 圖表 46：多個大模型引入幫助端到端大模型實現更好的效果.32 圖表 47：世界認知模型可以實現更好的幫助端到端大模型認知世界.32 圖表 48：VLM 模型將過去的 Rule-based 方案打包后放入模型.33 圖表 49：汽車 E/E 架構升級路線.34 圖表 50：智能駕駛催化

17、 E/E 架構升級.34 圖表 51：L3/L4 對 E/E 架構的需求升級.34 圖表 52：影子模式的訓練模式.35 圖表 53：智能駕駛數據閉環流程示意圖.35 圖表 54：智能駕駛傳感器性能對比.35 圖表 55：“攝像頭+毫米波雷達+超聲波雷達”的組合基本滿足感知需求.35 圖表 56：激光雷達成本持續下探，2024 年降價節奏逐步放緩.36 圖表 57：速騰聚創激光雷達成本下探（萬元）.36 圖表 58：禾賽科技激光雷達成本下探（萬元）.36 圖表 59：Pseudo-LiDAR 點云生成方式.37 圖表 60：Pseudo-LiDAR 點云生與激光雷達、前向視覺對物體感知的識別對

18、比.37 圖表 61：車企智能駕駛數據獲取體系為路測車隊+Robotaxi+家用車的結構.38 圖表 62：智能駕駛未來商業模式，有望迎來盈虧平衡.38 圖表 63：百度阿波羅 Robotaxi 在成本逐步下探.39 圖表 64：蘿卜快跑當前開放進展.40 圖表 65：小馬智行當前開放進展.40 圖表 66：國內 Robotaxi 商業化階段迭代節奏.40 圖表 67：理想汽車在 OTA6.0 后加速推進架構升級.41 圖表 68：理想汽車高階智駕版本占比有望提升.41 圖表 69：智能駕駛技術優勢企業有望實現技術輸出.41 圖表 70：豐田與華為在 9 代凱美瑞開展智能化合作.42 圖表 7

19、1：小馬智行與豐田中國、廣汽豐田在 Robotaxi 合作.42 請務必閱讀報告末頁的重要聲明 6/45 聯合研究|聯合研究專題 1.從何而來：技術完善，智駕進入百花齊放階段 交通出行的要求是安全和效率并重，共享化和無人化是未來交通體系發展的目標。交通出行的要求是安全和效率并重，共享化和無人化是未來交通體系發展的目標。實現路徑來看，單車智能通過 C 端購買單車智能化水平完成車輛的共享化；Robotaxi或共享出行運營商通過首先 B 端交付車輛而后提升智能駕駛的方式，而后實現智能駕駛水平的提升。共享化和智能化的本質是提升車輛運行效率和安全性。高階智能駕高階智能駕駛與共享出行相互促進，未來保持融合

20、進化。駛與共享出行相互促進，未來保持融合進化。圖表圖表1：未來共享化交通未來共享化交通實現路徑實現路徑 資料來源：國聯證券研究所繪制 安全：智能駕駛車輛安全性全面升級安全：智能駕駛車輛安全性全面升級，。Mohamed Abdel-Aty，Shengxuan Ding 等在A matched case-control analysis of autonomous vs human-driven vehicle accidents中針對美國數據進行統計，智能駕駛車輛執行常規駕駛任務（如保持車道位置和根據車流調整位置）時一般更安全、更不容易發生事故。根據特斯拉的車輛安全報告，2018Q4 至今使用

21、Autopilot 功能平均事故里程顯著高于未使用 Autopilot功能平均事故里程，即安全性全面提升。請務必閱讀報告末頁的重要聲明 7/45 聯合研究|聯合研究專題 圖表圖表2：智能駕駛功能車型具備安全性的提升智能駕駛功能車型具備安全性的提升 圖表圖表3：使用特斯拉使用特斯拉 AutopilotAutopilot 功能安全性更高功能安全性更高 資料來源：自然，A matched case-control analysis of autonomous vs human-driven vehicle accidents，Mohamed Abdel-Aty，Shengxuan Ding，國聯證券

22、研究所 資料來源：特斯拉車輛安全報告，國聯證券研究所 效率：全局維度優化效率效率：全局維度優化效率，商業化應用后車型使用時長和使用效率全面提升，商業化應用后車型使用時長和使用效率全面提升。高階功能落地后，憑借 V2X 體系可以實現規劃路線互通，通過云端計算或車端平臺互通對所有自動駕駛車輛的規劃路線統一調配，最大化利用交通路線。使用時間來看，出租乘用車的日均行駛時長為 9.7 小時/天，私人乘用車的日均行駛時長為 2.6 小時/天，共享化后資產運行效率顯著提升。圖表圖表4：高階智能駕駛有望保持運行效率的提升高階智能駕駛有望保持運行效率的提升 圖表圖表5：各類車型運行時長對比各類車型運行時長對比

23、資料來源：搜狐汽車，國聯證券研究所 資料來源：汽車之家，國聯證券研究所 國內具備智能駕駛更好的發展環境。國內具備智能駕駛更好的發展環境。政策上來看，我國政府對智能駕駛的支持力度更大，一方面開放更大測試權限和測試范圍，一方面標定了“兩橫三縱”的迭代戰略。消費層面來看，中國消費者對自動駕駛具有更高的支付溢價，具備良好的落地土壤。02004006008001000120014002018Q32018Q42019Q12019Q22019Q32019Q42020Q12020Q22020Q32020Q42021Q12021Q22021Q32021Q42022Q12022Q22022Q32022Q42023

24、Q12023Q22023Q32023Q42024Q12024Q2使用Autopilot平均碰撞事故里程（百萬公里）未使用Autopilot平均碰撞事故里程（百萬公里）請務必閱讀報告末頁的重要聲明 8/45 聯合研究|聯合研究專題 圖表圖表6：智能駕駛在國內具有更高的支付溢價智能駕駛在國內具有更高的支付溢價 資料來源：麥肯錫，國聯證券研究所 國內智能駕駛多維度推進，國內智能駕駛多維度推進，多維度探索高階功能落地方案多維度探索高階功能落地方案。智能駕駛研發參與者增加，從不同維度加速高階功能的落地。芯片廠商、整車廠、自動駕駛科技企業、出行科技企業等均加速入局，嘗試從不同維度解決智能駕駛算法，共同推進

25、高階智能駕駛功能落地。落地方式來看，車路云、Robotaxi、單車智能等多個方式推進。圖表圖表7：智能駕駛研發參與者持續增加智能駕駛研發參與者持續增加 資料來源：億歐智庫，億歐汽車，國聯證券研究所 請務必閱讀報告末頁的重要聲明 9/45 聯合研究|聯合研究專題 1.1 車路云：標準趨向完善，城市商業化應用加速 車路云車路云從從 20172017 年開始布局，經過年開始布局，經過 20202020-20232023 年的調整后，目前已經進入城市商業化年的調整后，目前已經進入城市商業化階段。階段。政策推進節奏受技術路線與功能效果的影響，技術完整性和路線選擇成為車路云方向的關鍵因素。復盤來看，國內針

26、對技術路線的政策主要經歷三個階段：（1）第一階段（2017-2020 年），智能網聯的試點階段；（2）第二階段（2021-2023 年），智能網聯標準體系建立階段；（3）第三階段（2024 年至今），城市商業化落地階段。圖表圖表8：我國智能網聯汽車及基建的相關政策演進我國智能網聯汽車及基建的相關政策演進 資料來源：中國政府網，國聯證券研究所整理 第一階段：第一階段：智能網聯的試點階段智能網聯的試點階段，試點范圍持續擴大，試點范圍持續擴大。政策驅動以及標準體系完善，我國智能網聯汽車“車路云一體化”建設進入快通道。截至 2023 年底，全國共建設17 個國家級測試示范區、7 個車聯網先導區、16

27、個智慧城市與智能網聯汽車協同發展試點城市，開放測試示范道路 22000 多公里，發放測試示范牌照超過 5200 張，累計道路測試總里程 8800 萬公里，自動駕駛出租車、干線物流、無人配送等多場景示范應用有序開展。從空間分布來看，我國已經形成環渤海、長三角、珠三角、中西部四大智能網聯汽車產業集群。請務必閱讀報告末頁的重要聲明 10/45 聯合研究|聯合研究專題 圖表圖表9：截止截止 20232023 年底，各地智能駕駛示范區建設情況年底，各地智能駕駛示范區建設情況 城市城市 試點區域試點區域 牌照發放牌照發放 開放道路測試開放道路測試 高高速速 核心區域核心區域 項目項目規劃規劃 基礎設施建設

28、情況基礎設施建設情況 北京 海淀、順義、石景山、房山、通州、經開區 22 家 企 業739 輛 336 條 1161 公里 北京亦莊（經開區）分 四階段，正 在推 進3.0 建設 亦莊建成 329 個智能網聯標準路口，部署共 4400 余個相機、1200 余個雷達感知設備設施，RSU 通訊設施350 余個，邊緣計算單元設施 480 余個，建設超高速無線通信技術 EUHT 專網，雙向 750 公里城市道路和10 公里高速公路實現車路云一體化功能覆蓋。上海 嘉定、臨港、奉賢、浦東金橋 32 家 企 業772 輛 926 條 1800 公里 嘉定區 建 設完成 嘉定建設完成智慧路口近 300 個，其

29、中全息路口 60個；累計建設 230.6 公里智能網聯示范區車路協同環境，部署 5G 基站 4370 個，部署北斗定位基站 15 個，覆蓋范圍 464 平方公里 廣州 黃埔、白云、海珠、番禺、花都、南沙 13 家 企 業308 輛 507 條 1062 公里 黃浦區 兩 期建 設完成 黃埔一期完成 133km 城市開放道路和 102 個路口的智能化改造，規?；渴?1318 個 Al 感知設備、89 個V2X 路側通信單元；二期新增 437 公里高精地圖覆蓋道路，包含 230 個路口智慧化改造 長沙 湘江新區-城市：200 平方公里 高速：100 公里 梅溪湖片區、洋湖片區、大王山片區 建 設

30、完成 完成長沙主城區 200 平方公里范圍內 286 個路口的城市道路和高速公路 151 個點位智能化和網聯化改造，智慧物流車路協同示范線開放道路智能化 29 個點位改造，累計建設完成 6.8 萬余個 5G 邏輯基站 無錫 錫山、新吳、經開、梁溪、濱湖區 6 家企業道路 測 試 牌照；5家企業示范運營牌照 開放全域城市道路、2 條城市快速路、4 個片區 147.1 平方公里無人化自動駕駛測試區-無 錫 錫 山 區（錫 東 新 城商務區）市 區聯 動隨 路隨建 全市建成 450 平方公里，856 個點段，1200 公里的車路協同基礎設施覆蓋；完成車聯網基礎設施建設錫東新城 45 平方公里全域覆蓋

31、，改造道路點位 255 個、道路里程雙向 295.4 公里、搭建功能性場景 15 類，核心測試區實現全息路口全覆蓋，建成城市環境下真實隧道、高架等復雜道路場景，大規模部署了智能網聯行人過街場景 28 個點位 天津 西青區-523.8 公里-天 津 南 站 商務區 兩 期建 設完成 西青全域內完成改造 408 個路口 17 個路段，總長 449公里，覆蓋面積約為 342.2 平方公里，其中包含 110個全息路口，部署 RSU、攝像頭、雷達等設備共計 3600余臺 資料來源：賽文研究院，國聯證券研究所整理 第二階段：標準統一，第二階段：標準統一，政策指引車路云架構政策指引車路云架構和標準和標準完善

32、完善。智能駕駛示范區有望實現全國標準統一，滿足高階智能駕駛大面積測試。關于開展智能網聯汽車“車路云一體化”應用試點的通知以及智能網聯汽車“車路云一體化”規模建設與應用參考指南（1.0 版）明確推動建成一批架構相同、標準統一、業務相同、安全可靠的城市級應用試點項目并制定了詳細的落地方案，有望進入標準化運行階段。請務必閱讀報告末頁的重要聲明 11/45 聯合研究|聯合研究專題 圖表圖表10：我國智能網聯汽車標準體系建設我國智能網聯汽車標準體系建設 資料來源：中國政府網，國家智能網聯汽車創新中心，中國汽車工程協會，國聯證券研究所 圖表圖表11：車路云一體化系統架構圖車路云一體化系統架構圖 資料來源：

33、國家智能網聯汽車創新中心，中國汽車工程學會智能網聯汽車“車路云一體化”規模建設與應用參考指南（1.0 版），國聯證券研究所 請務必閱讀報告末頁的重要聲明 12/45 聯合研究|聯合研究專題 第三階段：大規模商業第三階段：大規模商業化應用階段?；瘧秒A段。本次政策加速，推動國內車路云協同發展，標準化體系已逐步清晰。截至 2024 年 1 月，智能網聯汽車領域已制定發布國家和行業標準 43 項，初步建立起能夠支撐駕駛輔助及自動駕駛通用功能的智能網聯汽車標準體系。其中關于開展智能網聯汽車準入和上路通行試點工作的通知、關于開展智能網聯汽車“車路云一體化”應用試點的通知和智能網聯汽車“車路云一體化”規模

34、建設與應用參考指南（1.0 版）的發布備受市場關注，三個文件互相聯系，共同構建了智能網聯汽車準入及上路通行和智能網聯“車路云一體化”體系。圖表圖表12：近期智能網聯車路云一體化相關政策梳理近期智能網聯車路云一體化相關政策梳理 文件名稱 智能網聯汽車“車路云一體化”規模建設與應用參考指南（1.0 版）關于開展智能網聯汽車“車路云一體化”應用試點的通知 關于開展智能網聯汽車準入和上路通行試點工作的通知 發布時間 2024 年 5 月 2024 年 1 月 2023 年 11 月 目標 建成一批架構相同、標準統一、業務互通、安全可靠的城市級應用試點項目 以城市為申請主體，旨在開展智能化路側基礎設施和

35、云控基礎平臺等建設，形成統一的車路協同技術標準與測試評價體系，健全道路交通安全保障能力，促進規?；痉稇煤托滦蜕虡I模式探索 準入和上路通行試點由汽車生產企業和使用主體組成聯合體自愿申報，通過遴選符合條件的智能網聯汽車產品開展準入和上路通行試點。主要內容（1）智能網聯汽車車路云一體化應用試點的基本原則和目標（2）車路云一體化系統定義（3）車路云一體化系統建設內容和基本要求（4）車路云一體化系統的具體組織實施工作的具體部署 建設智能化路側基礎設施 提升車載終端裝配率 建立城市級服務管理平臺 開展規?；痉稇?探索高精度地圖安全應用 完善標準及測試評價體系 建設跨域身份互認體系 提升道路交通安全

36、保障能力 探索新模式新業態 正式對 L3/L4 自動駕駛的準入規范進行了具體要求 并完善了相關規則 首次明確高階智駕事故責任歸屬 開啟了對首批企業的遴選工作 進展 目前共建設 17 個國家級測試示范區、7 個車聯網先導區、16 個智慧城市與智能網聯汽車協同發展試點城市，開放測試示范道路22000 多公里，發放測試示范牌照超過 5200 張，累計道路測試總里程 8800 萬公里 5 月 31 日，北京市公共資源交易服務平臺發布北京市車路云一體化新型基礎設施建設項目（初步設計、施工圖設計）招標公告 6 月 3 日，福州智能網聯車路云一體化啟動區示范建設審批類項目公示 6 月 4 日鄂爾多斯市新能源

37、智能網聯汽車車路云一體化應用示范項目已成功獲得備案 6 月 4 日，工信部等四部委發布了 9個開展智能網聯汽車準入和上路通行試點的聯合體名單 未來規劃 指南也將持續迭代升級、更新完善，支撐城市級車路云一體化示范項目建設 長春、杭州等地也已積極申報相關試點，首批試點城市名單有望于 6 月底公布 推動高階智能駕駛技術不斷測試和優化 資料來源：智能交通技術，汽車學會，工信微報，財聯社，國聯證券研究所整理 監管側監管側：聚焦于完善車路云網絡架構和路端通信能力。聚焦于完善車路云網絡架構和路端通信能力。路端基礎設施建設和基礎支撐整體具備較大彈性，成為車路云的核心增長方向。規模來看，預計 2025 年/20

38、30 年我國路端基礎設施建設和基礎支撐產值分別從 223/599 億元提升至 4174/1167 億元。路端和網絡端基建具備較大增長彈性，成為監管側接入的核心方向。請務必閱讀報告末頁的重要聲明 13/45 聯合研究|聯合研究專題 圖表圖表13：智能網聯車路云一體化產業整體產值增量（億元）預測（中性預測）智能網聯車路云一體化產業整體產值增量（億元）預測（中性預測）資料來源：中國汽車工程學會，國家智能網聯汽車創新中心車路云一體化智能網聯汽車產業產值增量預測，國聯證券研究所 1.2 Robotaxi：功能通過地方性測試，盈利曙光初現 20092009 年開始年開始 R Robotaxiobotaxi

39、 逐步開啟逐步開啟研發和研發和商業化落地。商業化落地。技術端，在特斯拉、百度、華為等頭部廠商的引領下，智能駕駛技術加速迭代，成熟度持續提升。成本端，隨著高階智能駕駛規?；涞?，產業鏈相關配套設施成本進一步下降，也推動 Robotaxi 整體成本的下降，全球 Robotaxi 商業化邁入新階段。當下進展來看，Robotaxi 商業化穩步推進。海外 Waymo 商業化進展順利，2024 年 6 月，Waymo 每周付費訂單約為 5 萬單，營收實現顯著提升。國內百度旗下蘿卜快跑已經在 11 個城市開放載人測試運營服務，且在北京、武漢、重慶、深圳、上海等地開展全無人自動駕駛出行服務測試，預計蘿卜快跑

40、2024 年實現武漢單城市的盈虧平衡，商業化落地加速。圖表圖表14：各主要廠商布局情況各主要廠商布局情況 企業企業 開始研開始研發時間發時間 國家國家 主要測試地區主要測試地區 累計實測和累計實測和運營里程運營里程 車隊規車隊規模模 訂單量訂單量 營收情況營收情況 Waymo 2009 美國 鳳凰城、加州舊金山、奧斯汀、洛杉磯 6440 萬公里 大于 700輛 2023 年累計接單 70 萬單；2024 年4 月，每周可接付費訂單 5 萬單。2022 年營收約 200 萬美元。Cruise 2013 美國 加州舊金山 483 萬公里 約 300 輛-百度 2013 中國 上海、深圳、武漢、北京

41、等 11 個城市 超 9000 萬公里 大于1000 輛 2023 年出行服務訂單超過 300 萬單；2024 年 Q1，自動駕駛訂單約82.6 萬單；截至 4 月 19 日，累計600 萬單?；?2024 年 Q1 數據假設全年訂單，2024 年營收有望超過 6 千萬。美國 加州舊金山、洛杉磯等 小馬智行 2016 中國 北京、廣州、上海、深圳等 超 3500 萬公里（截至 2024年 6 月）大于 400輛 截至 2022 年 4 月，完成自動駕駛服務 70 萬次訂單?；谌站鶖祿僭O全年訂單，在深營收可達 150 萬元左右。美國 弗里蒙特等 文遠知行 2017 中國 廣州、北京、深圳、

42、上海、等 2500 萬公里 大于 500輛 2019 年 12 月 01 日至 31 日，共完成 8,396 個出行訂單，日均出行服務 271 次，共服務 4,683 名用戶?；?2019 年 12 月數據假設全年訂單，年均營收可達 200 萬元。美國 加州圣何塞 資料來源：各公司官網，中國汽研，智能車參考，每日經濟新聞，澎湃新聞，界面新聞，新浪科技，財聯社 AI daily，TechWeb，中國汽車工程研究院高級別自動駕駛應用白皮書，國聯證券研究所整理（注：1 英里1.61 公里）請務必閱讀報告末頁的重要聲明 14/45 聯合研究|聯合研究專題 國內國內政策端：明確自動駕駛準入規范，各試點

43、城市落地規范政策端：明確自動駕駛準入規范，各試點城市落地規范發布。發布。頂層框架和地方法頂層框架和地方法規相輔相成。規相輔相成。整體而言，中國的政策框架旨在確保自動駕駛技術的穩定發展，同時鼓勵創新和商業化應用。而在地方層面，一些城市如北京、上海和廣州等，已經開始實施更為積極的政策措施，以支持自動駕駛技術的測試和應用，推動自動駕駛規?；慨a和商業化運營。截至 2023 年底，全國共建設 17 個國家級測試示范區、7 個車聯網先導區、16 個智慧城市與智能網聯汽車協同發展試點城市，開放測試示范道路超 2.2萬公里，發放測試示范牌照超 5200 張。在無人駕駛出租車方面，截至 2024 年 4 月底

44、，國內發放的無人駕駛出租車試運營牌照總共 6800 張。圖表圖表15：中國智能駕駛相關政策梳理中國智能駕駛相關政策梳理 內容內容 具體要求或規定具體要求或規定 運營牌照 應依法取得網絡預約出租汽車運輸證或道路運輸證，符合交通運輸行業經營性機動車運營安全技術標準要求。安全員要求 L3 和 L4 級別 Robotaxi 應隨車配備 1 名安全員；L5 級別在確保安全前提下，可使用遠程安全員，人車比不得低于 1:3。安全保障 自動駕駛運輸經營者應與相關方簽署協議，明確權利責任義務，并進行專業性論證和安全風險評估。報告應告知相關部門。自動駕駛車輛應具備運行狀態信息記錄、存儲和傳輸功能，實時傳輸關鍵運行

45、狀態信息。事故發生時，自動記錄和存儲至少 90秒的運行狀態信息。責任劃分 服務指南未具體規定責任分配，相關依據見準入通知。保險公司在責任限額內賠償，不足部分按道路交通安全法確定。智能網聯汽車一方依法承擔責任的，由試點使用主體承擔。有過錯的相關主體可被追償。構成犯罪的，追究刑事責任。資料來源：金杜研究院，國聯證券研究所整理 各地陸續出臺相關政策，加速各地陸續出臺相關政策，加速 R Robotaxiobotaxi 落地。落地。以上海為例，2023 年上海 7 家企業、30 輛無駕駛人汽車常態化開展測試，4 家企業、13 輛汽車啟動高快速路測試與示范，3 家企業、9 輛汽車獲得 L3 級別自動駕駛高

46、快速路測試牌照。截至 2023 年底，上海累計開放測試區域總面積 912 平方公里，嘉定 464 平方公里和臨港 386 平方公里全域開放，自動駕駛測試（功能測試）里程 743.7 萬公里，測試時長 65 萬小時。請務必閱讀報告末頁的重要聲明 15/45 聯合研究|聯合研究專題 圖表圖表16：中國各省市無人駕駛相關政策梳理中國各省市無人駕駛相關政策梳理 城市城市 政策文件政策文件 時間時間 主要內容主要內容 北京 北京市智能網聯汽車政策先行區自動駕駛出行服務商業化試點管理實施細則（試行）2021.11 允許在亦莊 60 平方公里范圍內開展主駕無人的商業化運營；2023 年修訂版開放車內無人商業

47、化試點，要求 1:1 遠程配備駕駛人。北京市自動駕駛汽車條例（征求意見稿）2024.6 支持 Robotaxi 在城市公共汽車客運、出租汽車客運（包括網約車）、汽車租賃等城市出行服務中使用；在創新活動期間，Robotaxi 應配備駕駛人或（遠程）安全員，以監控運行狀態并在必要時接管車輛。上海 上海市加快智能網聯汽車創新發展實施方案 2022.8 鼓勵創新，支持智能網聯汽車技術的研發和應用，以提升自主創新能力和技術水平；到 2025 年，上海將初步建成國內領先的智能網聯汽車創新發展體系，產業規模達到 5000 億元，L2 和 L3 級汽車占新車生產比例超過70%，L4 級及以上汽車在限定區域實現

48、商業化應用。上海市智能網聯汽車高快速路測試與示范實施方案 2023.1 遵循鼓勵創新、審慎包容、循序漸進的原則，嚴格控制申請主體、車輛和人員，確保安全有序、風險可控；到 2023 年，計劃有 5 家以上主體、超過 30 輛車在高快速路上進行測試（測試時速不低于 60 公里/小時），2 家以上主體開展示范應用，累計測試里程超過 5 萬公里，且無重大道路安全事故發生。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 2023.3 企業需經歷道路測試、示范應用、示范運營后，方可進行商業化運營。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 2023.3“無駕駛

49、人路測”落地。廣州 廣州市南沙區智能網聯汽車混行試點區及特殊運營場景混行試點總體方案 2023.6 南沙區成為首個智能網聯汽車混行試點區，符合條件的企業可在規定區域范圍內開展示范運營。深圳 深圳市坪山區智能網聯汽車全域開放管理系列政策 2022.12 全國首份有立法支撐的全域開放和商業化試點政策，明確商業化試點的定義、范圍、申請要求和管理要求。資料來源：金杜研究院，北京市人民政府，上海市人民政府，金融界，深科新，國聯證券研究所整理 參與者：百度領跑，文遠知行、小馬智行加速推進，整車廠開始布局。參與者：百度領跑，文遠知行、小馬智行加速推進，整車廠開始布局。2024 年 Q1，百度的自動駕服務蘿卜

50、快跑提供的自動駕駛訂單約 82.6 萬單，同比增長 25%；截至2024 年 4 月 19 日，蘿卜快跑累計為公眾提供的自動駕駛出行服務訂單超 6 百萬次。2023 年 9 月，小馬智行獲得深圳市級首個無人化商業化示范應用許可，獲準在深圳核心城區向公眾提供 L4 級無人化自動駕駛出行服務（Robotaxi）。早在 2018 年初，文遠知行在廣州生物島開啟國內首個 L4 級別自動駕駛常態化試運行。2019 年 6 月，文遠知行獲頒 20 張廣州自動駕駛路測牌照，占廣州總牌照數超過 80%，數量位居全國第二；同年 12 月，在廣州正式開啟運營服務，服務范圍覆蓋黃埔區核心的 144.65平方公里的城

51、市開放道路。整車廠進展來看，小鵬汽車、長安汽車均開始布局Robotaxi 等方向的最新進展，逐步拓寬高階智能駕駛數據獲取的邊界。請務必閱讀報告末頁的重要聲明 16/45 聯合研究|聯合研究專題 圖表圖表17：中國主要廠商中國主要廠商 RobotaxiRobotaxi 進程進程 廠商廠商 部分主要進展部分主要進展 百度百度 ApolloApollo 2022 年 2 月，正式落地深圳市創新高地南山區，面向市民提供自動駕駛示范應用出行服務；同年 4 月，北京發放無人化載人示范應用通知書，百度成為首家獲準企業，蘿卜快跑正式開啟無人化自動駕駛出行服務。2024 年 2 月，首批獲準北京大興機場高速、大

52、興機場部分區域的自動駕駛車輛載人示范應用；同年 3 月，宣布武漢部分區域自動駕駛出行服務時間拓展至 7*24 小時。小馬智行小馬智行 2022 年 4 月，中標廣州市南沙區 2022 年出租車運力指標，并取得北京市智能網聯汽車政策先行區首批“無人化示范應用道路測試”通知書，成為首個在北京和廣州均獲準落地商業化 Robotaxi 服務的公司。2023 年 9 月，獲得深圳市級首個無人化商業化示范應用許可，獲準在深圳核心城區向公眾提供 L4 級無人化自動駕駛出行服務（Robotaxi）。2024 年 7 月，獲上海市首批無人駕駛智能網聯汽車示范應用許可，提供 Robotaxi 服務。文遠知行文遠知

53、行 2019 年 6 月，獲頒 20 張廣州自動駕駛路測牌照，占廣州總牌照數 80%，數量位居全國第二。2023 年 6 月，正式取得北京市高級別自動駕駛示范區“無人化車外遠程階段”示范應用許可，在京開展純無人示范應用。2024 年 2 月，在北京大興國際機場至經開區之間開展 Robotaxi 載人示范活動；同年 5 月，獲準在北京南站進行自動駕駛測試。小鵬汽車小鵬汽車 2024 年 8 月，以 58.35 億元人民幣收購滴滴的“智能電動車資產”，預計通過與滴滴的合作，借助滴滴的出行網絡和平臺，加速智能車車隊的建設，尤其是在 Robotaxi 領域的發展。長安汽車長安汽車 2024 年 5 月

54、，西部車網（重慶）與重慶長安車聯簽訂合作協議，雙方將基于長安汽車產品技術規劃展開探索，包括 L2、L3、L4 各級別智能駕駛產品的規?；缆窚y試及商業化運營探索，將在科學城智能網聯汽車示范區內投放 68 輛自動駕駛出租車。2024 年 7 月，在互動易平臺宣布，在智能駕駛網約車方面已經具備了實現技術。資料來源：百度 Apollo，小馬智行，文遠知行，新能源汽車國家大數據聯盟，智能車參考，國聯證券研究所 短期：三大成本制約，單車總成本仍在高位。短期：三大成本制約，單車總成本仍在高位。成本測算來看，Robotaxi 主要成本包括整車制造成本、運營成本、安全運維成本等。（1）整車制造成本：主流 Ro

55、botaxi車型主要使用依賴高精地圖和激光雷達的感知技術方案，單車成本較高。（2）運營成本：對比普通網約車和出租車公司，Robotaxi 的日常運營成本更高。（3）安全運維成本：包括地勤人員成本和遠程監管與監控成本。當前安全員配備形式仍為車上安全員為主，每輛車需要安排 1 名安全員，以應對車輛接管的情況。以蘿卜快跑為例，根據招聘網站，一名安全員的薪資大約在 6 千到 8 千，假設蘿卜快跑在北京試點測試200 輛 Robotaxi，則每月將會產生 120 萬到 160 萬的安全員成本。請務必閱讀報告末頁的重要聲明 17/45 聯合研究|聯合研究專題 圖表圖表18：北京亦莊通州區蘿卜快跑安全員招聘

56、薪資北京亦莊通州區蘿卜快跑安全員招聘薪資 資料來源：智聯招聘，國聯證券研究所 中長期：中長期：預計預計 20262026 年左右年左右 RobotaxiRobotaxi 單車成本接近出租車單車成本接近出租車/網約車網約車。未來，隨著車上安全員轉為遠程模式，自動駕駛技術成熟、核心供應鏈穩定，Robotaxi 單車成本有望不斷下降，預計于 2026 年逐漸達到盈虧平衡拐點。（1）整車制造成本：預計到 2030年，前裝 Robotaxi 車型的整車制造成本有望下降 50%-65%。隨著半固態激光雷達方案及固態激光雷達技術的普及，規模效應有望實現成本下降。（2）安全運維成本：未來，安全員的角色將由車內

57、轉移到遠程，并且人車比將降低，這將大幅削減與安全相關的運維開支。目前遠程安全員的人車比至少為 1:3。后續有望實現人車比降低在1:15 至 1:20。預計到 2026 年有望實現對傳統出租車單公里成本的反超。圖表圖表19：2 201901920302030 年傳統出租車年傳統出租車/網約車和網約車和 RobotaxiRobotaxi 的單公里成本（元）的單公里成本（元）資料來源：弗若斯特沙利文，國聯證券研究所 05101520252019202020212022 2023E2024E2025E2026E2027E2028E2029E2030E傳統出租車/網約車Robotaxi 請務必閱讀報告末

58、頁的重要聲明 18/45 聯合研究|聯合研究專題 1.3 單車智能：技術突破撬動需求，加速拐點已至 單車智能單車智能駕駛滲透率全面加速，駕駛滲透率全面加速，L2+L2+及以上功能應用及以上功能應用加速落地。加速落地。2024 年 1-5 月，L2 級銷量占比為 35.19%，L2+銷量占比為 9.25%，合計銷量占比達到 44.44%；5 月 L2+銷量占比為 11.34%，同比+6.49pct，環比+1.05pct，高階智能駕駛車型滲透加速，智能駕駛功能完善有望撬動消費需求。圖表圖表20：L L2 2 及以上智駕滲透率有望提速及以上智駕滲透率有望提速 圖表圖表21：L L2+2+智駕月度滲透

59、率智駕月度滲透率 資料來源：高工智能汽車，中保信，國聯證券研究所 資料來源：高工智能汽車，中保信，國聯證券研究所 優質供給推動優質供給推動 N NOAOA 滲透率穩步提升。滲透率穩步提升。2024 年以來，高速 NOA 和城市 NOA 的滲透率快速提升，2024 年 4 月高速 NOA 標配滲透率達到 6.49%，同比+4.11pct；選配滲透率達到 4.74%，同比+1.06pct，合計滲透率已超過 10%。4 月城市 NOA 標配滲透率達到1.42%，同比+0.44pct；選配滲透率達到 3.50%，同比+2.93pct，合計滲透率達到 4.92%，同比+3.37pct。選配車型基本都預埋

60、了用于實現城市 NOA 功能的硬件，主機廠可 OTA的情況下，消費者后續可付費購買并使用該功能。圖表圖表22：高速高速 N NOAOA 月度滲透率月度滲透率 圖表圖表23：城市城市 N NOAOA 月度滲透率月度滲透率 資料來源：高工智能汽車，中保信，國聯證券研究所 資料來源：高工智能汽車，中保信，國聯證券研究所 0%10%20%30%40%50%60%70%80%90%100%L0L1L2L2+0%2%4%6%8%10%12%2023-012023-022023-032023-042023-052023-062023-072023-082023-092023-102023-112023-12

61、2024-012024-022024-032024-042024-05L2+0%2%4%6%8%10%12%14%2023-012023-022023-032023-042023-052023-062023-072023-082023-092023-102023-112023-122024-012024-022024-032024-04標配選配（含未激活）合計0%1%2%3%4%5%6%2023-012023-022023-032023-042023-052023-062023-072023-082023-092023-102023-112023-122024-012024-022024-03

62、2024-04標配（含未激活）選配（含未激活）合計 請務必閱讀報告末頁的重要聲明 19/45 聯合研究|聯合研究專題 復盤電動化，滲透率復盤電動化，滲透率 5 5-30%30%進入加速階段，智能化目前進入滲透率加速階段。進入加速階段，智能化目前進入滲透率加速階段。電動化發展至今，主要可以分為三個階段：1）第一階段為 2016-2019 年，新能源乘用車行業處于萌芽期，滲透率處于 0%-5%，行業發展主要靠政策補貼驅動；2）第二階段為2020-2022 年，由于技術突破、新進入者和優質供給增加，新能源乘用車行業滲透率處于 5%-30%的加速成長期階段；3）第三階段為 2023 年初以來，滲透率邁

63、入 30%-60%穩定增長的成熟期。目前 L2+車型滲透率超過 10%，進入滲透率加速階段。圖表圖表24：電動化時代投資框架電動化時代投資框架 資料來源：國聯證券研究所整理 智能網聯汽車準入和上路通行試點通知出臺，自動駕駛行業進入快車道。智能網聯汽車準入和上路通行試點通知出臺，自動駕駛行業進入快車道。2023 年 11月，工信部、公安部等四部門聯合發布關于開展智能網聯汽車準入和上路通行試點工作的通知，通知中正式對 L3/L4 自動駕駛的準入規范進行了具體要求，首次明確了高階智駕事故責任歸屬，完善了相關規則，開啟遴選具備量產條件的搭載自動駕駛功能的智能網聯汽車產品開展準入試點。該通知出臺標志著正

64、式完善了 L3/L4 級自動駕駛上路的政策支持，有望促進我國智能網聯汽車產品的功能、性能提升和產業生態的迭代優化。方向：方向：本次試點測試聚焦在本次試點測試聚焦在 L3L3 及及 L4L4 級別自動駕駛功能的測試。級別自動駕駛功能的測試。從政策內容來看，本次試點主要加強以下方面的工作：（1）基于試點實證，在法律法規、管理政策和標準體系上形成對應標準，加快推進智能網聯汽車測試驗證、安全評估等支撐能力建設。（2）加快各部門、各地方橫向協同、縱向聯動的安全管理工作機制，為后續高階智能駕駛應用打通機制通道。政策加速落地有望帶動高階智能駕駛功能的推進，同時法規與標準有望明確功能邊界。請務必閱讀報告末頁的

65、重要聲明 20/45 聯合研究|聯合研究專題 參與者：主要車企進入參與者：主要車企進入智能網聯汽車準入和上路通行試點。智能網聯汽車準入和上路通行試點。2024 年 6 月，四部門組織專家對首次集中申報的方案進行了初審和擇優評審，初步確定了 9 個聯合體進入試點。首批進入智能網聯汽車準入和上路通行試點聯合體包括比亞迪、長安汽車在內的 9 家車企和相關的 9 家使用主體構成，相關準入和試點將在北京、上海、深圳等 7個城市展開，試點產品覆蓋乘用車、客車以及貨車三大類。圖表圖表25：進入智能網聯汽車準入和上路通行試點聯合體基本信息進入智能網聯汽車準入和上路通行試點聯合體基本信息 序號序號 汽車生產企業

66、汽車生產企業 使用主體使用主體 車輛運行所在城市車輛運行所在城市 產品類別產品類別 1 重慶長安汽車股份有限公司 重慶市長安車聯科技有限公司 重慶市 乘用車 2 比亞迪汽車工業有限公司 深圳市東潮出行科技有限公司 廣東省深圳市 乘用車 3 廣汽乘用車有限公司 廣汽祺宸科技有限公司 廣東省廣州市 乘用車 4 上海汽車集團股份有限公司 上海賽可出行科技服務有限公司 上海市 乘用車 5 北汽藍谷麥格納汽車有限公司 北京出行汽車服務有限公司 北京市 乘用車 6 中國第一汽車集團有限公司 一汽出行科技有限公司 北京市 乘用車 7 上汽紅巖汽車有限公司 上海友道智途科技有限公司 湖南省儋州市 貨車 8 宇

67、通客車股份有限公司 鄭州市公共交通集團有限公司 河南省鄭州市 客車 9 蔚來汽車科技（安徽）有限公司 上海蔚來汽車有限公司 上海市 乘用車 資料來源：工信微報，國聯證券研究所整理 1.4 殊途同歸：多路線百花齊放，智駕進入加速階段 當下時點：當下時點：車路云、車路云、單車智能單車智能、R Robotaxiobotaxi 協同加速，協同加速，共同共同加速加速高階高階智能駕駛落地。智能駕駛落地。功能上端到端大模型和 Robotaxi 進展超預期：（1）端到端大模型：特斯拉 3 月推送Supervised 版本，完成從測試階段到監管階段的質變，國內理想、小鵬端到端大模型加速上車；（2）Robotax

68、i 方面，蘿卜快跑在武漢全面鋪開使用，特斯拉 12.5.x 有望加速落地 Robotaxi，國內外進展加速，有望成為加速智能駕駛的又一關鍵因素。請務必閱讀報告末頁的重要聲明 21/45 聯合研究|聯合研究專題 圖表圖表26：特斯拉特斯拉 FSD V12.5FSD V12.5 有望加速推進有望加速推進 RobotaxiRobotaxi 圖表圖表27：百度蘿卜快跑在武漢可示范運營范圍百度蘿卜快跑在武漢可示范運營范圍 資料來源：Not a Tesla App，國聯證券研究所 資料來源：晚點，中國新聞周刊，國聯證券研究所（注：橙色、黃色、藍色分別為 2022 年、2023 年、2024 年 2 月后蘿

69、卜快跑開放運營的區域）高階智能駕駛階段后技術具備互通性。高階智能駕駛階段后技術具備互通性。（1）傳感器來看，Robotaxi 和單車智能均采用“攝像頭+激光雷達”的感知體系。（2）計算方式來看，對于世界認知、物體識別等算法高度一致。RobotaxiRobotaxi 與與單車智能單車智能有望實現“有望實現“1+11+12 2”的效果?！钡男Ч?。單車智能受益于保有量的領先，有望實現數據規模上的領先。Robotaxi 由于功能效果領先，以及在數據認知、任務模型構建等環節具有較強開發能力，可以針對低頻場景和特殊城市地區完成場景庫的搭建與豐富，從而在高階智能駕駛功能中實現互補。圖表圖表28：Robota

70、xiRobotaxi 與與單車智能單車智能在高階功能具備互通性在高階功能具備互通性 資料來源：易航智能，國聯證券研究所 請務必閱讀報告末頁的重要聲明 22/45 聯合研究|聯合研究專題 車路云、車路云、單車智能單車智能、R Robotaxiobotaxi 有望成為加速高階智能駕駛落地的三駕馬車，端到端有望成為加速高階智能駕駛落地的三駕馬車，端到端等大模型應用有望加速高階智能駕駛功能落地。等大模型應用有望加速高階智能駕駛功能落地。分工來看，車路云主要由監管側完成推進，落地方式以基建為主。車路云作為智能駕駛的底座，在未來高階智能駕駛落地的作用中起到至關重要的作用：一方面需要給予單車智能與 Robo

71、taxi 路端數據補償，充分補充視野盲區，成為感知的重要一環；另一方面，保證功能落地需要確定的監管體系，車路云可以通過路端數據獲取的方式完成安全性監督。同時，Robotaxi 和單車智能作為不同實現高階智能的兩種方式，數據范圍和功能路徑上互補，未來有望實現“1+12”的落地效果。端到端等大模型通過簡化計算方式，實現從感知到規劃整體模型的落地，成為智能駕駛落地的核心催化劑。我們認為未來將形成車路云、單車智能、Robotaxi 的結構，端到端等大模型加速推進高階功能落地的整體架構。圖表圖表29：智能駕駛向高階發展的核心架構智能駕駛向高階發展的核心架構 資料來源：國聯證券研究所繪制 請務必閱讀報告末

72、頁的重要聲明 23/45 聯合研究|聯合研究專題 2.駛向何方：模型驅動，2025 年有望大規模落地 2.1 端到端：效率提升，數據和算力成為核心生產要素 端到端端到端大模型是實現高階智能駕駛功能的主要方式。大模型是實現高階智能駕駛功能的主要方式。端到端神經網絡充分簡化運算步驟，減少人工特征工程的需要，并識別出數據中關聯性，打通從感知到決策的全過程。傳統流程中，特征提取和數據轉換通常需要大量的人工干預，包括人類標注、邊緣檢測等手動設計的特征提取方法，需要較大量的人力參與訓練。端到端神經網絡通過多層神經元結構，將輸入數據逐步轉化為更高層次的特征表示，網絡通過反向傳播算法自動調整權重，降低預測輸出

73、和實際輸出的差值。智能駕駛應用來看，端到端大模型可以從傳感器數據學習駕駛策略，去除過去的“感知決策執行”的傳統智能駕駛鏈路，充分提升數據和訓練效率。端到端大模型在功能表現上有更高的上限，未來受益于數據規模持續擴張，智能駕駛端到端大模型有望加速落地。圖表圖表30：智能駕駛端到端大模型架構智能駕駛端到端大模型架構 圖表圖表31：智能駕駛端到端大模型具備更高智能駕駛端到端大模型具備更高功能功能表現上限表現上限 資料來源：網易，毫末智行，國聯證券研究所 資料來源：小鵬汽車 AI 發布會，國聯證券研究所 端到端端到端等多個等多個大模型將智能駕駛的核心生產力從研發人員轉向數據和算力，有望憑大模型將智能駕駛

74、的核心生產力從研發人員轉向數據和算力，有望憑借算力積累實現功能迭代。借算力積累實現功能迭代。智能駕駛功能迭代是基于數據完成的功能迭代，流程上主要包括車端數據生成、數據存儲、場景識別和數據清洗、數據認知和模型構建、模型升級和車端功能 OTA。從技術迭代方式來看，過去以 rule-based 方案在數據認知和模型構建的過程中以研發人員能力和數量為導向，通過人類標注方式完成場景識別和數據清洗，而后基于人類規則完成路線規劃算法的指定。當下大模型加速落地，運算方式全面升級。標注上，通過自動標注算法完成降低人工成本，包括使用視覺慣性里程計算、軌跡模型抽取等方式完成地圖構建和特征標注，準確率提升的同時實現減

75、少對人工標注的依賴。訓練上，通過云端大量駕駛里程數據的訓練，完成端到端大模 請務必閱讀報告末頁的重要聲明 24/45 聯合研究|聯合研究專題 型計算準確性的提升，訓練過程中大模型需要算力支持和優質數據投喂，算力和數據逐步轉化為智能駕駛未來發展過程中的核心生產要素。圖表圖表32：特斯拉自動標注算法特斯拉自動標注算法 圖表圖表33：算力和數據成為未來智能駕駛迭代的核心要素算力和數據成為未來智能駕駛迭代的核心要素 資料來源：特斯拉 AI 發布會，國聯證券研究所 資料來源：科瑞特官網，國聯證券研究所 生產要素之一：累計歷程數據。生產要素之一：累計歷程數據。新增智能駕駛有效里程=車型銷量*單車單日行駛歷

76、程數*智能駕駛付費率。智能駕駛有效里程可以拆分為當前存量數據和新增智能駕駛有效里程兩部分。存量數據來看，特斯拉 13 億數據領跑（其中包含 2 億公里端到端數據），蔚來、理想、小鵬均接近 10 億公里里程數據積累，華為系公里數加速，百度阿波羅保持一億公里的累計里程。圖表圖表34：各家車企智能駕駛各家車企智能駕駛 20232023 年至今車型銷量及智能駕駛付費模式年至今車型銷量及智能駕駛付費模式 車企 特斯拉特斯拉 華為系華為系 蔚來蔚來 小鵬小鵬 理想理想 滴滴滴滴 百度百度 智能駕駛存量數據 13 億公里（截止 2024年 3 月）賽力斯：2.65 億公里（截止 2024年 6 月）8.5

77、億公里（截止 2024年 3 月）10 億+公里（截止 2024年 5 月）其中 2.16 億為仿真測試 ADAS 19 億公里（截止 2024年 7 月）每天新增 10 萬公里 當前 1 億公里 域架構車型銷量/Robotaxi進展（萬輛）國內：171.4 全球：535.6 33.3 25.8 40.6 68.8 Orin 車型：20.4 地平線 J5 車型：27.3 KargoBot（L4 級別卡車）進入運營階段；2025 年發布于廣汽合作的L4 級別 Robotaxi 2024 年底推送單車 1200TOPS的 RT6 資料來源：新出行，滴滴官網，百度阿波羅官網，騰訊新聞，國聯證券研究所

78、 生產要素之二：訓練算力規模。生產要素之二：訓練算力規模。算力對比：特斯拉領跑，華為建設速度較快，國內車企與互聯網廠商建立合作加速算力部署。理想截止 2024 年 4 月已部署超過 1400P 訓練算力。云端合作方：華為使用華為云，蔚來使用騰訊云，小鵬和吉利與阿里云合作，請務必閱讀報告末頁的重要聲明 25/45 聯合研究|聯合研究專題 理想和長城使用火山引擎。百度作為 H100 持有量較大的互聯網企業，保持算力優勢和持有量的領先。圖表圖表35：車企車端算力部署進展車企車端算力部署進展 車企車企 特斯拉特斯拉 華為華為 蔚來蔚來 小鵬小鵬 理想理想 吉利吉利 長城長城 長安長安 百度百度 GPU

79、 A100 華為車 BU智算中心 A100 A100/800 A100 A100 H100 GPU 供應商 英偉達 華為 英偉達 英偉達 英偉達 英偉達 英偉達 服務器 8 核 A100服務器 8 核 A100 服務器 8 核 A100 服務器 訓練算力 15EFLOPS 3.5EFLOPS 600PFLOPS 1400PFLOPS 81PFLOPS 670PFLOPS 142PFLOPS 30EFLOPS 合作方 英偉達 華為云 騰訊云 阿里云 火山引擎、英偉達 阿里云 火山引擎 百度 所在地 美國加州 烏蘭察布 山西靈丘 浙江湖州 資料來源：新出行，Omdia，國聯證券研究所 端到端大模型

80、作為重要的垂直類大模型，受益于數據和算力規模的提升有望實現功端到端大模型作為重要的垂直類大模型，受益于數據和算力規模的提升有望實現功能的升級。能的升級。車企智能駕駛端到端大模型作為智能駕駛行業未來發展的核心方向，一方面，需要重點關注車企智能駕駛功能的迭代和測試的進展，消費者使用意愿和支付意愿的加速或成為開啟下一輪智能駕駛迭代的關鍵；另一方面，域架構/中央計算架構車型保有量、算力建設情況、云端投入情況是重要的外部指標，充分佐證車企智能駕駛端到端大模型的數據生產、存儲和訓練能力。同時，車企的研發支出（包括研發費用和研發成本）成為端到端推進的重要保障。圖表圖表36：車企智能駕駛端到端模型評價體系及主

81、要參數車企智能駕駛端到端模型評價體系及主要參數 資料來源：國聯證券研究所 請務必閱讀報告末頁的重要聲明 26/45 聯合研究|聯合研究專題 2.2 時間節點：垂類大模型或在 2025 年實現大規模落地 大模型進入細分化階段，各行業的垂直類大模型進入加速落地階段。大模型進入細分化階段，各行業的垂直類大模型進入加速落地階段。分類來看，大模型主要分為通用型、專用型以及針對特定場景設計的模型。垂直行業的專業模型（簡稱垂直類大模型）將在推動大模型廣泛應用方面扮演重要角色，通過整合通用公域數據與行業專有數據，共同構建起產業級大模型訓練所需的數據基礎。大模型逐步顯現出細分化趨勢，即在各個行業加速落地大模型的

82、演進和功能落地。結合其他行業發展情況來看，2024-2025 垂直類大模型進入加速落地階段。圖表圖表37：垂直類模型有望加速落地，推動大模型發展垂直類模型有望加速落地，推動大模型發展 資料來源：億歐智庫，國聯證券研究所 智能駕駛端到端大模型是重要的垂直類模型，汽車行業已逐步成為訓練段服務器的智能駕駛端到端大模型是重要的垂直類模型，汽車行業已逐步成為訓練段服務器的下游核心方向之一。下游核心方向之一。2023 年汽車業務收入占比超過 3%，逐步成為英偉達收入的又一方向。以英偉達服務器下游客戶為例，奔馳、寶馬等傳統整車廠加速深化與英偉達的合作，國內整車廠包括比亞迪、理想、小鵬等車企軍加速布局。請務必

83、閱讀報告末頁的重要聲明 27/45 聯合研究|聯合研究專題 圖表圖表38：英偉達汽車收入占比逐步提升英偉達汽車收入占比逐步提升 圖表圖表39：英偉達汽車主要客戶英偉達汽車主要客戶 資料來源：英偉達年報，國聯證券研究所 資料來源：英偉達官網，國聯證券研究所 車企算力硬件部署接近完成，數據體量作為依托將加速功能落地。車企算力硬件部署接近完成，數據體量作為依托將加速功能落地。從車企目前進展來看，車企在過去 2-3 年內加速訓練算力部署，同時具備較高算力的集中式域架構車型數量快速累計，累計里程數據具備較大規模。在研發人員相對充沛的情況下，智能駕駛核心生產要素完備，有望正式進入加速落地階段。結合其他行業

84、垂直類大模型進展，我們認為端到端大模型作為具備標準體系和安全規范的大模型，2025 年有望迎來大規模功能迭代和使用體驗的升級。圖表圖表40：車企端到端大模型或進入加速訓練和功能落地階段車企端到端大模型或進入加速訓練和功能落地階段 車企車企 特斯拉特斯拉 華為華為 蔚來蔚來 小鵬小鵬 理想理想 端到端大模型 FSD V12 華為 ADS 3.0 X-Brain Drive-VLM 大模型車端應用時間 2024 年 1 月 2024 年 4 月 2024 年 5 月 數據獲取端數據獲取端 智能駕駛存量數據 13 億公里（截止 2024 年3 月）賽力斯：2.65 億公里（截止 2024 年 6月）

85、8.5 億公里（截止 2024 年 3月）10 億+公里（截止 2024 年 5月）ADAS 19 億公里（截止 2024 年 4月）域架構車型銷量（萬輛）國內：全球：535.6 15.4 19.3 14.9 47.7 Orin 車型：20.4 地平線 J5 車型：27.3 智能駕駛付費模式 國內：6.4 萬元加裝 FSD 海外：1.2-1.5萬美元 單車價值量 增加 4 萬元 2023 年 7 月 1 日開始，380 元/月 免費 免費 請務必閱讀報告末頁的重要聲明 28/45 聯合研究|聯合研究專題 智能駕駛付費率/車型占比 15-20%智能駕駛車型占比70%48%100%Orin 車型：

86、40%地平線 J5 車型：60%數據訓練端數據訓練端 GPU A100 華為車 BU 智算中心 A100 A100/800 A100 GPU 供應商 英偉達 華為 英偉達 英偉達 英偉達 算力 15EFLOPS 3.2EFLOPS 600PFLOPS 1400PFLOPS 合作方 英偉達 華為云 騰訊云 阿里云 火山引擎、英偉達 資料來源：新出行，各公司官網，國聯證券研究所 應用端：應用端：特斯拉軟件功能升級，特斯拉軟件功能升級，累計里程快速積累累計里程快速積累。以 FSD（Full Self Driving）功能為例，從 V11.4 后特斯拉持續迭代，實現功能的持續性升級。V12.3 后從

87、Beta（測試版）升級為 Supervised（監督版），實現功能的全面升級。累計歷程來看，特斯拉累計歷程快速提升，目前已超過 13 億公里。拐點來看，2023 年 3 月，特斯拉 FSD Beta11.4 版本迭代后使用頻率提升，月度累計里程數據顯著提升。特斯拉累計里程接近 10 億公里后，開始推送 FSD V12 版本，并且由測試版轉向監督版。實現智能駕駛端到端大模型應用，2024 年 4 月又迎來新的累計里程拐點。圖表圖表41：特斯拉特斯拉 FSD V12FSD V12 上市后累計里程數據突破十億公里上市后累計里程數據突破十億公里 資料來源：特斯拉 2024Q1 報告，國聯證券研究所 請

88、務必閱讀報告末頁的重要聲明 29/45 聯合研究|聯合研究專題 圖表圖表42：特斯拉軟件版本迭代特斯拉軟件版本迭代 版本版本 發布時間發布時間 新功能新功能/修復修復 BugBug 升級內容升級內容 詳細信息詳細信息 FSD Beta FSD Beta 11.4.411.4.4 2023/6/192023/6/19 New New FeaturesFeatures Full Self-Driving(Beta)啟用全自動駕駛后，您的車輛將在高速公路外變道，選擇岔路口以遵循導航路線，繞過其他車輛和物體，并進行左轉和右轉。只有在持續關注道路并準備好立即采取行動時，才在有限的測試版中使用全自動駕駛，

89、尤其是在死角、十字路口和狹窄的駕駛情況下。FSD Beta FSD Beta v11.4.6v11.4.6 2023/7/212023/7/21 New New FeaturesFeatures FSD Beta v11.4.6 通過對目標車道車輛進行更好的建模，改進了短時變道，以避免偏離路線，以提高間隙選擇的準確度；改進了控制靜態障礙物時的偏移一致性。此外，通過更舒適地調整速度，改善了改變偏移方向時的平滑度；通過改進對迎面而來車輛軌跡的預測，并在重新定心之前為它們留出足夠的空間，改善了在狹窄的無標記道路上對迎面而來的車輛的操控；將占用網絡對任意移動障礙物的占用流量的預測改進了 8%。FSD

90、Beta FSD Beta v12.1v12.1 2023/12/242023/12/24 New New FeaturesFeatures FSD Beta v12.1 FSD Beta v12 將城市街道駕駛堆棧升級為在數百萬個視頻剪輯上訓練的單個端到端神經網絡，取代了超過 300k 行顯式 C+代碼。FSD Beta FSD Beta v12.3.2v12.3.2 2024/3/262024/3/26 New New FeaturesFeatures FSD Beta v12.3.2 FSD Beta v12 將城市街道駕駛堆棧升級為在數百萬個視頻剪輯上訓練的單個端到端神經網絡，取代了超

91、過 300k 行顯式 C+代碼。FSD FSD Supervised Supervised v12.3.3v12.3.3 2024/3/302024/3/30 New New FeaturesFeatures Full Self-Driving(Supervised)在駕駛者的監督下，全自動駕駛（監督）可以實現全方面的自動駕駛功能。這是 FSD 第一個進入監督模式的版本。FSD FSD Supervised Supervised v12.v12.5 5.1 1 2024/2024/8 8/9 9 New New FeaturesFeatures FSD(Supervised)v12.4.2 F

92、SD（監督）v12 將城市街道駕駛堆棧升級為在數百萬個視頻剪輯上訓練的單個端到端神經網絡，取代了超過 300k 行顯式 C+代碼。資料來源：Not a Tesla App，國聯證券研究所 國內新勢力加速跟進，從域控制器、芯片到算法加速落地。國內新勢力加速跟進，從域控制器、芯片到算法加速落地。（1）域控制器架構后車型銷量來看，理想受益于 L 系列車型銷量領先，小鵬布局較早實現保有量水平較高，華為系列（問界+阿維塔）受益于問界 M9 上市新車型節奏加速保持車型保有量的較高增長，有望實現國內智能化車型保有量領先。（2）算法上，端到端大模型、占用網絡等加速落地，國內智能駕駛算法路線與特斯拉基本一致。請

93、務必閱讀報告末頁的重要聲明 30/45 聯合研究|聯合研究專題 圖表圖表43：各家車企域架構平臺車型及上市時間各家車企域架構平臺車型及上市時間 20192019 20202020 20212021 20222022 20232023 20242024 新勢力 特斯拉 FSD 1.0 主要車型：Model 3/X/S/Y FSD 2.0 主要車型：Model 3/X/S/Y 小鵬 英偉達 Xavier P7 英偉達 Orin G9/G6/X9/P7i 蔚來 英偉達 Orin NT1.5/2.0 車型 理想 英偉達 Orin 理想 L/W 系列車型 Max/Ultra 版本 地平線 J5 理想 L

94、/W 系列車型 Pro/Air 版本 華為系 阿維塔 華為 MDC610 阿維塔 11/12 問界 華為 MDC610 問界 M5/M7/M9 智界 MDC 610 智界 S7 資料來源：各公司官網，汽車之家，國聯證券研究所 城市城市 N NOAOA 開城數量和適用范圍評價進展，小鵬開城數量和適用范圍評價進展，小鵬/華為華為/理想理想進展較快。進展較快。截至 2024 年 5 月底，小鵬汽車城區智駕已覆蓋全國 283 座城市，并于 5 月 14 日邁入 100%無圖階段；截至 2024 年 5 月，華為 ADS 城區 NCA 領航功能覆蓋超過 40000+城鄉鎮，ADS智駕總里程超過 2.2

95、億公里。圖表圖表44：各車企城市各車企城市 NOANOA 功能功能規劃規劃 車企車企 小鵬小鵬 華為華為 理想理想 蔚來蔚來 智己智己 小米小米 智駕系統名稱 XNGP 乾昆 ADS AD MAX NAD IM AD Xiaomi Pilot 版本 Xmart OS 5.1.0 ADS 3.0 AD MAX 3.0-IMOS 2.7.0-搭載車型 X9/G9/P7i/G6 MAX版 具備相關硬件車型均會升級 L 系列 MAX 版 蔚來 NT2.0 平臺全系車型 智己 L7、L6 等 小米 SU7 功能名稱 城市 NGP 城市 NCA 城市 NOA 城市 NOP+城市 NOA 城市 NOA NO

96、A 進展 截至 2024 年 5 月底，城區智駕已覆蓋全國 283 座城市；5月 14 日城區功能邁入 100%無圖階段 截至 2024 年 5月，城區 NCA 領航 覆 蓋 超 過40000+城鄉鎮 已向部分用戶推送 AD Max 3.0 進階版，城市 NOA 全國可用 截至4月30日，蔚來宣布，全域領航輔助 NOP+城區路線開啟全量推送 IM AD“去高精地圖城市 NOA”在上海、深圳、廣州、蘇州 4 城，計劃年內開通全國 2024 年 6 月 6 日城市NOA 功能在北京、上海、廣州、深圳、杭州等10 城向用戶推送 資料來源：第一電動車網，小鵬汽車，小米汽車等，國聯證券研究所 請務必閱讀

97、報告末頁的重要聲明 31/45 聯合研究|聯合研究專題 優質自主加速跟進優質自主加速跟進智能駕駛研發智能駕駛研發。優質自主如比亞迪、長城汽車、吉利汽車和長安汽車也在加速推進高階智駕功能研發。比亞迪在算法、芯片和產業鏈等環節已投入 4000名研發人員，城市 NOA 將率先在騰勢品牌落地。騰勢 N7 的城市 NOA 功能在深圳已經可以使用，比亞迪目標在 2024 年底實現全國可用。長城汽車目前也已經實現無圖城市 NOA 的開發，預計將在下半年上市的藍山智駕版實現落地應用。優質自主品牌造車積累深厚，發力高階智駕有望進一步加強自身車型競爭力，助力其銷量持續增長。圖表圖表45：優質自主品牌高階智駕規劃優

98、質自主品牌高階智駕規劃 車企車企 高階智駕規劃及進展高階智駕規劃及進展 比亞迪 計劃在高階智駕領域投入 1000 億元，高階智駕系統在 20 萬以上車型選裝，30 萬以上車型標配。目前已經擁有 4000 多人研發團隊，軟件工程師 3000 多人。城市 NOA 率先在騰勢品牌落地，騰勢 N7 的城市 NOA 功能在深圳已經可以使用，目標在 2024 年底實現全國可用。長城汽車 已經實現無圖 NOA 開發，預計將在 2024 年下半年交付的魏牌藍山智駕版實現量產落地。吉利汽車 NOA 功能依托高端品牌極氪布局，截至 4 月，極氪高速領航功能已經覆蓋 65 座城市，預計二季度內覆蓋全國 90%以上的

99、地級市。長安汽車 依托與華為合作，目前已經在阿維塔車型搭載了華為 ADS 系統，可實現高速和城區領航功能；深藍品牌與華為合作，推出搭載高階智駕功能車型。資料來源：騰訊汽車，經濟觀察報，中歐智能網聯汽車等，國聯證券研究所 2.3 車端升級：輔助模型增加，架構升級硬件結構優化 探索端到端模型上限，輔助模型加速端到端能力提升探索端到端模型上限，輔助模型加速端到端能力提升 車端模型配置：端到端模型是車端模型配置：端到端模型是核心的解決方案核心的解決方案，但，但仍需要其他大模型加以輔助仍需要其他大模型加以輔助。在計算過程中，端到端大模型輸入數據為傳感器信息，輸出結果為規劃路線結果，在評價過程中難以確定模

100、型學習的準確性，即目前仍處在探索端到端大模型能力上限的階段。車端和云端的分配來看，車端所以在后續針對端到端大模型的優化和車端功能落地上，需要其他模型的補充訓練和車端其他大模型的輔助。理想在 OTA6.0 和 OTA6.1車端部署端到端大模型和 VLM 模型，車端功能較為超預期。在后續的分析中，我們以理想的世界認知模型和 VLM 模型為例，幫助端到端大模型實現更好的落地效果。請務必閱讀報告末頁的重要聲明 32/45 聯合研究|聯合研究專題 圖表圖表46：多個大模型引入幫助端到端大模型實現更好的效果多個大模型引入幫助端到端大模型實現更好的效果 資料來源：理想汽車 AI 發布會，國聯證券研究所 世界

101、認知模型：世界認知模型：端到端大模型的“世界認知教材”，端到端大模型的“世界認知教材”，幫助端到端幫助端到端大模型大模型更好的認識世更好的認識世界。界。原始圖像空間中學習世界模型并不適合自動駕駛，（1）交通燈、標識牌很容易在預測圖像中被遺漏；（2）數據轉化需要較長的時間和過程。世界模型將世界建模與模仿學習相結合，作為輔助任務實現數據集中樣本復雜度的降低。同時，世界認知模型通過分解的世界模型和獎勵函數來豐富靜態數據集的標簽，通過動態規劃優化標簽。世界認知模型可以認為是端到端大模型的“教材”，用標準化的內容幫助大模型完成世界認知和數據信息的構建，成為智能駕駛端到端大模型迭代的核心一環。圖表圖表47

102、：世界認知模型可以實現更好的幫助端到端大模型認知世界世界認知模型可以實現更好的幫助端到端大模型認知世界 資料來源：Interpretable End-to-end Urban Autonomous Driving with Latent Deep Reinforcement Learning，Jianyu Chen，國聯證券研究所 請務必閱讀報告末頁的重要聲明 33/45 聯合研究|聯合研究專題 VLMVLM 模型：模型：收集收集 rulerule-basedbased 成果，讓端到端大模型有“參考答案”。成果，讓端到端大模型有“參考答案”。DriveVLM 包含一個具有三個關鍵模塊的過程:場

103、景描述、場景分析和分層規劃。場景描述模塊對駕駛環境進行語言描述，識別場景中的關鍵物體；場景分析模塊深入研究關鍵對象的特征及其對自我車輛的影響；分層規劃模塊一步一步地制定計劃，從元操作和決策描述到路徑點。VLM 模型架構與 rule-based 車端落地方式基本一致，將過去研發人員完成的規則制定裝入模型中，成為端到端大模型的“參考答案”。整體架構來看，雙系整體架構來看，雙系統設計類似于人類大腦的慢速和快速思維過程，類似于使用“參考答案”完成功能落統設計類似于人類大腦的慢速和快速思維過程，類似于使用“參考答案”完成功能落地，可以有效地適應各種復雜的駕駛場景。地，可以有效地適應各種復雜的駕駛場景。圖

104、表圖表48：VLMVLM 模型將過去的模型將過去的 RuleRule-basedbased 方案打包后放入模型方案打包后放入模型 資料來源：DRIVEVLM:The Convergence of Autonomous Driving and Large Vision-Language Models,Tsinghua University,Li Auto 國聯證券研究所 車端電子電氣架構升級車端電子電氣架構升級，算力集中傳感器成本逐步下探算力集中傳感器成本逐步下探 車端或持續要求架構升級和算力迭代。車端或持續要求架構升級和算力迭代。汽車 E/E 架構來看.一方面，E/E 架構逐步向集中化方向發展

105、，具備車輛行為軌跡數據集中式生成。另一方面，受高級別智能駕駛功能的影響，系統安全性設計要求提升，L3/L4 需要針對網絡、電源、底盤、感知等各層級架構均完成冗余設計，從而保證高階功能的安全性。請務必閱讀報告末頁的重要聲明 34/45 聯合研究|聯合研究專題 圖表圖表49：汽車汽車 E/EE/E 架構升級路線架構升級路線 資料來源：博世官網，國聯證券研究所 圖表圖表50：智能駕駛催化智能駕駛催化 E/EE/E 架構升級架構升級 圖表圖表51：L3/L4L3/L4 對對 E/EE/E 架構的需求升級架構的需求升級 資料來源：中汽創智，國聯證券研究所 資料來源：中汽創智，國聯證券研究所 車端算力提升

106、，保證“影子模式”車端算力提升，保證“影子模式”運行和運行和車端車端行為軌跡行為軌跡數據回流。數據回流。影子模式是指在有人駕駛狀態下，智能駕駛系統及傳感器仍然運行，通過影子模式計算與有人駕駛狀態下的對比，完成對算法模型的驗證。隨著車型銷量逐步提升，影子模式數據傳輸量遠超過路測反饋數據量。智能駕駛數據傳輸同樣需要算力支持，車輛所產生的數據量需要進行將歸類、脫敏、壓縮和打包后上傳至云端服務器，車端算力需要保證車端與訓練端通訊通暢。車端算力是推進影子模式和保證數據回流的關鍵，車端中高階算力芯片成為硬件的又一要求。請務必閱讀報告末頁的重要聲明 35/45 聯合研究|聯合研究專題 圖表圖表52：影子模式

107、的訓練模式影子模式的訓練模式 圖表圖表53：智能駕駛智能駕駛數據閉環流程示意圖數據閉環流程示意圖 資料來源：特斯拉 Live，易車，國聯證券研究所 資料來源：騰訊新聞，國聯證券研究所 攝像頭攝像頭+毫米波雷達毫米波雷達+超聲波雷達的組合基本滿足感知需求。超聲波雷達的組合基本滿足感知需求。傳感器性能對比來看，激光雷達在探測速度、日夜間工作能力上領先?！皵z像頭+毫米波雷達+超聲波雷達”的感知層傳感器組合在性能上滿足各場景智能駕駛感知需求，激光雷達或作為探測距離及夜間環境的補充傳感器。圖表圖表54：智能駕駛傳感器性能對比智能駕駛傳感器性能對比 圖表圖表55：“攝像頭“攝像頭+毫米波雷達毫米波雷達+超

108、聲波雷達”的組合基本滿超聲波雷達”的組合基本滿足感知需求足感知需求 資料來源：虎嗅汽車，國聯證券研究所 資料來源：虎嗅汽車，國聯證券研究所 激光雷達成本持續有望下探，激光雷達成本持續有望下探，20242024 年降價節奏放緩。年降價節奏放緩。根據 IDTechEx 的預測，激光雷達各方案價格仍處在下行通道，相較于 2022 年和 2023 年成本下探幅度或有所放緩，行業利潤率有望緩解。激光雷達未來有望保留在高價格帶車端核心硬件配置。請務必閱讀報告末頁的重要聲明 36/45 聯合研究|聯合研究專題 圖表圖表56：激光雷達成本持續下探，激光雷達成本持續下探，2 2024024 年降價節奏逐步放緩年

109、降價節奏逐步放緩 資料來源：IDTechEx，國聯證券研究所 核心供應商激光雷達成本持續下探。核心供應商激光雷達成本持續下探。速騰聚創和禾賽科技的激光雷達成本來看，激光雷達成本均保持快速下探，速騰聚創 ADAS/機器人及其他激光雷達成本分別從 2020年的 0.99/1.10 萬元下探至 2023H1 的 0.50/0.63 萬元；禾賽科技激光雷達單顆成本從 2021 年的 2.39 萬元下探至 2023Q3 的 0.65 萬元。圖表圖表57：速騰聚創激光雷達成本下探（萬元）速騰聚創激光雷達成本下探（萬元）圖表圖表58：禾賽科技激光雷達成本下探（萬元）禾賽科技激光雷達成本下探（萬元）資料來源：

110、Wind，速騰聚創年報，國聯證券研究所 資料來源：Wind，禾賽科技微信公眾號，國聯證券研究所 中低價格帶：算法成熟后實現硬件的替換中低價格帶：算法成熟后實現硬件的替換，硬件成本有望進一步降低，硬件成本有望進一步降低。視覺算法通過Pseudo-LiDAR 方案，使用多目攝像頭獲取圖像深度信息從而補全 3D 圖像信息。0.00.51.01.5202020212022H12022H22023H1ADAS機器人及其他0.001.002.003.00平均成本粗算（萬元）請務必閱讀報告末頁的重要聲明 37/45 聯合研究|聯合研究專題 Pseudo-LiDAR 方案是通過多攝像頭方案獲得深度圖像，并將深

111、度信息結合圖像信息獲得偽雷達點云（Pseudo-LiDAR 點云），從而替代激光雷達方案。Pseudo-LiDAR 方案具備更加稠密的數據，并且具備 RGB 顏色信息。結果來看，Pseudo-LiDAR 方案信息精確程度略低于融合方案，但具備更加密集的點云數據，并且具備 RGB 顏色信息，即可以通過顏色區分識別物體的屬性和位置，從而更好完成神經網絡感知下的 3D 成像。圖表圖表59：PseudoPseudo-LiDARLiDAR 點云生成方式點云生成方式 資料來源：Pseudo-LiDAR from Visual Depth Estimation:Bridging the Gap in 3D

112、Object Detection for Autonomous DrivingYan Wang、Wei-Lun Chao、Divyansh Garg、et al，國聯證券研究所 圖表圖表60：PseudoPseudo-LiDARLiDAR 點云生與激光雷達、前向視覺對物體感知的識別對比點云生與激光雷達、前向視覺對物體感知的識別對比 資料來源：Pseudo-LiDAR from Visual Depth Estimation:Bridging the Gap in 3D Object Detection for Autonomous DrivingYan Wang、Wei-Lun Chao、Di

113、vyansh Garg、et al，國聯證券研究所 2.4 商業模式：運營模式豐富，智駕迎來盈虧平衡曙光 車企智能駕駛數據獲取體系：“路測車隊車企智能駕駛數據獲取體系：“路測車隊+Robotaxi+Robotaxi+家用車”的結構。家用車”的結構。車企端智能駕駛發展路線來看，在功能超越 L3 級別后，路測車隊+Robotaxi+家用車的結構有望成為數據獲取與成本探索的最優解：一方面，功能初期由路測車輛完成，經過 Robotaxi驗證后逐步 OTA 給乘用車；另一方面，硬件成本邊界的探索未來同樣為整車廠需要解決的問題，增加 Robotaxi 可以逐步探索家用車的 Bom 成本邊界。整車廠考慮產品

114、矩陣與 Robotaxi 是否匹配，而后通過自研或合作的模式完成 Robotaxi 體系構建。請務必閱讀報告末頁的重要聲明 38/45 聯合研究|聯合研究專題 圖表圖表61：車企智能駕駛數據獲取體系為路測車隊車企智能駕駛數據獲取體系為路測車隊+Robotaxi+Robotaxi+家用車的結構家用車的結構 資料來源：國聯證券研究所繪制 車企未來有望實現智能駕駛的盈虧平衡。車企未來有望實現智能駕駛的盈虧平衡。（1）Robotaxi 通過成本下探實現單車的盈虧平衡，而后通過泛化能力實現商業模式的盈虧平衡。（2）單車智能，通過功能優化帶動銷量/智駕車型占比的提升，最終實現營收和毛利率水平的提升。（3）

115、技術輸出，通過架構/算法等方式完成對其他車企智能化水平的提升，實現營業收入來源的增加。圖表圖表62：智能駕駛未來商業模式，有望迎來盈虧平衡智能駕駛未來商業模式，有望迎來盈虧平衡 資料來源：國聯證券研究所繪制 請務必閱讀報告末頁的重要聲明 39/45 聯合研究|聯合研究專題 R Robotaxiobotaxi：硬件成本降低是硬件成本降低是 RobotaxiRobotaxi 單車單車盈虧平衡的重點。盈虧平衡的重點。百度在武漢運行的Robotaxi 為例，單車降本主要經歷三個階段：（1）當前蘿卜快跑盈利情況或不如預期，尚未實現盈虧平衡。日均成本約 416.1 元，日均收入約 272.7 元左右，日均

116、虧損143.3 元。（2）2025 年第六代無人車投產降低單車成本，開始盈虧平衡。根據測算，第六代無人車部署后，蘿卜快跑將扭虧為盈，日均成本約 265.3 元，日均收入約 311.7元，日均盈利約 46.4 元，預計 2025 年盈虧平衡。（3）長期車型持續升級，預計 2030年單車日均利潤破百元。根據測算，隨著整車成本的持續優化以及運營成本的降低，預計到 2030 年蘿卜快跑日均成本約 207.8 元，日均收入約 311.7 元，每日單車盈利約 104 元。圖表圖表63：百度阿波羅百度阿波羅 RobotaxiRobotaxi 在成本逐步下探在成本逐步下探 類型類型 五代車運營狀態五代車運營狀

117、態（當下）（當下）六代車運營狀態六代車運營狀態（20252025）未來運營狀態未來運營狀態（20302030）成本成本/收入收入（元）（元）每日成本每日成本/收入（元）收入（元）成本成本/收入收入（元）（元）每日成本每日成本/收入（元）收入（元）成本成本/收入收入（元）（元）每日成本每日成本/收入（元）收入（元）車輛硬件成本（五年）480000 263 204800 112.2 102400 54.8 維修保養費用 保養費用（三年）2000 1.8 2000 1.83 2000 1.83 更換輪胎（一年）2400 6.6 2400 6.6 2400 6.58 更換剎車片（1 年）800 2.2

118、 800 2.2 800 2.19 保險成本 4000 11 4000 11 4000 11 補能成本 67.2 67.2 67.2 67.2 67.2 67.2 安全運維成本 64.3 64.3 64.3 64.3 64.3 64.29 單日成本 416.1416.1 265.3265.3 207.83207.83 資料來源：蘿卜快跑，賽博汽車，國聯證券研究所測算 當下單城市內逐步完善，以“跑馬圈地”模式為主。當下單城市內逐步完善，以“跑馬圈地”模式為主。當下運行模式來看，Robotaxi 仍以部分城市落地、地方政府合作等模式完成的落地與推進。政府合作來看，2022 年9 月，武漢與重慶率先

119、發布全無人商業化試點政策，向百度發放全國首批無人化示范運營資格，并允許車內無安全員、開上社會道路、開展商業化服務的“三個允許”落地加速。深度合作和與車企合作來看，2024 年 4 月 26 日小馬智行與豐田中國、廣汽豐田共同成立合資公司：騅豐智能科技（廣州）有限公司，投資超 10 億人民幣，合力推動 L4 級自動駕駛出租車（Robotaxi）規?；慨a和服務落地。請務必閱讀報告末頁的重要聲明 40/45 聯合研究|聯合研究專題 圖表圖表64：蘿卜快跑當前開放進展蘿卜快跑當前開放進展 圖表圖表65：小馬智行當前開放進展小馬智行當前開放進展 資料來源：蘿卜快跑官網，國聯證券研究所 資料來源：小馬智

120、行官網，國聯證券研究所 RobotaxiRobotaxi 技術路線：認知城市技術路線：認知城市完成測試完成測試運營階段運營階段功能迭代，泛化能力功能迭代，泛化能力是商業模式成立的關鍵。是商業模式成立的關鍵。功能升級的角度來看，Robotaxi 需要首先完成城市認知和高階功能測試，主要包括基于導航地圖的地圖信息構建、城市內場景識別，并基于地圖信息數據完成功能搭建。在測試場場完成功能測試后進入運營階段，并在運營階段根據運營數據和反饋問題完成功能迭代和升級。我們認為，我們認為，RobotaxiRobotaxi 未來商業模式未來商業模式成立重要的參數指標，是達到相同標準所需要的時間。成立重要的參數指標

121、，是達到相同標準所需要的時間。拆分來看主要是由于功能范圍和功能效果兩個因素決定：一方面，需要看到從小部分城市向大部分城市的泛化，城市數量增長的時間差逐步縮短將帶來盈利能力的增強；另一方面從城市中心區范圍內使用到全城市范圍內使用，將帶來使用體驗和單日訂單數量的增長。圖表圖表66：國內國內 RobotaxiRobotaxi 商業化階段迭代節奏商業化階段迭代節奏 資出來源：貝格羅蘭，國聯證券研究所 請務必閱讀報告末頁的重要聲明 41/45 聯合研究|聯合研究專題 單車智能單車智能：高階智駕版本車型占比提升，智能駕駛功能逐步兌現銷量。：高階智駕版本車型占比提升，智能駕駛功能逐步兌現銷量。以理想汽車為例

122、，在智能駕駛功能上實現快速迭代，功能持續超預期。OTA6.0 后包括智能駕駛、輔助泊車等功能均實現功能優化，未來有望實現高階車型銷量占比的提升。圖表圖表67：理想汽車在理想汽車在 OTA6.0OTA6.0 后加速推進架構升級后加速推進架構升級 圖表圖表68：理想汽車高階智駕版本占比有望提升理想汽車高階智駕版本占比有望提升 資料來源：理想汽車官網，國聯證券研究所 資料來源：中保信，國聯證券研究所 技術輸出：電子電氣架構和高階智駕功能合并輸出，打開營收空間。技術輸出：電子電氣架構和高階智駕功能合并輸出，打開營收空間。以小鵬汽車為例，小鵬和大眾的深化合作未來有望帶來更大的收入增長。在 2024 年

123、2 月 29 日，小鵬汽車與大眾汽車集團簽訂了平臺與軟件戰略技術合作聯合開發協議。這一協議的簽訂意味著雙方將共同研發新的汽車平臺和技術，共享資源，以提高生產效率并降低成本。2024 年 4 月 17 日，雙方的合作再次升級，小鵬汽車與大眾汽車集團簽訂了EEA 電子電氣架構技術戰略合作框架協議，明確了雙方將在電子電器架構技術領域開展深度合作，共同開發先進的電子電氣架構，以支持未來的智能電動汽車發展。圖表圖表69：智能駕駛技術優勢企業有望實現技術輸出智能駕駛技術優勢企業有望實現技術輸出 資料來源：小鵬汽車官網，國聯證券研究所 0.0%10.0%20.0%30.0%40.0%50.0%60.0%70

124、.0%80.0%L9高階占比L8高階占比L7高階占比2024-032024-042024-052024-06 請務必閱讀報告末頁的重要聲明 42/45 聯合研究|聯合研究專題 車企未來仍作為智能化的核心研發支出來源，或進入開源合作的研發模式。車企未來仍作為智能化的核心研發支出來源，或進入開源合作的研發模式。車企具備整車的生產牌照與生產能力，在整套體系中成為數據生產來源和功能應用方向。在未來的數據研發結構中，目前功能相對領先的自研系車企（特斯拉、理想、小鵬等）或保持研發能力和功能迭代效率，成為充分收益智能化功能的核心車企。自主品牌和合資品牌中，通過開源合作等模式完成智能化升級。以豐田為例，未來或

125、形成單車智能與華為合作，Robotaxi 與小馬智行綁定的合作體系。圖表圖表70：豐田與華為在豐田與華為在 9 9 代凱美瑞開展智能化合作代凱美瑞開展智能化合作 圖表圖表71：小馬智行與豐田中國、廣汽豐田小馬智行與豐田中國、廣汽豐田在在 RobotaxiRobotaxi 合作合作 資料來源：搜狐汽車，騰訊新聞，國聯證券研究所 資料來源：小馬智行官方微信公眾號，國聯證券研究所 智能駕駛盈虧平衡曙光將至。智能駕駛盈虧平衡曙光將至。車企有望通過 Robotaxi 和高階智能駕駛帶動功能升級兩個維度帶來營收和利潤的增長，為車企注入新的收入增量。智能駕駛研發企業和Robotaxi 的運營企業有望憑借軟件

126、輸出和運營能力實現盈虧平衡。請務必閱讀報告末頁的重要聲明 43/45 聯合研究|聯合研究專題 3.投資建議：關注各環節龍頭公司的投資機會 端到端等端到端等 AIAI 大大模型模型加速應用加速應用，強者恒強，強者恒強。大模型的研發需要車企持續的研發投入，在保證端到端大模型“正循環”的情況下，即銷量領先、數據規模領跑的車企具備更大數據存儲量。同時銷量領先的情況下收入擴張后研發費用有望持續拓張，充分支持算力的投入。未來我們認為整車廠將會加速整車廠和智能駕駛企業的分化，頭部企業或有望具備更強大的研發能力。智能駕駛端到端大模型作為未來發展方向，車企是主要的投入者和推進者，建議關注域架構車型領先且對應車型

127、保有量高、智能駕駛研發支出較高的車企。重點推薦重點推薦比亞迪、長安汽車、理想汽車、小鵬汽車、華為系車企比亞迪、長安汽車、理想汽車、小鵬汽車、華為系車企。產業鏈價值量分配，技術領先的有更多的話語權產業鏈價值量分配，技術領先的有更多的話語權。產業鏈價值量來看，軟件和算法占比或進一步提升，現有的硬件結構或進一步降本，建議關注車端數據量和算力量具備優勢的零部件企業。數據產生階段：需要感知層、決策層、執行層的三層配合。建議關注線控底盤域供應商伯特利伯特利、拓普集團、保隆科技、中鼎股份；智能駕駛域控制器核心供應商德賽西威德賽西威、科博達、華陽集團等。數據傳輸階段：需要保持較高規模的數據規模的傳輸體量和車端

128、集中式 E/E 架構，車端數據量和傳輸速度有望顯著提升。建議關注高速連接器核心供應商電連技術電連技術；區域控制器核心供應商經緯恒潤經緯恒潤等。產業加速，配套公司產業加速，配套公司有望實現營收和業績的增長。有望實現營收和業績的增長。訓練端來看，數據存儲和算力部署有望迎來全新增長，頭部配套公司有望實現營收和業績的新增長。數據存儲和算力應數據存儲和算力應用維度：用維度：車企或成為較大應用方向和需求核心彈性方向。建議關注算力方面的核心標的和數據存儲方面的核心領跑公司。隨著自動駕駛車型、里程的不斷增加，有望帶來更多的 AI 算力部署需求和數據存儲需求。建議關注國產 GPU、存儲服務器和作為算力基礎設施的

129、 IDC、云計算、CDN 行業核心標的。請務必閱讀報告末頁的重要聲明 44/45 聯合研究|聯合研究專題 4.風險提示（1）智能駕駛大模型迭代效率不及預期智能駕駛大模型迭代效率不及預期；智能駕駛大模型迭代速度受數據規模、算力規模的影響，或影響智能駕駛大模型的迭代效率。（2）智能駕駛在消費決策權重下降智能駕駛在消費決策權重下降；智能駕駛的支付意愿或影響后續的車型銷量和使用意愿，或影響到達的盈虧平衡點時間。（3）乘用車銷量不及預期乘用車銷量不及預期。乘用車銷量是影響智能駕駛銷量的核心要素，乘用車銷量或受收入水平和經濟環境的影響。（4）成本測算風險。成本測算風險。原材料價格變動及零部件的價格變動均影

130、響成本測算準確性。請務必閱讀報告末頁的重要聲明 45/45 聯合研究|聯合研究專題 分析師聲明 本報告署名分析師在此聲明：我們具有中國證券業協會授予的證券投資咨詢執業資格或相當的專業勝任能力，本報告所表述的所有觀點均準確地反映了我們對標的證券和發行人的個人看法。我們所得報酬的任何部分不曾與，不與，也將不會與本報告中的具體投資建議或觀點有直接或間接聯系。評級說明 投資建議的評級標準 評級 說明 報告中投資建議所涉及的評級分為股票評級和行業評級（另有說明的除外）。評級標準為報告發布日后 6到 12 個月內的相對市場表現，也即：以報告發布日后的 6 到 12 個月內的公司股價（或行業指數）相對同期相

131、關證券市場代表性指數的漲跌幅作為基準。其中：A 股市場以滬深 300 指數為基準，北交所市場以北證 50 指數為基準；香港市場以摩根士丹利中國指數為基準；美國市場以納斯達克綜合指數或標普 500指數為基準；韓國市場以柯斯達克指數或韓國綜合股價指數為基準。股票評級 買入 相對同期相關證券市場代表性指數漲幅大于 10%增持 相對同期相關證券市場代表性指數漲幅在 5%10%之間 持有 相對同期相關證券市場代表性指數漲幅在-5%5%之間 賣出 相對同期相關證券市場代表性指數漲幅小于-5%行業評級 強于大市 相對表現優于同期相關證券市場代表性指數 中性 相對表現與同期相關證券市場代表性指數持平 弱于大市

132、 相對表現弱于同期相關證券市場代表性指數 一般聲明 除非另有規定，本報告中的所有材料版權均屬國聯證券股份有限公司（已獲中國證監會許可的證券投資咨詢業務資格）及其附屬機構（以下統稱“國聯證券”）。未經國聯證券事先書面授權，不得以任何方式修改、發送或者復制本報告及其所包含的材料、內容。所有本報告中使用的商標、服務標識及標記均為國聯證券的商標、服務標識及標記。本報告是機密的，僅供我們的客戶使用，國聯證券不因收件人收到本報告而視其為國聯證券的客戶。本報告中的信息均來源于我們認為可靠的已公開資料，但國聯證券對這些信息的準確性及完整性不作任何保證。本報告中的信息、意見等均僅供客戶參考，不構成所述證券買賣的

133、出價或征價邀請或要約。該等信息、意見并未考慮到獲取本報告人員的具體投資目的、財務狀況以及特定需求，在任何時候均不構成對任何人的個人推薦?？蛻魬攲Ρ緢蟾嬷械男畔⒑鸵庖娺M行獨立評估，并應同時考量各自的投資目的、財務狀況和特定需求，必要時就法律、商業、財務、稅收等方面咨詢專家的意見。對依據或者使用本報告所造成的一切后果，國聯證券及/或其關聯人員均不承擔任何法律責任。本報告所載的意見、評估及預測僅為本報告出具日的觀點和判斷。該等意見、評估及預測無需通知即可隨時更改。過往的表現亦不應作為日后表現的預示和擔保。在不同時期，國聯證券可能會發出與本報告所載意見、評估及預測不一致的研究報告。國聯證券的銷售人員

134、、交易人員以及其他專業人士可能會依據不同假設和標準、采用不同的分析方法而口頭或書面發表與本報告意見及建議不一致的市場評論和/或交易觀點。國聯證券沒有將此意見及建議向報告所有接收者進行更新的義務。國聯證券的資產管理部門、自營部門以及其他投資業務部門可能獨立做出與本報告中的意見或建議不一致的投資決策。特別聲明 在法律許可的情況下，國聯證券可能會持有本報告中提及公司所發行的證券并進行交易，也可能為這些公司提供或爭取提供投資銀行、財務顧問和金融產品等各種金融服務。因此，投資者應當考慮到國聯證券及/或其相關人員可能存在影響本報告觀點客觀性的潛在利益沖突，投資者請勿將本報告視為投資或其他決定的唯一參考依據