2024自動駕駛發展趨勢報告-從龍頭企業小鵬、理想、蔚來布局分析.pdf

《2024自動駕駛發展趨勢報告-從龍頭企業小鵬、理想、蔚來布局分析.pdf》由會員分享，可在線閱讀，更多相關《2024自動駕駛發展趨勢報告-從龍頭企業小鵬、理想、蔚來布局分析.pdf（33頁珍藏版）》請在三個皮匠報告上搜索。

1、 2024 年深度行業分析研究報告 目目 錄錄 1、小鵬：端到端大模型量產落地，體驗升級成下階段主線.5 1.1、智駕技術加速演進，XNGP 即將實現“門到門”體驗.5 1.2、端到端大模型拓展能力邊界，智駕領軍車企堅定布局.5 1.2.1、分段式端到端大模型量產上車，XNGP 能力加強.5 1.2.2、端到端大模型下迭代速度顯著加快，助力體驗升級.8 1.2.3、智駕領軍車企，圍繞智駕相關領域堅定布局.9 1.3、XNGP 體驗升級，智駕成小鵬“長期馬拉松”關鍵.10 1.3.1、階段目標“全國都好用”，向“全球都好用”進發.10 1.3.2、從好用到愛用，小鵬銷量拐點或將到來.13 2、理

2、想：探索雙系統架構，自動駕駛鎖定第一梯隊.14 2.1、無圖 NOA 全量推送，向 One Model 進發.14 2.2、端到端+VLM+世界模型，理想自動駕駛迎來“尤里卡”時刻.16 2.2.1、端到端+VLM 構成快慢系統，最早 2024 年底推出.16 2.2.2、世界模型+數據閉環助力理想快速迭代.19 2.2.3、理想 NOA 實現不限城市、不限道路的通行能力，體驗升級.20 2.3、組織面向端到端，云端算力大擴充，理想加碼自動駕駛布局.21 2.3.1、量產和預研雙線并行，成立端到端實體組織.21 2.3.2、加大投入拓展云端算力，自研芯片補充車端算力.22 3、蔚來：NWM 推

3、動架構迭代，有芯有魂構筑智駕長期主義.22 3.1、NOP+全量推送，2024H2 上車點到點領航輔助 2.0.22 3.2、世界模型提高通用能力，群體智能助力數據閉環體系.23 3.2.1、從模型化到端到端，世界模型是下一站.23 3.2.2、當前蔚來感知規劃全棧網絡模型為 NOP+提供了強大的通用泛化能力.24 3.2.3、世界模型能夠進行想象重建與想象推演，將推動通用能力快速提升.24 3.2.4、群體智能助力數據閉環搭建，生成式仿真進行快速閉環測試.26 3.3、軟硬協同能力不斷加強，邁向端到端大模型時代.28 3.3.1、自研神璣 NX9031 即將上車，傳感、計算硬件支撐智駕長期主

4、義.28 3.3.2、NADArch 升級 2.0，統一架構延長生命力.30 3.3.3、重組智駕研發團隊，組織架構上面向端到端大模型.30 4、管中窺豹：從三家新勢力車企進展，看自動駕駛發展趨勢.31 4.1、趨勢一：城區智駕從擴大覆蓋度到優化體驗快速轉變.31 4.2、趨勢二：認知智能輔助端到端大模型上車.32 4.3、趨勢三：布局硬件進行垂直整合，智駕降本成為方向.32 圖表目錄圖表目錄 圖 1：小鵬端到端大模型由 XNet、XPlanner、XBrain 三部分組成.6 圖 2：小鵬 XNet 2.0 成功引入占用網絡，感知范圍、通用障礙物識別能力大幅提升.6 圖 3：基于神經網絡的

5、Xplanner 具備長時序、多對象、強推理的特點.7 圖 4：利用大模型，小鵬智駕能“看懂”更多路標等信息.7 圖 5：端到端技術的使用使得小鵬自動駕駛的進步大大加速.8 9W9WbZbZfYbUaYaY6M9R9PsQoOpNrNfQrRyQjMpNnM6MnNxOvPnMqONZnOsQ圖 6：實車測試與仿真測試為小鵬訓練的重要部分.9 圖 7：全棧數據閉環使城市場景被動接管率降低 38%.9 圖 8：小鵬 AI 算力儲備達 2.51EFlops.9 圖 9：小鵬布局艙駕融合車載計算中心 XCCP.10 圖 10：XNGP 正從提高城市覆蓋度向體驗升級轉變.10 圖 11：XNGP 覆蓋

6、范圍擴大至全國所有城市.11 圖 12：XNGP 是行業唯一實車測試驗證超 2595 個城市.11 圖 13：XNGP 可應用于國內所有公開道路.11 圖 14：小鵬開城方案從“白名單”轉變到“黑名單”.11 圖 15：2024 年第四季度，小鵬實現真正的“門到門”體驗.12 圖 16：XNGP 可適應掉頭、環島及窄路等復雜路況.12 圖 17：小鵬汽車的智駕處于“全國都好用”的第一階段.12 圖 18：小鵬正著手將 XNGP 推向世界.13 圖 19：小鵬計劃智駕技術走向全球.13 圖 20：2024 年以來，XNGP 城區智駕月度活躍用戶滲透率維持 80%以上.13 圖 21：2025 年

7、底至 2026 年初，小鵬智能駕駛將進入全新階段.14 圖 22：理想將在三年內實現 L4 級別無監督自動駕駛.14 圖 23：當前無圖 NOA 的算法架構是分段式端到端.15 圖 24：理想的自動駕駛開發框架中具有快慢系統.16 圖 25：理想 AD 3.0 的整體框架已經偏向端到端模型.17 圖 26：通過 VLM/世界模型才能夠應對真實世界中的未知場景.17 圖 27：視覺大語言模型可以很好的識別駕駛場景并做出決策.18 圖 28：系統 2 的模型參數量達到 22 億.18 圖 29：VLM 在車端能夠以 3.34Hz 頻率運行.18 圖 30：理想使用重建+生成的世界模型進行快速驗證.

8、19 圖 31：理想自動駕駛訓練使用高度自動化的閉環學習.20 圖 32：2024 年 6 月理想智能駕駛累計里程達 19 億公里.20 圖 33：無圖 NOA 的四大能力.20 圖 34：無圖無先驗，哪里都能開.20 圖 35：繞行絲滑，決策不磨嘰，時機更果斷.21 圖 36：分米級微操，駕駛更默契，家人更安心.21 圖 37：RD 與 PD 明暗雙線滾動開發加快自動駕駛迭代.21 圖 38：隨著 NOP+全量推送，用戶數也在快速上漲.23 圖 39：蔚來規劃部分基于三層的數據驅動的網絡.24 圖 40：世界模型是蔚來智能駕駛技術下一步重點布局方向.25 圖 41：世界模型能夠進行空間理解與

9、時間理解.25 圖 42：重建的視頻模型收斂速度更快.26 圖 43：世界模型能夠推演平行世界，真實多變.26 圖 44：群體智能和生成式仿真可以滿足整體的世界模型的數據需求.27 圖 45：群體智能系統能夠幫助蔚來進行高效的數據挖掘.27 圖 46：通過群體智能，蔚來的城區道路可用范圍迅速提升.27 圖 47：群體智能+NSim 可以解決 NWM 數據問題.28 圖 48：NWM 生成結果可以進入到 NSim 進行推演.28 圖 49：神璣 NX9031 已流片，制程為 5 納米.29 圖 50：ADAM 計算平臺集成 4 顆 Orin-X.29 圖 51：支持實現智駕、智艙最大 256TO

10、PS 算力共享.29 圖 52：NADArch 2.0 具體功能收斂到點到點的全域領航 2.0 與智能安全輔助 2.0.30 圖 53：蔚來已經幾乎能夠做到有路就能開，但在部分道路仍不能應對.31 表 1：小鵬 2024Q4 實現真正的“門到門”體驗.5 表 2：理想 OTA 6.0 推送無圖 NOA，實現功能大升級.15 表 3：理想自動駕駛演進中，端到端范式減少大量代碼.20 表 4：蔚來 NOP+已在 2024 年 4 月全量推送.22 表 5：三家新勢力車企都已覆蓋全國，下一階段目標為優化全國城市智駕體驗.31 表 6：良好的數據閉環不僅能在智駕里程數據中學習，還能利用智駕里程數據學習

11、.32 表 7：各大車企在 2024 年均將算力推升到更高水平.32 表 8：選擇城市領航輔助功能仍需付出較高成本.33 1、小鵬：端到端大模型量產落地，體驗升級成下階段主線小鵬：端到端大模型量產落地，體驗升級成下階段主線 1.1、智駕技術加速演進智駕技術加速演進，XNGP 即將實現“門到門”體驗即將實現“門到門”體驗 小鵬小鵬無限無限 XNGP 實現全國都能開實現全國都能開，即將步入“門到門”時代，即將步入“門到門”時代。小鵬高速 NGP 功能在 2021 年年 1 月月開始推送。2022 年年 9 月月 17 日日，小鵬基于自研的智能輔助駕駛系統XPILOT，在廣州試點推送城區 NGP，是

12、國內最早推送城區 NGP 功能的整車廠。2023年年 3 月月，小鵬智能輔助駕駛系統迭代為 XNGP，先后在有高精地圖覆蓋的深圳與上海開放城市領航輔助功能，彼時 XNGP 功能的實現仍是基于高精地圖，雖然基于此模式開發自動駕駛較為簡單，但道路覆蓋有限，用戶體驗不夠完整。2024 年年 2 月月，小鵬使用無圖智駕的無限 XNGP 向部分擁有智駕經驗的用戶推送，此后在 2024 年年 7月月，無圖 XNGP 全量推送，實現全國都能開，并計劃在 2024Q4 實現完全“門到門”的體驗。短短三年半的時間，小鵬的自動駕駛持續突破，端到端大模型技術大大加速小鵬自動駕駛進程。表表1：小鵬小鵬 2024Q4

13、實現實現真正的“門到門”體驗真正的“門到門”體驗 時間時間 發展歷程及規劃發展歷程及規劃 2021 年 1 月 小鵬推送高速 NGP 功能 2022 年 9 月 小鵬城市 NGP 在廣州試點（P5）2022 年 10 月 小鵬引入基于 BEV+Transformer 的 Xnet 代碼，過去 6 個月重寫代碼 2023 年 3 月 廣州、深圳、上海開放城市 NGP 2023 年 6 月 北京開放城市 NGP，覆蓋環線及主要快速路（G9、P7i Max、P5 等車型）；小鵬智駕團隊開始在北京研發無圖版本的 XNGP 2023 年 11 月 XNGP 無圖正式推送，城市智駕開放 25 城 2023

14、 年 12 月 XNGP 城市智駕開放至 52 城 2024 年 1 月 累計開通 243 城 2024 年 2 月 向部分擁有智駕經驗的用戶推送無限 XNGP 2024 年 5 月 XNGP 城區智駕已完成 100%無圖化，智駕可用范圍里程翻倍 2024 年 7 月 全國首個端到端 AI 大模型量產上車，真無圖真全國都可開的無限 XNGP 全量推送 2024Q4 打通包括 ETC 收費站、停車場閘機、園區內部道路在內的智駕“斷點”，實現真正的“門到門”體驗 2025 年 在國內實現類 L4 級智駕體驗，面向全球開始研發 XNGP 資料來源：晚點 LatePost 公眾號、小鵬汽車公眾號、IT

15、 之家官網等、開源證券研究所 1.2、端到端大模型拓展能力邊界，智駕領軍車企堅定布局端到端大模型拓展能力邊界，智駕領軍車企堅定布局 1.2.1、分段式端到端大模型量產上車，分段式端到端大模型量產上車，XNGP 能力加強能力加強 國內首個端到端大模型量產上車，神經網絡國內首個端到端大模型量產上車，神經網絡 XNet+規控大模型規控大模型 XPlanner+大語言模大語言模型型 XBrain 形成合力。形成合力。在小鵬上一代的自動駕駛系統中，只有感知一個模塊用到 AI模型，其余的模塊基本都是人工定義的規則，這需要大量的人工定義的規則，在人力、時間、維護成本上均具有劣勢。較為穩定的傳統量產智駕系統，

16、大約有 10 萬條左右各類人工定義的規則，而一個無限接近人類司機的自動駕駛系統，大概等效于10 億條規則，這對于需要快速更新迭代的自動駕駛系統來說是難以承擔的。端到端技術范式是指數據輸入端和指令輸出端通過完全數據驅動，讓 AI 學習人類成熟駕駛行為，從而實現快速迭代、減少成本。小鵬在 2021 年開始轉向端到端，目前其端到端大模型由神經網絡 XNet+規控大模型 XPlanner+大語言模型 XBrain 三部分組成。圖圖1：小鵬端到端大模型由小鵬端到端大模型由 XNet、XPlanner、XBrain 三部分組成三部分組成 資料來源：小鵬汽車公眾號（1）神經網絡神經網絡 XNet：XNet是

17、深度視覺感知神經網絡，是“靜態XNet”“動態XNet”與“純視覺 2K 占用網絡”的集成，可以比作智能駕駛的眼睛。其中“靜態 XNet”可以對感知到的數據進行實時 3D 建圖，使智駕系統擺脫掉對高精地圖的依賴，提高智駕系統的適應能力；“動態 XNet”則具有對周邊環境和交通參與者的行為進行預測與博弈的能力，并給出合理的決策，能夠處理復雜的交通情況，提高駕駛的安全性和舒適性；“純視覺 2K 占用網絡”通過攝像頭信息的分析，來構建 3D 體素來規劃出空間內被占用和未被占用的路線，對現實世界中的可通行空間進行 3D 高真實度還原。深度視覺感知神經網絡 XNet 的上車，能夠對現實世界環境的重建更為

18、精準，同時預測能力和行駛規劃的能力也會更強，汽車感知范圍提升 2 倍，面積可達 1.8 個足球場大小，能精準識別 50 個以上目標物。圖圖2：小鵬小鵬 XNet 2.0 成功引入占用網絡，感知范圍、通用障礙物成功引入占用網絡，感知范圍、通用障礙物識別能力大幅提升識別能力大幅提升 資料來源：小鵬汽車公眾號 （2）規劃大模型）規劃大模型 XPlanner：XPlanner 同樣基于神經網絡，具備長時序、多對象、強推理的特點，能夠結合分鐘級以上的時序連續分析動機，并依據周邊環境信息及時變通，生成最佳的運動軌跡，可以比作智能駕駛的小腦。通過海量“五星司機”的駕駛數據對規劃大模型 XPlanner 進行

19、訓練，基于數據驅動模式迭代，取代人類手寫規則代碼，能讓智駕系統的駕駛策略向著擬人化進化。效果上，規劃大模型XPlanner 能夠讓小鵬汽車的智駕系統在真實道路體驗中減少 50%的前后頓挫、60%的違?？ㄋ酪约?40%的安全接管。圖圖3：基于神經網絡的基于神經網絡的 Xplanner 具備長時序、多對象、強推理的特點具備長時序、多對象、強推理的特點 資料來源：高工智能汽車公眾號（3）大語言模型）大語言模型 XBrain：XBrain 的能力就是讓智駕系統擁有類似人類大腦的學習和理解的能力，以此來賦予智駕系統處理復雜場景甚至未知場景的泛化處理能力，以及對現實世界中宏觀邏輯的推理能力。XBrain

20、側重于整個大場景的認知，XNet側重于感知和語義。在 XBrain 的賦能下，小鵬汽車的智駕系統能夠清晰地分辨出待轉區、潮汐車道、特殊車道甚至是路牌文字，秒懂各種令行禁止、快慢緩急的行為指令，進而做出兼顧安全、性能的擬人駕駛決策，做出兼顧安全和效率的擬人駕駛決策。圖圖4：利用大模型，小鵬智駕能“看懂”更多路標等信息利用大模型，小鵬智駕能“看懂”更多路標等信息 資料來源：電動汽車觀察家公眾號 小鵬端到端小鵬端到端技術技術逐步漸進，逐步漸進，當前模型采用當前模型采用分段式分段式結構結構。端到端大模型不是只有神經網絡，而是將感知、策略和規控統一在相同的 Transformer 架構下，保證模型有足夠

21、解釋性的前提下，逐漸提升各部分的一體化程度。小鵬的端到端大模型可分為三大部分，采用的分段式方案，據汽車新技術資料，相對于 One Model 方案，分段式端到端技術難度更低，同時對于算力和數據的要求也低的多：單一大模型的端到端智駕至少需要 3 萬臺量產車提供數據，而分段式可能只需要 1/10 的量。1.2.2、端到端大模型下迭代速度顯著加快，助力體驗升級端到端大模型下迭代速度顯著加快，助力體驗升級 端到端時代，小鵬智駕迭代速度顯著加快。端到端時代，小鵬智駕迭代速度顯著加快。迭代速度端到端小鵬高速 NGP 功能在2021 年 1 月開始推送，并在 2021 年開始轉向端到端范式，21 個月之后，

22、在 2022年 10 月開通個別城市的城市 NGP，又過了 13 個月，在 2023 年 11 月，XNGP 正式無圖推送，城市智駕開放 25 城，而僅僅 8 個月之后的 2024 年 520 AI DAY 發布會上，宣布量產上車國內首個端到端大模型，AI 智駕取代傳統智駕，XNGP 開放到所有城市，全面無圖時代到來。2025 年實現城區智駕比肩高速智駕體驗：平均 1000 公里接管一次。自 AI 天璣系統 5 月 20 日全球首次發布以來，70 天內累計推送 5 次全量更新，實現至少 35 個版本迭代。圖圖5：端到端技術的使用使得小鵬自動駕駛的進步大大加速端到端技術的使用使得小鵬自動駕駛的進

23、步大大加速 資料來源：小鵬汽車 AI 智駕技術發布會（2024）AI 智駕時代，龐大訓練數據是智駕能力快速迭代的底座。智駕時代，龐大訓練數據是智駕能力快速迭代的底座?；谡鬯愠?10 億公里的視頻訓練（2023 年 5 月）、超 756 萬累計公里數的實車測試（2023 年 7 月）、超 2.16億累計公里數的仿真測試（2023 年 5 月），小鵬端到端大模型能夠做到“每 2 天一次版本迭代，每 2 周一次體驗升級”，在未來 18 個月內智駕能力提升 30 倍。值得注意的是，除了實車數據之外，小鵬的數據量中也一定程度使用了仿真的合成數據，幫助小鵬在端到端時代數據量不足的情況下能夠有效迭代。對數

24、據的清晰處理以及高效的挖掘和解讀是小鵬對數據的清晰處理以及高效的挖掘和解讀是小鵬高效高效迭代的重要抓手。迭代的重要抓手。純數據驅動的神經網絡算法要實現升級迭代，數據閉環體系的構建是關鍵。通過收集實車數據、云端模型訓練并結合仿真能力，自動駕駛算法的長尾場景應對能力將大幅提升。小鵬將數據閉環分為“數據收集、標注、訓練和部署”四個環節，根據 2022 年小鵬 1024科技日數據，小鵬彼時已在近 10 萬輛的小鵬車型上部署了超過 300 個觸發器，形成了一個“全閉環、自成長的 AI 和數據體系”，全棧數據閉環能力使城市場景被動接管率降低 38%，仿真能力使小鵬能夠創造出更多的長尾場景，保護程度能提升

25、4 倍，數據獲取及算法測試成本將大幅下降。圖圖6：實車測試實車測試與仿真測試為小鵬訓練的重要部分與仿真測試為小鵬訓練的重要部分 圖圖7：全棧數據閉環使城市場景被動接管率降低全棧數據閉環使城市場景被動接管率降低 38%資料來源：GeekCar 極客汽車公眾號 資料來源：1024 小鵬汽車科技日（2023）1.2.3、智駕領軍車企，圍繞智駕智駕領軍車企，圍繞智駕相關領域相關領域堅定布局堅定布局 小鵬在自動駕駛小鵬在自動駕駛研發投入、團隊研發投入、團隊組織組織、云端算力、硬件自研方面堅定布局、云端算力、硬件自研方面堅定布局。（1）在研發投入層面）在研發投入層面，小鵬 2024 年將投入 35 億元用

26、于研發“以智駕為核心的AI 技術”，此后每年的相關投入只增不減。（2）在團隊）在團隊組織組織層面層面，在 2024 年 1 月，小鵬以智駕為核心的 AI 技術團隊已超3000 人，并新招募 4000 名專業人才。同時在組織架構上，據紅色星際消息，小鵬在2024 年 8 月將負責算法研發的技術開發部分拆為三大部門，分別為 AI 端到端、AI應用、AI 能效，其中 AI 端到端部門負責端到端模型的研發，AI 應用部門負責交付，以提升端到端自動駕駛演進的效率。圖圖8：小鵬小鵬 AI 算力儲備達算力儲備達 2.51EFlops 資料來源：小鵬汽車 AI 智駕技術發布會（2024）（3）在算力層面）在算

27、力層面，2024 年 7 月，小鵬 AI 算力儲備已達 2.51EFlops，同時此后每年算力訓練投入將超 7 億元，其中在 2024 年峰值算力達到 7000 張訓練卡以上。（4）在硬件層面，）在硬件層面，據 36 氪 Pro 消息，小鵬從 2020 年開始搭建芯片團隊，2022年選擇索喜為芯片設計合作方，承包芯片后端設計，目前芯片已經流片，預計 8 月回片。除芯片之外，小鵬推出了首個駕艙融合的車載計算中心 XCCP 作為 XEEA 3.5架構的核心計算節點，集成了包括智能駕駛、座艙、儀表、網關、IMU、功放等功能，實現 40%的成本節約，同時性能提升 50%。圖圖9：小鵬布局艙駕融合車載計

28、算中心小鵬布局艙駕融合車載計算中心 XCCP 資料來源：1024 小鵬汽車科技日（2023）1.3、XNGP 體驗升級，智駕成小鵬“長期馬拉松”關鍵體驗升級，智駕成小鵬“長期馬拉松”關鍵 1.3.1、階段目標“全國都好用”，向“全球都好用”進發階段目標“全國都好用”，向“全球都好用”進發 XNGP 正從提高城市覆蓋度向體驗升級轉變。正從提高城市覆蓋度向體驗升級轉變。小鵬天璣 XOS 5.2.0 下的 XNGP 已經實現了全國都能開，而下一階段的目標在于全國都好用，何小鵬提出“全國都好用”的三大標準：不限城市、不限路線、不限路況。圖圖10：XNGP 正從提高城市覆蓋度向體驗升級轉變正從提高城市覆

29、蓋度向體驗升級轉變 資料來源：小鵬汽車 AI 智駕技術發布會（2024）（1）不限城市：）不限城市：不限城市，指的是 XNGP 覆蓋范圍擴大至全國所有城市，真正擺脫高精地圖束縛，將高階智駕引入端到端大模型時代。僅僅是滿足“不限城市”，小鵬汽車就走了接近 20 個月，這也是中國智能駕駛從高精地圖，到無圖，演進至端到端全面追逐落地的競爭走勢。XNGP 早在 2024 年年初就已具備“全國都能開”的能力，但為了確保智駕的安全性，小鵬汽車花費半年以上時間展開大規模的實車測試。截至 2023 年 7 月，XNGP 是行業唯一實車測試驗證超 2595 個城市（含中國地級市及縣級市區域），累計測試里程超 7

30、56 萬公里，且 AI 訓練泛化擴充全國所有城市的智駕系統，以業內罕見的飽和式智駕測試傳遞對智駕安全的高度重視。userid:93117,docid:172609,date:2024-08-22,圖圖11：XNGP 覆蓋范圍擴大至全國所有城市覆蓋范圍擴大至全國所有城市 圖圖12：XNGP 是行業唯一實車測試驗證超是行業唯一實車測試驗證超 2595 個城市個城市 資料來源：小鵬汽車 AI 智駕技術發布會（2024）資料來源：小鵬汽車 AI 智駕技術發布會（2024）（2）不限路線：）不限路線：不限路線，指的是 XNGP 可應用于國內所有公開道路，“能導航的地方，就能 AI 智駕”。小鵬汽車用了兩

31、年時間，走過了“城市快速路部分主干道所有城市主干道所有公開道路”的路網覆蓋之旅。從“白名單”到“黑名單”，小鵬開城從“白名單”到“黑名單”，小鵬開城方案轉變方案轉變。在技術、成本、數據、時間甚至政策等因素影響下，開城往往不是某個城市“全域開放”，而是“白名單式”開放：只對城市里部分白名單道路開放，或只招募部分滿足一定門檻的白名單用戶開放，如此將會遇到自動駕駛系統仍未覆蓋的路段和場景（如掉頭、環島等復雜場景），城市NOA 功能將會自動降級為 LCC 或退出要求接管。小鵬采取“黑名單式”開放：除了部分特定場景無法開（如保密區域等），其余全國所有路都能開，且對全量用戶開放。在 XNGP 的最新公測版

32、本中，AI 代駕已經能夠自動通過 ETC 收費站。預計到2024 年第四季度，XNGP 將打通包括 ETC 收費站、停車場閘機、園區內部道路在內的智駕“斷點”，實現真正的“門到門”體驗。圖圖13：XNGP 可應用于國內所有公開道路可應用于國內所有公開道路 圖圖14：小鵬開城方案從“白名單”轉變到“黑名單”小鵬開城方案從“白名單”轉變到“黑名單”資料來源：小鵬汽車 AI 智駕技術發布會（2024）資料來源：小鵬汽車 AI 智駕技術發布會（2024）圖圖15：2024 年第四季度，小鵬實現真正的年第四季度，小鵬實現真正的“門到門門到門”體驗體驗 資料來源：小鵬汽車公眾號（3）不限路況：）不限路況：

33、不限路況，指的是 XNGP 可適應包括掉頭、環島及狹窄小路等在內的復雜路況，成為首個復雜路況全覆蓋的 AI 智駕。以往基于規則代碼的智能駕駛輔助系統，面對環島、掉頭等復雜場景，只能通過工程師大量編寫相應的規則代碼來“預先適應”，且通過率極低。而在已量產上車的端到端大模型賦能下，XNGP有效增強了“腦補”學習能力，可實現“邊看邊開”，面對復雜多變的環島、掉頭場景，都能夠實時應對。圖圖16：XNGP 可適應掉頭、環島及窄路等復雜路況可適應掉頭、環島及窄路等復雜路況 圖圖17：小鵬汽車的智駕處于“全國都好用”的第一階段小鵬汽車的智駕處于“全國都好用”的第一階段 資料來源：小鵬汽車 AI 智駕技術發布

34、會（2024）資料來源：小鵬汽車 AI 智駕技術發布會（2024）端到端與無圖化幫助端到端與無圖化幫助小鵬自動駕駛推向全球。小鵬自動駕駛推向全球。小鵬正著手將 XNGP 推向世界，7 月小鵬宣布面向全球用戶發起 AI 天璣 XOS 5.2.0 嘗鮮招募，覆蓋小鵬 G9、P7i、G6與 X9 車主各 1000 人，共計 4000 人，實現國內和海外用戶首度同步體驗，并于 8月 15 日在德國、挪威、丹麥、瑞典、荷蘭、法國等 10 個國家推送。小鵬已在 2024年進入 30 多個國家，根據小鵬的計劃，小鵬將于 2025 年研發全球范圍的 XNGP。依賴規則做到智駕全球化的需要人工編寫各地的不同規則

35、，落地成本較高，要實現全球都能開的自動駕駛，端到端和無圖化是必由之路。圖圖18：小鵬正著手將小鵬正著手將 XNGP 推向世界推向世界 圖圖19：小鵬計劃智駕技術走向全球小鵬計劃智駕技術走向全球 資料來源：小鵬汽車 AI 智駕技術發布會（2024）資料來源：小鵬汽車 520 AI DAY（2024）1.3.2、從好用到愛用，小鵬銷量拐點或將到來從好用到愛用，小鵬銷量拐點或將到來 智駕成為小鵬有力競爭優勢，智駕成為小鵬有力競爭優勢，XNGP 功能贏得了用戶的認可。功能贏得了用戶的認可。何小鵬在 2024 年 8 月曾表示，在過去 12 個月，小鵬越高階的車，用戶選擇智駕版的比例越高，側面反應出用戶

36、對小鵬智駕能力的認可。2024 年 7 月，小鵬 XNGP 城區智駕月度活躍用戶滲透率達 84%，而 2024 年 6 月小鵬 X9 用戶報告顯示，小鵬 X9 銷售比例的 71%為配備高階 XNGP 功能的 Max 版本車型。當智能駕駛的體驗能夠做到足夠優秀，銷量的關鍵拐點有望很快到來，而目前正在處于變化的起點。用戶對小鵬 XNGP 功能認可不斷提高。圖圖20：2024 年以來，年以來，XNGP 城區智駕月度活躍用戶滲透率維持城區智駕月度活躍用戶滲透率維持 80%以上以上 數據來源：小鵬汽車公眾號、開源證券研究所 從能用、好用到愛用，面向用戶從能用、好用到愛用，面向用戶體驗體驗的的 XNGP

37、有望有望滲透率進一步提高滲透率進一步提高。小鵬汽車的智駕處于“全國都好用”的第一階段，預計 2024 年第四季度實現“全國都好用”第二階段的能力。小鵬預計其 XNGP 將在 2025 年底至 2026 年初進入全新階段，做到提前應對潛在風險、通行效率優于人駕，大幅減少用戶的安全接管與效率接管次數，同時做到加減速變道超車等操作絲滑流暢，提升用戶體驗，讓用戶真正愛用智駕。面向用戶的 XNGP 將有望贏得用戶認可，激活消費者智駕需求，滲透率有望進一步提高。85%83%82%82%84%84%84%50%60%70%80%90%100%XNGP城區智駕月度活躍用戶滲透率 圖圖21：2025 年底至年底

38、至 2026 年初，小鵬智能駕駛將進入全新階段年初，小鵬智能駕駛將進入全新階段 資料來源：小鵬汽車 AI 智駕技術發布會（2024）2、理想：探索雙系統架構，自動駕駛鎖定第一梯隊理想：探索雙系統架構，自動駕駛鎖定第一梯隊 2.1、無圖無圖 NOA 全量推送，向全量推送，向 One Model 進發進發 理想理想全國無圖全國無圖 NOA 全量推送全量推送實現實現快速快速追趕追趕。理想 2021 年年開始自研自動駕駛，并于2021 年年 12 月月落地高速 NOA 功能，進展處于國內領先水平，而蔚來、小鵬分別在 2020年 10 月、2021 年 1 月落地高速領航功能，比理想進展快 14 個月與

39、 11 個月，理想的自動駕駛起步相對較晚。在之后的自動駕駛競爭中，焦點也由“0 到 1”的功能落地轉向“1 到 10”的開城：小鵬于 2022 年 9 月國內首發城市 NGP 功能，打響城市領航輔助功能落地第一槍，極狐、阿維塔、問界等玩家紛紛跟進。理想緊跟 NOA 開城浪潮，在 2023 年年 4 月月宣布“年底前完成 100 個城市的落地推送”，實現自動駕駛領域的快速追趕。此后理想自動駕駛加速迭代，算法從傳統模塊化架構演進至分段式端到端，并向 One Model 演進；在功能上，理想于 2024 年年 7 月月全量推送全國無圖NOA，并計劃三年內三年內實現 L4 級別的無監督自動駕駛。圖圖2

40、2：理想將在三年內實現理想將在三年內實現 L4 級別無監督自動駕駛級別無監督自動駕駛 資料來源：理想汽車公眾號、有個理想公眾號、佐思汽車研究公眾號等、開源證券研究所 2019.04L2量產落地2021.05搭載高精地圖2022.03發布AD Max2023.06開啟北京和上海的城市NOA內測2024.02城市 NOA 已推送全國113個城市2024.07正式推全國無圖 NOA2021.12落地高速NOA、自研AEB2022.09發布AD Pro2023.12推送AD Max 3.0，全場景智能駕駛NOA覆蓋100個城市2024.04AD Max 3.0進階版（城市NOA在全國范圍開放）向部分用

41、戶推送推送端到端+VLM視覺模型+世界模型的智能駕駛體系2027年內年內三年內，實現L4 級別無監督的自動駕駛最最早早2024年年底底 表表2：理想理想 OTA 6.0 推送無圖推送無圖 NOA，實現功能大升級，實現功能大升級 時間時間 版本版本 理想自動駕駛進展理想自動駕駛進展 2022.11 OTA 4.1 提升導航輔助駕駛(NOA)的限速準確度，優化導航輔助駕駛(NOA)在高精地圖數據受限時的連續性體驗，減少功能退出造成的打擾 2023.1 OTA 4.2 AEB 功能融合激光雷達、新增 LDP 車道偏離抑制功能 2023.2 OTA 4.3 理想 AD Pro 標配的高速 NOA 功能

42、上線；優化了直線召喚體驗、智能泊車交互體驗、道路環境感知應用交互體驗，新增車道保持輔助等功能 2023.5 OTA 4.4 停車期間四顆環視攝像頭無死角監控周圍狀況（哨兵模式）；在高速公路、城市快速路開啟 LKA Plus功能就可以自主超車 2023.9 OTA 4.6 ELK 緊急車道保持功能支持 AD Max 車型 2023.12 OTA 5.0 理想 L 系列的 Max 車型升級為 AD Max 3.0，感知算法采用 BEV 大模型和 Occupancy 占用網絡，規劃算法逐步切換為時空聯合規劃算法，更新了 MPC 模型預測控制算法；擁有包括全場景智能駕駛（NOA）、全場景輔助駕駛（LC

43、C）、智能泊車和主動安全能力的升級 2024.3 OTA 5.1 AEB 精準識別更多靜止障礙物智能泊車偏左、居中、偏右自由選高速 NOA 貨車避讓增強 2024.5 OTA 5.2 AD Pro 3.0 全新升級 BEV 模型架構和時空聯合規劃算法，高速 NOA 千公里級別零接管，城市 LCC能力升級；AD Max 3.0 升級主動安全 8 類高頻高危場景 2024.7 OTA 6.0 理想無圖 NOA 全量推送，不依賴高精地圖等先驗信息，可在城市中按照導航路徑實現自動切換車道、自主超車變道、繞行障礙物、自適應調節巡航速度、響應紅綠燈啟停和自動通過路口等駕駛任務 資料來源：IT 之家官網、智

44、車派公眾號、有駕公眾號、開源證券研究所 自動駕駛成為“一號工程”自動駕駛成為“一號工程”，分段式端到端架構分段式端到端架構支撐理想無圖支撐理想無圖 NOA 快速上線快速上線。在汽車智能化愈發受到重視的當下，理想已經將自動駕駛開發擺在顯著地位。2023 年年 6月月，理想在首屆家庭科技日上透露其自動駕駛的細節，在感知算法層面采用采用 BEV大模型、使用 Occupancy 網絡、自研神經先驗網絡（NPN）、訓練端到端的信號燈意圖網絡（TIN）提高感知準確度，在規控算法層面應用了模仿學習的方法，持續迭代規控模型，意味著 AD 自動駕駛進入大模型時代，在 AI 大模型算法下，理想做到不依賴高精度地圖

45、的百城 NOA 推送。在使用 NPN 算法以輕圖方式推進百城的同時，理想雙線并進，在 2023 年年 10 月月預研基于分段式端到端架構的無圖 NOA，只有感知、規劃與導航三個模塊，其中感知與規劃均模型化，中間使用規則串行。在該架構下，理想于 2024 年年 7 月月全量推送無圖 NOA。圖圖23：當前無圖當前無圖 NOA 的的算法算法架構是分段式端到端架構是分段式端到端 資料來源：理想汽車公眾號、理想汽車研究所 第一代：第一代：NPN架構架構第二代：分段式端到端架構第二代：分段式端到端架構（Two Model）包含感知、定位、規劃、導航、包含感知、定位、規劃、導航、NPN等模塊等模塊包含感知

46、、規劃、導航模塊，模塊更少包含感知、規劃、導航模塊，模塊更少支撐理想汽車支撐理想汽車100城城市城城市NOA推送推送支撐現階段理想無圖支撐現階段理想無圖NOA全國都能開的實現全國都能開的實現 以自動駕駛重構核心競爭力，理想智駕以自動駕駛重構核心競爭力，理想智駕贏得用戶認可，贏得用戶認可，滲透率快速攀升滲透率快速攀升。將自動駕駛開發擺在顯著地位的理想，在功能實現突破后，也讓用戶選擇智駕車型的熱情水漲船高。據鈦媒體數據，理想無圖 NOA 發布后，AD Max 選配率顯著升高：在到店試駕環節，用戶 NOA 試駕占比從 5 月 23.8%提升到 7 月 46.5%，翻倍提升，用戶考慮購車時更愿意了解體

47、驗理想的智能駕駛；在購車環節，用戶選購 AD Max 的定單占比從 5 月份的 37%提升至 7 月份的 49%。單車型來看，7 月，理想 L9 車型 75%的用戶選購 AD Max，理想 L8 達到 56%，理想 L7 達到 65%，L6 也有 22%，在北上廣深，理想智駕車型的比例已經達到 70%，表明理想的智駕功能正在得到越來越多用戶的認可。根據理想的數據顯示，面向 AD Max 車型的無圖 NOA 的升級覆蓋的用戶數量超 24 萬，隨著智駕功能在用戶購車需求中的權重不斷上升，重構核心競爭力的理想有望在智能化的競爭中維持領先。2.2、端到端端到端+VLM+世界模型，理想自動駕駛迎來“尤里

48、卡世界模型，理想自動駕駛迎來“尤里卡”時刻時刻 2.2.1、端到端端到端+VLM 構成快慢系統，最早構成快慢系統，最早 2024 年底推出年底推出 人類思考包含快系統（系統人類思考包含快系統（系統 1）和慢系統（系統）和慢系統（系統 2）。）。諾貝爾經濟學獎得主，心理學家 Daniel 在思考，快與慢中指出人類的思考有兩種方式，“系統 1”是快速的、本能的、自動的、情緒化的、潛意識的、條件反射的；“系統 2”是緩慢的、刻意的、邏輯的、縝密細致的。大腦通常把很多身體運動相關的功能交給系統 1 來處理，比如一些本能行為，皮膚的燙傷，迎面飛來的物體，需要我們盡可能快的速度做出反應；而語言等抽象能力被

49、大腦交給了系統 2 的新大腦皮層，這里可以處理非常復雜的問題，并且有強可塑性。正常駕駛員開車過程中 95%的時間使用系統 1，5%的時間使用系統 2，所以人不需要每天學習 Corner Case 就能夠學會開車。圖圖24：理想的自動駕駛開發框架中具有快慢系統理想的自動駕駛開發框架中具有快慢系統 資料來源：NE 時代智能車公眾號 在理想的自動駕駛開發框架中，也在理想的自動駕駛開發框架中，也具有具有快慢系統?？炻到y?？煜到y（系統 1）偏直覺，用以處理大部分常規場景，類似肌肉記憶的應激反應來處理一些直覺、快速響應的事情，在駕駛場景中可以直觀理解為傳感器看到場景緊接著車來做出決策和動作；慢系統（系統

50、 2）偏思考，負責未知場景或者是復雜場景處理，解決各種復雜路況，解決泛化的問題、未知的問題。系統時時刻刻在運行，并輸出兩個決策，系統 1 發揮主要的作用，系統 2 會在復雜場景中起到參考或者咨詢的作用，增強系統 1 的決策。系統系統 1 為端到端模型為端到端模型，年內實現由感知到規劃的統一，年內實現由感知到規劃的統一。在端到端架構下，能夠實現高效的信息傳遞，減少信息損失；能夠實現高效的計算，一次性完成推理的延遲更低；能夠實現高速的迭代，在數據驅動下做到周級甚至是亞周級的迭代。在理想的架構中，系統 1 是一個端到端的模型，輸入的是傳感器數據輸入的是傳感器數據、自車的狀態信息以及、自車的狀態信息以

51、及導航信息導航信息，輸出，輸出動態障礙物、道路結構、通用障礙物動態障礙物、道路結構、通用障礙物 OCC 以及規劃好的行駛軌跡以及規劃好的行駛軌跡。端到端的最終目的是為了將傳感信息映射為行駛軌跡，另外動態障礙物、道路結構、通用障礙物 OCC 的輸出是為了描繪周邊環境并且通過環境信息顯示呈現給用戶，同時作為端到端模型的輔助監督。在系統 1方面，理想稱通過 100萬個Cilps 進行訓練，大概一個月經過十輪左右的訓練，基本就可以完成一個無圖 NOA 的上限水平。圖圖25：理想理想 AD 3.0 的整體框架已經偏向端到端模型的整體框架已經偏向端到端模型 資料來源：理想汽車 2024 智能駕駛夏季發布會

52、 以知識驅動通往以知識驅動通往 L4。通過在 L2 時代，自動駕駛面對的是已知的場景，算法上只需要部分感知環節進行一部分的模型化，在其它部分還是以基于規則為主。隨著開城的進行，最終要做到全國的開放（理想將這視為 L3 時代），自動駕駛需要面臨更加豐富的場景，數據驅動的算法成為主流，算法上的變化表現在所有的模塊感知、規控都逐漸模型化，完整的端到端從感知、跟蹤、預測、決策到規劃都模型化。而到L4 時代自動駕駛系統需要處理的都是真實世界未知的場景，即使是端到端算法也不一定能實現良好應對，理想認為在這種場景中，需要知識驅動，需要自動駕駛具有常識、能夠對真實世界進行理解，這就需要多模態的視覺語言模型或者

53、世界模型。圖圖26：通過通過 VLM/世界模型才能夠應對真實世界中的未知場景世界模型才能夠應對真實世界中的未知場景 資料來源：NE 時代智能車公眾號 系統系統 2 為視覺語言模型（為視覺語言模型（VLM），知識驅動打開通往），知識驅動打開通往 L4 之路。之路?！爸R驅動”的范式加入了系統 2 為系統 1 的端到端模型兜底，系統 2 具有一定的理解世界的常識，是針對駕駛場景特化的大語言模型，可以解決各種各樣的 Corner Case 和泛化的問題，快慢系統結合，最終就能夠解決 L4 整體的車端框架。具體來看，120 度和 30 度相機時刻觀察周圍的環境，并且與導航地圖的圖像進行模態對齊，對齊的

54、結果將被輸對齊的結果將被輸入到入到 VLM 的的核心核心視覺語言模型解碼器視覺語言模型解碼器，同時系統系統 1 也可以通過也可以通過 Prompt 問題庫問題庫向系統向系統 2 隨時提問隨時提問，一起輸入到視覺語言模型解碼器中；解碼器通過自回歸輸出對解碼器通過自回歸輸出對環境的理解、駕駛的決策建議以及駕駛的參考軌跡環境的理解、駕駛的決策建議以及駕駛的參考軌跡，結果返回到系統 1，輔助系統 1進行軌跡規劃。L3 階段，系統 1 發揮主要的作用，系統 2 起到參考或者咨詢特殊情況的作用；而到 L4 階段，系統 2 會發揮更多作用，其能力決定了能不能到 L4。圖圖27：視覺視覺大語言模型可以很好的識

55、別駕駛場景并做出決策大語言模型可以很好的識別駕駛場景并做出決策 資料來源：理想汽車 2024 智能駕駛夏季發布會 系統系統 2 實現車端實現車端部署，部署，隨硬件升級有望實現隨硬件升級有望實現系統系統 1 與系統與系統 2 的融合。的融合。系統 1 作為端到端模型參數量只有 3 億，而系統 2 作為大模型，其參數量達到了 22 億，比端到端模型高一個量級。理想為將 VLM 模型部署在車端的 Orin-X 上，進行了一系列優化，最終將整體的推理性能優化 13 倍，實現 0.3 秒推理一次，車端運行頻率是 0.34Hz。而系統 1 則在十幾赫茲高頻運行，如果系統 2 能夠運行時延更低、判斷更加準確

56、，則有望實現快慢模型合一。理想正在預研將模型做更大、幀率變更高，同時車端算力芯片也需要進行相應升級以支撐系統 2 的高速穩定運行。圖圖28：系統系統 2 的模型參數量達到的模型參數量達到 22 億億 圖圖29：VLM 在車端能夠以在車端能夠以 3.34Hz 頻率運行頻率運行 資料來源：理想汽車 2024 智能駕駛夏季發布會 資料來源：理想汽車 2024 智能駕駛夏季發布會 2.2.2、世界模型世界模型+數據閉環助力理想快速迭代數據閉環助力理想快速迭代 數據驅動之下，驗證數據驅動之下，驗證能力幫助能力幫助自動駕駛自動駕駛快速快速鋪開鋪開。理想通過快速試錯的方式快速推廣無圖方案，具體流程是先找封閉

57、區域驗證范式，一旦跑通立馬加上安全兜底策略進行推廣、慢慢鋪開，而要做全國范圍的無圖 NOA，通過鋪人力的方式進行驗證不僅成本高，且周期較長。在之前的自動駕駛開發中，是先設計功能再研發，一項項功能去測試驗證；而在數據驅動的時代，理想認為傳統的功能驗證應當轉變為對自動駕駛能力的“考試”。理想在云端構建了世界模型，配合車端的影子模式進行驗證，一旦通過世界模型的“考試”，立馬部署做實車測試，大大加速研發的流程。重建重建+生成的世界模型生成的世界模型具有良好的泛化性。具有良好的泛化性。理想使用重建+生成的方式進行世界模型的建構，可以解決重建式仿真的模糊拖影問題，也可以解決生成式仿真的幻覺問題，取長補短，

58、能夠生成很多符合真實世界規律但是沒有見過的場景，內部也稱其為系統 3。世界模型不僅能夠加速自動駕駛驗證、縮短研發流程，還可以蒸餾出能夠部署在車端的 VLM 模型，效果好于從頭訓練的 VLM 模型。此外世界模型能夠與數據閉環進行很好的聯動，假設車主接管后，一段 Clip 通過影子模式數據回傳云端，云端世界模型自動生成類似場景，變成錯題庫，同時在已有錯題庫中檢索或在數據庫中挖掘類似場景，聯合訓練出新模型；新模型再回到世界模型中進行兩次考試：一次在原場景中，一次在生成的類似場景中，通過自動化的閉環訓練模型。圖圖30：理想使用重建理想使用重建+生成的世界模型進行快速驗證生成的世界模型進行快速驗證 資料

59、來源：理想汽車 2024 智能駕駛夏季發布會 數據方面，數據方面，理想擁有超過 87 萬的車主，形成了全國最大的自動駕駛車隊，在過去幾年車隊的累計行駛里程已經超過 200 億公里，截至 2024 年 7 月，理想的智能駕駛累計行駛里程超過 20.6 億公里。理想為篩選數據，定義了五星級司機標準，并對用戶進行打分，超過 90 分的車主只占 3%，累計篩選了超過 100 萬公里的數據，到 2024年底可能超過 500 萬公里。訓練數據以 20-30s 左右的 Clips 形式存在，記錄司機駕駛的完整數據，包括視覺傳感、車輛狀態、油門剎車等操作信息數據。在訓練方面，在訓練方面，端到端本質上是模仿學習

60、，目的是學習行駛軌跡，但僅模仿學習的效果有限，因此理想使用模仿學習+強化學習的方案，讓模型在犯錯的時候被懲罰，模型就會知道什么駕駛行為是錯的，訓練出來的模型無論是駕駛技巧還是價值觀都會非常正確。圖圖31：理想自動駕駛訓練使用高度自動化的閉環學習理想自動駕駛訓練使用高度自動化的閉環學習 圖圖32：2024 年年 6 月理想智能駕駛累計里程達月理想智能駕駛累計里程達 19 億公里億公里 資料來源：理想汽車公眾號 資料來源：理想汽車公眾號 理想理想端到端端到端+VLM 自動駕駛自動駕駛最早最早 2024 年底推出。年底推出。理想的研究團隊已經完全通過了正常的研究驗證，在全國無圖 NOA 正式推送的時

61、候，向測試用戶推送由 300 萬 Clips訓練出來的端到端+VLM 的監督型自動駕駛體系，并在 2024 年底至 2025 年初推出超過 1000 萬 Clips 訓練的端到端+VLM 的帶有監督的自動駕駛體系。表表3：理想自動駕駛演進中，端到端范式減少大量代碼理想自動駕駛演進中，端到端范式減少大量代碼 地圖類型地圖類型 能力能力 代碼量代碼量（行）（行）高精地圖 重圖 有圖城市開放-NPN 輕圖 重點城市開放 200 萬 分段式端到端 無圖 全國都能開 120 萬 端到端+VLM 無圖 全國都好開 20 萬 資料來源：36 氪汽車公眾號、每人 Auto 公眾號、開源證券研究所 2.2.3、

62、理想理想 NOA 實現不限城市、不限道路的通行能力，實現不限城市、不限道路的通行能力，體驗升級體驗升級 理想當前的理想當前的無圖無圖 NOA 的四大能力：哪里都能開、繞行絲滑、路口輕松、默契安心。的四大能力：哪里都能開、繞行絲滑、路口輕松、默契安心。（1）無圖無先驗，哪里都能開；全國不限城市、不限道路：）無圖無先驗，哪里都能開；全國不限城市、不限道路：實時理解能力提升，不依賴先驗信息真正做到哪里都能開。不限道路、不限城市，偏僻小城窄路、鄉村小路、錯綜山路等都能流暢通行，無車道線、臨時施工等路段都不再是問題。圖圖33：無圖無圖 NOA 的四大能力的四大能力 圖圖34：無圖無先驗，哪里都能開無圖無

63、先驗，哪里都能開 資料來源：出行局公眾號 資料來源：理想汽車公眾號（2）時空聯合時空聯合，繞行絲滑繞行絲滑，決策時機更果斷：決策時機更果斷：全新時空規劃模型的應用讓無圖NOA 真正像人一樣思考和規劃。遇到電瓶車、自行車、行人無規則穿行或車道停車亂象等復雜行車場景，也能更絲滑、更高效地進行繞行。（3）路口輕松，上帝視角，通行更高效路口輕松，上帝視角，通行更高效：理想汽車使用 BEV 視覺模型融合導航匹配算法，對車道結構和導航特征充分融合，達成了范圍更廣、信息更豐富的“上帝視角”有效解決復雜路口走錯路的問題實現了超遠視距選路的能力。（4）分米級微操分米級微操，駕駛更默契，家人更安心駕駛更默契，家人

64、更安心：與用戶心理安全邊界匹配默契更早更準預測加塞車輛、橫穿車輛和騎行人，更精確控制距離，更得當地加速減速。讓全家人在使用智能駕駛時謹慎而不緊張，安全且更安心。未來的端到端未來的端到端+VLM 還將具備通用障礙物理解能力，超視距導航能力，道路結構理還將具備通用障礙物理解能力，超視距導航能力，道路結構理解能力，擬人的規劃能力。解能力，擬人的規劃能力。圖圖35：繞行絲滑，決策不磨嘰，時機更果斷繞行絲滑，決策不磨嘰，時機更果斷 圖圖36：分米級微操分米級微操，駕駛更默契，家人更安心，駕駛更默契，家人更安心 資料來源：理想汽車公眾號 資料來源：理想汽車公眾號 2.3、組織面向端到端，云端算力大擴充，理

65、想加碼自動駕駛布局組織面向端到端，云端算力大擴充，理想加碼自動駕駛布局 2.3.1、量產和預研雙線并行，量產和預研雙線并行，成立端到端實體組織成立端到端實體組織 明確明確 RD 與與 PD 明暗雙線，組織架構上支撐自動駕駛快速迭代明暗雙線，組織架構上支撐自動駕駛快速迭代。理想 2023 年雁棲湖會議后明確 RD 和 PD 兩條脈絡研發智駕，其中 PD 是量產研發與產品交付，負責工程落地，包括推送給全量用戶、千人團測等版本，是市場看得到的明線，在 2023 年是 NPN 和無圖的量產交付，在目前是雙系統的交付；RD 是研發，負責預研技術，是市場看不到的暗線，在 2023 年是端到端雙系統的預研，

66、在目前是統一快慢系統以及 L4 的預研，后者還在探索，可能會整合一套理解加生成合一的超級大模型，通過蒸餾或者強化學習的方式，把大模型的知識都放到車端。如此滾動開發架構下，理想只用大約一年多的時間便完成了 NPN、無圖、端到端+VLM 的三代迭代。圖圖37：RD 與與 PD 明暗雙線明暗雙線滾動開發加快自動駕駛迭代滾動開發加快自動駕駛迭代 資料來源：36 氪公眾號、每人 Auto 公眾號、理想汽車公眾號等、開源證券研究所 2024 年年 7 月月，理想內部成立理想內部成立“端到端自動駕駛端到端自動駕駛”的實體組織的實體組織，整體整體超過超過 200 人人，其他其他團隊成員靈活支援項目。團隊成員靈

67、活支援項目。RD 和 PD 兩大組共 800 人，其中 PD 包含智能行車、智能泊車、智能安全等；“端到端”的研發主力部署在算法研發組，其中 RD 下設感知算感知算法、行為智能、認知智能法、行為智能、認知智能等組，其中行為智能行為智能包含端到端架構、端到端模型、控制模型等，認知智能認知智能包含認知模型、云端模型等組。2.3.2、加大投入拓展云端算力，加大投入拓展云端算力，自研芯片自研芯片補充車端算力補充車端算力 云端云端算力算力加速布局加速布局，為自動駕駛，為自動駕駛訓練訓練進化提供牢固進化提供牢固地基地基。截至 2024 年 8 月，理想云端算力規模已達到 4.5EFlops，一年的租卡約

68、10 億元，而據理想智能駕駛副總裁郎咸朋介紹，支撐 VLM 和端到端的訓練大概需要幾十 EFlops 的算力儲備，如果做到 L3和 L4 自動駕駛，一年光是訓練算力的花銷大概為 10 億美金。隨著數據和算力的補充，端到端架構衍生出來的城市智駕，將很可能達到高速上的駕駛體驗。自研芯片補充車端算力。自研芯片補充車端算力。據 36 氪汽車資料，理想從 2023 年 11 月開始大幅推進自研智駕芯片，自研的主要模塊為 NPU，后端設計部分外包給中國臺灣的世芯電子，然后再交由臺積電完成制造。目前理想已經設立了約 200 人的智駕芯片團隊，芯片將會在 2024 年內完成流片。3、蔚來：蔚來：NWM 推動架

69、構迭代，有芯有魂構筑智駕長期主義推動架構迭代，有芯有魂構筑智駕長期主義 3.1、NOP+全量推送，全量推送，2024H2 上車點到點領航輔助上車點到點領航輔助 2.0 開路不開路不開城開城，蔚來以道路為單位推進自動駕駛，蔚來以道路為單位推進自動駕駛落地。落地。2020 年年 10 月月，蔚來全量交付高速NOP，面向搭載Mobileye EyeQ4芯片的NT 1.0平臺車型。相對部分自研的NOP，基于 NT2.0 平臺的 NOP+是蔚來全棧自研，并于 2022 年底年底開啟推送，但此時只有高速功能。在城市領航輔助功能上，與其他車企擴展覆蓋度的“開城”方式不同，蔚來專注于對特定路段進行深度優化和精

70、確覆蓋，確保其智能駕駛系統在多變的道路條件下也能提供穩定可靠的服務，按照用戶心愿單以及道路開放全國的 NOP+。2023年年 6 月月，蔚來車隊在城區開啟路線驗證，10 月月在城區開啟應用“群體智能系統”。在2024 年年 4 月月，蔚來 NOP+在城市區域的領航輔助向所有 NT2.0 車型用戶開放，累計覆蓋 726 城，標準是以 90%主干道為最低標準釋放。2024 年下半年年下半年，蔚來計劃推送點到點的全域領航 2.0，實現點到點的體驗，并計劃再用一年的時間，解決智駕全國好用的問題，將城區體驗提高到目前高速領航的水平。表表4：蔚來蔚來 NOP+已已在在 2024 年年 4 月月全量推送全量

71、推送 時間時間 發展歷程及規劃發展歷程及規劃 2020 年 10 月 高速領航輔助駕駛功能 NOP 全量交付 2022 年 12 月 蔚來開啟增強領航輔助（NOP+）的試用 2023 年 6 月 向上海城區的 NOP+用戶開始第一輪先鋒體驗推送，之后計劃每兩周一輪做 NAD Beta 用戶群擴展 2023 年 7 月 NOP+在北京五環內的高速公路和城市快速路上線；蔚來 NOP+增強領航輔助 Beta版升級為正式版并開啟訂閱，價格 380 元/月 2023 年 9 月 在云端訓練方面，蔚來 NAD 云端計算集群擁有 1400PFLOPS 算力，自研分布式緩存系統 10PB，通過優化千卡布局，并

72、行效率提升超 91%，有效訓練時長占比超 96%2023 年 12 月 全域領航輔助 NOP+累計開通城區里程 31.98 萬公里，匯路成網的城市新增 74 座，總數達到 208 座（未正式推送，僅為先鋒領航用戶內測）時間時間 發展歷程及規劃發展歷程及規劃 2024 年 4 月 向 Banyan榕智能系統用戶全量推送全域領航輔助 NOP+城區路線 2024 下半年 點到點的全域領航功能上車，端到端 GOA 也會持續上車 2025 年 目標做到 80%智駕使用時長占比，鼓勵用戶多用 NOP+，并且讓智駕 10 倍于人駕安全；解決智駕全國都好用的問題 資料來源：21 世紀經濟報道公眾號、NE 時代

73、智能車公眾號、青豹駕到公眾號、開源證券研究所 NOP+用戶數量持續擴大，用戶數量持續擴大，蔚來自動駕駛蔚來自動駕駛的用戶認可程度正不斷提高。的用戶認可程度正不斷提高。2024 年 3 月的城區道路可用總里程為72.6萬公里，當月城區智能駕駛的行駛里程僅有42萬公里，而這兩個數據在 2024 年 7 月分別上漲到了 353.9 萬公里與 336 萬公里，一方面是NOP+可用范圍的擴大，另一方面是用戶對 NOP+的接受度不斷提高，開始讓 NOP+在城市中行駛更多里程。蔚來自動駕駛的用戶認可度也在不斷增長，截至 2024 年 7月，NOP+的訂閱用戶數量達到了 30.80 萬人，4 個月中增長超 5

74、0%，隨訂閱用戶數的增長，NOP+的商業閉環正逐步打通。圖圖38：隨著隨著 NOP+全量推送，用戶數也在快全量推送，用戶數也在快速上漲速上漲 數據來源：蔚來公眾號、開源證券研究所 3.2、世界模型提高通用能力，群體智能助力數據閉環體系世界模型提高通用能力，群體智能助力數據閉環體系 3.2.1、從模型化到端到端，世界模型是下一站從模型化到端到端，世界模型是下一站 由模塊化自動駕駛到端到端，蔚來將其劃分為三個階段。由模塊化自動駕駛到端到端，蔚來將其劃分為三個階段。（1）第第一階段一階段是模型是模型化化，模型化的優點在于實現數據驅動，但是對工程化的能力要求較高，要求能夠快速訓練與快速驗證。蔚來在 2

75、023 年中將規控模塊中加入AI 神經網絡實現模型化，而當前階段大部分玩家僅做到感知模型化，在規控端還沒有做到模型化。（2）第二階段是）第二階段是端到端端到端，將感知與規控模型連接，不用定義數據結構，解決數據丟失的問題。端到端下對于數據驗證體系的要求將更高。蔚來首先將端到端技術應用在主動安全功能，如 Banyan 2.6.5 版本中上車的端到端 AEB，以及 2024 下半年將要上車的端到端 GOA。（3）第三階段是大模型，）第三階段是大模型，在蔚來的定義中，大模型為世界模型，蔚來期望世界模型能夠對真實世界進行更全、更好的信息表達和預測。蔚來在 2023 年底開始訓練世界模型，預計 2024Q

76、4 會開始推進量產工作。19.32 24.58 26.63 28.75 30.80 42 90 213 174 336 05010015020025030035040010.0013.0016.0019.0022.0025.0028.0031.0034.002024年3月2024年4月2024年5月2024年6月2024年7月NOP+用戶數（萬人）智能駕駛城區行駛里程（萬公里）3.2.2、當前蔚來感知規劃全棧網絡模型當前蔚來感知規劃全棧網絡模型為為 NOP+提供了強大的通用泛化能力提供了強大的通用泛化能力 當前當前蔚來在自動駕駛算法中的感知和規控環節都采用了神經網絡賦能蔚來在自動駕駛算法中的感

77、知和規控環節都采用了神經網絡賦能。（1）在感知在感知端，端，采用融合化的感知網絡，占用網絡 2.0 通過一個網絡識別動靜態物體，并采用可變分辨率的架構解決遠近物體識別的問題，同時在云端訓練一個大模型進行無監督的訓練，輔助車端模型進行感知。（2）在規控端，）在規控端，引入了數據驅動的分層價值網絡，通過分層搜索的形式，找到最優解。具體而言，通過多模態的注意力網絡從感知數據中篩選出 10-100 種未來的可能性，之后將這些可能性進行更進一步的推演，通過交互搜索的樹，做 7 秒鐘的推演，通過經人類偏好數據訓練的博弈價值網絡來進行推演，在具體的行為規劃和控制過程，采用獎勵函數網絡給出一個最舒適、擬人化的

78、結果。最后將結果送入凸優化的空間進行兜底，保證輸出的結果安全。感知端和規控端一起串聯形成的蔚來感知規劃全棧網絡模型構成了通用泛化的基石。圖圖39：蔚來規劃部分基于三層的數據驅動的網絡蔚來規劃部分基于三層的數據驅動的網絡 資料來源：NIO IN 蔚來創新科技日（2023）3.2.3、世界模型世界模型能夠進行想象重建與想象推演，能夠進行想象重建與想象推演，將將推動推動通用能力通用能力快速快速提升提升 端到端端到端架構能夠充分利用數據，加速迭代，但架構能夠充分利用數據，加速迭代，但距離人仍有差距距離人仍有差距。端到端有兩個優點：（1）從人工寫規則變成了模型，依靠模型和數據去做迭代就能充分地利用數據；

79、（2）能自動地抽取信息，減少了很多信息損失，使得對于數據的利用更加充分。但僅依賴單一端到端的模型的話，時間維度信息的融合和推演都是定長的邏輯，自動建模長時序信息的能力相對匱乏，不能夠預測未來事件并評估其影響，也就是無法真正理解時空變化，這樣的端到端永遠無法達到人駕一般舒適、安全與效率。圖圖40：世界模型世界模型是蔚來智能駕駛技術下一步重點布局方向是蔚來智能駕駛技術下一步重點布局方向 資料來源：NIO IN 蔚來創新科技日（2024）世界模型能夠進行空間理解與時間理解，想象重建、推演能力強大。世界模型能夠進行空間理解與時間理解，想象重建、推演能力強大。NIO IN 2024 蔚來創新科技日上，蔚

80、來正式發布中國首個智能駕駛世界模型 NWM（NIO World Model），即可以全量理解信息、生成新的場景、預測未來可能發生的多元自回歸生成模型。相比于常規的端到端的模型，新的世界模型有三個主要的優勢：（1）空間理解上，通過生成式模型重構傳感器輸入方式，更加泛化地抽取信息，能夠全量理解信息，對空間理解更加深入。（2）時間理解上，通過自回歸模型，自動建模長時序環境，能夠預測接下來的場景。（3）通過生成式無監督的方式，無需人工標注，對海量數據的利用更加高效。圖圖41：世界模型能夠進行空間理解與時間理解世界模型能夠進行空間理解與時間理解 資料來源：NIO IN 蔚來創新科技日（2024）想象重建

81、能力：想象重建能力：從原理上講，從原理上講，世界模型能夠輸入一個真實世界的行車視頻，輸出另外一個更平行的世界，相當于對整體世界做再一次的重構，變成類似于真實駕駛環境的原始信息，減少信息的損失，算法的空間理解能力加強，而這一定程度上意味著它具備了解決這些場景中駕駛問題的能力。從算法端講，從算法端講，它是自監督的過程，不太需要數據標注，可以高效地做到千萬 Clips 的數據量的訓練；同時因為重建的視頻，任務更困難，監督信息更多，使得模型收斂速度更快。圖圖42：重建的視頻模型收斂速度更快重建的視頻模型收斂速度更快 資料來源：NIO IN 蔚來創新科技日（2024）想象推演能力：想象推演能力：從原理端

82、講，從原理端講，世界模型能夠持續地去想象推演，持續地以自回歸的方式去輸出視頻，“想象”時間維度上的變化，在功能方面，在功能方面，具體來說，NWM 可以在 0.1 秒內，推演 216 種可能發生的軌跡、尋找最優路徑，下一個 0.1 秒，NWM 會根據外界信息輸入去再生成新的 216 種可能性，繼續往前開；還能基于 3 秒鐘視頻的 Prompt 輸入，生成 120 秒想象的視頻。圖圖43：世界模型能夠推演平行世界，真實多變世界模型能夠推演平行世界，真實多變 資料來源：NIO IN 蔚來創新科技日（2024）蔚來計劃將世界模型蔚來計劃將世界模型進行車端部署，將其進行車端部署，將其結果作為預測參考輸入

83、下游規劃模型，在結果作為預測參考輸入下游規劃模型，在未來有望直接輸出軌跡去控制車輛。未來有望直接輸出軌跡去控制車輛。3.2.4、群體智能助力數據閉環搭建群體智能助力數據閉環搭建，生成式仿真進行快速閉環測試，生成式仿真進行快速閉環測試 通過群體智能與生成式仿真能夠滿足世界模型訓練的數據需求。通過群體智能與生成式仿真能夠滿足世界模型訓練的數據需求。世界模型作為多元自回歸生成模型，具有龐大的數據需求，特別是對長尾數據和閉環數據的需求更多，訓練一個世界模型，需要千萬級 Clips 以上的真實數據訓練。蔚來基于群體智能和生成式仿真為核心來滿足更大的數據需求。通過群體智能系統，挖掘日行千萬公里的真實場景可

84、成為正負樣本的訓練數據，篩選重點場景后驗生成式仿真，進行三維重建，最終產生更多新場景，加速模型的快速訓練迭代。圖圖44：群體智能和生成式仿真可以滿足整體的世界模型的數據需求群體智能和生成式仿真可以滿足整體的世界模型的數據需求 資料來源：NIO IN 蔚來創新科技日（2024）群體智能群體智能：在數據收集方面，在數據收集方面，蔚來通過量產車隊收集數據，目前 NT2.0 平臺的車型總數在 20 多萬臺，同時在車端的四顆 Orin-X 中，有一顆專門留給群體智能訓練，能夠篩選掉 99%無用數據并經過復雜自動化流程處理后回傳云端，使車輛不光在智駕狀態下，在非智駕狀態下也能獲取到有效數據。群體智能每月能

85、夠獲取 500 萬+接管數據，共分析 4785 萬接管案例，捕捉的高價值 Clips 超過 1000 萬。在道路驗證方在道路驗證方面，面，蔚來群體智能架構，能夠在量產車上分布式驗證用戶行駛過的道路以及使用過的智能駕駛功能，每月實車驗證里程超 2000 萬公里，單一路線 5 次驗證自動準出，加速實現智能駕駛系統升級迭代，保證智能駕駛用戶體驗持續進化。圖圖45：群體智能系統能夠幫助蔚來進行高效的數據挖掘群體智能系統能夠幫助蔚來進行高效的數據挖掘 資料來源：蔚來智能駕駛發布會（2024）圖圖46：通過群體智能，蔚來的城區道路可用范圍迅速提升通過群體智能，蔚來的城區道路可用范圍迅速提升 數據來源：蔚來

86、公眾號、蔚來智能駕駛發布會（2024）、開源證券研究所 6.512.432.065.272.684.7103.9353.9 353.90.060.0120.0180.0240.0300.0360.0城區道路可用總里程（萬公里）生成式仿真生成式仿真：與 NWM 配套，蔚來開發了仿真器 NSim（NIO Simulation），在整個數據鏈路上，車端的群體智能+NSim 理論上可以給 NWM 提供源源不斷的數據。NWM基于真實世界視頻進行重構和推演，進入到 NSim 重新編輯，分解出背景中靜態的、動態的信息，在 NSim 中也可以看到并且調整深度、法向量的信息。通過 NSim 可以切換到任意角度，

87、分析環境細節信息，可以根據所需去動態地編輯物體，也可以讓自車有新的行車軌跡駕駛。NSim 可以對 NWM 推演的每一種軌跡與對應的仿真結果做對比，給到更多數據給到 NWM 訓練，讓輸出的智駕軌跡和體驗更安全更合理，更高效。圖圖47：群體智能群體智能+NSim 可以可以解決解決 NWM 數據數據問題問題 圖圖48：NWM 生成結果可以進入到生成結果可以進入到 NSim 進行進行推演推演 資料來源：NIO IN 蔚來創新科技日（2024）資料來源：NIO IN 蔚來創新科技日（2024）在在訓練訓練方面，方面，蔚來認為，如果想要做端到端大模型，至少需要萬卡級別的算力集群，截至 2023 年 9 月

88、，蔚來智能計算集群總算力規模為 1.4EFlops，預計目前算力規模更高。蔚來還建立一套高性能計算平臺，可支撐日間峰值吞吐達到 200 萬次的任務請求，并且同時支持 1.5 萬個節點的并發，自研容量 10PB 的高速分布式緩存系統，支持大規模并行的訓練。此外，蔚來也已打通邊緣計算能力，使得整個車云算力聯合調度，截至 2024 年 7 月，蔚來整體端云算力高達 306.9EOPS，是全國最大的端云算力集群，分布式計算也是蔚來算力布局的重要構成。3.3、軟硬協同能力不斷加強，邁向端到端大模型時代軟硬協同能力不斷加強，邁向端到端大模型時代 3.3.1、自研神璣自研神璣 NX9031 即將上車，傳感、

89、計算硬件即將上車，傳感、計算硬件支撐智駕長期主義支撐智駕長期主義 神璣神璣 NX9031 已流片，深度軟硬一體有望大幅提升用戶體驗。已流片，深度軟硬一體有望大幅提升用戶體驗。2020 年開始，蔚來逐步組建了超800人芯片團隊，負責人華為海思出身。自研智能駕駛芯片“神璣NX9031”已經流片，制程為 5 納米，擁有超過 500 億顆晶體管，該芯片采用 32 核大小核 CPU架構，采用 LPDDR 5x 內存，速率達到了 8533Mbps，內置高動態范圍高性能 ISP，具備 6.5G Pixel/s 像素處理能力，處理延時少于 5nm，單芯片性能相當于四顆行業旗艦芯片的能力。神璣 NX9031 將

90、于 2025Q1 首搭 ET9，實現了硬件與軟件、算力與算法的緊密融合，有能力支持蔚來智能電動汽車進一步提升用戶體驗。圖圖49：神璣神璣 NX9031 已流片，制程為已流片，制程為 5 納米納米 資料來源：蔚來公眾號 蔚來蔚來自動駕駛面向未來，軟硬件支持自動駕駛面向未來，軟硬件支持長生命周期長生命周期迭代迭代。汽車智能化進展飛速，產品的生命周期在縮短，產品生命力也逐漸成為影響消費者的購車選擇的因素之一。在智能駕駛方面，蔚來認為其軟件層面架構的生命周期應達到 10 年以上，硬件層面應能夠堅持兩代平臺，而現在每代平臺的間隔期約 3-4 年。蔚來在軟件層面統一架構，做到軟件部分有 85%的模塊級復用

91、度，在硬件層面采用高性能傳感器與計算平臺，軟硬結合之下，蔚來車型生命力得以延長，支撐蔚來的“長期主義”布局。Aquila 蔚來超感系統蔚來超感系統配置豐富配置豐富，ADAM 計算計算平臺算力平臺算力出眾，出眾，能夠支撐自動駕駛的后能夠支撐自動駕駛的后續更新續更新。（1）Aquila 蔚來超感系統蔚來超感系統：擁有 33 個高性能感知硬件，包括 1 個等效 300線的 1550nm 激光雷達、7 顆 800 萬像素高清攝像頭、4 顆 300 萬像素高感光環視專用攝像頭、1 個增強主駕感知、5 個毫米波雷達、12 個超聲波傳感器、2 個高精度定位單元和 V2X 車路協同。（2）ADAM 計算平臺計

92、算平臺：ADAM 集成了 4 顆英偉達 Orin X智能駕駛芯片，總算力達1016TOPS，是目前汽車智能駕駛算力的天花板；同時ADAM還集成 1 顆最新的高通驍龍 8295 智能座艙芯片，能夠實現智駕、智艙和整車控制最大 256TOPS 算力共享，且且智駕和座艙之間跨域數據帶寬從千兆大幅提升到 16Gbps，能夠支撐多模大模型的端側部署。NT2.0 平臺車型都已搭配四課 Orin-X 的 ADAM 平臺，在未來的 NT3.0 平臺，會有神璣 NX9031 與英偉達 Orin-X 兩種芯片配置，在算法快速演進的智能駕駛潮流中提供牢固的硬件平臺基礎。圖圖50：ADAM 計算平臺計算平臺集成集成

93、4 顆顆 Orin-X 圖圖51：支持支持實現智駕、智艙最大實現智駕、智艙最大 256TOPS 算力共享算力共享 資料來源：蔚來公眾號 資料來源：蔚來公眾號 3.3.2、NADArch 升級升級 2.0，統一架構延長生命力，統一架構延長生命力 蔚來自動駕駛架構升級蔚來自動駕駛架構升級。NADArch 進化進化。世界模型 NWM，包括端到端的主動安全模型，以及相應的處理機制和安全機制，以上構成了蔚來算法的第二代架構NADArch 2.0，具體功能收斂到兩個產品：點到點的全域領航 2.0 與智能安全輔助 2.0。蔚來堅持 NT2.0 平臺車型統一架構，統一架構最直觀的優點是降低了后續的維護、運營、

94、迭代的成本，同時能夠大大延長架構的壽命。統一的架構下能夠提高復用程度，如樂道品牌與蔚來的軟硬件同架構，底層架構相通，可以數據共享。圖圖52：NADArch 2.0 具體功能收斂到點到點的全域領航具體功能收斂到點到點的全域領航 2.0 與智能安全輔助與智能安全輔助 2.0 資料來源：NIO IN 蔚來創新科技日（2024）3.3.3、重組智駕研發團隊，組織架構上面向端到端大模型重組智駕研發團隊，組織架構上面向端到端大模型 蔚來蔚來自動駕駛業務主要分為自動駕駛業務主要分為三三大團隊大團隊。目前蔚來智駕團隊約有 1500 人，自動駕駛業務共有四個團隊，分別為算法團隊、硬件團隊、操作系統和數據安全團隊

95、，其中算法團隊由蔚來智能駕駛研發副總裁任少卿負責，下設感知部、規劃與控制部、環境信息部、方案交付部、地圖定位部等多個部門。蔚來智駕研發部完成架構調整蔚來智駕研發部完成架構調整。2024 年 6 月，蔚來智駕研發部新成立了大模型部（負責端到端模型的研發工作）、部署架構與方案部（負責和車端相關的整體算法研發、架構設計和功能交付）、時空信息部（負責車端和云端的地圖信息相關的算法、模型開發及服務），撤銷了原來的感知部、規劃與控制部、環境信息部及方案交付部。從組織架構上面向端到端從組織架構上面向端到端，或將加速蔚來，或將加速蔚來自動駕駛自動駕駛迭代迭代。調整前，蔚來智駕研發部按照感知、地圖、數據、規控等

96、模塊進行分部門管理，再以項目為核心串聯起各個垂直的算法部門進行交付，算法模塊部門是實體組織，項目則是橫向的虛線組織。架構調整后，蔚來智駕的核心業務變成了兩塊，一塊是云，一塊是車，分別由“大模型部”、“部署架構與方案部”負責，前者負責創造出一個本身更好的基礎模型，去支持未來車端的迭代，后者負責車端自動駕駛的產品化與交付，工作流程上則以項目為中心組合各方，將橫向組織縱向化。新架構下，將有效減少內部溝通阻力與資源損耗，集中力量實現自動駕駛的高效迭代。4、管管中中窺豹：窺豹：從從三家三家新勢力新勢力車企車企進展，看進展，看自動駕駛自動駕駛發展趨勢發展趨勢 4.1、趨勢一：趨勢一：城區智駕從擴大覆蓋度到

97、優化體驗快速轉變城區智駕從擴大覆蓋度到優化體驗快速轉變 小鵬、理想已經實現全國有路就能開、蔚來將于小鵬、理想已經實現全國有路就能開、蔚來將于 2024H2 做到點到點全域領航，覆做到點到點全域領航，覆蓋度提升的主線漸暗，體驗提升主線漸明。蓋度提升的主線漸暗，體驗提升主線漸明。2023 年，城市領航輔助成為各家車企競相布局的方向。歷時將近一年的開城角逐之后，理想與小鵬先后全量推送無圖化的城市領航輔助功能，能夠做到全國所有城市道路都能開，蔚來采用道路驗證開通的方式，在 2024 年 6 月城區道路可用總里程覆蓋 353.9 萬公里，截至 8 月 15 日仍是353.9 萬公里，城市 NOP+功能或

98、已臨近上限，但也幾乎做到有路就能開。城區智駕實現全覆蓋后，下一步就是優化在城區智駕的體驗。圖圖53：蔚來已經幾乎能夠做到有路就能開蔚來已經幾乎能夠做到有路就能開，但在部分道路仍不能應對，但在部分道路仍不能應對 資料來源：蔚來官網、開源證券研究所（圖中道路開通狀況截至 2024 年 8 月 15 日）全國都好用成為下一角逐方向，車企著力提升用戶智駕體驗全國都好用成為下一角逐方向，車企著力提升用戶智駕體驗。為使消費者愿意為自動駕駛功能付費，良好的體驗必不可少。小鵬與理想計劃都在 2024 年內實現全國都好用的用戶體驗，而小鵬已經在“第一階段”；蔚來也將在未來一年之內解決智駕好用的問題。在能夠將用戶

99、群體覆蓋到全國范圍之后，下一步就是如何能夠在全國范圍的市場中吸引用戶，車企馬不停蹄角逐下一場，以期能夠用不斷豐富、完整的功能打動用戶，在自動駕駛競爭中把握主動權。提升體驗的方向包括減少道路斷點、實現門到門體驗，減少接管次數、駕駛更符合人性等等，而自動駕駛往往是“行百里者半九十”，越往后的挑戰越大，需要更強有力的支持與工具。表表5：三家新勢力車企都已覆蓋全國，下一階段目標為優化全國城市智駕體驗三家新勢力車企都已覆蓋全國，下一階段目標為優化全國城市智駕體驗 全國都能開全國都能開，有路就能開有路就能開 全國都好用全國都好用 小鵬 2024 年 7 月全量推送（2024 年 2 月小范圍推送）2024

100、 年 7 月已進入“全國都好用”的第一階段；2024Q4 進入第二階段 理想 2024 年 7 月（2024 年 4 月小范圍推送）最早 2024 年底 蔚來 2024 年 4 月（幾乎全國都能開）預計 2025 年 資料來源：小鵬汽車公眾號、汽車之家公眾號、36 氪公眾號等、開源證券研究所 4.2、趨勢二：趨勢二：認知智能認知智能輔助輔助端到端大模型端到端大模型上車上車 端到端端到端大模型大模型成為無圖城市領航輔助落地的最大功臣，逐漸成為無圖城市領航輔助落地的最大功臣，逐漸成為自動駕駛架構轉變成為自動駕駛架構轉變的共識的共識。小鵬、理想、蔚來在落地無圖城市領航輔助時，都選擇了端到端的路線，三

101、家目前采用的都是分段式的端到端，而理想與蔚來都在向 One Model 進發?？傮w來說，在端到端范式下能夠實現數據驅動，迭代的速度將會快于人工修改代碼的模塊化方案。在端到端大模型落地的過程中，數據、算力兩要素同樣缺一不可，數據方面不僅要求有足夠的數據采集能力，還要求能夠形成高效的數據閉環體系將數據高效利用，而算力為訓練提供基礎，端到端自動駕駛的迭代已成為系統工程，對車企研發能力、組織架構等都提出挑戰。表表6：良好的數據閉環良好的數據閉環不僅能在智駕里程數據中學習，還能利用智駕里程數據學習不僅能在智駕里程數據中學習，還能利用智駕里程數據學習 車企車企 智駕里程數據智駕里程數據 特斯拉 截至 20

102、24 年 7 月，FSD 累計行駛里程超 16 億英里（約 25 億公里）鴻蒙智行 截至 2024 年 8 月，華為智駕總里程達 4.6 億公里 小鵬汽車 截至 2024 年 5 月，小鵬已有折算 10 億+里程的視頻訓練、超 2.16 億累計公里數的仿真測試；2024 年 7 月，小鵬實車測試里程累計超 756 萬公里 理想汽車 截至 2024 年 7 月，理想輔助駕駛總里程超過 20.6 億公里 蔚來汽車 截至 2024 年 7 月，蔚來智能駕駛累計行駛里程超 11.29 億公里 資料來源：特斯拉官網、蔚來公眾號、理想汽車公眾號等、開源證券研究所 表表7：各大車企在各大車企在 2024 年

103、均將算力推升到更高水平年均將算力推升到更高水平 車企車企 云端算力規劃云端算力規劃 特斯拉 截至 2024Q2 擁有等效 3.5 萬張 H100 算力，預計 2024 年 10 月達到 100EFlops 鴻蒙智行 截至 2024 年 8 月華為智駕學習訓練算力達 5EFlops 小鵬汽車 截至 2024 年 7 月，小鵬云端算力達 2.51EFlops，2024 年增加 7 億元算力投入，2024年預計新增 7000 張英偉達 A100 組成的算力儲備 理想汽車 截至 2024 年 8 月，理想云端算力規模已達到 4.5EFlops 蔚來汽車 截至 2023 年 9 月，蔚來智能計算集群總算

104、力規模為 1.4Eflops；截至 2024 年 7 月，蔚來整體端云算力高達 306.9EOPS 資料來源：特斯拉官網、電動汽車觀察家公眾號、NE 時代智能車公眾號等、開源證券研究所 認知智能與認知智能與端到端端到端相結合，各家車企探索相結合，各家車企探索更高級自動駕駛之路。更高級自動駕駛之路。在算法方面，小鵬有 XBrain 大語言模型，理想有 VLM 系統，蔚來則有世界模型。各家的思路相近：僅靠端到端來實現自動駕駛仍會有難以處理場景，因而需要這些認知智能系統賦予自動駕駛處理復雜場景甚至未知場景的泛化能力。在當前端到端成為共識，但是對于未來的探索仍在持續。為更好探索端到端架構下的自動駕駛演

105、進方向，各家車企也進行了組織架構的變革，提高組織的應對效率。4.3、趨勢三：趨勢三：布局硬件布局硬件進行進行垂直整合，智駕降本成為方向垂直整合，智駕降本成為方向 布局芯片等關鍵零部件，硬件的垂直整合布局芯片等關鍵零部件，硬件的垂直整合提上日程。提上日程。無論是蔚來、理想還是小鵬，都在進行智駕芯片的探索，進展快的如蔚來神璣 NX9031，不僅在硬件上已經流片，還已經為神璣芯片提供了底軟、仿真、虛擬化、OS、中間件、工具鏈等一整套能力，小鵬自研的芯片也已經流片，理想自研芯片也將在年內流片。自研芯片不僅能夠形成更加高效快速的迭代體系，還能夠在長期降低硬件成本，更重要的是基于自研硬件能夠形成一套自主可

106、控的體系。在其他硬件上，車企也紛紛加快自研節奏，進行垂直整合。智駕降本即將成為明線，智駕商業化盈利時代有望到來。智駕降本即將成為明線，智駕商業化盈利時代有望到來。在算法方向基本確定、自動駕駛能力逐步企穩、體驗正取得消費者認可之后，智駕降本的前景也將逐漸明朗。當前小鵬與理想采取的是硬件付費、軟件標配的形式：消費者選擇硬件上能夠支持城市領航輔助等高階智駕的 Max 版車型，無需額外付費就能夠使用城市領航輔助。其中小鵬 Max 版（支持城市領航輔助）比 Pro 版（不支持城市領航輔助）的價格要高 1.2-2 萬元，而理想的 Max 版（支持城市領航輔助）比 Pro 版（不支持城市領航輔助）的價格要高

107、 2.8-3 萬元，即使理想的價格中仍包含其他配置，仍有較高的選擇成本。蔚來采取的是硬件標配、軟件付費的形式：全系車型標配支持城市領航輔助的硬件，但是軟件的開通僅能夠按月訂閱，每月 380 元。但是相對于自動駕駛研發、維護，算力租賃等成本支出來說，車企仍較難實現自動駕駛軟件盈利的商業模式，通過硬件垂直一體化等方式實現智駕降本或將成為明線。表表8：選擇城市領航輔助功能仍需付出較高成本選擇城市領航輔助功能仍需付出較高成本 車企車企 是否帶有是否帶有城市領航輔助功能城市領航輔助功能的的同配置同配置/同車型差價同車型差價 小鵬 X9 G9 G6 P7i 20000 元 12000 元 20000 元 16000 元 理想 L9 L8 L7 L6 30000 元 28000 元 28000 元 30000 元 蔚來 全系標配硬件 380 元/月 資料來源：小鵬汽車官網、理想汽車官網、GeekCar 極客汽車公眾號、開源證券研究所（數據截至2024 年 8 月 15 日，其中理想汽車差價中包含其他配置）