《辰韜資本：2024自動駕駛軟硬一體演進趨勢研究報告（45頁）.pdf》由會員分享，可在線閱讀，更多相關《辰韜資本：2024自動駕駛軟硬一體演進趨勢研究報告（45頁）.pdf（45頁珍藏版）》請在三個皮匠報告上搜索。

1、概述自動駕駛軟硬一體演進趨勢研究報告軟硬一體化是一種產品設計模式，它將軟件和硬件系統集成在一起，以提高系統效率和性能。這種設計模式使得在硬件上進行軟件的優化和協作變得更加容易，從而達到更高的性能、更低的功耗、更低的延遲和更加緊密的結合。軟硬一體又可分兩種不同模式：1）像蘋果一樣，自己完成從芯片到操作系統及其他核心軟件的研發；2）像 PC 產業 Windows+Intel，以及智能手機產業的安卓+ARM，操作系統廠商與芯片廠商深度綁定。前者我們稱為“重軟硬一體”，而后者則是“輕軟硬一體”。這兩類，都是通過軟硬一體的戰略獲得共贏的典型代表。在自動駕駛領域，特斯拉，從早期采用 Mobileye 的軟

2、硬一體解決方案，到采用英偉達的芯片+自研算法的軟硬解耦方案，再逐步過渡到基于自研的芯片以及自研智駕算法的“重軟硬一體”策略，引領了行業潮流?？梢?，同一家公司在不同階段會有軟硬解耦或軟硬一體的不同選擇，具有很強的靈活性。國內的諸多自動駕駛芯片以及算法供應商在經歷了初期的百花齊放，如今經過市場的篩選，已經有幾家公司確立了“頭部”地位。當前，整體的產業模式也從初期軟硬解耦和軟硬一體兩種思路的巨大分歧逐步收斂至軟硬一體方案，并圍繞這種模式建立業態以及利益分配鏈條。在當前市場上不同案例并存的情況下，本報告會對軟硬一體給出詳細的定義，并分析其出現的成因，以及對未來行業在軟硬一體方向發展趨勢進行預測。01自

3、動駕駛軟硬一體演進趨勢研究報告概述01軟硬一體定義及行業現狀分析 1.1 軟硬一體定義 1.2 軟硬一體方案為何成為行業的主流選擇？1.3 供應商的軟硬一體策略 1.4 整車廠的軟硬一體策略 02軟硬一體開發能力分析 2.1 智駕系統算法架構 2.2 智駕域控芯片架構 2.3 智駕域控系統底層軟件03自動駕駛賽道公司概況 3.1 主流芯片廠商 3.2 整車廠 3.3 軟件 Tier104行業未來發展趨勢 4.1 軟硬一體的綜合趨勢 4.2 自動駕駛賽道玩家未來的道路選擇 4.3 端到端算法對軟硬一體未來趨勢的影響 4.4 艙駕一體對軟硬一體未來趨勢的影響 4.5 具身賽道軟硬一體的未來趨勢 4

4、.6 趨勢總結【附錄】軟硬件一體的現狀調查本報告訪談和編寫項目組特別聲明0404060911131314171919232729303234353536394344內容目錄自動駕駛軟硬一體演進趨勢研究報告圖示 1：智駕系統的不同合作模式圖示 2：英偉達和特斯拉主力自動駕駛芯片參數和成本結構對比圖示 3：軟硬一體是否能帶來成本優勢？圖示 4：回顧歷史，摩爾定律是支撐 PC 端出現通用芯片的底層原因圖示 5：軟硬一體的方案優勢對比及 Tier2 廠家未來生存空間調研圖示 6：車載智能計算基礎平臺參考架構圖示 7：典型的車載芯片分布圖示 8：不同芯片類型優劣勢對比圖示 9：英偉達最新的 Thor 芯

5、片可達接近 2000 TOPS 算力圖示 10：Thor 可被配置為支持多種模式圖示 11：地平線征程系列芯片圖示 12：高通驍龍 Ride 芯片架構圖示 13：特斯拉 BEV 網絡架構圖示 14：蔚來的神璣芯片參數圖示 15：小鵬發布圖靈芯片圖示 16：影響軟硬一體策略判定的三要素圖示 17：以手機行業的軟硬一體發展趨勢為參考圖示 18：軟硬一體發展趨勢及驅動因素調研圖示 19：全棧自研是否會成為成為未來整車廠的主流趨勢?圖示 20：構建生態是否是芯片行業成功的必要途徑?圖示 21：軟硬一體方案是最優的方案么?04070809111315162020212223252629303132343

6、7圖示目錄自動駕駛軟硬一體演進趨勢研究報告1.1 軟硬一體定義盡管軟硬一體已經成了行業內很多領先玩家的重要戰略，但是目前仍沒有對軟硬一體給出有效的定義，本報告嘗試給出一個對于軟硬一體討論范疇的定義。首先，軟硬一體中的“軟件”，主要指的是智能駕駛系統的軟件和算法，其中可能包括應用層、中間件、操作系統等。當我們討論軟硬一體相關公司時，“軟件基因的公司”通常是指有較強算法能力和壁壘的公司。雖然智能駕駛系統中的硬件包括了各類傳感器、高性能計算芯片、域控制器以及圍繞核心計算芯片的其他芯片和電子元器件，但是大部分行業專家都認為，軟硬一體范疇中的“硬件”，主要討論的是對象是高性能計算芯片。雖然軟件和硬件的概

7、念都相對清晰，但是“軟硬一體”在智能駕駛系統的語境下，卻很難給出一個單一的標準界定。我們認為，軟硬一體討論的對象是自動駕駛公司及要做自動駕駛的芯片廠商以及主機廠，描述的是公司具備的軟硬件協同的研發能力和開發模式?；谲浻惨惑w的能力和開發模式，公司可以提供軟硬一體的產品。1.軟硬一體定義及行業現狀分析軟硬一體定義及行業現狀分析圖示 1：智駕系統的不同合作模式圖源：辰韜資本04自動駕駛軟硬一體演進趨勢研究報告以上三個案例展示了幾種業界比較典型的自動駕駛領域公司提供軟硬一體產品的模式：1.最極致的軟硬一體模式是由同一個公司完成芯片、算法、操作系統/中間件的全棧開發，芯片廠商同時也是整體解決方案提供方

8、，或者，整體解決方案商也自己做芯片。這方面的典型例子包括海外的 Mobileye、特斯拉、Nvidia（開發中）以及國內的華為、地平線、Momenta（開發中）等。這樣做的好處是，公司通過垂直整合擁有了最大程度的自主權，可以將軟硬一體的性能和效率優勢發揮到極致。在這類模式中，軟與硬兩部分結合最緊密、耦合最嚴重，為了與接下來的第二種模式相區分，這里我們將其定義為“重軟硬一體”模式。2.部分自動駕駛解決方案公司，雖然采用第三方的芯片，但是在該款特定芯片上具備極致的優化能力和豐富的產品化交付經驗，能夠最大化發揮該款芯片的潛能。這方面的典型案例包括卓馭（大疆）、Momenta 等。這樣做的好處是通過合

9、理分工節省了大量芯片和硬件研發投入，但是對公司在某款/某系列芯片上進行軟件優化和部署的能力提出了很高的要求。這種模式需要解決方案公司與芯片方密切配合，但是耦合程度不如模式一緊密，所以我們將其定義為“輕軟硬一體”模式。3.部分具備軟硬件全棧能力的公司，會將軟硬件耦合最緊密的部分（通常是感知算法和 SOC 芯片）作為標準產品提供，而其他模塊則由生態合作伙伴（如域控制器硬件公司、規控算法公司等）完成，這種模式可以看作是第一種模式的衍生，由于給下游客戶提供了更大的自主權和靈活性，因而更容易得到部分主機廠客戶的青睞。值得一提的是，這類合作模式中涉及到的生態合作伙伴公司，并不能被劃分為軟硬一體公司，因為其

10、中軟硬件耦合的核心環節并不由他們掌控。當然，自動駕駛領域的軟硬一體開發模式還有很多其他形態。我們通過以上三個定義可以看到：盡管軟硬一體的核心要素是軟件和 SoC 芯片如何耦合，但無論是從算法、操作系統到芯片的全棧能力帶來的完全垂直整合，還是基于第三方芯片進行極致的軟硬件協同優化，都可以實現軟硬一體的目的。需要注意的是，公司采用的是軟硬一體還是軟硬解耦戰略，這個判定并非絕對，而是相對的。比如，英偉達為自己的芯片開發算法，這是軟硬一體；而某個算法公司一直基于英偉達芯片提供解決方案，基于英偉達芯片進行深度適配，這也是軟硬一體。在本報告中，我們將前者歸類為“重軟硬一體”，將后者歸為“輕軟硬一體”。從另

11、一角度看，英偉達的芯片可以跟多家的算法適配，這就屬于軟硬解耦策略。再比如，地平線在 J2 及 J3 時代是“重軟硬一體”，因為在這個階段，芯片上集成的都是地平線自己開發的感知算法；而 J5 時代則變為軟硬解耦（由生態合作伙伴做算法，對地平線來說就是軟硬解耦）和“重軟硬一體”（自己做算法，軟硬一體定義及行業現狀分析05如理想的項目）并行。類似的是，J6 的旗艦版 J6P 的落地，在短期內會是“重軟硬一體”模式（算法由地平線自己開發），待后續有軟件 Tier1 或車企基于 J6P做算法后，則又走向軟硬解耦的路線；對長期使用 J6P 的軟件 Tier1 或車企來說，則是“輕軟硬一體”。再比如，一家主

12、機廠或算法公司從供應商的芯片切換到自研芯片的過程，也屬于軟硬解耦；但切換完成后，則又是“重軟硬一體”。最后，為了明確本報告討論的范圍，我們也需要澄清哪些能力并不是軟硬一體所需要的，或者哪些公司不應該被定義為軟硬一體公司。例如：以域控制器的設計和生產、包括部分底層軟件（如驅動、診斷等）開發為核心能力而不具備智駕核心算法開發和部署能力的公司，并不屬于軟硬一體公司。關于軟硬一體涉及的能力，本報告將在第二章軟硬一體開發能力分析中詳細討論。自動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析061.2 軟硬一體方案為何成為行業的主流選擇？對于汽車行業本身，早期的 ADAS，動力系統以及底盤系統都帶

13、有很強的軟硬一體的痕跡，上一代 Tier1 領域的霸主博世更是從芯片到控制器再到軟件算法實現了全環節交付。而在自動駕駛興起后，深度學習算法成為行業感知模塊的通用解決方案，傳統的芯片架構已經無法支持實時感知需要的大量并行計算能力。英偉達則通過移植其在通用 GPU 上的能力，先后發布了 DrivePX,DrivePX2,DriveAGXXavier以及 DriveAGXOrin 四代自動駕駛平臺，希望通過提供通用平臺的方式支持其芯片在自動駕駛領域落地。然而，這種硬件解耦的方式操作起來卻并不成功關鍵原因在于，其平臺的通用特性導致其芯片在算力利用效率以及功耗方面這兩個 OEM 非常關注的指標上均表現不

14、佳，同時價格也比較昂貴，只能用于支持高端車型的智駕方案。與之相反的是，特斯拉在與英偉達分道揚鑣之后，基于其自研的 FSD 芯片，做到了極致的軟硬一體化。它能非常高效地用處理硬件的算法去完成一些任務，從而極好地控制了芯片的功耗、面積及成本。因為，類似于蘋果自研的 M 系列芯片，特斯拉針對自己的應用需求去對芯片做了架構上的剪裁，從而使整個底層硬件的計算資源能夠做到更高的利用率。作為對比，特斯拉自研的 FSD 芯片盡管在工藝上跟英偉達 orin 具有一代的差距，因而，芯片的代工成本上僅為后者的三分之一，但是在整體功能實現效果上卻表現更優（尤其是，在端到端領域，特斯拉在整體表現上更有優勢）。圖示 2：

15、英偉達和特斯拉主力自動駕駛芯片參數和成本結構對比圖源：佐思汽車研究，辰韜資本整理芯片廠商英偉達特斯拉芯片型號OrinThorFSDChip1(HW3)FSDChip2(HW4)SOP 時間2021TBD20192023支持功能/車型理想 L 系列車型：兩塊 Orin 芯片支持城市 NOA，可部署端到端大模型蔚來品牌全系：四塊 Orin 芯片支持城市 NOA，可部署端到端模型TBDModelS/X/Y兩塊芯片支持 FSDv12，可部署端到端模型NPU總算力(TOPS)254200073.7121.65DieSize(平方毫米)455800（估計）260450（估計）制造工藝（納米）84147代工

16、廠三星臺積電三星三星芯片代工成本（美元）602502070封測成本（美元）251201035合計成本8537030105一次性流片成本（估算）（美元）301001030含毛利率的銷售價格（美元）2751157NANA與特斯拉類似，所有走“重軟硬一體”路線的公司都可以針對自己的算法及架構特點構建平臺體系，并以此為基礎開發其他模塊。無論是算法對于傳感器，算法對于主芯片，抑或是中間件及底軟對于芯片的整個相關性的設計都可以形成平臺，并自此基礎之上不斷的迭代優化。特別需要強調的是，對蘋果和特斯拉來說，“算法是平臺”?！八惴ㄊ瞧脚_”這一觀點，跟主流的認知截然相反，因為，在自動駕駛行業里，尤其是被硬件思維主

17、導的車企管理層的認知里，只有芯片才是“平臺”，算法應該“跟著芯片走”。算法本身可被看作平臺的核心原因是：算法是連接傳感器/自動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析07 自動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析數據/功能/應用及底層芯片的“鏈主”，因而，將算法視作平臺并提供相應的迭代機制，就可以讓原本只能割裂開發的各個環節（如芯片和最終實現功能之間）之間實現有機的連接。作為對比，如果將芯片作為平臺，則無法實現各環節之間的有效連接。蘋果與特斯拉這類公司搭建起以算法為“鏈主”的平臺的好處包括：可以提升開發效率；能夠提升開發質量；系統側的成本也會越來越低在整個量產落

18、地的過程中，順暢度及解決問題的效率都會大大提升。這種成本優勢引導行業走向軟硬一體的路線基本也得到了業界的共識，通過對行業內 28 名專家的訪談和調研我們可以看到，有 25 位專家認為通過軟硬一體的模式確實能夠為企業帶來足夠的成本優勢。圖示 3：軟硬一體是否能帶來成本優勢？圖源：辰韜資本與蘋果及特斯拉模式相對的是，走“輕軟硬一體”路線的公司則會基于自身的算法選擇供應商或合作伙伴的芯片來做適配。在產業早期，市場上可選擇的芯片較少，同時芯片算力的增長不能適配算法需求的增長時，他們也會針對性的對自研算法進行調整來配合芯片。而隨著芯片算力遵循摩爾定律不斷增長，當其能力遠大于算法所需算力之后，這種針對性的

19、優化和適配的工作會逐步減少，讓軟硬一體的程度變得更輕，因而耦合度進一步降低，甚至可能會走向軟硬解耦。08軟硬一體是否能帶來成本優勢？（單位：人）圖示 4：回顧歷史，摩爾定律是支撐 PC 端出現通用芯片的底層原因圖源：Karl Rupp Blog:40 Years of Microprocessor Trend Data|Karl Rupp1.3 供應商的軟硬一體策略1.3.1 芯片公司采用軟硬一體策略的核心原因軟硬一體的根基是芯片。目前看到的自動駕駛主芯片的主要架構是在 ARM 體系結構上搭載 CPU 及NPU，其中，CPU 作為通用的計算芯片，目前已經實現了很好的軟硬解耦，但針對深度學習的

20、NPU 部分，還需要針對主流的量產算法進行定制化設計，使其利用率更高、且整體平衡性更好。因為，自動駕駛算法對于芯片的不同處理單元會有不同的需求，若需求與處理單元提供的能力不能吻合，就導致資源不均衡或者需要頻繁的移動數據，進而造成額外的開銷，并導致整體效率下降。傳統芯片廠商往往會收集現行市場上所有客戶的需求，然后進行梳理，并提前幾年把所有的需求都匯總到芯片的研發計劃當中。然而，由于目前行業對自動09自動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析駕駛算法的認知參差不齊，且基于當前需求進行未來產品設計具有明顯的滯后性，所以，傳統芯片廠商的產品規劃思路對自動駕駛芯片廠商參考價值有限。地平線

21、作為采用軟硬一體策略的自動駕駛芯片公司的典型代表，雖然同樣會做對整個行業的分析，但其關注點更多集中在 AI 模型及算法上，判斷哪些會是未來的趨勢，甚至會投入研究人員進行算法的自研，進而引導這種趨勢。所以，地平線的芯片設計團隊在指令架構、內存帶寬配比、NPU 支持的算子形態等方面可以從算法團隊獲得精確輸入，然后再針對自己的算法以及對于功能的理解去設計芯片。以這種方式設計出來的芯片，地平線自己推薦的算法的加速或者計算效率會非常高。當芯片推向市場時，地平線會盡量推薦客戶采用自己定義的算法方案，這樣才能取得更好的效果。這種方案的弊端是，客戶或合作伙伴如要自己開發算法，那么整個網絡設計的架構、算法的設計

22、開發對于芯片的要求是不同的，在這種情況下，地平線自己設計的芯片就難以發揮出優勢。1.3.2 軟件 Tier1 們的軟硬一體模式，因芯片類型的不同而有所差異軟件 Tier1 針對平臺型和專用型芯片廠商的產品的不同特點，會傾向于采用不同的軟硬一體模式。目前，智駕賽道主流的芯片廠商可以分為平臺型及專用型兩大類：1.平臺型芯片廠商的典型代表是華為及英偉達，他們的 GPU 或 NPU 芯片以PC 端為基礎，進行適配從而成為自動駕駛需要的車規芯片。這種遷移導致這類芯片天生具有更強的通用性。由于硬件已經按照平臺化的要求進行了提前設計，所以，他們的芯片無法和車端算法 100%適配，這會給芯片帶來一些性能上的損

23、耗；不過，優點是能夠支持的算法范圍更寬。2.專用型芯片廠商更多是算法主導，比如說像地平線或者是 Mobileye，在芯片定義之初就為了滿足算法需求方案進行了專門的優化，具體的開發流程在 1.3.1中已經有過描述。針對對新算法的支持性比較好的平臺型芯片產品，軟件 Tier1 往往會采用較為領先和前瞻型的解決方案，在域控的設計上也會給算力留有比較多的裕量。這就意味著，這些解決方案的硬件成本往往較高，因而僅適合對于成本不太敏感的高端車型。但對軟件 Tier1 來說，這種芯片的通用性意味著其存在軟硬件解耦的空間，從一款平臺型芯片轉換到另一款平臺型芯片的適配成本較小，其遷移成本往往會在可接受的范圍內。自

24、動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析10針對更適合于成熟解決方案的專用型芯片產品，軟件 Tier1 可發揮的空間有限。但如果芯片廠商愿意以開放的心態跟軟件 Tier1 合作，那軟件 Tier1 就有機會通過跟該芯片廠商綁定，基于其芯片對自己的是算法做深度優化，打造出“輕軟硬一體”的模式（如輕舟智航跟地平線的合作）。這種方案的優勢在于具有效率及成本優勢，可以支持對價格更為敏感的中低端車型，因而，對于算法已比較成熟的軟件 Tier1 來說是非常好的選擇。在這種模式下，除非有必要切換整個算法解決方案，否則軟件 Tier1 進行軟硬解耦的意愿會很弱，因為，切換芯片的成本會特別高。在

25、報告的前期調研中，針對行業內所有參與者的競爭優勢以及生存空間，大部分受訪者認為，芯片廠商及軟件廠商在軟硬一體方案下各具優勢，差距不大；而超過三分之二的人認為，Tier2 軟件廠商不一定要依賴硬件產品生存，不過生存空間較小，只能集中在一些特定領域。（見下圖）圖示 5：軟硬一體的方案優勢對比及 Tier2 廠家未來生存空間調研圖源：辰韜資本自動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析11軟硬一體的方案下誰更有優勢?（單位：人）無硬件產品的 Tier2 廠家未來是否有生存空間?（單位：人）1.4 整車廠的軟硬一體策略目前，整車廠中對“重軟硬一體”策略執行得最徹底也最成功的就是特斯拉。有

26、特斯拉珠玉在前，國內的蔚小理以及比亞迪也在朝著軟硬一體的方向努力。相比于芯片自研，算法自研的前期投入少，并且對產品力的影響大，所以所有重軟硬一體的整車廠都經歷了“先算法后芯片”的遞進過程。自動駕駛軟硬一體演進趨勢研究報告軟硬一體定義及行業現狀分析12首先，在自動駕駛算法方面，OEM 自研已經成為一個不可忽視的趨勢。主機廠對智駕算法的投入主要基于兩個方面考慮：1）自我定位是自動駕駛公司，所以自動駕駛作為核心功能必須自研；2）自我定位是傳統 OEM，自研更多是基于對于自動駕駛算法可控的考慮，這樣可以保證供應鏈安全。由于主機廠在數據及方案選擇權上有著非常明顯的優勢，在未來自動駕駛 L3 或 L4 的

27、的滲透率達到30%，甚至更高水平的時候，同時，若主機廠內部管理層的軟件思維也足夠強、企業文化足以支撐軟件研發，主機廠就會更加傾向自研算法?；谒惴ǖ淖匝谢蚩煽?，整車廠是否要選擇“重軟硬一體”的策略，一般會從成本和配置的角度采取不同策略：1）針對低階智駕配置方案，整車廠傾向于采用供應商提供的“重軟硬一體”方案（比亞迪可能會成為例外），而高階智駕配置則更多的尋求算法自研，在自身體系無法支撐自研的情況下，會通過尋求外部合作及消化吸收為內部能力的方式來推進；2）針對芯片方向，因為研發芯片需要在人才資金方面有很大的前期投入，只有體量較大且現金流較為充裕的主機廠才有能力涉足芯片設計領域。國內的主機廠中目前

28、蔚來、小鵬和吉利已經流片成功，而理想和比亞迪也都做出了自己芯片開發的計劃，但是因為以上幾家的芯片產品目前還沒有整車廠的芯片達到量產裝車的狀態，采用“重軟硬一體”策略的具體效果還有待進一步驗證。由于有特斯拉的成功案例，目前行業普遍的看法是，整車廠做“重軟硬一體”具備可行性，但是考慮到中國每年 20003000 萬的銷售總量，最終只有行業頭部幾家整車廠可能會具備采用“重軟硬一體”方案的條件。關于芯片研發的盈虧平衡點，我們可以基于以下簡易模型做粗略估算：以7nm 制程、100+TOPS 的高性能 SoC 為例，其研發成本高于 1 億美元（包含人力成本、流片費用、封測費用、IP 授權費用等等），若以售

29、價 100 美元、毛利率50%計算，其盈虧平衡點為 200 萬片芯片出貨量。當然，芯片研發的盈虧平衡點受到制程、售價、研發投入等多方面影響，行業普遍認為，自研芯片的年需求量若低于 100 萬片，很難具備經濟性?？紤]到當前自動駕駛行業的技術方案和芯片架構幾乎每三年發生一次重大升級，自研芯片的庫存需要控制到極低水平方可，因而，部分車企的自研芯片也在尋求更加廣泛的生態聯盟來實現盈利。自動駕駛軟硬一體演進趨勢研究報告軟硬一體開發能力分析132.1 智駕系統算法架構 典型的智駕系統包括感知、定位、預測、決策規劃及控制模塊：感知模塊（Perception）上一代感知算法更多基于 CNN 卷積神經網絡實現，

30、所以，軟硬一體的芯片廠商在設計上會針對 CNN 卷積神經網絡進行很多優化。當前，隨著感知模塊逐雖然軟硬一體的方案能夠為企業帶來成本上的巨大優勢以及更廣闊的生存空間，但是它對于對于企業在技術能力上提出了更為苛刻的要求執行軟硬一體戰略的企業必須在算法、芯片（重軟硬一體）以及中間件和底軟等領域有著深度的技術積累和工程經驗。2.軟硬一體開發能力分析圖示 6：車載智能計算基礎平臺參考架構來源：車載智能計算基礎平臺參考架構 2.0（2023 年）步演進為基于注意力架構的 ViT 模型以及無注意力的 Mamba 模型的趨勢，芯片廠商需要針對性地進行芯片設計上的優化并搭建相應生態，這將會對未來的行業軟硬一體格

31、局產生深刻影響。預測模塊（Prediction）隨著 BEV+Transformer 技術方案大行其道，通過 spatialattention 的信息關聯方式獲得更準確的預測信息成為目前最主流的預測技術，這也解決了之前的預測算法輸出結果不夠平滑的問題。和感知及融合模塊類似，目前的算法同樣也要求計算芯片能夠針對 Transformer 提供足夠的優化，并且需要更多的算力支持。決策與規劃模塊（Decision and Planning）受制于技術方案決定的能力上限，傳統的決策方法在解決復雜場景時表現不佳，目前的主要趨勢是將決策規劃模塊神經網絡化，進而實現模塊化的端到端，最終向 onemodel 端

32、到端的解決方案轉化，這個轉化會帶來神經網絡的計算量較大的提升，這也對目前智駕芯片的算力和性能提出了一定要求。除此之外，為了解決端到端方案的可解釋性問題，目前行業內也提出采用車端多模態大模型來輸出場景描述和判斷邏輯。這種用于決策的車端多模態大模型的引入，一方面會導致車端計算量的急劇上升，另一方面也需要芯片廠商基于大模型進行相應的優化及設計，這些都會對未來行業軟硬一體的發展格局造成一定影響?？刂颇K（Control）傳統控制算法主要運行在 MCU 上，所以對于我們討論的域控的中央芯片的影響較小。此外目前也有部分端到端算法將控制算法融合進大模型的架構，會引起計算量的微小提升，但這些都對軟硬一體格局的

33、影響不大。自動駕駛軟硬一體演進趨勢研究報告軟硬一體開發能力分析142.2 智駕域控系統硬件架構目前車規級的智駕芯片基本都屬于 SoC 范疇，其集成了包括多個處理器、存儲器和其他部件在內的較完整的信息處理系統的半導體芯片，一般這些處理器具有異構的特性。從軟件層面來說它可以存放并運行系統級別的代碼，即可以運行操作系統，也會包含多個處理器，通常具有“CPU+XPU”的多核架構，例如可拆解為 CPU+GPU+DSP+NPU+存儲+接口單元。相比于傳統的車載芯片，自動駕駛 SoC 芯片的算力有了數量級的提升，并且，自動駕駛 SoC 芯片上通常需要集成除 CPU 之外的一個或多個 XPU 來做 AI 運算

34、。用來做 AI 運算的 XPU 可選擇 GPU/FPGA/ASIC 等。自動駕駛軟硬一體演進趨勢研究報告軟硬一體開發能力分析15圖示 7：典型的車載芯片分布圖源：辰韜資本座艙1.空調2.HMI3.座椅動力系統1.發動機控制2.發動機管理系統3.傳動系統4.冷卻系統車身1.車門控制2.車身控制3.后備箱控制4.燈光底盤及安全1.懸架2.制動3.駐車4.EPS5.氣囊遠程及通信1.網關2.V2X3.OTA目前，市場上主流的自動駕駛 SoC 芯片的處理器架構方案(或稱技術路線)有以下三種：自動駕駛軟硬一體演進趨勢研究報告軟硬一體開發能力分析16圖示 8：不同芯片類型優劣勢對比圖源：辰韜資本類型優勢劣

35、勢代表芯片通用并行加速芯片通用性強功耗高英偉達 Thor性能高地平線 J6P神經網絡專用加速芯片定制設計通用性弱地平線 J5功耗低高通驍龍 RideFPGA靈活性強價格高賽靈思 Vertex7英偉達、地平線等，所設計的自動駕駛 SoC 芯片采用 CPU+通用并行加速芯片方案。這種通用并行加速芯片以英偉達的 GPU 作為主要代表，由于其架構具有通用性，比較適合算法快速迭代期采用“輕軟硬一體”方案的車企或軟件 Tier1選擇。類似地，地平線的 J6P，也采用了通用加速芯片方案，這為生態合作伙伴走“軟硬解耦”或“輕軟硬一體”創造了條件。Mobileye、地平線等，致力于研發銷售自動駕駛專用 AI 芯

36、片，采用 CPU+神經網絡專用加速芯片方案。因為這類專用加速芯片對于算法約束較多，所以這種芯片本身需要和算法綁定得更深，很多時候也需要芯片廠商自己走“重軟硬一體”模式；或是引導生態伙伴中的軟件 Teir1 采用“輕軟硬一體”的策略，與自家的專用加速芯片進行深度綁定。此外，還有部分自動駕駛公司在早期采用 CPU+FPGA 的方案做自動駕駛算法驗證。這類芯片靈活性強，但是性價比較低，只能用于早期的算法測試，不適合作為最終產品進行量產，因而對于軟硬一體的最終生態不會造成什么影響。自動駕駛軟硬一體演進趨勢研究報告軟硬一體開發能力分析172.3 智駕域控系統底層軟件2.3.1 操作系統目前，產業內對智駕

37、操作系統的主流選擇是，采用 QNX 或基于 Linux 內核進行裁剪。在應用于自動駕駛領域之前，QNX 主要應用于手機行業。QNX 作為一個微內核只涵蓋了最為基本的調度及內存管理，所以，它的優勢在于高可靠性，協議棧、各種外設驅動穩定，這就意味著它天生適合用于開發 RTOS 系統。但是由于其完全閉源的特性，在生態方面的局限性也太明顯，這使得它目前在自動駕駛領域的落地并不理想。尤其是，難以滿足高階智駕方案的需求。相比之下，基于 Linux 進行裁剪開發出的各種 RTLinux 系統，其本質上仍然是宏內核，除了調度及內存管理外，文件、驅動以及網絡協議等功能也是一應俱全。另一方面，Linux 屬于純開

38、源系統，所以具有免費的特性，而且它的生態資源豐富，可以無縫對接大量第三方庫，因而可以更好地適配目前自動駕駛軟件迭代對于軟件庫快速增加的需求。RTLinuX 的主要劣勢是，在實時性上略遜 QNX 一籌，而且其較高的系統復雜度也增加了出現 bug 的概率，不過，目前車廠已經通過軟件及功能架構的設計對 RTLinuxX 的劣勢進行最大程度的規避?？傮w而言，RTLinux 可滿足 POSIX 標準，從而一方面讓基于它們開發的中間件有共同可遵循的標準，對于中間件公司相對較為友好；另一方面也可以支持不同架構的自動駕駛芯片，通用性強，因而，對于軟硬解耦不會設置過多的阻礙。除此之外，未來生態逐步在向艙駕一體的

39、方向演化。由于智駕域在可靠性、穩定性以及實時性的要求遠高于座艙域的系統，因而，同一套操作系統想要兼容兩個域的需求難度極大。目前的解決方案大部分是基于oneboardtwochip的方案，不同芯片跑不同的系統，從側面規避了這個問題。而長期來講，艙駕一體的技術方向會走向單芯片模式，在單芯片的艙駕一體方案下，是否能有穩定可靠的操作系統在單芯片上同時滿足兩個域的需求，就會影響方案落地的速度。這些操作系統的優化與芯片以及域控的架構息息相關，從而會間接助力行業走向“輕軟硬一體”的狀態。2.3.2 中間件中間件是連接芯片及應用軟件的橋梁，所以中間件開發對所選擇的芯片以及需要支持的應用層架構對比較敏感。目前對

40、于中間件的核心關注點主要在于性能表現，具體包括兩個方面：一是中間件的實時性，二是中間件對于系統資源的占用。傳統的 AutoSARCP 由于最早是針對 MCU 開發，后期在向 SoC 芯片平臺移植的工作較多，且僅支持 SOME/IP，所以目前已經逐步讓位于更加主流的 AutoSARAP。由于 AP 相較于 CP 具有更好的靈活性，對于軟硬解耦會有所幫助。對于大數據量的傳輸方案，DDS 是目前行業的主流選擇。早期的 DDS 更多應用于工業系統，所以在移植到車輛系統初期遭遇了一些瓶頸。目前隨著車載系統軟件公司以及整車廠的不懈努力，針對 DDS 的適配已經得到了長足發展。目前國內的中間件公司都已經基于

41、 AP/DDS 提供了定制化的解決方案。這種中間件通用性的提升，從某種程度上降低了軟硬解耦的門檻。2.3.3 工具鏈除運行在自動駕駛車輛上的軟件外，用于數據采集、處理、標注、模型訓練平臺、仿真平臺、OTA 工具和一些其他環節的開發工具都屬于開發工具鏈的范疇。其中的模型訓練平臺以及部署相關的工具，跟軟硬一體有很強的相關性。在自動駕駛行業內，模型訓練平臺及相關部署工具做得最好的公司是英偉達。英偉達依靠其 CUDA 生態的得天獨厚優勢，基于 Xavier 及 Orin 芯片，提供了全套的模型訓練及加速工具，如靜態框架的 TensorFlow(Google 開發，英偉達深度支持)+TensorRT，此

42、外也可以采用支持動態框架的 PyTorch+ONNX 的全套工具鏈。這些工具鏈可以無縫對接其強大的模型開源生態，讓開源社區的 SOTA 算法在英偉達芯片上可以快速適配部署及應用。這種成熟的鏈條也使得軟件 Tier1容易傾向于采用英偉達芯片及工具鏈構建“輕軟硬一體”戰略。而采用 ASIC 方案的軟件 Tier1 由于 ASIC 芯片本身特性制約，針對新算子的適配更為復雜。訓練以及部署平臺如何對包含這些新算子的模型進行訓練和部署也存在很多不確定性，甚至存在某些算子，當前的 ASIC 方案可能完全不支持或者計算效率極低導致包含該算子的模型完全不可用的可能性。因而，在算子尚未成為行業標準的早期，軟件

43、Tier1 需要得到芯片原廠更多的支持。這也意味著，基于這些芯片提供解決方案的軟件 Tier1 或整車廠需要跟芯片廠商深度綁定。如果切換芯片則需要重新熟悉大量的部署以及加速工具，帶來了比較高的遷移成本。這種特性也間接推動了“輕軟硬一體”生態的形成。自動駕駛軟硬一體演進趨勢研究報告軟硬一體開發能力分析18自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況193.1 主流芯片廠商市場上主要的自動駕駛芯片廠商如下：3.1.1 英偉達英偉達的自動駕駛芯片主要定位在 L2+及以上等級的智能駕駛，2019 年推出的自動駕駛領域的主力芯片 Orin 算力達到 250TOPS，在當時遙遙領先于行業內的其他競

44、爭對手。作為一款平臺型芯片，盡管他的價格不菲，在推出之后仍然成為大量“輕軟硬一體”的軟件 Tier1 以及整車廠高端車型自動駕駛解決方案上的首選。其通用以及高算力的特性也讓軟件 Tier1 以及整車廠可以從上一代基于CNN 的感知模塊平穩地過渡到 BEV+Transformer 的技術方案，以及之后的模塊化端到端解決方案，很好地支持了這些客戶的“輕軟硬一體”戰略。在 2022 年，英偉達發布了新一代智駕芯片 Thor，采用了先進的 4nm 工藝，算力可達 2000TOPS。其不僅在算力、性能上有極大提升，還被認為具備了支持車端大模型的潛力。從功能上分析，Thor 可被配置為多種模式，可以將其

45、2000TOPS 算力全部用于自動駕駛工作流；也可以將一部分用于駕駛艙 AI 和信息娛樂，一部分用于輔助駕駛，為下一代的艙駕一體架構提供了芯片層面的保證。從這個角度講 Thor 有希望被軟件 Tier1 綁定，為高端車型提供艙駕一體的軟硬一體解決方案。除了提供芯片產品外，英偉達也同樣組建了自動駕駛解決方案團隊，進行了“重軟硬一體”戰略的嘗試。公司目前作為 Tier1 為奔馳提供包括芯片、智駕算法及座艙在內的全套解決方案，與其他 Tier1 相比略顯不足的是，雙方的合作從2020 年開始，但是目前仍未達到量產落地的狀態。3.自動駕駛賽道公司概況自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況

46、203.1.2 華為華為是自動駕駛芯片賽道上最具代表性的走“重軟硬一體”路線的公司。目前計算平臺所使用的主芯片是 Ascend310，Ascend610，Ascend620。這幾款芯片的最大亮點就是采用了達芬奇架構。達芬奇架構采用3DCube，針對矩陣運算做加速，大幅降低了同等 AI 算力下的功耗。圖示 10：Thor 可被配置為支持多種模式圖片來源：英偉達官網圖示 9：英偉達最新的 Thor 芯片可達接近 2000 TOPS 算力圖片來源：英偉達官網除芯片外，華為也有針對自動駕駛的全套解決方案 ADS，是所有芯片廠商中對軟硬一體策略執行得最重的一家。其提供的產品全面覆蓋了芯片、操作系統、工具

47、鏈以及自動駕駛算法各個環節。由于在智駕軟件領域有超過幾千人的團隊支撐，所以在 BEV 以及占據網絡等新技術上都實現了快速落地，其在城區 NOA 的體驗方面也是居于國內的第一梯隊。能夠實現這些新技術的快速落地以及產品的快速迭代都和華為堅定的執行“重軟硬一體”策略帶來的速度優勢有極大關聯。目前華為基于這套“重軟硬一體”的 ADS 解決方案與賽力斯、奇瑞及長安阿維塔都進行了全面合作，取得了很好的效果，智駕系統的選裝率也達到了較高水平。3.1.3 地平線地平線屬于行業內執行軟硬一體方案以及打造智駕生態比較成功的芯片公司。其產品線較為全面，涵蓋了 CPU+ASIC 及 CPU+GPU 兩種不同架構。早期

48、推出的 J2 和 J3 主要用于 L2 級別自動駕駛功能，從芯片到算法全部都由自己提供，采用了“重軟硬一體”的打法。從 J5 開始，其策略逐步開始向軟硬解耦的方向轉化。J5 目前的量產算法是由生態合作伙伴（如輕舟和鑒智及覺非等）做算法及交付，從“重軟硬一體”逐步轉向軟硬解耦策略，并以打造與合作伙伴的生態為主。2024 年 4 月，地 平 線 發 布 了 全 新 一 代 車 載 智 能 計 算 方 案 J6 系 列 以 及SuperDrive 全場景智能駕駛解決方案，其中 J6 旗艦芯片 J6P 實現了 CPU、BPU、GPU 和 MCU 四芯合一，提供了更高的芯片架構集成度，單顆芯片最高算力高

49、達560TOPS。J6 將延續軟硬解耦的商業策略，在 2024 年內通過生態合作伙伴開啟首個前裝量產車型交付，并預計于 2025 年實現超 10 款車型量產交付。圖示 11：地平線征程系列芯片圖片來源：地平線 J5 發布會21自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況自動駕駛軟硬一體演進趨勢研究報告J6 的旗艦版 J6P 的落地，在短期內會是“重軟硬一體”模式（算法由地平線自己開發），待后續有軟件 Tier1 或車企基于 J6P 做算法后，則又走向軟硬解耦的路線；而對長期使用 J6P 的軟件 Tier1 或車企來說，則是“輕軟硬一體”。3.1.4 高通在 2020 年 1 月，高通推

50、出了驍龍 Ride(SnapdragonRide)平臺，作為其邁向自動駕駛賽道的平臺產品。圖示 12：高通驍龍 Ride 芯片架構圖片來源：高通官網不過一代產品（SA8540P）并沒有能成功打開市場，出貨量較少。而其二代產品系列（包括 SA8620P，SA8650P 等)提供了從 36TOPS 到 100TOPS 的算力，在國內與 momenta，卓馭及毫末分別聯合發布了輔助駕駛及自動駕駛解決方案，堅持走軟硬解耦的商業路線。除以上合作外，高通在“重軟硬一體”路線上也有所布局。其在 2021 年與合作伙伴聯合收購自動駕駛公司 Veoneer，并在接下來的一年將其軟件部門 Arriver收歸帳下。

51、而 Arriver 的計算機視覺、駕駛策略和其他自動駕駛相關資產也被整合到驍龍 Ride 平臺上。從而讓高通具備為客戶提供高級駕駛輔助系統(ADAS)解決方案的“重軟硬一體”能力。22自動駕駛賽道公司概況自動駕駛軟硬一體演進趨勢研究報告3.2 整車廠3.2.1 特斯拉在 整 車 廠 中，特 斯 拉 是 一 個 從 使 用 供 應 商 的“重 軟 硬 一 體”（早 期 跟Moibleye 合作階段）方案轉向“輕軟硬一體”（跟英偉達合作階段）、最終又將基于自研芯片走上“重軟硬一體”之路的典型代表。其采用的 BEV+Transformer 的感知+融合+預測方案，以及從 FSD12.3起開始推送的模

52、塊化端到端方案都引領了行業智駕算法的發展。除了算法方面的領先，特斯拉在芯片方面也探索出了自己的道路。早期的自動駕駛解決方案搭載的芯片包括MobileyeEyeQ3 與英偉達DRIVEPX2，后期則選擇自研的FSD 芯片。一代芯片于 2019 年正式流片，采用 14nm 工藝，整個芯片約由 60 億顆晶體管組成。二代芯片發布于 2023 年，采用了 7nm 工藝，包含三個 NPU 核心，算力可達 120TOPS。圖示 13：特斯拉 BEV 網絡架構圖片來源：特斯拉DemoDay23自動駕駛賽道公司概況自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況其核心技術來源于由兩顆 NPU 組成的 NN

53、A（NeuralNetworkAccelerator，神經網絡加速單元）系統，并針對自身的自動駕駛算法進行了大量優化，包括：1.在每個計算周期，NPU 都會從內置的 SRAM 中讀取激活數據，并和權重數據組合在一起進入乘法累加，在完成了 MAC 的乘法累加運算后，數據將會被轉移到激活以及池化部分，然后寫入緩沖區，進行結果匯總。2.NNA設計了非常大的片上 SRAM 緩存，這樣可以讓數據盡可能地在片內周轉，而不用頻繁地與內存或者其他模塊進行讀寫操作。這樣做不但可以提高性能，還可以有效降低功耗?；谠谧匝行酒约白詣玉{駛算法領域的領先性，特斯拉是目前執行軟硬一體策略執行的最為成功的整車廠。一方面算

54、法方面的不斷突破為他們帶來了軟件領域的優勢，另一方面自研芯片以及工具鏈也讓他們可以將這些軟件優勢快速轉化為產品力體現在最終車輛當中。3.2.2 理想理想又是一個從使用供應商的“重軟硬一體”方案轉向“輕軟硬一體”，最終又將基于自研芯片走上“重軟硬一體”之路的典型案例。理想在早期使用 Mobileye 提供的“重軟硬一體”方案，在進入 2020 年之后，為自己掌握自動駕駛能力，開始使用地平線的芯片，并在地平線的幫助下開始自研算法，這是走向了“輕軟硬一體”。此后，理想又基于英偉達的 Orin 自研高階智駕的算法，仍然堅持“輕軟硬一體”戰略。除算法方面逐步走向自研的道路，理想也已經在啟動智駕芯片的研究

55、，主要采用 NPU 方案來實現推理加速的運算，并已有相應的流片時間計劃。未來理想有望基于自研的自動駕駛方案進行自研芯片的設計，從而獲得更好的性能匹配以及成本優勢，走向“重軟硬一體”的道路。對于自研芯片的整車廠而言，從供應商的芯片切換到自研芯片的過程，屬于軟硬解耦；但在切換完成之后，若長期使用自研芯片，則是“重軟硬一體”。根據過往經驗，在剛切換到自研芯片的前期，自動駕駛系統的性能可能會有所下降，但過了早期的過渡期后，性能相較以前又會有較大的提升。24自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況圖示 14：蔚來的神璣芯片參數圖片來源：蔚來官網3.2.3 蔚來跟理想類似，蔚來也是一個從使用供

56、應商的“重軟硬一體”方案轉向“輕軟硬一體”，最終又將基于自研芯片走上“重軟硬一體”之路的案例。早期使用 Mobielye 提供的“重軟硬一體”方案；后面連續幾年基于英偉達Orin 自研算法，這是“輕軟硬一體”；接下來，若自研的芯片在量產上可用，并且整車的銷量也足以支撐芯片研發系統的維護成本，蔚來將走向“重軟硬一體”模式。3.2.4 小鵬目前小鵬已經擁有 Xpliot/XNGP/XNGP+全系列自動駕駛/輔助駕駛架構。這幾個解決方案全部由小鵬自研，并基于英偉達芯片實現，所以小鵬目前屬于行業內對“輕軟硬一體”路線執行得最堅決的造車新勢力。但通過近日在發布會上宣布自研芯片“圖靈”流片成功的消息，小鵬

57、也展現出了在未來逐步邁向“重軟硬一體”的決心。圖靈芯片可以支持 30B 的大模型，可以為作為未來高階自動駕駛的計算芯片。同時這塊芯片也會用于小鵬的人形機器人，同步讓其人形機器人也完成向“重軟硬一體”生態的轉化。不過，小鵬的“重軟硬一體”之路能否真正走通，也取決于車的銷量，以及其跟大眾的合作能否持久；反過來，若“重軟硬一體”之路走通，則大眾也會有可能采用小鵬的“重軟硬一體”方案。25自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況3.2.5 比亞迪不同于特斯拉以及蔚小理等造車新勢力較早開始布局自動駕駛，比亞迪在這個領域發力較晚。但是從路徑上走的仍然是從與供應商合作，到自研自動駕駛算法，最終開

58、始自研智駕芯片的道路。比亞迪在 2021 年與 Momenta 成立合資公司迪派智行，開始面向高階自動駕駛布局。主要依靠軟件 Tier1Momenta 基于英偉達 Orin 芯片為自己的高端車型提供“輕軟硬一體”解決方案。而從 2022 年開始，公司開始自行組建智駕團隊，基于英偉達的 Orin 芯片進行智駕算法的開發，其自研的高速 DNP 算法在同年開始在比亞迪漢上推送。在 2023 年自研的高速 NOA 算法在騰勢及仰望等高端車型完成了推送，這一階段屬于綁定 Orin 的“輕軟硬一體”階段。在 2023 年，比 亞 迪 已 經 開 始 進 行 小 算 力 智 駕 芯 片 的 研 究，對 標

59、TI 的TDA4vm。希望通過這款低成本芯片實現 1020 萬中低端車型的自動駕駛功能的“重軟硬一體”方案。比亞迪對“重軟硬一體”的考慮跟蔚來有所不同蔚來是先從大算力芯片開始，而比亞迪則是先從小算力芯片開始。這跟兩家公司主流車型的市場定位有關。在使用英偉達芯片的階段，從供應商的算法切換到自研算法的過程，是軟硬解耦；在使用自研算法的階段，從英偉達的芯片切換到自研芯片的過程，是軟硬解耦。比亞迪向“重軟硬一體”的轉型成功需要有個前提：能打造出適合軟件開發的組織文化。圖示 15：小鵬發布圖靈芯片圖片來源：小鵬汽車發布會26自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況3.3 軟件 Tier13.

60、3.1 MomentaMomenta 在前一階段處于“輕軟硬一體”狀態。其在高階智駕上綁定了英偉達的 Orin 芯片提供其 MpilotX 解決方案，目前已經在上汽的智己以及比亞迪的騰勢上實現了量產。不過，在 2024 年，Momenta 也高調宣布了未來會與高通進行合作，基于驍龍 Ride 進行一些領航類低階輔助駕駛功能的開發。將基于英偉達平臺開發出來的算法移植到高通的芯片上，則是一個軟硬解耦的過程。此外，Momenta 目前也已經有了芯片領域的規劃，Momenta 一方面在 2023年招攬了十幾名 OPPO 旗下的芯片設計公司哲庫的技術骨干進行自動駕駛芯片的研究，另一方面也開始與臺灣 AS

61、IC 服務廠商溝通 5nm 芯片的量產計劃。一旦自研芯片取得成功，經歷了從英偉達、高通的芯片切換至自研芯片的“軟硬解耦”過程后，Momenta 將走上跟 Mobileye、地平線、華為和英偉達一樣的“重軟硬一體”之路。對軟件 Tier1 來說，從“輕軟硬一體”走向“重軟硬一體”，最大的挑戰可能并不在技術，而在于如何取得主機廠客戶對其自研芯片的信任。因為，通常來說，主機廠選擇軟件 Tier1 的邏輯，是先選擇芯片平臺，然后再看哪個軟件 Tier1 最有能力把該芯片用好，再定點軟件 Tier1，而非因為認可某個軟件 Tier1 的算法，然后再用他推薦或自研的芯片。不過，一旦其“重軟硬一體”方案拿下

62、了幾個具有說服力的量產項目，并經過驗證比之前使用供應商芯片的“輕軟硬一體”方案性能優且成本更低，就有機會快速擴大市場占有率。3.3.2 卓馭科技（大疆車載）在國內所有軟件 Tier1 當中，大疆車載是最早將智駕功能定位在中低端車型上的供應商。為了適配中低端車型，卓馭從芯片到傳感器上的各個要素都考慮極致性價比。為了保證穩定性和研發深度，大疆車載選擇了比賽道其他玩家更加徹底的“輕軟硬一體”模式。其他玩家的“輕軟硬一體”一般以綁定芯片供應商為標志，而大疆車載的“輕軟硬一體”不僅綁定了 TI 的 TDA4 這款芯片，在早期還嚴格綁定了通用五菱的車型進行深度開發。這就讓其在算法層面以 TDA4 為基礎進

63、行深度適配，而在傳感器層面則參考五菱的車型。27自動駕駛軟硬一體演進趨勢研究報告自動駕駛賽道公司概況雖然 TDA4 的芯片算力僅有 32TOPS，但是通過大疆在算法層面的極致優化，能同時支持 7 路攝像頭的深度學習算法，并讓最終方案可同時提供大量的泊車以及輔助駕駛功能。能夠做到如此深層的優化，與大疆從最初就選定了高性價比的TDA4 芯片并基于此進行算法優化的“輕軟硬一體”的路線有直接關系。憑借這個性價比優勢，卓馭的自動駕駛解決方案已經在上汽以及比亞迪的多款車型上實現量產。值得一提的是，2024 年大疆也接過了高通的橄欖枝，開始基于高通 8650 提供城區 NOA 方案，轉向軟硬解耦方向。28自

64、動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢基于對于資深專家的訪談以及對歷史上其他行業的情況進行橫向對比，我們總結出了更適合采用軟硬一體策略的公司/行業/階段幾個判定標準：1.技術成熟度：算法技術框架已經收斂；2.技術平權度：芯片設計技術/方案的復雜度不算太高，且已經有很多公司掌握了該技術/方案；3.總收益：所處賽道的市場體量足夠大，市場回報能夠覆蓋軟硬一體的成本。以上三個標準，滿足其中一條時公司就具備考慮軟硬一體的條件，滿足其中兩條時公司就會具有推動軟硬一體的動力，如果三條全部滿足則軟硬一體就是公司在當前的最優選擇策略。4.行業未來發展趨勢圖示 16：影響軟硬一體策略判定的三要素圖源：辰韜

65、資本競爭收益技術軟硬一體29自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢4.1 軟硬一體的綜合趨勢總體來看，軟硬一體與軟硬解耦是一體兩面，最終市場會形成兩者并存的態勢，但是短期內，軟硬一體的公司在市場上體現出更強的競爭力。手機行業在軟硬一體方面的歷程值得我們進行借鑒。手機產業在功能機階段，由于技術棧相對簡單，所以很多傳統手機廠商例如摩托羅拉等公司采用了“重軟硬一體”的方式，自研了從芯片到應用的全套技術棧。此外，也有諾基亞等廠商綁定了某家芯片廠商（TI 或 MTK）等，走上了“輕軟硬一體”的道路。而當手機發展到高階的智能手機階段，我們可以看到行業內就出現了分化。一方面，存在蘋果這類從芯片覆蓋

66、到操作系統的“重軟硬一體”公司；另一方面，也存在安卓這樣獨立的操作系統，這類產品可以適配市面上各類不同芯片，而非跟某一款芯片進行強綁定，這就讓整個行業處于“重軟硬一體”及“輕軟硬一體”共存的狀態。參考手機以及其他大量行業的經驗，我們認為自動駕駛行業軟硬一體的趨勢會根據自動駕駛方案的高低階而有所不同：1.對低階智駕，主機廠往往會直接采用供應商的軟硬一體方案，并向標準化的方向發展。2.對高階智駕算法等關鍵能力，主機廠自研的比例會越來越高。如果只自研算法，不自研芯片，那么，從供應商的算法切換到自研算法的過程，是軟硬解耦；但如果自研算法在后面長期跟某個供應商的一款/同系列芯片捆綁，則又形成新的軟硬一體

67、（“輕軟硬一體”）。3.當芯片算力遠大于實際應用的需求、解決方案與芯片的適配不再成為核心能力時，軟硬解耦的制約因素就少了一個。不過，由于當前芯片制程已經接近極限，而還有散熱等其他問題有待解決，短期內仍難以實現軟硬解耦，在很長一段時間內，軟硬一體策略仍然會是行業主流。智能手機/功能手機摩托羅拉諾基亞Apple華為智能手機小米操作系統自研自研自研安卓/自研安卓芯片能力自研TI自研自研高通首發時間19831994200720092011圖示 17：以手機行業的軟硬一體發展趨勢為參考圖源：辰韜資本30自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢為了給出清晰的行業形式分析，這里我們給出針對成熟賽道&

68、新興賽道以及初創公司&巨頭兩個不同維度的對比：成熟賽道 v.s 新興賽道：對比起新興賽道，成熟賽道在技術框架成熟度高、且行業技術相對已經普及的情況下，行業內體量比較大的公司傾向于執行軟硬一體策略。反之，新興賽道，在技術框架成熟度、技術擴展度（技術平權水平）都不足的情況下，如果行業內沒有體量較大的公司，則賽道內的玩家會習慣于通過精細分工（軟硬解耦）的方式抱團取暖。而一旦有公司獲得了比較高的回報或者有足夠的資本支撐，會開始傾向于走軟硬一體的道路。成熟賽道的初創公司 v.s 成熟賽道的行業巨頭：在成熟賽道，初創公司在早期幾乎不可能有足以與巨頭抗衡的市場回報，因而，對初創公司來說，選擇“重軟硬一體”的

69、模式非常不經濟。在自身的技術方案選擇正確的前提下，“輕軟硬一體”的模式可以為初創企業提供更好的支撐。而對行業巨頭來說，因為針對成熟賽道條件一和條件二都滿足，在自身體量足夠大且企業文化支持的情況下，選擇“重軟硬一體”始終是比較有優勢的模式。圖示 18：軟硬一體發展趨勢及驅動因素調研圖源：辰韜資本軟硬一體是否是未來的必然趨勢?（單位：人）現階段創業公司軟硬一體的方案更多的是為了迎合產業還是資本方的需求?（單位：人）31自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢通過調研我們可以看到，28 位受訪的行業專家中的 12 位認為軟硬一體是必然趨勢，而其余的 16 位則認為它只是選擇之一。對于如今行業

70、軟硬一體大行其道的原因，8 位專家認為單純是行業格局及技術發展水平催生了這個態勢，另外 19位則認為產業及資本共同推動了業內軟硬一體的生態。4.2 自動駕駛賽道玩家未來的道路選擇4.2.1 整車廠根據我們的判定標準，只要整車的銷售量達到可以覆蓋芯片開發成本的級別，整車廠就會有比較強自研芯片的動力，然后走上“重軟硬一體”之路。目前特斯拉已經走上了這條道路，而國內蔚來、小鵬、理想和比亞迪都已經開始了自己的全棧自研路線。（當然，全棧自研能否持續走下去，還得看銷量及組織能力。）除了剛剛提到的因素之外，相比于 Tier1 及芯片供應商，整車廠更容易獲得用戶數據，這也就意味著如果整車廠搭建出足夠好的數據鏈

71、路，就更容易獲得好的端到端算法效果。這種在算法方面從弱到強的變化，也讓一些軟件能力較強的整車廠成為自動駕駛賽道所有類型的玩家中最容易從軟硬解耦向軟硬一體發展的成員。從統計數據來看，受訪的 28 位專家中有 9 人認為排名靠前的整車廠最終道路一定是全棧自研（制造芯片），而另外 19 位則持相反觀點。圖示 19：全棧自研是否會成為成為未來整車廠的主流趨勢?圖源：辰韜資本（單位：人）32自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢不過，受訪專家大多只關注主機廠的銷量是否足夠支撐全棧自研，卻忽略了其組織文化對全棧自研能否成功的影響，并且，組織文化對自研成敗的影響也很難量化。因此，上述統計結果的參考

72、價值有限。銷量或者技術競爭力不足的整車廠中，賽力斯等選擇了華為的“重軟硬一體”方案，奔馳和捷豹路虎選擇了英偉達的“重軟硬一體”方案，大眾選擇了地平線的“重軟硬一體”方案和小鵬的“輕軟硬一體”方案（后面還有可能切換到小鵬的“重軟硬一體”方案），上汽智己則選擇了 Momenta 的“輕軟硬一體”方案（后續還可能切換到 Momenta 的“重軟硬一體”方案）。如果上述車企的自研實力提升了，就有可能由供應商的“重軟硬一體”切換到“輕軟硬一體”。不過，考慮到傳統車企的組織文化普遍不適合自動駕駛的軟件開發，這種趨勢出現的可能性并不大。結合上面的分析來看，總體的趨勢是，“輕軟硬一體”基本上都會轉向“重軟硬一

73、體”。有所不同的是，實力強的車企采用的“重軟硬一體”方案，是由自己主導的；而實力弱的車企采用的“重軟硬一體”則是由供應商主導的?！拜p軟硬一體”基本上只是個過渡形態，而從“輕軟硬一體”切換到“重軟硬一體”的過程，則是軟硬解耦。4.2.2 芯片公司處于行業內不同位置的芯片公司通常會有不同的訴求。當芯片公司已處于行業領先位置時，往往更希望技術框架能夠快速收斂，這樣自身產品才能有足夠的穩定性來滿足相關的技術要求，且由于芯片設計技術壁壘和前期投入相當高，這就足以建立起對行業新進入者的競爭優勢。除了單純通過技術壁壘打造護城河，還有一種方法是通過構建行業生態來進一步將護城河挖深，將用戶在后期進行芯片更換的遷

74、移成本提升到很高的水平，從而保證用戶黏度。新興賽道的芯片創業公司，由于不具備體量上的優勢，不可能在產量和邊際成本上對行業內的老牌芯片公司實現超越，所以芯片創業公司一方面要謹慎選擇技術尚未收斂的賽道（如20182022年的自動駕駛賽道）；另一方面要挑選護城河不是特別深的賽道保證可以快速切入，并且還需要通過構建在該賽道的生態來形成對其他競爭者的優勢?；谏鷳B構建壁壘的趨勢只有到公司生產芯片的體量達到足夠大的程度才可以有所減緩。統計數據顯示我們采訪的此次調研的 28 位受訪專家中的 20 位認為，對于芯片公司打造生態是一定要執行的戰略。33自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢圖示 20：

75、構建生態是否是芯片行業成功的必要途徑?圖源：辰韜資本（單位：人）4.2.3 軟件 Tier1對于 Tier1 來說，從算法層面來講，整體技術框架在未來逐步收斂的趨勢不會有變化。如果它想要執行軟硬一體的戰略打造更深的護城河，一方面是需要預期的客戶數量及利潤的足以覆蓋軟硬一體的成本，另一方面就是如何降低進入該領域的認知壁壘。最簡單的方式就是我們之前所述的行業內大部分領先 Tier1 所采用的“輕軟硬一體”策略，即綁定某一家芯片廠商深度合作。而如果計劃自研芯片，最好的時機則是在該領域由于算法的變化導致芯片架構需要有重大調整的時候這樣，一方面可以通過自身軟件 Tier1 的位置獲得新算法的相關信息，另

76、一方面行業內已有的芯片巨頭很難以同樣的速度在產品及市場上有所反應。4.3 端到端算法對軟硬一體未來趨勢的影響從 2024 年開始，端到端算法在自動駕駛行業的應用已成為共識。但目前行業內對于端到端的整體路線圖及實現方案的認知仍未達到統一。作為行業的先行者，特斯拉的端到端方案仍然存在大量的 cornercase 無法解決，有很多的進步和優化空間。在行業對于算法尚未形成統一認知的情況下，采用 GPU 方案的英偉達受益于 GPU 的通用性，可以直接通過簡單粗暴地增加算力的方式來適配新的端到端算法需求；而對于一眾專用型芯片，為了保證專用型芯片能夠滿足新算法需求，維34自動駕駛軟硬一體演進趨勢研究報告行業

77、未來發展趨勢持自身競爭力，最佳策略就是研發 SOTA 算法并引領行業標準，這樣就可以保證針對自己算法優化的芯片設計在行業范圍內足夠通用。從這個角度來講，在端到端算法上有較好技術積累的芯片廠商在前期會占據優勢。不過，由于芯片從設計到最終量產至少需要兩年時間，而目前端到端的發展和迭代速度極快，遠小于這個周期，所以目前在端到端算法上有優勢的芯片廠商是否能夠“笑到最后”仍然存在變數。此外，由于端到端算法對于數據量及數據鏈路的依賴性遠大于上一代的自動駕駛算法，因此，芯片廠商通過生態提供的端到端解決方案是否能夠在量產車上持續有好的表現，也很大程度取決于整車廠的數據鏈路是否健全，以及量產后的數據量是否充足。

78、4.4 艙駕一體對軟硬一體未來趨勢的影響由于在成本、資源整合等方面的優勢，艙駕一體正成為行業里的很多玩家都在探索的方向，接下來幾年會有越來越多的整車廠去做這類跨域融合的量產。目前行業內的艙駕一體解決方案更多是基于 oneboardtwochip 的域控方案，其最終會發展為 oneboardonechip 的集中模式。目前行業內提及支持艙駕一體的芯片主要是英偉達和高通的兩款大算力芯片 Thor 以及驍龍 RideFlux，在市場上能夠支持跨域融合的芯片非常少且大家從底層架構層面差別較大的情況下，整車廠在選擇跨域融合方案時，仍然需要先關注芯片型號，然后，才敲定能跟該芯片綁定比較深、能夠提供較好解決

79、方案的算法供應商。這也就意味著如果艙駕一體能按照行業的預期逐步落地，在落地早期，行業內玩家仍需遵從軟硬一體策略（無論是芯片廠商直接下場做解決方案的“重軟硬一體”，還是由深入綁定該芯片的 Tier1 來進行開發的“輕軟硬一體”），在很長一個階段內行業內的玩家仍然會以軟硬一體策略為主導。4.5 具身賽道軟硬一體的未來趨勢從技術層面，具身智能與自動駕駛在技術棧上的融合已是非常明顯的趨勢。我們可以看到如特斯拉，小鵬等整車廠目前也在發展具身領域作為第二曲線。那么具身賽道是否也會如自動駕駛一樣，在商業化早期更推崇軟硬一體的商業模式？目前具身賽道的所有玩家都在基于英偉達芯片進行算法開發，屬于“輕軟硬一體”的

80、邏輯。根據我們之前探討的標準，目前在具身賽道雖然大家采用的技術棧細節不同，但是整體同質化比較嚴重，一種是基于模仿學習（ImitationLearning）的端到端 VLA 大模型，另一種是基于大腦(VLM)+小腦(MPC 等控制技術)的方案，存在較為明顯的技術框架趨同性。當機器人跟其他與之共享同35自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢4.6 趨勢總結綜上，盡管行業里的每家公司在不同階段都存在是否執行軟硬一體策略的抉擇，但是其對條件、時機的判斷仍是緊緊圍繞著我們提出的三條標準進行。軟硬一體和軟硬解耦都有自身的優缺點，而哪一種策略能夠成為行業主流主要取決于當時的產業格局及公司當前的發展

81、階段。從產品性能和研發效率層面考慮，28 位受訪專家中有 17 位認為，軟硬一體方案能夠最大程度地挖掘硬件及軟件潛力；同時，軟硬一體設計能夠優化系統性能，提高效率，通過定制化的硬件設計來最大化軟件功能，進而在某些情況下減少中間環節，達到降低成本的效果。其余 11 位受訪專家則認為，軟硬件一體并不是最優方案，僅僅是目前智能駕駛發展到現階段的一個折中選擇。具體地說，由于自動駕駛算法及芯片適配難度大、系統集成要求嚴格、對安全性和實時性需求高，軟硬一體就成為了一種現實且必要的折中方案。一款芯片的產品的總出貨量（或者預期出貨量）可以覆蓋“重軟硬一體”的成本時，具身公司就可能會走上“重軟硬一體”的道路。事

82、實上，目前特斯拉通過共用 FSD 芯片已經執行了這個策略。如果人形機器人的技術棧和模型能夠和自動駕駛領域融合，那么具身賽道也會遵循自動駕駛領域的特點：一方面，完成低階任務的機器人會快速進入“重軟硬一體”的生態并得以保持（若機器人公司體量較小，有可能軟件和算法都由供應商提供）；另一方面則是針對高階的人形機器人領域，非行業頭部的公司會在短期采用“輕軟硬一體”的方案獲得較好的生態位，并在芯片算力大大超越算法需求、且有多家芯片廠商的產品可滿足算法的需求后開始逐步進行軟硬解耦。36自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢進一步，可以分別從硬件和軟件的技術層面來看各自的趨勢：電子電氣架構將會動態趨

83、同并標準化：隨著汽車智能化、網聯化的發展，電子電氣架構（E/E 架構）逐漸從分布式向集中式轉變，區域控制+中央計算的架構成為主流趨勢。盡管各廠家在具體實現上可能有細微差異，但總體架構趨勢顯示了行業向更高效、集成化方向的動態趨同。行業競爭體系最終會篩選出成本效果最優的統一架構。軟件解決方案的趨同性：隨著軟件定義汽車（SDV）時代的到來，基礎軟件框架、中間件、開發工具鏈以及云服務的標準化、平臺化趨勢日益明顯。例如，AUTOSARAdaptivePlatform 的推廣、OTA（Over-The-Air）更新策略、以及基于云的軟件開發和模擬測試平臺的廣泛應用，都在推動著軟件解決方案的相似性，使得不同

84、廠商的軟件開發流程和基礎架構更加一致。算法與分層架構的多樣性：盡管硬件及底層軟件可能存在趨同的趨勢。算法層面，特別是核心的智能算法和應用層，由于其與特定應用場景、企業技術積累和戰略選擇緊密關聯，仍然展現出較高的多樣性。例如，自動駕駛領域中，算法的優化往往與感知、決策、規劃支持的具體功能定義緊密相關。每家公司的功能定義不同，導致算法最終實現上存在差異。不同的神經網絡模型、訓練數據集都會對最終算法性能產生顯著影響。因此，雖然算法的基本設計理念，如模塊化、分層解耦等原則，可能被廣泛接受，但具體實現上的差異使得算法本身難以像硬件那樣快速趨同。圖示 21：軟硬一體方案是最優的方案么?圖源：辰韜資本（單位

85、：人）37自動駕駛軟硬一體演進趨勢研究報告行業未來發展趨勢硬件與軟件的互動趨同：盡管硬件芯片和軟件系統及算法存在差異，但隨著標準化接口以及中間件和工具鏈的逐步成熟，這些差異對于上層應用的開發和部署的影響正在減小，這也為軟件架構和解決方案的統一趨勢奠定了基礎。未來的發展很可能是，軟硬件架構在基本框架上趨于統一，實現標準化和模塊化，便于集成與升級，同時在算法和服務層面上保持高度個性化和創新性。架構標準化并不意味著抹殺創新，而是為創新提供一個更加靈活、通用及高效的基礎平臺。通過開放的 API 接口、靈活的軟件定義架構，不同的算法和應用可以更容易地在標準化的硬件平臺上實現部署和優化，從而在保持底層架構

86、統一的同時，促進頂層的多樣性發展，實現軟硬解耦。短期內，軟硬一體化仍然是適應市場需求和技術發展的有效策略，可以提升芯片及算法適配度，快速響應市場變化、增強產品力。長期看，隨著技術的不斷進步和市場的進一步細分，很可能會逐步向軟硬解耦模式轉變，軟硬解耦策略可以更好地適配算法和頂層應用的多樣化需求。由于在成本、資源整合等方面的優勢，艙駕一體正成為行業里的很多玩家都在探索的方向，接下來幾年會有越來越多的整車廠去做這類跨域融合的量產。目前行業內的艙駕一體解決方案更多是基于 oneboardtwochip 的域控方案，其最終會發展為 oneboardonechip 的集中模式。目前行業內提及支持艙駕一體的

87、芯片主要是英偉達和高通的兩款大算力芯片 Thor 以及驍龍 RideFlux，在市場上能夠支持跨域融合的芯片非常少且大家從底層架構層面差別較大的情況下，整車廠在選擇跨域融合方案時，仍然需要先關注芯片型號，然后，才敲定能跟該芯片綁定比較深、能夠提供較好解決方案的算法供應商。這也就意味著如果艙駕一體能按照行業的預期逐步落地，在落地早期，行業內玩家仍需遵從軟硬一體策略（無論是芯片廠商直接下場做解決方案的“重軟硬一體”，還是由深入綁定該芯片的 Tier1 來進行開發的“輕軟硬一體”），在很長一個階段內行業內的玩家仍然會以軟硬一體策略為主導。38自動駕駛軟硬一體演進趨勢研究報告【附錄】軟硬件一體的現狀調

88、查【附錄】軟硬件一體的現狀調查通過調查問卷形式，本次訪談收集了來自 Tier2、Tier1、整車廠中將近 30 位專家的行業意見，這些專家所在的公司包括芯片大廠、芯片獨角獸、傳統 Tier1、新興 Tier1、L4 方案商、傳統主機廠、新勢力主機廠、智能網聯供應商、圖商等行業各方向企業。以下是此次調研數據的具體情況：1.軟硬一體方案下，更有優勢的供應商？選項選擇數（人）A.硬件廠商13B.軟件廠商11C.其他供應商43.軟硬一體更適合哪種類型公司？（多選題）選項選擇數（人）A.創業初期公司4B.獨角獸初創公司12C.主機廠8D.其他兼而有之1D.其他初創不適合軟硬一體，投入太大，現階段大部分主

89、機廠也不適合，沒有技術積累1D.其他所有供應商1D.其他技術領先更適合整套方案，保證利潤1D.其他有經驗的 tier1 或者芯片公司1D.其他有能力做軟硬件的公司，尤其是對算法對軟件比較強的公司1D.其他軟硬一體 tire11D.其他供應商42.軟硬一體是否能為整車廠帶來成本優勢？選項選擇數（人）A.能25B.不能339自動駕駛軟硬一體演進趨勢研究報告【附錄】軟硬件一體化的現狀調查404.軟硬一體是否為必然趨勢？選項選擇數（人）A.必然趨勢16B.選擇方案之一126.英偉達和地平線都通過構建軟件生態鏈取得了巨大成功，這是否是芯片行業成功的必要途徑？選項選擇數（人）A.必要，成功的芯片公司一定要

90、做生態20B.非必要，精細分工的芯片公司一樣可以獲得巨大成功88.在軟硬一體的方案選擇上，整車廠更看重硬件的領先性還是軟件領先性？選項選擇數（人）A.硬件7B.軟件12C.其他方面（成本等）成本3C.其他方面（成本等）性能和成本15.現階段創業公司選擇軟硬一體的方案的原因？選項選擇數（人）A.產業需求8B.資本方1C.以上兼而有之197.無硬件產品的 Tier2 廠家未來是否有生存空間？選項選擇數（人）A.沒有2B.有，但是很小，集中在特定領域如工具鏈等20C.有很大生存空間6自動駕駛軟硬一體演進趨勢研究報告【附錄】軟硬件一體化的現狀調查4110.全棧自研是否會成為成為未來整車廠的主流趨勢？選

91、項選擇數（人）A.會，未來排名靠前的整車廠一定會做全棧自研9B.不會，未來排名靠前的整車廠更大比例仍然以集成供應商自動駕駛方案為主199.軟硬一體方案是否為最優的方案？選項選擇數（人）A.是，能夠最大挖掘硬件及軟件潛力，同時降低成本17B.不是，違反了技術分工的基本原則1C.雖然不是最優方案，但是是目前智能駕駛發展到現階段的一個折中選擇10C.其他方面（成本等）成本以及路線方案符合性1C.其他方面（成本等）成本領先是核心1C.其他方面（成本等）成本，平臺性，可擴展性，生命周期支持1C.其他方面（成本等）系統整體的先進性和成本1C.其他方面（成本等）綜合1本報告訪談和編寫項目組本研究報告由辰韜資

92、本、南京大學上海校友會自動駕駛分會和九章智駕三方聯合發起及撰寫，本報告的成功編撰得到了眾多行業專家、組織和企業的鼎力支持，衷心感謝所有對本次研究報告做出貢獻的人員和組織。策劃/指導團隊辰韜資本：蕭伊婷九章智駕：蘇清濤南京大學上海校友會自動駕駛分會：羅雪霜 采編團隊主筆辰韜資本：趙磊、劉煜冬責任編輯九章智駕：蘇清濤 專家訪談南京大學上海校友會自動駕駛分會：康寧、張雯斐、Luis、周麗、李志敏、尤杰、崔晨曦、姜麗麗、曾愷翔、李昌源、任惠民編纂支持南京大學上海校友會自動駕駛分會：康寧、張雯斐、Luis、周麗、李志敏、尤杰、崔晨曦阜時科技：林峰辰韜資本：彭軼寧支持團隊辰韜資本:孫簫笛、孫欣、王志璇、王

93、琴、王曉燕43自動駕駛軟硬一體演進趨勢研究報告本報告訪談和編寫項目組在此，也向所有不便署名的采編團隊成員及接受訪談的專家表示衷心感謝。此外，也特別感謝阜時科技（南京大學校友企業，參與人員：林峰、羅冰潔、羅家欣）提供了重要支持。以及南京大學上海校友會蘇州科創中心（云帆乘風）、東吳證券在此次組織協調和外部合作中發揮的重要作用。最后，再次向所有參與和支持本次自動駕駛行業報告編撰的專家和團隊表示衷心的感謝！參與訪談的專家（部分）韓志華 一汽摯途林 巧 易控智駕 劉 斌 覺非科技劉 煜 于萬智駕冉 旭 行業專家蘇林飛 光庭信息王 凡 魔視智能徐 雷 Nullmax楊 洋 行業專家張 崢 魔視智能趙 樂 行業專家周 煦 行業專家*以下名單按拼音首字母排序分析師聲明作者具有專業勝任能力，保證報告所采用的數據均來自合規渠道，分析邏輯基于作者的職業理解。本報告清晰準確地反映了作者的研究觀點，力求獨立、客觀和公正，結論不受任何第三方的授意或影響，特此聲明。免責聲明本本報告編寫組不會因為接收人接受本報告而將其視為客戶。本報告僅在相關法律許可的情況下發放，并僅為提供信息而發放，概不構成任何廣告。在任何情況下，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。在法律許