《汽車行業:AI賦能智能駕駛系列我們怎么看高階智駕體驗拐點?-250326(23頁).pdf》由會員分享,可在線閱讀,更多相關《汽車行業:AI賦能智能駕駛系列我們怎么看高階智駕體驗拐點?-250326(23頁).pdf(23頁珍藏版)》請在三個皮匠報告上搜索。
1、 識別風險,發現價值 請務必閱讀末頁的免責聲明 1 1/2323 Table_Page 深度分析|汽車 證券研究報告 汽車行業:汽車行業:AI 賦能智能駕駛系列賦能智能駕駛系列 我們怎么看我們怎么看高階智駕高階智駕體驗體驗拐點拐點?核心觀點核心觀點:引言:引言:隨電動化滲透走向深水區,智能化有望帶來新一輪顛覆式變革。前瞻跟蹤、判斷各智駕能力及潛力成為識別整車 Winner 愈發重要的議題。我們試圖通過系列報告嘗試逐步回答如下問題:技術方案是在收斂還是擴散?如何相對客觀的評價智駕水平?技術方案動態變化將如何影響企業資源分配及成本構成?動態競爭格局會如何演繹?等問題。技術方案技術方案是是在收斂還是
2、擴散在收斂還是擴散?在過去研究中,我們持續在思考技術路徑是否固化以及其影響下的格局變化,我們認為當前隨著 AI 發展和算力快速提升,端到端方案上限顯著提高,路徑選擇或開始趨于收斂。未來智駕競爭或主要集中在算法領先性、數據閉環能力和云端算力資源。長周期下人才流動可能導致算法能力趨同,但短期算法能力及迭代速度仍是各車企智駕體驗差異的主要來源,算法或將仍是未來 1-2 年內跟蹤的重要變量,因此報告第二部分著重介紹算法迭代路徑及當前車企布局;重點關注智駕算法路徑變遷圖 2 及車企當前算法進展圖 14。如何相對客觀地評價智駕水平差異?如何相對客觀地評價智駕水平差異?智駕體驗拐點將是消費者將智駕視為購車核
3、心關注點、付費愿意大幅提升的時刻,其標志著從技術驅動向市場驅動轉變;達到拐點后,車企有望憑借智駕領先獲取超額銷量、利潤增長及資本市場估值溢價;因而智駕體驗跟蹤及拐點識別尤為重要。經過實踐探索,我們認為將評價的準繩交給消費者仍是最佳選擇,通過消費者動態付費及使用意愿跟蹤客觀衡量車企智能駕駛體驗,以減少主觀偏差,或能夠為投資決策提供一個更加客觀的視角。智駕智駕體驗體驗如何跟蹤?如何跟蹤?(重點關注圖(重點關注圖 15)1.付費意愿:付費意愿:付費率是衡量技術成熟度、市場接受度的核心指標。選取鴻蒙智行/理想/小鵬為樣本,據交強險,鴻蒙/理想/小鵬智駕版銷量占比中樞分別為 85%/46%/40%;消費
4、者有選擇權車型中智駕版銷量占比中樞分別為 55%/45%/54%。將其放入“廣發汽車相應競品組合”分析可得,24 年以來智駕車型市占率有較明顯提升,其競爭力較車企總體表現更佳。2.使用意愿:使用意愿:使用率(單車每百公里使用智駕公里數)是衡量實用性和接受度的直觀指標。據測算,隨時間推移智駕使用率持續提升:24Q4 特斯拉北美 FSD 使用率為 31.1%;24Q4 鴻蒙智行全場景/城市/高速使用率分別為29.1%/21.1%/41.8%;截至 25 年 2 月中旬,理想汽車全場景使用率為22.6%,截至 24 年 11 月底,城市/高速智駕使用率分別為 6.1%/16.2%。投資建議:投資建議
5、:AI 技術快速迭代與賦能下,高階智駕體驗拐點或已經來臨,技術快速迭代與賦能下,高階智駕體驗拐點或已經來臨,中國品牌車企在智能化賦能下有望繼續實現跨越式發展。依照此單一中國品牌車企在智能化賦能下有望繼續實現跨越式發展。依照此單一變量下變量下我們建議的乘用車整車關注:賽力斯、理想汽車、小鵬汽車、比亞迪(與電新組聯合覆蓋)、吉利汽車等;零部件鏈條上關注:耐世特、伯特利、保隆科技、科博達等;技術服務建議關注:中國汽研。風險提示風險提示。智能駕駛滲透率提升不及預期,政策推進不及預期等。行業評級行業評級 買入買入 前次評級 買入 報告日期 2025-03-26 相對市場表現相對市場表現 分析師:分析師:
6、閆俊剛 SAC 執證號:S0260516010001 021-38003682 分析師:分析師:紀成煒 SAC 執證號:S0260518060001 SFC CE No.BOI548 021-38003594 請注意,閆俊剛并非香港證券及期貨事務監察委員會的注冊持牌人,不可在香港從事受監管活動。相關研究:相關研究:智能汽車行業:“中階智駕平權”將如何影響競爭格局?2025-02-11 智能汽車行業:“標準品”中階智駕將進入高速成長期 2025-01-23 智能汽車行業:智駕進入平價時代,主機廠自研方案分化影響產業格局 2024-11-24 聯系人:羅英 021-38003839 -14%-5%
7、5%15%24%34%03/2406/2408/2410/2401/2503/25汽車滬深300 3584904 識別風險,發現價值 請務必閱讀末頁的免責聲明 2 2/2323 Table_PageText 深度分析|汽車 重點公司估值和財務分析表重點公司估值和財務分析表 股票簡稱股票簡稱 股票代碼股票代碼 貨幣貨幣 最新最新 最近最近 評級評級 合理價值合理價值 EPS(元元)PE(x)EV/EBITDA(x)ROE(%)收盤價收盤價 報告日期報告日期(元(元/股)股)2024E 2025E 2024E 2025E 2024E 2025E 2024E 2025E 理想汽車-W 02015.H
8、K HKD 100.00 2025/03/20 買入 167.64 5.03 6.19 18.53 15.06 19.63 14.05 16.00 17.60 比亞迪 002594.SZ CNY 369.59 2025/03/10 買入 459.10 13.47 18.36 27.44 20.13 12.53 9.43 22.00 23.10 吉利汽車 00175.HK HKD 16.68 2024/05/10 買入 14.78 0.75 1.07 22.24 15.59 12.97 10.97 8.00 10.90 耐世特 01316.HK HKD 5.26 2025/03/23 買入 7.
9、02 0.19 0.36 17.34 13.80 5.38 4.43 3.12 5.47 伯特利 603596.SH CNY 61.60 2025/02/20 買入 71.12 1.93 2.54 31.92 24.25 22.20 17.11 17.30 18.60 保隆科技 603197.SH CNY 44.54 2024/11/03 買入 56.60 1.94 2.83 22.96 15.74 10.29 7.88 12.20 15.10 科博達 603786.SH CNY 61.30 2024/10/30 買入 80.46 2.09 2.68 29.33 22.87 26.09 20.
10、29 15.60 17.30 中國汽研 601965.SH CNY 18.73 2024/10/27 買入 26.52 0.92 1.06 20.36 17.67 14.06 12.37 12.80 13.30 數據來源:Wind、廣發證券發展研究中心 備注:表中估值指標按照最新收盤價計算;理想汽車、耐世特 EPS 及 PE 為 2024 年實際值,其中理想汽車為 Non-GAAP 口徑 NBnZmMrOuMvMqNqO7N8Q8OsQnNoMrMiNqQsRlOsQxP7NrRvMwMrQtQxNoPpM 識別風險,發現價值 請務必閱讀末頁的免責聲明 3 3/2323 Table_PageT
11、ext 深度分析|汽車 目錄索引目錄索引 一、引言.5 二、智能駕駛算法:從規控走向端到端,行業智駕算法路徑或開始趨于收斂.6 三、智能駕駛拐點如何識別及跟蹤?.15(一)如何相對客觀地評價智駕水平差異?.15(二)當前車企智駕指標跟蹤.16 四、投資建議.21 五、風險提示.21 識別風險,發現價值 請務必閱讀末頁的免責聲明 4 4/2323 Table_PageText 深度分析|汽車 圖表索引圖表索引 圖 1:車企在高階智能駕駛競爭中的核心要素.5 圖 2:智駕算法進階路徑圖從規控轉向端到端,目前行業內對智駕路徑變遷的認知已基本達成一致.6 圖 3:自動駕駛同時感知駕駛中的多種任務.7
12、圖 4:傳統感知架構與 HydraNet 多任務神經網絡感知框架對比圖.7 圖 5:特斯拉 BEV 感知模型架構.8 圖 6:BEV 視角一目了然不存在距離尺度和遮擋問題.9 圖 7:Occupancy 網絡架構圖.10 圖 8:BEV 與占用網絡輸出結果對比.10 圖 9:特斯拉端到端大模型架構示意.11 圖 10:國內車企在特斯拉啟迪下,從規控時代進入端到端時代.12 圖 11:VLM 端到端模型技術示意圖.13 圖 12:VLA 模型原理示意圖.13 圖 13:世界模型原理示意圖.14 圖 14:各家車企自研智駕功能進階時間線特斯拉引領技術路徑進階,國內車企快速追趕.15 圖 15:智能
13、駕駛功能的兩大評價指標.16 圖 16:鴻蒙智行智駕版本車型銷量占比.17 圖 17:消費者具備選擇權的鴻蒙智行車型中智駕版本銷量占比.17 圖 18:理想汽車智駕版本車型銷量占比.18 圖 19:消費者具備選擇權的理想汽車車型中智駕版本車型銷量占比.18 圖 20:小鵬汽車智駕版本車型銷量占比.18 圖 21:消費者具備選擇權的小鵬汽車車型中智駕版本車型銷量占比.18 圖 22:三家樣本公司車型/智駕版車型在競品組合中銷量占比.19 圖 23:消費者具備選擇權的三家公司車型/智駕版車型在競品組合中銷量占比.19 圖 24:FSD 智駕使用率.20 圖 25:國內智駕領先企業 A 三種場景下的
14、智駕使用率.20 圖 26:理想汽車三種場景下的智駕使用率.21 識別風險,發現價值 請務必閱讀末頁的免責聲明 5 5/2323 Table_PageText 深度分析|汽車 一、一、引言引言 在汽車產業在汽車產業快速快速轉型浪潮中,電動化已經為市場帶來了前所未有行業轉型浪潮中,電動化已經為市場帶來了前所未有行業顛覆式顛覆式變變革革;隨著電動化隨著電動化滲透走向深水區滲透走向深水區,智能化,智能化或將成為或將成為推動行業推動行業變革的變革的新引擎。新引擎。智能駕駛日新月異的技術進步、車企源源不斷地資金投入和資源傾斜也宣告著其之于整車廠的戰略意義。往后展望,我們認為智能駕駛有望帶來新一輪顛覆式行
15、業變革,成為下一階段車企競爭的重要抓手,前瞻地跟蹤及判斷各家車企智駕能力及進步潛力成為我們識別整車Winner愈發重要的議題。在過去幾年持續的智駕跟蹤和研究中,我們一直在思考的問題是:智能駕駛路徑快速變化、持續升級迭代,技術升級路徑是否已經固化?是否還有發生路徑選擇帶來彎道超車的可能性?隨著AI技術、計算能力迅速發展,依賴于大模型及規模算力的端到端路徑的天花板顯著提升,我們認為各家企業在技術路徑上的選擇或開始趨于一致,智能駕駛算法路徑呈現收斂趨勢。從未來競爭要素來看,我們認為車企智駕能力的競爭主要集中在算法領先性、從未來競爭要素來看,我們認為車企智駕能力的競爭主要集中在算法領先性、數據閉環能力
16、及云端算力資源數據閉環能力及云端算力資源。算法算法是智能駕駛系統的“大腦”,它決定了車輛如何感知環境、理解路況以及做出決策;不同的算法設計和優化程度直接影響車輛對復雜場景的識別準確率、決策的合理性以及反應速度。數據閉環數據閉環是智能駕駛系統持續優化的關鍵環節,通過實際駕駛數據/仿真數據才能不斷訓練和優化算法模型,使其更好地適應各種復雜路況,解決長尾“Coner case”問題;數據閉環的有效性取決于數據質量、數量以及數據分布。算力資源算力資源是模型持續訓練及優化的基礎建設,強大的算力可以支持更復雜的算法模型,完成更高效的迭代。圖圖1:車企在高階智能駕駛競爭中的核心要素:車企在高階智能駕駛競爭中
17、的核心要素 數據來源:廣發證券發展研究中心 從前瞻跟蹤的角度來看,算法是車企智駕競爭的基礎及賦能智駕后續迭代的重從前瞻跟蹤的角度來看,算法是車企智駕競爭的基礎及賦能智駕后續迭代的重要前提。要前提。從終局來看,由于人才流動技術也會隨之流動,在智駕中持續投入、對人才具備吸引力的公司在算法能力或將趨同,但在進階過程中,算法迭代的速度與代際差依然是拉開各家車企智駕體驗的關鍵因素。結合當前智能駕駛滲透情況及車企智駕能力的差異,我們認為算法上的布局、進展、能力及潛力依然會是1-2年內各家車企智駕能力拉開顯著差異的重要跟蹤變量,本篇報告的第二部分也將著重介紹智駕算法迭代路徑及當前車企布局及進展。識別風險,發
18、現價值 請務必閱讀末頁的免責聲明 6 6/2323 Table_PageText 深度分析|汽車 此外,我們認為智駕體驗拐點的尋找是對智駕技術能力分析、評估車企競爭力智駕體驗拐點的尋找是對智駕技術能力分析、評估車企競爭力的關鍵;的關鍵;進一步地,我們需要確定可持續跟蹤和比較的變量,以建立一個長期有效的評估及跟蹤體系。為什么尋找拐點如此重要呢?我們認為智能駕駛技術達到體驗拐點時,消費者才會真正將其視為購車的核心關注點,并愿意為之付費,標志著智能駕駛從技術驅動向市場驅動的轉變。一旦到達體驗拐點,車企將能夠憑借其在智能駕駛領域的領先享受由此帶來超額銷量、利潤增長及資本市場的估值溢價;本篇報告的第三部
19、分將著重介紹智能駕駛拐點的研究思路、跟蹤變量及當前領先車企的智能駕駛的數據表現。二、智能駕駛算法:從規控走向端到端,行業智駕算法二、智能駕駛算法:從規控走向端到端,行業智駕算法路徑或開始趨于收斂路徑或開始趨于收斂 智能駕駛系統演進歷程可概括為兩個關鍵時代:規則主導時代和端到端時代。智能駕駛系統演進歷程可概括為兩個關鍵時代:規則主導時代和端到端時代。規則主導時代主要通過感知復刻現實場景,模仿人類駕駛員行為,這一時期又可細分為四個階段:2017年以前,智能駕駛技術主要依賴于“2D+CNN”的感知框架;2017-2019年特斯拉引入了多任務學習神經網絡架構“2D+HydraNet”,但此時仍處于小模
20、型時代;2020-2021年,特斯拉提出了突破性的“BEV+Transformer”感知架構,并自此進入大模型時代;2022年特斯拉提出占用網絡,增強對于物體高度信息的感知,有效解決了對于異形障礙物識別的問題。2023年,特斯拉開創性地提出了模塊一體化的端到端大模型,將智能駕駛推向了端到端時代。端到端時代主要通過大量數據的強化學習,讓模型學會不同場景下如何駕駛;目前國內自動駕駛架構向端到端演進大致可以分為分段式端到端、VLM、VLA和世界模型四個階段。圖圖2:智駕算法進階路徑圖智駕算法進階路徑圖從規控轉向端到端,目前行業內對智駕路徑變遷的認知已基本達成一致從規控轉向端到端,目前行業內對智駕路徑
21、變遷的認知已基本達成一致 數據來源:End-To-End Planning of Autonomous Driving inIndustry and Academia:2022-2023作者 Gongjin Lan 等,廣發證券發展研究中心 規則主導時代:通過感知復刻現實場景,模仿人類駕駛員行為端到端時代:主要通過大量數據的強化學習,讓模型學會不同場景下如何駕駛發展時間2023年特斯拉提出一段式端到端;中國車企結合自身資源稟賦及能力,開啟分段式端到端開發2017-2019年2020年2022年模仿學習存在上限;信息傳遞過程可能存在累積誤差僅能識別已標注物體,無法解決大量“Corner Case
22、”的問題將多感知信息融合到3D坐標系后,較難保證融合的準確性,影響決策精度主要缺陷通過“中間層”矢量化數據進行信息傳遞,信息損失較大圖像轉義為語言仍存在信息損失風險真實數據的依賴性依然較高,泛化能力或依然較差目前階段展望的實現高級別智駕的終極路徑小模型階段 大模型階段:海量數據積累及AI算力提升賦能智駕大模型發展 路徑變遷方向2D+CNN/HydraNet:基于單任務/多任務神經網絡處理感知信息,通過大量計算升級到3D坐標系中進行駕駛決策BEV+Transformer:將傳感信息通過神經網絡提取特征后投影到鳥瞰圖(BEV)視角,通過Transformer算法進行多模態數據處理及決策支持BEV+
23、Transformer+占用網絡:在上一代模型的基礎上引入占用網絡解決未標注物體“Corner Case”問題分段式端到端:將感知端得到的信息通過“中間層”矢量化數據進行信息傳遞至決策層,決策層再做出決策處理一段式端到端VLM:通過視覺語言模型提供額外監督信號,增強模型特征表示和推理能力世界模型:通過世界模型實現良好仿真環境,通過強化學習迭代端到端駕駛能力VLA:將視覺、語言和動作三種模態的信息進行深度融合后輸出動作指令里程碑意義首次提出鳥瞰圖BEV方案,有效解決2D圖像及傳感器信息在三維空間表達的準確性問題通過對空間體系占用判斷,減輕“Corner Case”影響,疊加時序信息后此算法基本是
24、規控時代“天花板”智能駕駛模型從無到有端到端時代的駕駛更接近人類駕駛員的駕駛習慣實現從感知-決策-執行端到端輸出,與分段式相比信息損失減少通過視覺、語言、動作編碼及融合,通過共享特征空間增加信息有效交互與利用對真實世界數據積累需求弱化,通過仿真模擬幾乎實現“Corner case”的遍歷 識別風險,發現價值 請務必閱讀末頁的免責聲明 7 7/2323 Table_PageText 深度分析|汽車 2017-2019年特斯拉構建多任務學習神經網絡架構年特斯拉構建多任務學習神經網絡架構 HydraNet,并采用后融合,并采用后融合方式進行特征融合。方式進行特征融合。研發中的效率問題促使特斯拉進一步
25、探索和開發能夠提高任務處理效率的多任務學習網絡,其中最具特色的為多任務學習網絡架構HydraNet。這個被稱為“九頭蛇網絡”的HydraNet允許自動駕駛系統在同一時間高效地執行多種視覺識別任務,比如車道線檢測、行人識別與追蹤、交通信號燈識別等,而不是像以前的技術那樣只能處理單一的檢測任務,這種多任務并行處理的能力,顯著提升了自動駕駛系統的性能。在特征融合的方式上,特斯拉采用將感知結果綜合起來的后融合策略,需要人工對數據進行標注。圖圖3:自動駕駛同時感知駕駛中的多種任務:自動駕駛同時感知駕駛中的多種任務 數據來源:PyTorch,TESLA 2021 AI day,廣發證券發展研究中心 圖圖4
26、:傳統感知架構與傳統感知架構與HydraNet多任務神經網絡感知框架對比圖多任務神經網絡感知框架對比圖 數據來源:TESLA 2021 AI day,廣發證券發展研究中心 識別風險,發現價值 請務必閱讀末頁的免責聲明 8 8/2323 Table_PageText 深度分析|汽車 2020-2021年“年“BEV+Transformer”實現”實現“脫高精度地圖”“脫高精度地圖”,引領行業新路徑,引領行業新路徑,大模型時代來臨。大模型時代來臨。2020年之前,自動駕駛感知系統普遍依賴于“2D圖像+神經網絡小模型(如CNN、HydraNet等)”的感知架構,該架構將攝像頭拍攝的2D圖像和雷達獲取
27、的3D數據結合起來并基于每個傳感器的位置形成放射圖像,但攝像頭和雷達往往位于不同的物理位置,導致它們獲取的圖像數據在維度和視角上存在差異,難以確保獲取的行駛地圖的準確性。對此,特斯拉提出構建鳥瞰圖BEV,將攝像頭捕捉的2D圖像有效轉換為3D數據,形成基于上帝視角的俯視圖,將不同視角在BEV下進行統一表達。此外,BEV自上而下的視角有效避免了遮擋問題,使得在BEV空間內,算法能夠基于先驗知識對被遮擋的區域進行準確預測。2021年特斯拉于AI Day首次在算法層面引入Transformer,并提出 BEV+Transformer 的感知架構,成功將多個2D 圖像和傳感器信息轉化為一個3D的向量空間
28、,為更全面的感知提供了新的途徑。圖圖5:特斯拉:特斯拉BEV 感知模型架構感知模型架構 數據來源:TESLA AI day 2021,廣發證券發展研究中心 識別風險,發現價值 請務必閱讀末頁的免責聲明 9 9/2323 Table_PageText 深度分析|汽車 圖圖6:BEV 視角一目了然不存在距離尺度和遮擋問題視角一目了然不存在距離尺度和遮擋問題 數據來源:Tesla AI Day 2021,廣發證券發展研究中心 2022年升級至年升級至Occupancy Network,減輕,減輕“corner case”,提高行駛準確度。,提高行駛準確度。在自動駕駛過程中,BEV+Transform
29、er的神經網絡架構存在一個局限性:它僅能識別已標注的物體,而對于側翻的卡車、道路中央突然出現的垃圾桶等未被標注以及吊車的支臂等的不易識別的物體,自動駕駛系統往往無法識別,稱之為“corner case”,即邊緣或特殊情況下的識別失敗?;诖?,特斯拉在2022年AI Day中展示了Occupancy Network(占用網絡)感知技術。占用網絡通過算法對物理世界進行數據化和泛化建模,在3D空間上測出不同物體的高度,呈現4D視覺。占用網絡區別于傳統機器視覺技術,不對物體種類進行識別,而是直接獲得3D空間下的體積占用,即“不考慮某一物體究竟是什么,只考慮體素是否被占用”。占用網絡將世界劃分為微?。ɑ?/p>
30、超微?。┑牧⒎襟w或體素,然后預測每個體素是空閑還是占用,體素的作用相當于激光雷達點陣的作用,使非典型但卻存在的事物能夠直接表示出來,從而增加算法的泛化能力和對現實世界的精確認知。識別風險,發現價值 請務必閱讀末頁的免責聲明 1010/2323 Table_PageText 深度分析|汽車 圖圖7:Occupancy 網絡架構圖網絡架構圖 數據來源:Tesla 2021 AI Day,廣發證券發展研究中心 圖圖8:BEV 與占用網絡輸出結果對比與占用網絡輸出結果對比 數據來源:Think autonomous,廣發證券發展研究中心 2023年“端到端”大模型打破分任務模塊化的界限,構建統一的神經
31、網絡結構。年“端到端”大模型打破分任務模塊化的界限,構建統一的神經網絡結構。2023年12月24日,特斯拉在北美向一部分內部員工推送 FSD Beta V12.1,新算法將城市街道駕駛堆棧升級為單一的“端到端”神經網絡,該神經網絡經過數百萬個視頻片段的訓練,用3000多行代碼替代了原來超過30萬行的C+代碼。在自動駕駛的應用中,“端到端”模型可以將感知、規劃和執行環節一體化,通過將車載傳感器采集到的信息直接輸入神經網絡,經過處理后直接輸出如方向盤轉角多少度的控制 識別風險,發現價值 請務必閱讀末頁的免責聲明 1111/2323 Table_PageText 深度分析|汽車 決策。這意味著通過學
32、習優秀司機的駕駛視頻,“端到端”模型使得汽車能夠通過“視覺”熟練地“模仿老司機開車”。端到端算法能夠避免信息在多個環節傳遞過程中可能出現的誤差累積和放大問題,同時簡化了系統結構,更接近于人類真實駕駛過程中的操作方式。圖圖9:特斯拉端到端大模型架構特斯拉端到端大模型架構示意示意 數據來源:廣發證券發展研究中心 中國車企結合自身特質,差異化進入端到端智駕賽道,重構智能駕駛產業新紀中國車企結合自身特質,差異化進入端到端智駕賽道,重構智能駕駛產業新紀元。元。特斯拉率先提出的一體式端到端智駕方案,雖然能夠有效降低信息在模塊間傳遞過程中產生的誤差累積,但因其算法規劃主要依托 Transformer 神經網
33、絡,整個決策流程猶如“黑盒”,可解釋性欠佳。對此,國內車企結合自身發展進度及能力稟賦,開創了分段式端到端路線。感知感知-決策模塊端到端連接,分段式端到端解決模塊間信息傳遞與協同問題,增決策模塊端到端連接,分段式端到端解決模塊間信息傳遞與協同問題,增強模型的可解釋性。強模型的可解釋性。分段式端到端階段仍然包括感知和決策兩個模塊,但與此前通過規則(人工定義接口)進行連接不同,它主要借助神經網絡來實現模塊間的銜接。同時在訓練方式上采用各模塊聯合訓練,下游的反饋可以直接傳遞到上游的感知模塊。然而,分段式端到端也存在著不足,由于存在部分模塊界限,信息在傳遞過程中可能會出現較大損失,整體優化程度不及一段式
34、端到端架構,在面對極端復雜場景時,可能因模塊協同不夠流暢而出現決策遲疑情況。識別風險,發現價值 請務必閱讀末頁的免責聲明 1212/2323 Table_PageText 深度分析|汽車 圖圖10:國內車企在特斯拉啟迪下,從規控時代進入端到端時代:國內車企在特斯拉啟迪下,從規控時代進入端到端時代 數據來源:商湯絕影,廣發證券發展研究中心 VLM端到端模型通過多視覺語言模型為端到端模型的駕駛決策提供參考。端到端模型通過多視覺語言模型為端到端模型的駕駛決策提供參考。視覺-語言模型(VLM)將視覺與語言兩種模態深度融合,賦予系統理解圖像、視頻等視覺信息,并關聯自然語言語義的能力。在智能駕駛中,它能識
35、別道路上的交通標志與復雜路況圖像,同時理解相關的語言指令或描述。例如,當VLM識別到“前方路口左轉”的標識后,可以直接生成左轉繞行軌跡。同時VLM預訓練帶來的泛化性,使其無需大量針對性數據,便能適應新場景,提升了智能駕駛系統在復雜場景下穩定運行的底線保障。端到端和VLM模型可理解為相互獨立的兩個系統,后續經過融合實現對車輛的控制。其中,端到端模型為“快系統”,能夠對傳感器數據做出反應,快速應對絕大多數駕駛場景,類似“小腦功能”;而VLM是“慢系統”,主要應用于需要思考的極端場景,類似“大腦功能”。識別風險,發現價值 請務必閱讀末頁的免責聲明 1313/2323 Table_PageText 深
36、度分析|汽車 圖圖11:VLM端到端模型技術示意圖端到端模型技術示意圖 數據來源:DRIVE VLM:The Convergence of Autonomous Driving and Large Vision-Language Models作者 Xiaoyu Tian 等,廣發證券發展研究中心 視覺視覺-語言語言-動作模型(動作模型(VLA)的核心設計原理是通過視覺、語言和動作三種模態)的核心設計原理是通過視覺、語言和動作三種模態的深度融合,實現從感知到執行的端到端響應。的深度融合,實現從感知到執行的端到端響應。它首先利用視覺編碼器、語言編碼器和動作編碼器分別提取圖像、文本和歷史動作的特征,
37、然后借助注意力機制或神經網絡將這些特征映射到共享空間進行交互補充,最后通過動作解碼器結合強化學習算法預測并執行動作,從而在駕駛任務中形成感知、決策、執行的完整閉環,實現視覺感知、語言理解以及動作執行的深度融合并進行聯合訓練和優化,此架構減少了中間環節的信息損耗和決策延遲,增加了有效信息的利用率。圖圖12:VLA模型原理示意圖模型原理示意圖 數據來源:元戎啟行,廣發證券發展研究中心 識別風險,發現價值 請務必閱讀末頁的免責聲明 1414/2323 Table_PageText 深度分析|汽車 進入到世界模型階段,大模型將具備時空認知能力,能夠通過其對真實物理世進入到世界模型階段,大模型將具備時空
38、認知能力,能夠通過其對真實物理世界界/駕駛場景的理解與因果關系分析,預測動態駕駛場景的時空演化,幫助車輛更精駕駛場景的理解與因果關系分析,預測動態駕駛場景的時空演化,幫助車輛更精準地感知環境、理解交互邏輯并優化決策。準地感知環境、理解交互邏輯并優化決策。世界模型通過學習海量真實駕駛場景視頻,可以預測并生成未來一定時間內的駕駛場景,做出正確的駕駛決策。與端到端模型相比,世界模型不僅僅是給出規劃路徑,更是“預測駕駛場景的變化”。這與人類的駕駛行為相仿,老司機會在腦海中預判、推演其他交通參與者行為和交通流的變化,在此基礎上規劃駕駛操作。此外,世界模型可以減少對真實環境數據的依賴,通過在世界模型中仿真
39、模擬生成大量訓練數據,近乎實現“corner case”的遍歷,降低實際測試成本與風險。圖圖13:世界模型原理示意圖:世界模型原理示意圖 數據來源:Understanding World or Predicting Future?A Comprehensive Survey of World Models作者 Jingtao Ding 等,廣發證券發展研究中心 識別風險,發現價值 請務必閱讀末頁的免責聲明 1515/2323 Table_PageText 深度分析|汽車 各家車企自研智駕功能進展來看,特斯拉引領技術路徑進階,各家車企自研智駕功能進展來看,特斯拉引領技術路徑進階,國內車企快速追國
40、內車企快速追趕趕。2021年7月,特斯拉率先實現 BEV+Transformer 技術,在2022年8月成功推出占用網絡,并于2023年12月實現一體化端到端技術突破。國內車企在特斯拉領導下在智駕算法能力上快速追趕,華為于2022年5月實現 BEV+Transformer,2023年4月引入占用網絡,2024年8月推出分段式端到端技術,其一體式端到端技術正在預研中,有望于2025年量產。理想在2022年6月實現 BEV+Transformer,2023年4月應用占用網絡,同年6月推出分段式端到端技術,2024年7月推出VLM模型。小鵬則在 2022年9月達成 BEV+Transformer,2
41、023年10月實現占用網絡,2024年5月推出分段式端到端技術,其一體式端到端技術正在預研中。其余車企也在快速迭代過程中。圖圖14:各家車企自研智駕功能進階時間線各家車企自研智駕功能進階時間線特斯拉引領技術路徑進階,國內車企快速追趕特斯拉引領技術路徑進階,國內車企快速追趕 數據來源:各車企官網,央視網,新華網,佐思汽研,汽車之家,連線出行,地平線,車東西,毫末智行,愛卡汽車,廣發證券發展研究中心 注:未查詢到小米汽車、零跑汽車端到端形式;數據統計或不完全 三、智能駕駛拐點如何識別及跟蹤?三、智能駕駛拐點如何識別及跟蹤?(一)(一)如何相對客觀地評價智駕水平差異?如何相對客觀地評價智駕水平差異?
42、通過通過客觀指標來客觀指標來評價評價智駕能力智駕能力及體驗是值得及體驗是值得持續探索的問題。持續探索的問題。在智能駕駛能力的評估過程中,盡管主流的個體智駕測評和體驗具備一定參考價值,但存在個體差異和評價標準不一致的問題,導致評估結果的不客觀性。我們力求遵循客觀原則,致力于采用統一的標準來度量各車企的智駕能力,經過思考及探索我們認為將評價的準繩交給消費者仍是最佳選擇。通過消費者的付費意愿及使用意愿衡量智能駕駛體驗不僅能夠減少主觀偏差,同時付費率及使用率作為大量用戶“投票”得出的真實 識別風險,發現價值 請務必閱讀末頁的免責聲明 1616/2323 Table_PageText 深度分析|汽車 結
43、果,能夠更如實地反映消費者對智能駕駛功能的實際接受度和滿意度,為投資決策提供一個更加客觀的視角。消費者消費者對軟硬件的對軟硬件的付費付費率率是衡量智能駕駛技術成熟度、市場接受度及商業潛力是衡量智能駕駛技術成熟度、市場接受度及商業潛力的核心指標的核心指標。其不僅映射出市場對當前智駕能力及智駕技術價值的認可及接受程度,也代表著消費者對未來技術迭代和進步的預期。同時,付費意愿推動了智能駕駛的商業化,并驅動產品創新和服務優化。車企也可通過洞察影響付費意愿的多重因素,如智駕場景適用性、功能體驗、市場教育及軟件定價,把握市場需求,優化產品與服務。消費者使用率是衡量智能駕駛功能實用性和接受度的直觀指標。消費
44、者使用率是衡量智能駕駛功能實用性和接受度的直觀指標。高使用率意味著消費者對功能的認可和依賴,反之,低使用率則可能表明功能存在操作復雜、可靠性不足或與用戶習慣不符等問題,需要進一步優化。只有當消費者頻繁使用并在實際體驗中感受到其便利性和安全性時,尤其是智駕功能能夠有效解決日常駕駛痛點,如緩解疲勞、提升安全性時,消費者才會逐漸建立起對該技術的信任和依賴,并進一步轉化為付費意愿,在購車時更傾向于選擇配備先進智駕功能的車型。圖圖15:智能駕駛功能的兩大評價指標智能駕駛功能的兩大評價指標 數據來源:廣發證券發展研究中心 (二)當前車企智駕指標跟蹤(二)當前車企智駕指標跟蹤 1.智能駕駛付費意愿智能駕駛付
45、費意愿當前當前收費模式下主要關注高階智駕版本車型選購率收費模式下主要關注高階智駕版本車型選購率 目前主流車企的高階智駕收費模式主要分為軟件免費、硬件標配/選裝,以及軟件付費、硬件標配/選裝兩種??紤]到目前軟硬件價差較大,硬件價格高于一次性買斷軟件的價格較多,且選裝了高階智駕版本車型的車主絕大多數也會購買軟件包,在當前付費模式下,我們認為消費者當前的付費意愿可以用高階智駕版本車型的選購率進行衡量(即配備了高階智駕硬件車型的銷售占比)。如前文所述,目前主流車企均在高階智駕有布局,但在下文智能駕駛付費意愿的研究中,我們本文選取國內主流的三家企業鴻蒙智行、理想、小鵬進行抽樣分析 識別風險,發現價值 請
46、務必閱讀末頁的免責聲明 1717/2323 Table_PageText 深度分析|汽車 及研究。此外,考慮供給帶來的選裝率的影響(部分車型僅有智駕版可供選擇),我們在下文中將研究企業的智駕車型總體銷量占比及消費者具備選擇權車型中的智駕銷量占比。(注:在此統計中,仍會受到車企主動調控智駕版/非智駕版本交付節奏的影響)(1)鴻蒙智行鴻蒙智行 鴻蒙智行智駕版本車型銷量占比自2023年9月問界M7上市后(搭載ADS2.0),智駕版本總體銷量占比顯著提升;2024年2月問界M9上市(標配智駕硬件)進一步推動智駕版本銷量占比增長;2024年8月26日,問界M7 Pro版本推出(能夠實現高速NOA功能,但
47、未配備最高智駕硬件配置)競爭力顯著提升,帶來智駕版本份額下降;2024年9月,問界全系車型升級至ADS3.0,智駕版本銷量占比呈現波動上升趨勢,當前(當前指最近有統計數據的三個月,下同)智駕版本占鴻蒙智行總銷量的85%左右。問界M7 Pro版本推出后,問界M7成為在消費者具備選擇權的情況下智駕版本占比變化研究的一個較好觀測樣本,當前消費者具備選擇權的鴻蒙智行車型中智駕版本銷量占比在55%左右。圖圖16:鴻蒙智行智駕版本車型銷量占比鴻蒙智行智駕版本車型銷量占比 圖圖 17:消費者具備選擇權的鴻蒙智行車型中智駕消費者具備選擇權的鴻蒙智行車型中智駕版本版本銷量占比銷量占比 數據來源:交強險,廣發證券
48、發展研究中心 數據來源:交強險,廣發證券發展研究中心 (2)理想汽車理想汽車 2023年1-5月,隨著較理想L9價格更低的理想L7/8銷量占比提升,智駕版份額被動下降;23年6-9月智駕版占比有所回升;23年8月理想L9 Pro版(不含高階智駕功能)推出,并于10月上量后,理想汽車智駕版銷售占比有比較明顯下降;24年4月理想L7/8 Ultra版(含高階智駕配置)推出并上量后智駕版銷量占比顯著提升至60%左右;24年理想智能駕駛進行了多輪OTA升級,其中24年11月理想推送OTA 6.5版本,全量推送車位到車位功能,有望持續推動智駕版本車型占比提升。根據交強險,當前理想汽車智駕版本銷量占比約為
49、46%。在消費者具備選擇權的車型中,在消費者具備選擇權的車型中,當前當前理想汽車智駕版本車型的銷量占比在理想汽車智駕版本車型的銷量占比在45%左右。左右。2024年4月至2024年10月,主要受理想L6銷量快速提升,受價格定位影響,其智駕版本選擇率相對較低,L6占比提升帶來總體智駕版本銷量占比下降;24年11月理想推送OTA 6.5版本、車位到車位功能后,具備選擇權車型中智駕版本占比有較明顯提升。0%10%20%30%40%50%60%70%202409202410202411202412202501 識別風險,發現價值 請務必閱讀末頁的免責聲明 1818/2323 Table_PageTex
50、t 深度分析|汽車 圖圖18:理想汽車智駕版本車型銷量占比理想汽車智駕版本車型銷量占比 圖圖 19:消費者具備選擇權的理想汽車車型中智駕消費者具備選擇權的理想汽車車型中智駕版本版本車型銷量占比車型銷量占比 數據來源:交強險,廣發證券發展研究中心 數據來源:交強險,廣發證券發展研究中心 (3)小鵬汽車小鵬汽車 23年3月推出小鵬P7i以來,小鵬汽車智駕版銷量占比持續提升至50%左右中樞;24年8月小鵬MONA M03(非高階智駕版)推并快速上量后,智駕版本銷量占比顯著下降;24年10月小鵬P7+(標配高階智駕)推出后,智駕版銷量占比有所回升;目前智駕版本占銷量比例在40%左右中樞。從消費者具備選
51、擇權的小鵬汽車車型中智駕版車型銷量占比來看,當前智駕版占比約為54%,占比較為穩定。往前復盤,23年11月小鵬無圖NGP正式推送、城市NOA開放25城后,智駕版銷量占比中樞值有較明顯上移。圖圖20:小鵬汽車智駕版本車型銷量占比小鵬汽車智駕版本車型銷量占比 圖圖 21:消費者具備選擇權的小鵬汽車車型中智駕消費者具備選擇權的小鵬汽車車型中智駕版本版本車型銷量占比車型銷量占比 數據來源:交強險,廣發證券發展研究中心 數據來源:交強險,廣發證券發展研究中心 (4)在競品組合中的表現:智駕車型銷量占比提升在競品組合中的表現:智駕車型銷量占比提升 考慮鴻蒙智行、小鵬、理想的車型主要集中在20萬以上SUV中
52、,參考我們前期整車研究報告誰是下一個爆款?中對應競品組合的選取,將三家車企在競品組合中的車型打包為整體,研究競品組合內消費者智能駕駛付費意愿的變化。從結果來看,24年1月起智駕車型在競品組合中的市占率有較為明顯提升,24年8月以來占比較為穩定,與總體車型市占比呈現一定收斂趨勢,代表智駕車型競爭力 識別風險,發現價值 請務必閱讀末頁的免責聲明 1919/2323 Table_PageText 深度分析|汽車 較總體車型表現更佳;從消費者具備選擇權的車型來看,智駕車型在組合內市占率有較為明顯提升,24年10月以來占比略有下行,但總體降幅小于車型總體降幅,代表智駕車型競爭力較總體車型表現更佳。圖圖2
53、2:三家樣本公司車型三家樣本公司車型/智駕版車型在競品組合中銷智駕版車型在競品組合中銷量占比量占比 圖圖 23:消費者具備選擇權的三家消費者具備選擇權的三家公司車型公司車型/智駕版車智駕版車型在競品組合中銷量占比型在競品組合中銷量占比 數據來源:交強險,廣發證券發展研究中心 數據來源:交強險,廣發證券發展研究中心 2.智能駕駛使用意愿智能駕駛使用意愿主要關注不同場景下配備智駕硬件車型的高階智駕使用率主要關注不同場景下配備智駕硬件車型的高階智駕使用率 智能駕駛能力及接受程度的評價,除了消費者付費意愿外,真正購買智能駕駛智能駕駛能力及接受程度的評價,除了消費者付費意愿外,真正購買智能駕駛軟硬件的消
54、費者對智駕功能的使用頻率才是衡量其“好用程度”的關鍵指標。軟硬件的消費者對智駕功能的使用頻率才是衡量其“好用程度”的關鍵指標。因此,我們提出“智駕使用率”的概念,其直觀理解是每百公里駕駛員使用智駕功能的公里數,其能夠更精準地反映智能駕駛功能在實際駕駛場景中的應用頻率和用戶依賴程度,是智駕功能安全性、便利性和可靠性的重要依據。在本文中,智能駕駛使用意愿我們主要關注的指標有全場景、城市場景、高速場景智能駕駛使用率。全場景智能駕駛使用率全場景智能駕駛使用率是車輛在所有駕駛場景(高速、城市、泊車等)中,智能駕駛功能被激活使用里程與總行駛里程的比率;反映智能駕駛功能在不同場景下的綜合使用頻率,體現用戶對
55、智能駕駛功能的整體信任度和依賴程度。城市場景智能駕駛使用率城市場景智能駕駛使用率是車輛在城市道路環境中,智能駕駛功能被激活使用里程與城市道路行駛里程的比率;衡量智能駕駛功能在城市復雜路況下的可靠性,反映用戶在日常通勤等場景中對智能駕駛功能的接受程度。高速場景智能駕駛使用高速場景智能駕駛使用率率是車輛在高速公路或高架路段中,智能駕駛功能被激活使用里程與高速行駛里程的比率;反映智能駕駛功能在相對簡單場景中的使用頻率和可靠性,體現用戶對高速NOA功能的信任度和依賴程度。(1)特斯拉特斯拉 特斯拉特斯拉FSD作為全球智能駕駛系統的引領者,其使用率有著代表意義。作為全球智能駕駛系統的引領者,其使用率有著
56、代表意義。我們結合特斯拉FSD累計里程數及搭載了FSD智駕軟件的車輛數(部分時間含訂閱率假設),能夠計算出存量車型中智能駕駛里程,進一步地,結合對單車駕駛總里程數進行一定假設,則能夠得出FSD智能駕駛使用率,其計算公式如下:智駕使用率=單車單季度智駕駕駛里程單車單季度駕駛總里程 100%=智駕智駕里程增長值當季智駕用戶總量單車單季度駕駛總里程 100%0%10%20%30%40%50%202401202404202407202410競品組合內三家車企智駕車型占比競品組合內三家車企銷量占比0%10%20%30%40%202401202404202407202410三家車企具備選擇權車型中智駕版本
57、銷量占組合比例三家車企具備選擇權車型銷量占組合比例 識別風險,發現價值 請務必閱讀末頁的免責聲明 2020/2323 Table_PageText 深度分析|汽車 圖圖24:FSD智駕使用率智駕使用率 數據來源:特斯拉財報,Marklines,廣發證券發展研究中心 (2)鴻蒙智行鴻蒙智行 同上特斯拉FSD使用率計算方法,我們統計測算了鴻蒙智行全場景、城市場景、高速場景下的使用率,作為國內智能駕駛系統的引領者,其使用率也有著代表意義。自鴻蒙智行推出高階智駕后,其智駕使用率逐步提升,根據我們測算,截至24Q4國鴻蒙智行全場景、城市場景、高速場景下的使用率分別為29.1%/21.1%/41.8%。圖
58、圖25:國內智駕領先企業:國內智駕領先企業A三種場景下的智駕使用率三種場景下的智駕使用率 數據來源:鴻蒙智行智駕報告,交強險,廣發證券發展研究中心 (3)理想汽車理想汽車 同上特斯拉FSD使用率計算方法,我們統計測算了理想汽車全場景、城市場景、高速場景下的智駕使用率。根據我們測算,截至25年2月中旬,理想汽車全場景智駕使用率為22.6%;截至24年11月底,理想汽車城市/高速場景下的智駕使用率為6.1%/16.2%。0%5%10%15%20%25%30%35%2023Q12023Q22023Q32023Q42024Q12024Q22024Q32024Q4搭載FSD車輛對FSD駕駛的使用率(%)
59、0%5%10%15%20%25%30%35%40%45%2023Q12023Q22023Q32023Q42024Q12024Q22024Q32024Q4全場景城市高速23.12 FSD Beta 12.1正式推出,標志端到端模型首次量產搭載 24.12 FSD Beta 13正式推出 識別風險,發現價值 請務必閱讀末頁的免責聲明 2121/2323 Table_PageText 深度分析|汽車 圖圖26:理想汽車理想汽車三種場景下的智駕使用率三種場景下的智駕使用率 數據來源:理想汽車智駕報告,交強險,廣發證券發展研究中心 四四、投資建議、投資建議 AI技術快速迭代與賦能下,高階智駕體驗拐點或已
60、經來臨,中國品牌車企在智技術快速迭代與賦能下,高階智駕體驗拐點或已經來臨,中國品牌車企在智能化賦能下有望繼續實現跨越式發展。能化賦能下有望繼續實現跨越式發展。依照此單一變量下我們建議的乘用車整車關注:賽力斯、理想汽車、小鵬汽車、比亞迪(與電新組聯合覆蓋)、吉利汽車等;零部件鏈條上關注:耐世特、伯特利、保隆科技、科博達等;技術服務建議關注:中國汽研。五、風險提示五、風險提示 智能化滲透率提升不及預期。智能化滲透率提升不及預期。智能化正處于發展初期,若受制于成本、技術等因素,后續滲透率提升可能不及預期;配套基礎設施及的普及不力市場接受度的不確定性,可能進一步放緩智能化應用的普及進程。政策推進不及預
61、期。政策推進不及預期。智能汽車產業鏈錯綜復雜,涵蓋多個關鍵技術領域,需依賴跨行業協同創新。政策法規在促進技術變革的同時,也承擔著規范市場秩序、保障安全合規的職能。智能網聯汽車的發展涉及交通、通信、數據安全等多個領域,政策落地仍面臨統籌協調難度。核心零部件供應風險。核心零部件供應風險。智能汽車領域部分關鍵零部件仍高度依賴進口,尤其是在芯片方面,國際消費電子芯片巨頭占據主導地位。在全球供應鏈不確定性加劇的背景下,若因地緣政治風險、貿易戰升級或高制程芯片產能受限等因素導致關鍵芯片供應受阻,智能汽車產業的滲透率提升將面臨嚴重挑戰,甚至影響產業鏈的穩定發展。0.0%5.0%10.0%15.0%20.0%
62、25.0%2024/9/302024/10/312024/11/302024/12/312025/1/31全場景城市高速 識別風險,發現價值 請務必閱讀末頁的免責聲明 2222/2323 Table_PageText 深度分析|汽車 廣發汽車行業研究小組廣發汽車行業研究小組 閆 俊 剛:聯席首席分析師,吉林工業大學汽車專業學士,2013 年加入廣發證券發展研究中心。周 偉 :資深分析師,上海交通大學工程碩士,重慶大學機械專業學士,2021 年加入廣發證券發展研究中心。陳 飛 彤:高級分析師,碩士,畢業于復旦大學,2021 年加入廣發證券發展研究中心。張 力 月:高級分析師,碩士,畢業于香港中文
63、大學,2021 年加入廣發證券發展研究中心。羅 英:高級研究員,同濟大學工程碩士,同濟大學工學學士,2023 年加入廣發證券發展研究中心。廣發證券廣發證券行業行業投資評級說明投資評級說明 買入:預期未來12 個月內,股價表現強于大盤10%以上。持有:預期未來12 個月內,股價相對大盤的變動幅度介于-10%+10%。賣出:預期未來12 個月內,股價表現弱于大盤10%以上。廣發證券廣發證券公司投資評級說明公司投資評級說明 買入:預期未來12 個月內,股價表現強于大盤15%以上。增持:預期未來12 個月內,股價表現強于大盤5%-15%。持有:預期未來12 個月內,股價相對大盤的變動幅度介于-5%+5
64、%。賣出:預期未來12 個月內,股價表現弱于大盤5%以上。聯系我們聯系我們 廣州市 深圳市 北京市 上海市 香港 地址 廣州市天河區馬場路26 號廣發證券大廈47 樓 深圳市福田區益田路6001 號太平金融大廈 31 層 北京市西城區月壇北街 2 號月壇大廈 18層 上海市浦東新區南泉北路 429 號泰康保險大廈 37 樓 香港灣仔駱克道 81號廣發大廈 27 樓 郵政編碼 510627 518026 100045 200120-客服郵箱 法律主體法律主體聲明聲明 本報告由廣發證券股份有限公司或其關聯機構制作,廣發證券股份有限公司及其關聯機構以下統稱為“廣發證券”。本報告的分銷依據不同國家、地
65、區的法律、法規和監管要求由廣發證券于該國家或地區的具有相關合法合規經營資質的子公司/經營機構完成。廣發證券股份有限公司具備中國證監會批復的證券投資咨詢業務資格,接受中國證監會監管,負責本報告于中國(港澳臺地區除外)的分銷。廣發證券(香港)經紀有限公司具備香港證監會批復的就證券提供意見(4 號牌照)的牌照,接受香港證監會監管,負責本報告于中國香港地區的分銷。本報告署名研究人員所持中國證券業協會注冊分析師資質信息和香港證監會批復的牌照信息已于署名研究人員姓名處披露。重要重要聲明聲明 廣發證券股份有限公司及其關聯機構可能與本報告中提及的公司尋求或正在建立業務關系,因此,投資者應當考慮廣發證券股份有限
66、公司及其關聯機構因可能存在的潛在利益沖突而對本報告的獨立性產生影響。投資者不應僅依據本報告內容作出任何投資決策。投資者應自主作出投資決策并自行承擔投資風險,任何形式的分享證券投資收益或者分擔證券投資損失的書面或者口頭承諾均為無效。本報告署名研究人員、聯系人(以下均簡稱“研究人員”)針對本報告中相關公司或證券的研究分析內容,在此聲明:(1)本報告的全部分析結論、研究觀點均精確反映研究人員于本報告發出當日的關于相關公司或證券的所有個人觀點,并不代表廣發證券的立場;(2)研究人員的部分或全部的報酬無論在過去、現在還是將來均不會與本報告所述特定分析結論、研究觀點具有直接或間接的聯系。研究人員制作本報告
67、的報酬標準依據研究質量、客戶評價、工作量等多種因素確定,其影響因素亦包括廣發證券的整體經營收入,該等經營收入部分來源于廣發證券的投資銀行類業務。識別風險,發現價值 請務必閱讀末頁的免責聲明 2323/2323 Table_PageText 深度分析|汽車 本報告僅面向經廣發證券授權使用的客戶/特定合作機構發送,不對外公開發布,只有接收人才可以使用,且對于接收人而言具有保密義務。廣發證券并不因相關人員通過其他途徑收到或閱讀本報告而視其為廣發證券的客戶。在特定國家或地區傳播或者發布本報告可能違反當地法律,廣發證券并未采取任何行動以允許于該等國家或地區傳播或者分銷本報告。本報告所提及證券可能不被允許
68、在某些國家或地區內出售。請注意,投資涉及風險,證券價格可能會波動,因此投資回報可能會有所變化,過去的業績并不保證未來的表現。本報告的內容、觀點或建議并未考慮任何個別客戶的具體投資目標、財務狀況和特殊需求,不應被視為對特定客戶關于特定證券或金融工具的投資建議。本報告發送給某客戶是基于該客戶被認為有能力獨立評估投資風險、獨立行使投資決策并獨立承擔相應風險。本報告所載資料的來源及觀點的出處皆被廣發證券認為可靠,但廣發證券不對其準確性、完整性做出任何保證。報告內容僅供參考,報告中的信息或所表達觀點不構成所涉證券買賣的出價或詢價。廣發證券不對因使用本報告的內容而引致的損失承擔任何責任,除非法律法規有明確
69、規定??蛻舨粦员緢蟾嫒〈洫毩⑴袛嗷騼H根據本報告做出決策,如有需要,應先咨詢專業意見。廣發證券可發出其它與本報告所載信息不一致及有不同結論的報告。本報告反映研究人員的不同觀點、見解及分析方法,并不代表廣發證券的立場。廣發證券的銷售人員、交易員或其他專業人士可能以書面或口頭形式,向其客戶或自營交易部門提供與本報告觀點相反的市場評論或交易策略,廣發證券的自營交易部門亦可能會有與本報告觀點不一致,甚至相反的投資策略。報告所載資料、意見及推測僅反映研究人員于發出本報告當日的判斷,可隨時更改且無需另行通告。廣發證券或其證券研究報告業務的相關董事、高級職員、分析師和員工可能擁有本報告所提及證券的權益。在
70、閱讀本報告時,收件人應了解相關的權益披露(若有)。本研究報告可能包括和/或描述/呈列期貨合約價格的事實歷史信息(“信息”)。請注意此信息僅供用作組成我們的研究方法/分析中的部分論點/依據/證據,以支持我們對所述相關行業/公司的觀點的結論。在任何情況下,它并不(明示或暗示)與香港證監會第5 類受規管活動(就期貨合約提供意見)有關聯或構成此活動。權益披露權益披露(1)廣發證券(香港)在過去12 個月內與HORIZONROBOT-W(09660)公司有投資銀行業務關系。(2)廣發證券(香港)在過去12 個月內與Horizon Robotics(09660)公司有投資銀行業務關系。(3)廣發證券(香港)在過去12 個月內與KYG4602S1057(09660)公司有投資銀行業務關系。(4)廣發證券(香港)在過去12 個月內與地平線(09660)公司有投資銀行業務關系。(5)廣發證券(香港)在過去12 個月內與地平線機器人-W(09660)公司有投資銀行業務關系。版權聲明版權聲明 未經廣發證券事先書面許可,任何機構或個人不得以任何形式翻版、復制、刊登、轉載和引用,否則由此造成的一切不良后果及法律責任由私自翻版、復制、刊登、轉載和引用者承擔。