1、 敬請閱讀末頁的重要說明 證券研究報告|行業聯合報告 2023 年 07 月 09 日 推薦推薦（維持）（維持）自動駕駛自動駕駛研究研究系列系列一一 TMT 及中小盤/中小市值 馬斯克在國外社交媒體推特上表示，特斯拉計劃在其全自動駕駛（馬斯克在國外社交媒體推特上表示，特斯拉計劃在其全自動駕駛（FSD）Beta v12中使用端到端人工智能（中使用端到端人工智能（AI）更新其全自動駕駛包，這表明特斯拉或將改變）更新其全自動駕駛包，這表明特斯拉或將改變 FSD技術路線，同時也為端到端算法打開了在其他領域應用的想象空間。技術路線，同時也為端到端算法打開了在其他領域應用的想象空間。模塊化架構性能有限，端

2、到端架構有望成為自動駕駛的終極解決方案。模塊化架構性能有限，端到端架構有望成為自動駕駛的終極解決方案。當前量產的智能駕駛汽車系統基本都是采用模塊化架構，將駕駛任務拆解到各個模塊，但是級聯誤差問題、各個模塊之間重復計算造成的車載算力資源浪費、模塊之間信息交互不暢等問題極大地限制約了模塊化架構性能。端到端自動駕駛最直觀的變化就是將多個小模型整合成了一個“大模型”，輸入原始數據通過大模型直接生成駕駛指令。相比于模塊化架構，端到端極大地提升了系統的性能上限。目前端到端最大的問題是模型中所謂的黑盒問題，由于神經網絡過于復雜因此造成模型計算過程的可解釋性較差，因此大模型結構下的端到端自動駕駛對原始數據的質

3、量有著較高的要求。馬斯克已經在推特上表示下一代的 FSD 將會采用端到端架構，我們認為特斯拉在技術路線上的選擇對行業有較強的指導意義，或將推動產業落地進程。特斯拉特斯拉 BEV 實現由實現由 2D 向向 3D 跨越，端到端可靠性大幅提高?？缭?，端到端可靠性大幅提高。目前，特斯拉已經基于Transformer算法成功將攝像頭采集到的2D信息成功轉化為帶有深度信息的 3D 視頻流（BEV 鳥瞰圖）。Transformer 算法采用的 Attention機制是 GPT、BERT 等人工智能領域熱門算法的核心機制，能夠找尋各個數據元素與其他所有數據元素之間的關聯，從而大幅提高算法的泛化能力。相比于 R

4、NN，Transformer 算法允許并行計算且效率更高，性能表現突出。往后看，3D 的 BEV 信息為端到端架構提供了包含更多信息的原始輸入數據，在大模型內部可進一步引入 Attention 機制來實現更好的解讀駕駛過程中與周圍環境的交互情況，極大地提高智能汽車的可靠性。TSN、多模態等新技術助力端到端駕駛的落地加速。、多模態等新技術助力端到端駕駛的落地加速。時間敏感網絡（TSN)與傳統以太網相比，TSN 能夠提供微秒級確定性服務，降低整個通信網絡的復雜度，并具有精準的時鐘同步能力、確定性流量調度能力，以及智能開放的運維管理架構，可以保證多種業務流量的共網高質量傳輸以及確定性的時延?？紤]到端

5、到端自動駕駛或將以 BEV 視角下的 3D 視頻流作為原始數據，對網絡的負擔加重，確定性時延的重要性變高，因此 TSN 大概率成為端到端自動駕駛解決方案中的必然選擇。多模態方面，與傳統的單模態模型相比，多模態大模型的獨特之處在于它可以從多個數據源中獲得更加全面有價值的資源，從而提高模型的性能和魯棒性，幫助自動駕駛系統理解各種類型的傳感器輸入源，從而生成更好的駕駛指令。建議關注推薦標的：建議關注推薦標的：三旺通信（車載 TSN 網絡）、東土科技（車載 TSN網絡）、當虹科技（娛樂座艙）、菲菱科思（汽車網絡交換機和汽車域控制器網關）、德賽西威（智能座艙、智能駕駛、智能網聯）、伯特利（線控底盤）。風

6、險提示：風險提示：端到端架構的黑盒問題可能會延緩產業落地進程端到端架構的黑盒問題可能會延緩產業落地進程 行業規模行業規模 占比%股票家數（只）40 0.8 總市值（十億元）291.9 0.4 流通市值（十億元）249.4 0.4 行業指數行業指數%1m 6m 12m 絕對表現 2.7 6.4 5.0 相對表現 1.8 10.3 18.9 資料來源：公司數據、招商證券 董瑞斌董瑞斌 S1090516030002 鄭曉剛鄭曉剛 S1090517070008 梁程加梁程加 S1090522060001 汪劉勝汪劉勝 S1090511040037 張夏張夏 S1090513080006 -30-20-

7、100102030Jul/22Nov/22Feb/23Jun/23(%)中小市值滬深300端到端架構漸行漸近端到端架構漸行漸近 敬請閱讀末頁的重要說明 2 行業聯合報告 正文正文目錄目錄 一、端到端模型打開下游的新想象空間.4 1、端到端架構逐漸進入視野.6（1）Transformer 的 Attention 機制是一切的基礎.7（2）Transformer 機制成功通過 BEV 將汽車視覺感知由 2D 向 3D 的跨越.11（3）BEV+Transformer 為端到端提供了高質量感知數據，有望提速端到端架構的落地12 2、特斯拉已采用端到端架構，高性能上限未來成為主流方案的潛力大.13（1

8、）基于深度學習以及強化學習的大模型.14（2）多模態大模型賦能端到端訓練，強化學習+transformer 或大有可為.15 二、新技術發展，TSN 推動端到端落地.17 1、TSN：具有確定性時延以及多協議傳輸能力.17 2、TSN 發展歷史：不斷提高確定性.18 三、TSN 在車載領域應用趨勢明顯.21 1、車載：TSN 為自動駕駛提供網絡時效性以及安全性保障.21（1）傳統汽車網絡架構能實現的功能有限.21（2）汽車智能化時代開啟，引入車載 TSN 已成剛需.22（3）TSN 方案有望逐漸被各大車企采用.23 四、推薦標的.24 1、三旺通信（688618.SH）.24 2、東土科技（3

9、00353.SZ）.24 3、當虹科技（688039.SH）.24 4、菲菱科思（301191.SZ）.25 5、德賽西威（002920.SZ）.25 6、伯特利（603596.SH）.25 五、風險提示.25 圖表圖表目錄目錄 圖 1 自動駕駛定位技術結構圖.4 圖 2 模塊化自動駕駛.5 圖 3 每個模塊還有很多子模塊.5 UW9YnXkZiYeVDW9YhU9PbP7NsQoOnPpMeRqQrOeRnMqQ6MmNpPNZrRtMwMqMqN 敬請閱讀末頁的重要說明 3 行業聯合報告 圖 4 模塊化架構各個模塊之間相互較為獨立.6 圖 5 端到端自動駕駛.7 圖 6 Transform

10、er 整體結構.8 圖 7 Attention 機制在機器翻譯中的效果.9 圖 8 Encoders-Decoders 模型.9 圖 9 RNN 網絡結構.10 圖 10 Attention 在機器翻譯中的分布.10 圖 11 Self-Attention 機制.11 圖 12 Transformer 下的 Encoders-Decoders 模型.11 圖 13 BEV+Transformer 基本概念.12 圖 14 2D 圖片下預測的路線投影到向量空間后效果極差.13 圖 15 經過 Transformer 后的投影效果與 2D 對比（右側為 Transformer，左側為 2D）.13

11、 圖 16 機器學習的三種形式.14 圖 17 強化學習算法的不同組件.14 圖 18 強化學習的過程.15 圖 19 DriveGPT 大模型雪湖 海若大模型訓練機理.16 圖 20 行車長尾場景罕見卻無法忽視.16 圖 21 人工智能算法的涌現效應.17 圖 22 TSN、AVB 與傳統以太網.17 圖 23 傳統以太網數據幀傳輸隨時間分布圖.19 圖 24 ISO OSI 七層模型（綠色和橘色為 AVB 所在位置）.19 圖 25 TSN 網絡的組成元素.20 圖 26 TSN 有著確定性的時延.20 圖 27 宣布支持 TSN 網絡的組織（部分）.21 圖 28 傳統車載網絡架構.21

12、 圖 29 智能駕駛系統設計的傳感器多且數據量大.22 圖 30 Domain Architecture.23 表 1：Marvell 車載用交換機芯片特征對比.24 表 2：以太網具有高寬帶、低成本優勢.25 敬請閱讀末頁的重要說明 4 行業聯合報告 一、一、端到端模型打開下游的新想象空間端到端模型打開下游的新想象空間 1、主流自動駕駛為模塊化架構主流自動駕駛為模塊化架構 當前當前已經量產的已經量產的自動駕駛解決方案主要以模塊自動駕駛解決方案主要以模塊化化的架構為主。的架構為主。通俗來講，現階段使用較多的自動駕駛的模塊化算法解決方案是將自動駕駛任務拆解成多個不同的模塊，然后將對應的任務交給專

13、門的 AI，模型（模塊）進行處理。一個完備的模塊化架構通常會包括：a)感知模塊：感知模塊：主要認為是對周邊環境的感知，包括靜態物體、動態物體、路面情況，其中對于動態的物體還需要額外做到對其運動軌跡進行跟蹤。感知算法大部分采用深度學習卷積神經網絡、圖像識別技術等。b)定位模塊：定位模塊：主要是通過 GPS 以及一些其他傳感器數據進行車輛定位，與感知模塊類的點在于其采集到的數據同樣會被用于后續模塊。圖圖 1 自動駕駛定位技術結構圖自動駕駛定位技術結構圖 資料來源：自動駕駛-汽車定位技術、招商證券 c)決策模塊：決策模塊：決策模塊根據感知模塊以及定位模塊等前端模塊采集到的數據，結合當前車輛的行駛狀態

14、、位置、與障礙物的距離等信息，做出轉向、加速、變道、超車等駕駛行為，起到類似于大腦的功能。d)路徑規劃模塊：路徑規劃模塊：規劃模塊會根據上層信息，進一步規劃出汽車行駛的路徑軌跡、速度、以及途徑點等信息。e)控制模塊：控制模塊：根據前序模型的分析計算結果輸出控制信號，實現自動駕駛中對車輛的控制。敬請閱讀末頁的重要說明 5 行業聯合報告 圖圖 2 模塊化自動駕駛模塊化自動駕駛 資料來源：OpenDILab、招商證券 現階段模塊化現階段模塊化架構架構的的核心問題核心問題主要在于：主要在于：1）研發強度大。研發強度大。模塊化的架構意味著一個自動駕駛的模型可能包含了很多種子模型，而每個模型都需要單獨訓練

15、與優化迭代，需要的研發人員數量多。圖圖 3 每個模塊還有很多子模塊每個模塊還有很多子模塊 資料來源：車東西、招商證券 2）誤差容易在逐級的傳遞中放大。誤差容易在逐級的傳遞中放大。在模塊化架構的系統中，下一級模塊的輸入參數通常是上一級模塊的輸出結果，若是前一級模塊出現誤差，則誤差有可能會被逐級放大。3）信息交互不順暢。信息交互不順暢。模塊化的架構導致不同模塊之間有著天然的隔閡，導致不同模塊間的信息交互、接口制定等難以順暢地實現。4）各個模塊之間容易出現重復計算，浪費車載算力資源。各個模塊之間容易出現重復計算，浪費車載算力資源。敬請閱讀末頁的重要說明 6 行業聯合報告 圖圖 4 模塊化架構各個模塊

16、之間相互較為獨立模塊化架構各個模塊之間相互較為獨立 資料來源：智車科技、招商證券 1、端到端架構逐漸進入視野端到端架構逐漸進入視野 端到端自動駕駛最直觀的變化就是將多個小模型整合成了一個“大模型”，是自端到端自動駕駛最直觀的變化就是將多個小模型整合成了一個“大模型”，是自動駕駛的終極目標動駕駛的終極目標。自英偉達于 2016 年發表論文End to End Learning for Self-Driving Cars，端到端自動駕駛不斷發展。相較于傳統模塊化的架構，端到端（End to End）通過一個大模型既實現了感知、規劃、控制等模塊的功能，也就是通過傳感器采集到原始數據（raw data

17、），并將原始數據輸入到一個統一的深度學習神經網絡（大模型），并直接輸出駕駛命令。敬請閱讀末頁的重要說明 7 行業聯合報告 圖圖 5 端到端自動駕駛端到端自動駕駛 資料來源：招商證券整理 （1）Transformer 的的 Attention 機制是一切的基礎機制是一切的基礎 Transformer 算法引入了算法引入了 Attention 機制，算法的泛化能力大大增強，現流行的機制，算法的泛化能力大大增強，現流行的大模型均是基于此類架構開發而出。大模型均是基于此類架構開發而出。2017 年，谷歌在人工智能領域提出的著名論文Attention Is All You Need中首次提出 atten

18、tion 機制，在 NLP 領域表現極為出色。敬請閱讀末頁的重要說明 8 行業聯合報告 圖圖 6 Transformer 整體結構整體結構 資料來源：Attention is all you need、招商證券 Attention 機制極大地增強了算法對于上下文的感知能力，近些年最流行的機制極大地增強了算法對于上下文的感知能力，近些年最流行的 AI模型均有著模型均有著 Attention 機制的身影。機制的身影。從本質上看，Attention 實際上就是“權重”，最早被應用于機器翻譯領域并取得了良好的效果。舉個例子，在“I love the 2022 Beijing Winter Games”

19、這句英文翻譯中文的算法中，games 這個詞如果只考慮自己的權重有可能會被翻譯成游戲，當將 Beijing 這個詞一起考慮時，由于 Beijing與 Games 之間的關聯，則有可能會被翻譯成比賽，成為北京比賽，若是繼續結合“2022”，則會被翻譯成北京 2022 冬奧會。敬請閱讀末頁的重要說明 9 行業聯合報告 圖圖 7 Attention 機制在機器翻譯中的效果機制在機器翻譯中的效果 資料來源：梗直哥（美國伊利諾伊大學人工智能博士）、招商證券 圖圖 8 Encoders-Decoders 模型模型 資料來源：深度學習技術前沿、招商證券 傳統傳統 RNN（循環神經網絡）只能對較近時刻的輸入值

20、產生關聯，泛化效果較差。（循環神經網絡）只能對較近時刻的輸入值產生關聯，泛化效果較差。相較于更傳統的神經網絡，RNN 模型建立了網絡各個層級之間的時序關聯，也就是說每一時刻的輸出結果 St與輸入結果 Xt以及上一時刻 St-1，從而初步建立起上下文之間的時序關聯。RNN 先對一句話編碼，再對一句話解碼就能實現機器翻譯。但 RNN 模型會將所有長度的輸入數據全部都統一壓縮成相同的長度編碼c，從而導致翻譯精度下降。敬請閱讀末頁的重要說明 10 行業聯合報告 圖圖 9 RNN 網絡結構網絡結構 資料來源：梗直哥（美國伊利諾伊大學人工智能博士）、招商證券 Attention 機制則是通過對每個時段設置

21、不同的機制則是通過對每個時段設置不同的 c 來實現每個文字與全局其余部來實現每個文字與全局其余部分的關聯。分的關聯。下圖中t則是表示在 t 時刻，單個文字對全局其他文字的權重（attention）。在這個結構下，可以通過對神經網絡進行訓練來得到最優的權重矩陣。本質上這種方法就是讓模型在不同時刻都能看到全局的信息，從而實現較好的關聯效果。圖圖 10 Attention 在機器翻譯中的分布在機器翻譯中的分布 資料來源：梗直哥（美國伊利諾伊大學人工智能博士）、招商證券 Attention 機制在機制在 Transformer 算法中算法中是是 self-attention 機制的基礎機制的基礎，se

22、lf-attention 在原有基礎上進一步實現了大規模的并行運算。在原有基礎上進一步實現了大規模的并行運算。隨著大規模并行運算的發展，由于 RNN 的順序結構難以進行并行運算，因此效率很低，劣勢逐漸顯現。另一方面，由于 attention 機制本身就已經對全部的輸入數據進行了權重分配，RNN 的順序結構中的順序已經沒有存在的必要，在去掉該部分后就形成了 tranformer 中重要的 self-attention 機制。通俗來說就是將上圖中的箭頭去掉，在 encoder 編碼階段就使用 attention 機制將每輸入一個數據與其他所有數據之間的關聯。經過計算后，將各個數據之間的關聯權重加權

23、表示后再放到“前饋神經網絡”中得到新的表示就實現了高效嵌入上下文信息的目的。敬請閱讀末頁的重要說明 11 行業聯合報告 圖圖 11 Self-Attention 機制機制 資料來源：梗直哥（美國伊利諾伊大學人工智能博士）、招商證券 圖圖 12 Transformer 下的下的 Encoders-Decoders 模型模型 資料來源：Attention is all you need、CSDN、招商證券 （2）Transformer 機制成功通過機制成功通過 BEV 將汽車視覺感知由將汽車視覺感知由 2D 向向 3D 的跨越的跨越 BEV（Bird Eyes View）具有深度信息，相較于平面）

24、具有深度信息，相較于平面 2D 圖信息更加豐富。圖信息更加豐富。自動駕駛中的感知識別任務的目的是對物理世界的三維幾何重建，由于車載的傳感設備逐漸增多，通過一個統一的視角呈現出不同視角采集到的信息變得逐漸重要起 敬請閱讀末頁的重要說明 12 行業聯合報告 來。傳統的投影平面視角（Perspective view）由于缺乏深度信息，在視覺領域仍有一定的缺陷。BEV 本質是將圖像空間“翻譯”到向量空間，本質是將圖像空間“翻譯”到向量空間，Transformer 大有可為。大有可為。圖像空間(multicam features)到向量空間(BEV vector space)可以類比成一種語言到另一種語

25、言的翻譯，因為他們都是對同一個空間的不同描述，transformer 在該領域有著較好的表現。圖圖 13 BEV+Transformer 基本概念基本概念 資料來源：BEVFormer:Learning Birds-Eye-View Representation from Multi-Camera Images via Spatiotemporal Transformers、招商證券 BEV+transformer 相當于實現圖像由相當于實現圖像由 2D 至至 3D 的升級，的升級，可以虛擬出感知世界的坐標系，相當于給汽車開啟了“上帝視角”。能夠讓車輛無遮擋地“看清”道路上的實況信息，在 BE

26、V 的視角下統一完成感知和預測任務。根據蓋世學堂，傳統的 BEV 轉化主要是通過在圖像空間中進行特征提取，并產生分割結果，再利用逆透視變換（IPM）將其轉化為 BEV 空間，但這種方法非常容易造成成像結果的失真。而 transformer 的交叉注意力機制則與該項任務適配性較高。（3）BEV+Transformer 為端到端提供了高質量感知數據，有望提速端到端架構的落地為端到端提供了高質量感知數據，有望提速端到端架構的落地 BEV+transformer 形成的高質量的形成的高質量的 3D 感知結果為后續端到端結構中的大模型感知結果為后續端到端結構中的大模型計算提供了優質的原始數據。計算提供了

27、優質的原始數據。端到端架構的感知決策一體化，由數據采集原始數直接輸出駕駛命令，因此輸入的原始數據對最后駕駛命令的生成與執行起到至關重要的作用。相比于傳統的視覺采集的 2D 圖像，BEV+Transformer 生成的高質量 3D 視頻則包含了更多有用的信息，能夠生成更加合理的駕駛命令。敬請閱讀末頁的重要說明 13 行業聯合報告 圖圖 14 2D 圖片下預測的路線投影到向量空間后效果極差圖片下預測的路線投影到向量空間后效果極差 資料來源：特斯拉、招商證券 圖圖 15 經過經過 Transformer 后的投影效果與后的投影效果與 2D 對比（右側為對比（右側為 Transformer，左側為，左

28、側為 2D）資料來源：特斯拉、招商證券 2、特斯拉已采用端到端架構，高性能上限未來成為主流方特斯拉已采用端到端架構，高性能上限未來成為主流方案的潛力大案的潛力大 端到端架構更加簡潔，我們認為特斯拉在技術路線上的選擇對于行業有較強的指端到端架構更加簡潔，我們認為特斯拉在技術路線上的選擇對于行業有較強的指導意義。導意義。相比于模塊化架構，端到端一個模型解決融合所有模塊的方式避免了各個模塊相互獨立時的冗余計算，節省計算資源；另一方面，端到端的架構也消除了各個模塊之間由于傳遞數據而出現的級聯誤差問題，極大地提升了系統的性能上限。敬請閱讀末頁的重要說明 14 行業聯合報告 （1）基于深度學習以及強化學習

29、的大模型）基于深度學習以及強化學習的大模型 機器學習算法通常分為三大類：有監督學習、無監督學習和強化學習機器學習算法通常分為三大類：有監督學習、無監督學習和強化學習，強化學習，強化學習通過獎勵機制訓練系統逐步學習到最優策略。通過獎勵機制訓練系統逐步學習到最優策略。監督學習是最為常見的學習方法，通常是使用標注好的數據標簽對模型進行訓練；無監督學習則是涵蓋應用于無標簽數據的密度估計或聚類等技術，無監督學習和監督學習最大的不同是無監督學習沒有數據標簽，因此在無監督學習中，工程師需要訓練無標簽的訓練集去找到數據的潛在結構；強化學習算法能夠自主地與環境交互進行學習，系統的目的是得到最高的獎勵分數，因此為

30、了得到高分，系統會在學習中自主學習到最優的策略。圖圖 16 機器學習的三種形式機器學習的三種形式 資料來源：CSDN、招商證券 圖圖 17 強化學習算法的不同組件強化學習算法的不同組件 敬請閱讀末頁的重要說明 15 行業聯合報告 資料來源：深藍學院、招商證券 圖圖 18 強化學習的過程強化學習的過程 資料來源：CSDN、招商證券 （2）多模態大模型多模態大模型賦能端到端訓練，強化學習賦能端到端訓練，強化學習+transformer 或大有可為或大有可為 多模態大模型是一種可以處理多種不同類型數據的深度學習模型。多模態大模型是一種可以處理多種不同類型數據的深度學習模型。其通常由多個分支組成，每個

31、分支處理不同類型的數據，例如圖像、文本、聲音、視頻等。這些分支可以并行運行，并最終將結果合并以進行決策。與傳統的單模態模型相比，與傳統的單模態模型相比，多模態大模型的獨特之處在于它可以從多個數據源中獲得更加全面有價值的資多模態大模型的獨特之處在于它可以從多個數據源中獲得更加全面有價值的資源，從而提高模型的性能和魯棒性。源，從而提高模型的性能和魯棒性。多模態大模型在自動駕駛領域有以下三大優點：多模態大模型在自動駕駛領域有以下三大優點：（1）高效處理不同類型數據間關系。）高效處理不同類型數據間關系。在自動駕駛中，相機提供道路和障礙物的圖像信息，激光雷達提供距離和深度信息，而毫米波雷達提供速度和方向

32、信息。多模態大模型可以將多元化數據有機融合，以更全面和準確解讀駕駛環境。（2）通過深度學習以及強化學習完善性能。）通過深度學習以及強化學習完善性能。在自動駕駛中，多模態大模型可以學習道路上不同類型的障礙物，并根據障礙物特性做出相應決策，不斷訓練并強化自動駕駛系統。（3）用于預測其他車輛的行為。）用于預測其他車輛的行為。多模態大模型可以根據不同類型的數據來定制行駛路徑，根據實時環境做出決策。在城市環境中，自動駕駛系統可以根據交通信號燈和行人等因素來做出決策。在鄉村道路上，它可以根據道路標志和路況等因素來做出決策。多模態大模型驅動自動標注發展，規控端應用成績斐然。多模態大模型驅動自動標注發展，規控

33、端應用成績斐然。當前諸多自動駕駛領域玩家在多模態大模型的加持下，對于自動標注服務應用愈加游刃有余。商湯科技多模態多任務通用大模型書生 2.5 擁有強大的語義理解和圖像處理能力，在 ImageNet 分類任務開源模型中 Top1 準確率能超過 90%。在此基礎上推出自動標注服務，其廣泛涵蓋 1000 余個 2D、3D 目標類別，進而大幅度降低標注成本。毫末智行于 4 月 11 日推出產品 DriveGPT，其大模型雪湖海若對于上傳圖片能夠迅速響應處理，單幀圖像整體標注成本降低至行業平均水平的十分之一。敬請閱讀末頁的重要說明 16 行業聯合報告 圖圖 19 DriveGPT 大模型雪湖海若大模型訓

34、練機理大模型雪湖海若大模型訓練機理 資料來源：HAOMO.ai、招商證券 長尾問題處理為長尾問題處理為 FSD 關鍵瓶頸，亟需優化數據驅動方案。關鍵瓶頸，亟需優化數據驅動方案。目前市面上的 FSD 主流算法可以覆蓋絕大多數行車場景，但駕駛環境不確定因素較多，對于長尾場景的算法處理卻不夠完善，這也就成為了 FSD 發展的一大困境。早期 Waymo 的路測、特斯拉的影子模式均希望通過獲取大量數據從而解決長尾問題。國內廠商毫末智行將數據源類比為 FSD 模式的唯一自變量，堅持大模型數據處理是 FSD發展之關鍵。Momenta 在其公眾號上也表示 L4 要實現規?；慨a，至少要達到人類司機的安全水平，

35、需要至少千億公里的測試，才能解決百萬長尾問題。圖圖 20 行車長尾場景罕見卻無法忽視行車長尾場景罕見卻無法忽視 資料來源：Momenta 官網、招商證券 Transformer+多模態多模態+大模型（端到端），或能夠成為自動駕駛的終極解決方案。大模型（端到端），或能夠成為自動駕駛的終極解決方案。多模態實現了音頻+視頻+圖像等多種數據的交互，Transformer 的 attention 機制或能夠在多種形態的信息中更好的找到其中數據互相之間的關聯，生成更好的駕駛指令。我們認為，由于涌現現象的存在（涌現指的是當一個 ai 模型被訓練的足夠多時，其性能會突然指數級的提高），Transformer+

36、多模態+大模型（端到端）若是訓練的足夠多，或許有成為終極智能駕駛解決方案的潛力，解決長尾問題。敬請閱讀末頁的重要說明 17 行業聯合報告 圖圖 21 人工智能算法的涌現效應人工智能算法的涌現效應 資料來源：京東云、招商證券 二、二、新技術發展，新技術發展，TSN 推動端到端落地推動端到端落地 1、TSN：具有確定性時延以及多協議傳輸能力：具有確定性時延以及多協議傳輸能力 時間敏感網絡時間敏感網絡(Time Sensitive Networking，TSN)，是基于標準以太網架構演是基于標準以太網架構演進的新一代網絡技術進的新一代網絡技術，它，它以傳統以太網為網絡基礎，通過時鐘同步、數據調度、以

37、傳統以太網為網絡基礎，通過時鐘同步、數據調度、網絡配置等機制，提供確定性數據傳輸能力的數據鏈路層協議規范。網絡配置等機制，提供確定性數據傳輸能力的數據鏈路層協議規范。與傳統以太網相比，TSN 能夠提供微秒級確定性服務，降低整個通信網絡復雜度，實現信息技術(IT)與運營技術(OT)融合，其具有精準的時鐘同步能力、確定性流量調度能力，以及智能開放的運維管理架構，可以保證多種業務流量的共網高質量傳輸，兼具性能及成本優勢，是未來網絡的發展趨勢。圖圖 22 TSN、AVB 與傳統以太網與傳統以太網 資料來源：北匯信息、招商證券 敬請閱讀末頁的重要說明 18 行業聯合報告 TSN 的出現的出現主要解決主要

38、解決了五了五大問題大問題 1）流量傳輸不確定性：）流量傳輸不確定性：傳統以太網采用“盡力而為”的傳輸方式，導致其在傳輸數據的延時波動較大，且具有極高的不確定性，與商業互聯網領域對網絡擁堵的態度不同，工業、汽車醫療等領域一旦出現嚴重網絡問題則有可能導致致命后果或巨大經濟損失，因此上述等領域對網絡卡頓、延時容忍度極低，TSN 的出現為解決上述領域的應用問題提供了可行的解決方案，并衍生出了多種協議，為工業、車載等領域提供了多樣的選擇。2）時間同步：）時間同步：具有精準的時鐘同步能力在對時間敏感的領域有廣闊的應用空間。3）通信協議不統一：）通信協議不統一：在網絡架構中通常不同的設備會使用不同的通信協議

39、，而不同的通信協議之間難以實現直接的互聯互通，TSN 旨在提升以太網的性能，使其更具備確定性、魯棒性、可靠性，通過 IEEE802 網絡保證數據包的延遲、抖動、丟包，實現不同設備產生的數據流量的統一承載。4）網絡的動態配置網絡的動態配置：大多數網絡的配置需要在網絡停止運行期間進行，這對于工業控制等應用來說難以實現。TSN 通過 IEEE 802.1Qcc 引入集中網絡控制器（centr alized network configuration，CNC）和集中用戶控制器（centralized user configuration，CUC）來實現網絡的動態配置，在網絡運行時靈活地配置新的設備和數

40、據流。5）安全安全：TSN 利用 IEEE 802.1Qci 對輸入交換機的數據進行篩選和管控，對不符合規范的數據幀進行阻攔，能及時隔斷外來入侵數據，實時保護網絡的安全，也能與其他安全協議協同使用，進一步提升網絡的安全性能。2、TSN 發展歷史：不斷提高確定性發展歷史：不斷提高確定性 時間敏感網絡時間敏感網絡（TSN），工業、車載互聯等領域實現低延時、高確定性的信息傳工業、車載互聯等領域實現低延時、高確定性的信息傳輸方法之一。輸方法之一。TSN 技術發展主要經歷了三個階段：1）傳統以太網階段傳統以太網階段 以太網最早于上世紀 80 年代開始被逐漸引入辦公領域，并由于 10Mbps 的高吞吐量而

41、迅速實現普及。以太網使用串行方式傳輸數據，帶寬有多個設備共享，采用“Best Effort”的轉發機制也使得在以太網在處理數據轉發工作時采用盡可能發送更多的數據而并不考慮數據的優先級，在大量數據需要轉發時會導致網絡擁堵，從本質上缺乏確定性和實時性，雖然傳統二層網絡已經引入了優先級機制，三層網絡也已內置了服務質量（quality of service，QoS）機制，但實時流量和傳統 TCP 流量的資源競爭導致時延和抖動過多，致使傳統的以太網不能滿足實時數據的傳輸需求。敬請閱讀末頁的重要說明 19 行業聯合報告 圖圖 23 傳統以太網數據幀傳輸隨時間分布圖傳統以太網數據幀傳輸隨時間分布圖 資料來源

42、：北匯信息、招商證券 2）AVB 階段階段 與傳統以太網相比，與傳統以太網相比，AVB 擁有確定性延時的優勢。擁有確定性延時的優勢。AVB 全稱音視頻橋接技術，一般用于汽車多媒體設備之間的信息傳輸。AVB 工作組致力于解決音頻視頻數據在以太網介質上傳輸時的時延較高、抖動較大、傳輸不確定等問題。由于多媒體應用場景下視頻與音頻、字幕等信息有較高的時間同步要求，因此傳統的以太網在音視頻應用場景下有較高的不確定性。AVB 在以太網的基礎上通過引入傳輸時間策略，保證了各項數據上的時間上的同步。圖圖 24 ISO OSI 七層模型（綠色和橘色為七層模型（綠色和橘色為 AVB 所在位置）所在位置）資料來源：

43、積木家智能科技、招商證券 3）TSN 階段階段 工業與汽車領域對實時以太網的需求快速增長刺激工業與汽車領域對實時以太網的需求快速增長刺激 TSN 技術的發展。技術的發展。美國汽車工程師協會以 TTEthernet 為基礎推出了 AS6802 標準，該標準將傳統以太網“Best Effort”傳輸方式所具備的靈活性與時間敏感的實時性、確定性等特點相結合，具有支持不同類型的應用的能力。IEEE 受到 AS6802 標準推出的刺激，在 2012 年正式將 AVB 任務組改名為 TSN 工作組，在原 AVB技術的基礎上繼續針對車載、專業音頻、工業自動化以及移動通信等領域進行了實時通信、時鐘同步、低延時

44、、高質量的信息傳輸進行了一系列的開發。敬請閱讀末頁的重要說明 20 行業聯合報告 詳細來講，TSN 具有以下目標：針對交換網絡的報文時延得到保障；時間敏感數據流和非時間敏感數據流可以混合傳輸，并且非時間敏感數據流的傳輸不會影響時間敏感數據流的傳輸時延；多種高層協議可以共享網絡基礎設施，即多種協議的負載可以同時在網絡中傳輸；網絡錯誤可以通過在源頭獲得精確的信息，從而快速地確診和修復。圖圖 25 TSN 網絡的組成元素網絡的組成元素 資料來源：SDNLAB、招商證券 圖圖 26 TSN 有著確定性的時延有著確定性的時延 資料來源：北匯信息、招商證券 當前當前 TSN 已逐漸發展成為了被行業組織認證

45、的廣泛使用的標準。已逐漸發展成為了被行業組織認證的廣泛使用的標準。當前國內外已經有眾多組織以及企業在積極推動 TSN 的發展，包括 ABB、B&R、Bosch Rexroth、CISCO、GE、NI、KUKA、Parker、Phoenix、Schneider、SEW、TTTech 等主流的自動化與 IT 廠商以及 EPSG、CC-Link 等協會也在積極參與 TSN 網絡的發展。敬請閱讀末頁的重要說明 21 行業聯合報告 圖圖 27 宣布支持宣布支持 TSN 網絡的組織（部分）網絡的組織（部分）資料來源：羅克韋爾、招商證券 三、三、TSN 在車載領域應用趨勢明顯在車載領域應用趨勢明顯 1、車載

46、：車載：TSN 為自動駕駛提供網絡時效性以及安全性保障為自動駕駛提供網絡時效性以及安全性保障（1）傳統汽車網絡架構能實現的功能有限）傳統汽車網絡架構能實現的功能有限 汽車智能化大勢所趨，網絡架構升級已迫在眉睫。汽車智能化大勢所趨，網絡架構升級已迫在眉睫。近年來隨著信息技術的不斷進步和發展，智能交通、車聯網、自動駕駛等先進技術逐漸發展。汽車中的車載電子系統的作用越來越重要。例如現在廣受關注的 ADAS 統需要進行大量的數據傳輸和處理。ADAS 系統通過各種各樣安裝在汽車上的傳感器，不斷分析車內外的駕駛環境，在汽車行駛時收集數據并對其進行分析，從而實現車輛的緊急制動，避免駕駛中發生意外碰撞、偏離車

47、道等情況，也能夠實現輔助倒車、自適應巡航和駕駛員疲勞探測等功能。這些功能對車載網絡數據傳輸的質量有著嚴格的要求。在傳統網絡架構中，車內 ECU 透過內聯網及中央網關連接來在不同子網間傳輸數據，雖然也具有 ECU 以及中央網關等部件，但功能較單一，主要作為信息傳送、數據轉換的通道，并未設計成適合數據處理的結構。圖圖 28 傳統車載網絡架構傳統車載網絡架構 資料來源：北匯信息、招商證券 傳統的車載網絡技術有傳統的車載網絡技術有 CAN 總線、總線、LIN、FlexRay、MOST 等。等。CAN 總線主要 敬請閱讀末頁的重要說明 22 行業聯合報告 用于汽車的剎車、引擎和懸掛等系統；LIN 用于燈

48、光、車門和遙控等系統；FlexRay主要負責引擎控制、ABS、懸掛等；而 MOST 是車載多媒體的首選協議。隨著汽車電子的發展，這些車載網絡所存在的不兼容、帶寬小、高延遲和抖動等缺點逐漸突顯。（2）汽車智能化時代開啟，引入車載）汽車智能化時代開啟，引入車載 TSN 已成剛需已成剛需 汽車朝著自動駕駛的方向發展，大量精密的傳感器被融合進系統之中，產生了新應用場景 如 GPS 坐標和當前道路狀況及發動機的控制器進行信息交互、大燈的亮度可隨周圍環境的變化而變化以節約能源等。日益增加的高帶寬、低時延、可跨域通信和安全性的網絡需求使得傳統車載網絡架構已難以滿足汽車智能化時代的網絡需求，主要體現在：a)數

49、據傳輸量的急劇上升數據傳輸量的急劇上升。隨著新興的車載需求不斷提升尤其是自動駕駛技術的不斷進步，車載數據傳輸量將會出現指數級上升。據北匯信息估算，一輛自動駕駛的汽車每小時產生的數據量有望高達 4TB，傳統汽車網絡架構已經難以滿足自動駕駛時代汽車的數據傳輸需求。b)時效性要求的提高以及時間同步需求的上升。時效性要求的提高以及時間同步需求的上升。自動駕駛系統對于數據由簡單的傳輸已經升級成為需要實時高效的處理，這對車載網絡架構提出了新的要求。除此之外，為保證數據處理的準確性，自動駕駛對于數據之間的時間同步也有較高要求，傳統汽車網絡無法滿足此類需求。c)高度自動駕駛下的安全性保障。高度自動駕駛下的安全

50、性保障。自動駕駛系統對于網絡堵塞、延遲等容忍度極低（一旦出現問題對于乘客來說大概率是致命性后果），因此從安全性的角度出發，設置充足的冗余網絡也是汽車智能化時代中自動駕駛的必要要求。傳統車載網絡對時延不保證，也不具備設置冗余的結構。d)網絡安全保障。網絡安全保障。由于新一代智能汽車與互聯網將會產生連接，因此必須考慮在網絡攻擊以及單點功能失效造成的流量過載等因素對于汽車行駛安全的威脅。圖圖 29 智能駕駛系統設計的傳感器多且數據量大智能駕駛系統設計的傳感器多且數據量大 資料來源：SmartAuto，招商證券 我們認為我們認為 TSN 將會是上述問題的最佳解決方案。將會是上述問題的最佳解決方案。智能

51、駕駛領域的發展不斷引領車載網絡架構不斷發生變革，當前整車廠的設計方案通常傾向于將車輛按照不同 敬請閱讀末頁的重要說明 23 行業聯合報告 的功能劃分不同的域，整合域中部分功能相近 ECU 的功能在域控制器下來管理，形成 Domain Architecture，例如：ADAS、車載娛樂、車身控制、動力傳動等域，而 TSN 網絡則是對這種設計架構提供了有力保障，設想其將具備高速 IP 網絡連接、智能自動駕駛員輔助/制動系統、信息娛樂門戶、簡化的內部線束及更輕的總重量。圖圖 30 Domain Architecture 資料來源：北匯信息、招商證券 （3）TSN 方案有望逐漸被各大車企采用方案有望逐

52、漸被各大車企采用 TSN 是是 FSD 網絡時效性以及安全屬性問題的最佳解決方案網絡時效性以及安全屬性問題的最佳解決方案。智能駕駛的飛速發展是車載網絡亟需變革調試的必然原因，目前整車廠的設計方案更加傾向于將智能汽車依照功能特性進而劃分為相應域，整合域中部分功能相近 ECU 的功能在域控制器下一并管理，形成完備的 Domain Architecture，例如：ADAS、車載娛樂、車身控制、動力傳動等域，而 TSN 網絡則是對這種設計架構提供了強有力保障，設想其將具備高速 IP 網絡連接、智能自動駕駛員輔助/制動系統、信息娛樂門戶、簡化的內部線束及更輕的總重量。對于特斯拉而言，對于特斯拉而言，BE

53、V+transformer視角下的視角下的 3D 視頻流數據極大的增加了網路中的流量傳輸，對網絡質量、時延保視頻流數據極大的增加了網路中的流量傳輸，對網絡質量、時延保障的要求大幅提高障的要求大幅提高，未來對，未來對 TSN 網絡解決方案的需求有望逐漸增強。網絡解決方案的需求有望逐漸增強。目前支持 TSN 的車載設備已經開始逐步面市，例如 Marvell 公司所推出的88Q5050 車載以太網交換芯片，是一款 8 端口、高安全性車載千兆以太網交換芯片，能夠對輸入端口的 AVB 流進行監管和限流。博通也推出了 BCM5316x 系列交換芯片，主要的目標市場就是無人車、無人機、機器人和 L3 級別的

54、無人駕駛。敬請閱讀末頁的重要說明 24 行業聯合報告 表表 1：Marvell 車載用交換機芯片特征對比車載用交換機芯片特征對比 產品型號產品型號 特性特性 88Q5072 11 端口安全車載以太網交換機搭載集成式 100BASE-T1 PHY 88Q6113 11 端口車載以太網交換機搭載 TSN 的高級安全性和支持 88Q5050 8 端口以太網千兆比特容量交換機具有 4 個固定 100BASE-T1 端 口，以 及 可 從 1 100BASE-T1、1 100BASE-TX、2 MII/RMII/RGMII、1 GMII 和 1 SGMII 端口中選擇另外四個端口的可配置選擇 88Q50

55、30 5 端口以太網交換機提供 3 個 IEEE 100BASE-T1 端口、1 個 IEEE 100BASE-T1 端口、2 個 MII/RMII/RGMII 或 GMII 端口，以及 1 個 Serdes 或 SGMII 端口 資料來源：萌云 IT 部落、招商證券 四、四、推薦標的推薦標的 1、三旺通信（三旺通信（688618.SH）高度重視科技研發創新投入，高度重視科技研發創新投入，TSN 等新技術布局成效顯現。等新技術布局成效顯現。三旺通信高度重視科研，積極布局工業無線、TSN 等新技術。以 TSN 技術為例，TSN 技術不僅會使交換機溢價 20%-25%，且會帶來其他相關工業通信產品

56、的更新升級空間。全球 TSN 市場預計將從 2021 年的 1.34 億美元增長到 2026 年的 11.88 億美元，CAGR 高達 54.7%。目前公司 TSN 產品已在煤炭、軌道交通等領域實現了早期合作，積累先發優勢，有望在 TSN 推動的設備更新換代潮中受益。2021 年公司完成年公司完成 TSN 與與 Hass 平臺開發，平臺開發，22 年年開始開始陸陸續續有訂單落地。陸陸續續有訂單落地。TSN為工業組網與汽車車身局域網的主流技術方向，第三方預測未來增長 50%，目前各大工控廠商系數入局，汽車廠商逐步入局。Hass 平臺為公司業務模式的重大突破，會從產品型過度到解決方案型，單體價值量

57、可擴大 10 倍。今年預計在工業領域會率先突破，后續可關注公司業務進展。2、東土科技（東土科技（300353.SZ）發布我國首款發布我國首款 TSN 芯片，引領芯片，引領 TSN 國產化進程。國產化進程。TSN 未來在工業、汽車等領域應用趨勢明顯，世界半導體大廠已經積極投入到了 TSN 芯片的研發中，恩智浦（NXP）、亞德諾半導體等世界半導體大廠都推出了自身的 TSN 芯片解決方案。在國產方面，東土科技推出了中國首款 TSN 時間敏感網絡芯片并獲準商用，在未來有望打破 TSN 芯片領域歐美壟斷的市場格局，對于我國的 TSN 國產化具有重要意義。3、當虹科技（當虹科技（688039.SH）公司聚

58、焦車載智能娛樂座艙方向，為車企提供沉浸式座艙解決方案及座艙氛圍營公司聚焦車載智能娛樂座艙方向，為車企提供沉浸式座艙解決方案及座艙氛圍營造體驗。造體驗。公司在智能網聯汽車客戶中已完成多家車企定點,包括比亞迪,吉利,奔馳,保時捷,蔚來,上汽,高合等多家國內外知名車企。收費模式包括：技術開發費、License 收費等多種模式。從公司目前簽署車企情況來看，下半年陸續開始量產。敬請閱讀末頁的重要說明 25 行業聯合報告 4、菲菱科菲菱科思（思（301191.SZ）公司結合自身通信電子行業經驗，緊抓汽車新能源、智能網聯轉型機遇。公司結合自身通信電子行業經驗，緊抓汽車新能源、智能網聯轉型機遇。公司與安徽國煒

59、新能源共同出資設立菲菱國煒，進一步加快公司在汽車電子產品方面的落地，發展公司新業務增長點，目前公司汽車產品線重要組織已搭建完成。公司具備網絡通信、數據交互和信息安全管理等通信技術開發能力，對網絡通信協議理解和應用擁有較好的專業化水平。公司積極推進汽車電子智能管理解決方案終汽車電子智能管理解決方案終端網絡交換機和汽車域控制器網關端網絡交換機和汽車域控制器網關等在汽車數據安全控制領域相關的產品。5、德賽西威（德賽西威（002920.SZ）公司積累深厚，智能座艙、智能駕駛、智能網聯產品線不斷拓展，已成龍頭公司公司積累深厚，智能座艙、智能駕駛、智能網聯產品線不斷拓展，已成龍頭公司并保持較高的研發投入。

60、并保持較高的研發投入。公司前身為中歐電子工業有限公司，擁有外資基因但立足國內，在發展的過程中公司不斷根據市場需求而調整產品線，目前已經形成智能座艙、智能駕駛、智能網聯三大產品線。2022 年公司研發投入 16.6 億元，公司產品線布局全面并且都擁有一定的規模體量，研發投入有望產生效益并可在未來支撐公司的不斷成長。6、伯特利（伯特利（603596.SH）公司是智能化執行部件線控底盤核心公司是智能化執行部件線控底盤核心潛在潛在供應商。供應商。線控底盤核心構成為：線控制動、線控轉向、空氣懸架；線控制動：2022 年出貨 30 多萬套，預計今年出貨超過 100 萬套，第二代產品今年量產，EMB 正在研

61、發過程中，預計 26 年上車量產。線控轉向：EPS 2022 年出貨 50 多萬套，預計今年出貨超過 70 萬套，并且完成DP-EPS 和 R-EPS 開發，三到四年內完成線控轉向的開發。公司是國內線控制動龍頭企業，技術及產業化進程遙遙領先國內對手。表表 2：以太網具有高寬帶、低成本優勢以太網具有高寬帶、低成本優勢 總線技術相總線技術相 以太網以太網 CAN CANFD FlexRay MOST LIN LVDS 最高寬帶 100Mbit/s 1Mbit/s 5Mbit/s 20Mbit/s 150Mbit/s 20Mbit/s 1Gbit/s 網絡長度 15m 40m 40m 24m 128

62、0m 40m/傳輸介質 非屏蔽雙絞 非屏蔽雙絞 非屏蔽雙絞線 非屏蔽雙絞 光纖 UTP 單線 屏蔽雙絞線 成本 低 低 低 高 高 低 高 資料來源：中國汽車工業信息網、招商證券 五、五、風險提示風險提示 端到端的黑盒問題可能是制約其落地的重要因素。端到端的黑盒問題可能是制約其落地的重要因素。在傳統的模塊化架構下，每個模塊各司其職，若是出現問題，工程師可針對出現問題的部分進行優化、debug等操作。但端到端模型是大模型的一種，內部神經網絡極為復雜，難以進行人工調試以及解讀，也就使得端到端模型內部是一個黑箱，工程師并不知道模型為什么得到這個答案，也無法分析其計算過程。因此若是端到端模型出現問題，

63、工程師無法像模塊化架構那樣去進行針對性優化，只能給模型更多的訓練。敬請閱讀末頁的重要說明 26 行業聯合報告 分析師分析師承諾承諾 負責本研究報告的每一位證券分析師，在此申明，本報告清晰、準確地反映了分析師本人的研究觀點。本人薪酬的任何部分過去不曾與、現在不與，未來也將不會與本報告中的具體推薦或觀點直接或間接相關。評級評級說明說明 報告中所涉及的投資評級采用相對評級體系，基于報告發布日后 6-12 個月內公司股價（或行業指數）相對同期當地市場基準指數的市場表現預期。其中，A 股市場以滬深 300 指數為基準；香港市場以恒生指數為基準；美國市場以標普 500指數為基準。具體標準如下：股票股票評級

64、評級 強烈推薦：預期公司股價漲幅超越基準指數 20%以上 增持：預期公司股價漲幅超越基準指數 5-20%之間 中性：預期公司股價變動幅度相對基準指數介于 5%之間 減持：預期公司股價表現弱于基準指數 5%以上 行業評級行業評級 推薦：行業基本面向好，預期行業指數超越基準指數 中性：行業基本面穩定，預期行業指數跟隨基準指數 回避：行業基本面轉弱，預期行業指數弱于基準指數 重要重要聲明聲明 本報告由招商證券股份有限公司（以下簡稱“本公司”）編制。本公司具有中國證監會許可的證券投資咨詢業務資格。本報告基于合法取得的信息，但本公司對這些信息的準確性和完整性不作任何保證。本報告所包含的分析基于各種假設，

65、不同假設可能導致分析結果出現重大不同。報告中的內容和意見僅供參考，并不構成對所述證券買賣的出價，在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議。除法律或規則規定必須承擔的責任外，本公司及其雇員不對使用本報告及其內容所引發的任何直接或間接損失負任何責任。本公司或關聯機構可能會持有報告中所提到的公司所發行的證券頭寸并進行交易，還可能為這些公司提供或爭取提供投資銀行業務服務?？蛻魬斂紤]到本公司可能存在可能影響本報告客觀性的利益沖突。本報告版權歸本公司所有。本公司保留所有權利。未經本公司事先書面許可，任何機構和個人均不得以任何形式翻版、復制、引用或轉載，否則，本公司將保留隨時追究其法律責任的權利。