主机厂智能驾驶水平=算法构建能力*数据培训效率

■感知模块的技术路径已经趋于收敛，自动驾驶已经从创造性行业转向工程行业。在特斯拉的带领下，2022年以来，国内主机厂纷纷跟随特斯拉提出“重感知、轻地图”的技术方案，全球自动驾驶行业感知模块的技术路径从百花齐放走向收敛。我们认为主机厂智能驾驶水平=算法构建能力*数据培训效率。由于技术趋于收敛，国内智能驾驶制造商没有绝对的算法能力优势；相反，数据闭环建设的成熟度和迭代效率仍存在很大差异，因此我们认为当前阶段的数据闭环能力将直接决定主机制造商的智能驾驶水平。此外，主机厂数据闭环的效率将由其工程能力决定，智能驾驶将从创造性行业转向工程行业。以小鹏和华为为代表的国内领先智能驾驶制造商数据闭环系统逐步完善，城市NOA着陆目标已开始集中实现。

■在供给端的驱动下，高级智能驾驶功能进入渗透率快速提升期，预计2024年城市NOA、NOA通勤率将分别达到4.2%和6.9%。在内部卷压力下，预计明年将有更多的主机制造商为了确保车辆综合产品力量没有短板，竞争最激烈的20000-30000价格至少配备通勤NOA功能，一些主机制造商明年也将率先开始大规模推广城市NOA功能，预计将获得差异化的销售红利。在此背景下，我们认为：1）对主机制造商的影响：对于目前尚未完全具备自主研发能力的主机制造商，他们是否能够通过持续的高投资来优先考虑资本丰富度、模型矩阵丰富度、管理效率和技术灵魂。根据这一标准，我们认为理想是最有可能实现自主驾驶自主研发反击的原始设备制造商，而没有上述能力的腰部原始设备制造商将在内部卷压下大量依赖供应商。2)对Tier 1的影响:头部Tier 1.尽可能具备芯片、算法和制造的综合供应能力，从而建立生态系统，降低成本。3)对Tier 2.影响:在终端产品渗透率快速提升阶段，降本需求明显，核心部件本地化是降本的重要思路。当前MCU、连接器、Serdes、以太网物理芯片等轨道主要是外国制造商，近年来国内制造商取得了突破，预计未来将充分受益于国内替代逻辑。

■主机厂能否拥有智能驾驶能力带来的销售红利，中短期技术领先，智能驾驶功能商业化能力。中短期技术领先是决定主机制造商是否有机会获得销售红利的唯一因素：1）目前，智能驾驶制造商模型研发过程快，数据闭环相对完善，城市开放速度明显领先，消费者对此有强烈的感知。2)未来一年:龙头厂商有望统一技术栈，将Max版本能力下放到Pro版本，让非智能驾驶版用户也能体验到高级智能驾驶的功能，从而大大提高智能驾驶功能在自身车型中的普及度，迅速树立“智能驾驶龙头企业”的标签。3)未来两年，头部智能驾驶厂商将率先实现从“能用”到“好用”的飞跃，具有先发优势。从长远来看，如果没有新的技术替代，迭代用户对智能驾驶功能差距的感觉就会减少边际。当时，技术的先进性不再是唯一的考虑因素。定价、营销、人机交互体验等方面将是影响用户智能驾驶功能粘性的重要因素。

■相关目标:关注主机厂(小鹏汽车、理想汽车、赛力斯)，预计中短期内凭借智能驾驶带来销售红利。；关注具有综合交付能力的Tier 1(德赛西威)；关注受益于国产替代逻辑的tier (电连技术，裕太微，龙迅股份)。

■风险因素：技术进步低于预期；商业化进步低于预期。

目录

写在前面

三年前，汽车行业提出了“软件定义汽车”、“计算力军备竞赛”和“E/E架构集中化等口号本质上代表了智能背景下汽车制造的核心Know-how从传统机械件转移到软件和芯片领域。相应地，以计算芯片、底层软件、算法、域控制器等为代表的新轨道应运而生。同时，由于国内互联网和手机行业的蓬勃发展，它为自动驾驶轨道奠定了高质量的人才基础，在短时间内涌入了大量Tier1/0.5初创企业和汽车制造新力量。三年前，自动驾驶行业的商业着陆模式和技术路线存在重大差异。以小马志兴、文远知行为为代表的L4企业倡导高举高打的“跨越式”着陆模式，认为自动驾驶的最佳着陆场景是Robotaxi；相反，以特斯拉为代表的造车新势力认为，自动驾驶的落地方式应以“渐进式”为主，也就是说，落地场景从L2逐渐过渡到L2+/L3，最终实现L4。同时，多传感器融合与纯视觉路线在技术路线上也存在较大争议。同时，从技术路线的角度来看，多传感器集成和纯视觉路线也存在较大的争议。国内公司提倡通过携带激光雷达、毫米波雷达、摄像头等方式提高自行车的感知能力，实现快速大规模生产；特斯拉、米莉等公司坚定地走纯视觉路线，专注于视觉算法的开发和迭代。

三年后的今天，我们看到上述落地方式和技术路线的差异逐渐开始趋同。首先，从着陆方式的角度来看，经过近几年的迭代，虽然一些L4赛道的玩家已经开始在全国各地的示范区初步着陆，但由于成本、法律法规等因素，罗伯塔xi的大规模商业化还很遥远。相反，以蔚小理为代表的汽车制造新势力已经开始大规模推动通勤NOA、城市NOA等L2+功能。从前，一些专门从事L4轨道的玩家已经开始参与L2+解决方案业务，自动驾驶的着陆模式已经收敛到以“渐进”为核心，典型的包括高级智能驾驶算法开始提供奇瑞星途星时代ES，Momenta开始提供上汽智能自己的感知算法等。此外，从技术路线来看，特斯拉在20-22年内相继提出 “BEV+Transformer”、“Occupancy北美FSD成功验证了新的视觉算法技术架构的可行性。自今年年初以来，国内原始设备制造商也开始效仿特斯拉的技术路线，重建自己的感知架构，自动驾驶感知算法率先开始趋同。

面对行业技术和模式的重大变化，本文还重新思考了整个行业的研究框架，如“在技术路线统一的背景下，如何判断主机厂的自动驾驶能力？””、“站在今天的时候，自动驾驶Tier1的核心竞争力有哪些变化？“在行业以价换量、加速渗透的趋势下，哪些部件充分受益？”等等。希望在日新月异的自动驾驶行业中找到确定性的机会。

1

观点一:自动驾驶从创造型行业向工程型行业迈向

1.1. 原因：在特斯拉的领导下，感知模块的技术路径逐渐趋同，BEV到Occupancy的感知算法迭代路径已成为行业共识

2020年左右，国内龙头厂商陆续以高精度地图+小模型的方式实施了高速NOA功能。然而，随着智能驾驶从高速到城市的发展，场景的复杂性大大提高，感知环节主要面临两大问题:

（1） 对高精度地图的强烈依赖：在自动驾驶功能着陆过程中，自行车对周围环境的实时感知越弱，对地图等先验信息的精度要求就越高，反之亦然。此前，国内外主机厂主要通过CNN等传统小模型+后融合技术实时感知自行车，但面对城市等复杂场景，最终感知的准确性难以满足后续规划和决策的要求。所以，在实际着陆过程中，主机厂必须依靠高精度的地图来获得足够的先验信息来帮助完成环境感知。但高精度地图覆盖面有限，更新频率低，迭代成本高，仍不能有效满足城市NOA大规模推广的要求。

（2）异形障碍物识别率低：高速场景中障碍物种类有限，可通过传统的小模型方法有效识别。然而，使用小模型检测障碍物的基本原理是“穷举法”。在城市场景中，异形障碍物更加复杂和多样化。一旦出现未标注的异形物体，如翻车白色卡车/翻车容器，将导致频繁接管，影响城市NOA功能体验。

2020-2022年，特斯拉在北美提出并成功验证“BEV+Occupancy“这种新的感知架构有效地突破了上述两个限制城市NOA规模推广的问题。其中，BEV鸟瞰图解决了在城市NOA功能过程中强烈依赖高精度地图的问题。2021年AI DAY，特斯拉提出了以Transformer为主要网络的BEV空间建设模式，即通过Transformer模型将多视角图像信息重建到向量空间，在大模型的支持下，向量空间具有更高的环境感知精度，从而减少对高精度地图的依赖。Occupancy是2D 在BEV的基础上，增强对物体高度信息的感知，有效解决异形障碍物识别问题。Occupancy占用网络的核心理念是将三维空间划分为无数的小立方体。面对障碍物，“不再考虑物体是什么，只考虑相应区域的小立方体是否被占用”，以确保即使在面对异形障碍物时无法识别其具体类别，至少车辆可以根据物体的大小完成避障操作。（BEV+Occupancy模型的具体原理可参考我们之前发布的报告《AI大模型在高级自动驾驶中的应用》)。

在特斯拉技术创新的指导下，自2022年以来，国内原始设备制造商也开始效仿其技术路径，重建自己的感知架构，并提出了“重感知、轻地图”的技术解决方案。全球自动驾驶行业感知模块的技术路径从百花齐放走向收敛。然而，应该注意的是，即使在新的感知架构的支持下，智能驾驶系统仍然不能像人类那样依赖普通导航地图。目前，它只是减少了对高精度地图的依赖，而不是完全放弃使用任何形式的地图。与普通导航地图相比，高精度地图中包含的增量信息可分为两类，一类是高精度道路几何数据（如道路宽度、路线曲率半径等）。一些智能驾驶制造商可以通过BEV实时感知；另一种是道路拓扑结构（如车道之间的连接关系、交叉口红绿灯和相应车道的绑定等）。智能驾驶制造商暂时不能仅仅通过BEV网络结构来填补上述信息。因此，在实际着陆过程中，各厂商仍会根据自身的感知能力水平，选择不同类型的地图进行辅助。可分为以下三种类型：

(1)具有地图资质的厂家可以通过量产车收集的数据构建众包地图，然后通过神经网络或rule构建众包地图 based补充道路拓扑信息的方法。例如，在北美众包地图的基础上，特斯拉FSD构建了矢量地图Lanes Network模型预测车道连接关系，以补充智能驾驶控制所需的道路拓扑信息。在网络架构方面，矢量地图模型将来自感知网络的视觉特征信息和众包地图的信息整合到语义模块中。语义模型将编码来自视觉模块和地图模块的所有信息，类似于语言模型中的单词代码，然后通过序列自回归预测节点的位置、属性和连接关系。如果自动驾驶制造商没有能力通过神经网络预测道路拓扑，他们也可以通过规则来补充道路拓扑结构。

(2)直接使用图商的“轻高精度地图”产品。高精度地图中包含的要素信息的数量和精度介于高精度地图中（HD Map）以及普通导航地图（SD Map）之间。与高精度地图相比，几何信息元素主要减少，精度放松，但保留了重要的逻辑拓扑结构信息，这与车辆端的实时在线感知信息正确好互补。特别是在复杂的驾驶场景中，如复杂的十字路口、道路分歧和合流，轻、高精度地图可以为后续的规划和决策提供重要的信息。同时，“轻高精度地图”不同于传统的高精度地图生产工艺，更新频率大大提高。基于众源数据的轻高精度地图可以实现天级更新；传统的高精度地图只能根据专业的激光雷达车辆收集点云数据进行季度更新。例如，高德于23年6月发布的HQ LIVE MAP，可在城市场景中提供全球逻辑元素（包括车道拓扑和属性信息、红绿灯、交通监管信息）和复杂场景中的一些几何信息（如十字路口、车道变化点等场景），相对精度降低到亚米级。同时，借助生态内网车、物流车、工业车、调度车的众源数据系统，高德可以实现天级更新。2023年高德HQ LIVE MAP城市场景覆盖50个城市，预计2024年将达到100个+城市。

（3） 基于普通导航地图，叠加特征层，实现类“众包地图”的效果。汽车公司通过大规模生产汽车提取和返回复杂交叉口的道路拓扑结构的特征，并将特征层与SD拼接 Map做一层融合形成的“众包地图”，然后下发到车端。当车辆再次经过这个十字路口时，可以将提取的特性与车端BEV融为一体。同时，如果车端再次通过十字路口，发现与存储特征相比发生了变化，车端将将新特征返回云更新特征层，以确保地图的新鲜度。汽车公司使用SD Map+特征层模式的根本原因是为了避免对绘制众包地图所需的测绘资格的监督，这相当于严格加密数据，而不涉及存储地理坐标的信息。

1.2. 对主机厂的影响：数据闭环能力将直接决定主机厂的智能驾驶水平和现金度

1.2.1. 数据闭环能力直接决定了主机厂的智能驾驶水平，并对主机厂的工程能力进行了测试

基于神经网络的自动驾驶模型由工程师设置算法框架，然后依靠大量的数据回灌来更新和优化参数。因此，主机厂的智能驾驶水平=算法构建能力*数据培训效率。算法的构建能力取决于模型本身的选择、技术路线等因素，数据培训效率取决于主机厂的数据闭环能力。目前，在特斯拉的领导下，感知技术框架趋于收敛。同时，考虑到神经网络算法的开源性，国内智能驾驶制造商中没有一家具有绝对算法能力优势。相反，目前各主机厂数据闭环建设的成熟度和迭代效率仍存在较大差异。因此，我们认为，目前的数据闭环能力将直接决定主机厂的智能驾驶水平。

具体而言，在完整的数据闭环系统中，根据数据传导的路径可分为以下步骤：

1)原始模型构建:根据初始数据集训练初始版本的神经网络，并在车端部署。

2)数据采集和挖掘:在车端设计triger触发机制，触发机制后完成数据采集，收集到的corner case数据(如神经网络结果不准确、司机接入接管等。)回到云中。记录云中的corner 在case之后，继续挖掘和传输大量类似的数据集或通过模拟获取合成数据。

3)数据标注:标注上述新获得的数据集。

4)训练和部署:重新训练和优化标记的模型，最后在车端重复上述步骤。

此外，主机厂数据闭环的效率将由其工程能力决定。整个数据闭环系统，包括数据采集、数据预处理、标记、模拟、模型部署，都有大量的工程问题需要优化，如：

1)数据回传机制的优化:目前行业内通过量产车收集数据的一般做法是学习特斯拉的影子模式，设计数据回传机制（Trigger)。具体来说，在某人驾驶状态下，智能驾驶系统（包括传感器）仍在运行，但不参与车辆控制，只验证算法——系统算法在“阴影模式”下进行持续模拟决策，并将决策与驾驶员的行为进行比较，一旦两者不一致，场景被判定为“极端条件”，然后触发数据传输。根据Andrej在2021年CVPR上的演讲，特斯拉已经在车端部署了221个数据回传触发器。Trigger的设计应尽可能收集有价值的corner，以提高模型的性能 case，同时，避免收集无效数据；此外，如果同时传输大量数据，可能会受到带宽的限制；数据传输频率和时间的设置也可能影响用户体验。因此，仅数据回传链接就涉及到大量的know-how。

2)数据标记的效率和准确性:在自动驾驶感知从CNN小模型迭代到BEV+Transformer大模型的过程中，对数据标记的需求也从2D标记演变为4D标记。数据标记的准确性和准确性直接决定了智能驾驶模型的上限。在4D标记中，最复杂的是场景多次重建，涉及大量的工程细节：如何对齐多次重建中的单次重建结果；如何保证无激光雷达的大规模生产车辆收集的数据的重建精度等。对于重建后的场景进行4D标记，还需要一个自动标记工具和人工质量检验平台。由于各厂家工具链的改进程度不同，自动标记的效率也不同。

3)硬件部署、软硬件协调问题：由于终端推理芯片的计算能力和带宽与云培训芯片差距较大，需要优化云培训的智能驾驶模型（剪枝、蒸馏等）。领先的龙头厂商对自动驾驶模型进行了大量的算子化，车端模型的运行效率会很高；相反，它可能会浪费芯片的计算能力。因此，即使使用相同的芯片，不同制造商之间的芯片利用率和模型运行效率也存在很大差距。

1.2.2. 国内主机厂数据闭环能力逐步提高，软件版迭代速度明显加快

根据我们在《特斯拉迭代过程智能驾驶算法升级趋势》报告中的分析，特斯拉早在2016年就开始在终端收集大量众包数据。2018年，数据闭环系统初步建立，云计算能力资源、自动化标记、模拟等环节逐步完善。特斯拉完美的数据闭环系统使其极端的模型迭代速度，特斯拉FSD Betav11的发布速度为20天一次，完善的数据闭环系统背后是特斯拉强大的工程能力和云计算能力资源。目前，以小鹏和华为为代表的国内头部智能驾驶制造商的基础设施和数据闭环系统也在逐步完善。自2023年第三季度以来，智能驾驶功能软件版本的迭代速度明显加快。2023年，第四季度主机制造商在年初设定的城市NOA实施目标已开始集中实现。

小鹏：与2022年相比，数据处理效率有了很大提高，未来1024年科技模型发布速度迅速提高。小鹏是新力量中第一家开始建立数据闭环系统和布局云超级计算中心的制造商。2022年8月，小鹏汽车成立了自动驾驶人工智能智能计算中心，由小鹏和阿里巴巴共同投资，拥有0.6E FLOPS计算能力。该中心将自动驾驶算法的模型训练时间提高170倍，未来计算能力提升空间为10~100倍。2023年以来，小鹏数据闭环效率大幅提升。据小鹏2023年1024科技日介绍，小鹏去年每年可以解决1000个corner case，corner今年平均可以解决 case数量增加到2500，整体数据闭环效率提高150%，体现在数据收集、模型培训、部署和模拟整个链的效率提高上。例如，在模拟环节中，基于真实场景的模拟数据可以在2022年实现。今年，它有能力利用人工智能生成极限场景，并将其整合到大量的训练数据中。在这种数据闭环能力的支持下，我们观察到小鹏软件的发布速度显著提高。从23年1024 AI Day后，小鹏向早鸟用户推送了6个版本 Xmart OS 4.4.0先锋版，平均迭代版不到一周。第一批20个城市的无图NGP功能于11月28日正式推送给所有用户。12月13日，新增27个城市无图NGP功能的Xmart推送给早鸟用户 OS 4.5.0先锋版1，预计年底将推送给所有用户。

华为：全栈能力强，软硬件协同效率高，云计算能力资源在国内厂家中排名第一。华为在半导体、通信、移动终端等科技行业积累的工程经验，深度赋能了智能驾驶数据闭环系统。例如，华为是中国唯一一家自主研发云培训芯片和汽车智能驾驶芯片的制造商。因此，华为可以实现真正的软硬件深度协调，对自动驾驶模型进行算子化，提高软硬件的协调效率。2023年9月，余承东在询问M7改款发布会时披露，云计算能力为1.8E FLOPS，每天学习1000万公里的数据，到2023年11月云计算能力已提高到2.8E FLOPS(是国内其他厂商计算能力资源的2-3倍)，每天可学习1200万公里，每五天迭代一次模型。

2.1. 原因:在供应端驱动下，通勤NOA功能有望在20万元以上的价格带车型中标准化

展望2024年，我们认为通勤NOA功能有望以其硬件成本低、落地算法相对简单等优点，在中低价带来成交量。通勤NOA又称记忆驾驶或人工智能驾驶，是指在用户设置的特定路线上，通过车辆学习后，可以实现点对点单一路径的试点辅助驾驶。该功能最早由小鹏在2023年3月媒体G6试驾会上提出，命名为“AI代驾”；随后，理想在家庭科技日也正式宣布了这一功能，被命名为“通勤NOA”，引起了广泛关注。从算法原理的角度来看，通勤NOA算法技术堆栈与城市NOA完全相同，但场景范围大大缩小，通过多次学习同一路线“重建”单一路径的轻量化高精度地图；从硬件成本的角度来看，由于工作条件相对简单可控，算法模型的泛化要求相对较低，然后，相应的芯片计算能力和传感器的需求远低于城市NOA（根据相应功能所需的芯片和传感器配置，城市NOA的成本比高速NOA高出360%，而通勤NOA的成本仅比高速NOA高出60%），例如，基于单个TDA4VH(32Tops)+7个摄像头的硬件配置，大疆的“成行平台”可以实现通勤功能。最后，从实际应用效果来看，高速+通勤NOA可以覆盖用户约85%的出行场景。最后，从实际应用效果来看，高速+通勤NOA可以覆盖约85%的用户旅行场景。因此，对于原始设备制造商来说，在城市NOA功能大规模推广的早期阶段，率先实施通勤模式不仅可以在有限的能力下最大限度地满足用户的需求，还可以逐步培养用户对高级智能驾驶的需求功能使用习惯；同时，也为主机厂后续升级或推广城市NOA功能提供了时间窗口和数据积累。可以看出，在小鹏等主机厂的示范效果下，比亚迪(腾势)、上汽智己、奇瑞、零跑等多家整车厂已将通勤NOA功能推出时间表提上日程。

此外，通勤NOA功能有望率先加快新能源汽车竞争激烈的20-30万价格带的渗透，成为大多数价格带车型的必备项目。近两年来，国内自主品牌在20-30万元的价格带中相继发布了具有竞争力的新能源车型，燃油车份额在优质新能源车型的供应下迅速下降。据乘联数据显示，截至2023年11月，国内20-30万中高端价格带区间内新能源渗透率已超过50%，价格带竞争日趋激烈。在此背景下，今年以来小鹏G6、智能LS6等代表性车型率先将高级智能功能作为价格车型的卖点之一。在内部卷的压力下，我们认为预计明年将有更多的主机制造商在价格带车型中至少配备通勤NOA功能，以确保车辆的综合产品实力没有短板。因此，在2024年，我们有望看到高级自动驾驶功能与2019年的新能源产业相似，供给侧驱动的渗透率迅速提高。此外，一些主机厂明年也将率先开始大规模推广城市NOA功能，预计将获得差异化销售红利（我们将在第三章讨论这一观点）。据我们估计，预计2024年行业整体通勤NOA功能渗透率将从2023年的1.3%提高到6.9%，20-30万价格带车型的渗透率预计将从2023年的1.1%提高到14%。预计2024年城市NOA功能渗透率将从2023年的1.3%提高到4.2%。(计算依据:根据主机厂车型规划、硬件配置、智能驾驶功能落地节奏自下而上计算)