證券研究報告|行業專題報告計算機行業行業評級

強于大市（維持評級）2024年5月13日華福證券智能駕駛專題：NOA快速滲透，建議關注智駕產業鏈機會核心觀點?

智能駕駛持續滲透，NOA加速上車：23年新能源汽車滲透率超30%，智能電動汽車滲透率超60%。

L3測試有序推進，NOA上車加速滲透。NOA功能包括高速場景與城區場景，其功能實現是自動駕駛發展過程中的關鍵節點。2023年成為城市NOA落地“元年”，“基礎L2→高速NOA

→

城區NOA”的功能迭代路線逐漸清晰。配備智駕功能的車企品牌梯次分布，“特斯拉+部分新勢力”領先。“特斯拉+部分新勢力”

堅定自研，傳統大廠“自研+外采”

兩條腿走路。華福證券?

競爭激烈，性能成本系關鍵因素：智駕性能決定開城數量，算法、算力和數據三要素決定智駕性能。NOA功能持續下探，方案成本愈發關鍵。算法方面，“2D直視圖+CNN

→BEV+Transformer→BEV+Transformer

+Occupancy→端到端”為主流迭代路線；智算中心為算力、數據和算法服務的供應和生產平臺。算力方面，SoC芯片階梯分布，英偉達、特斯拉引領中高端算力市場。數據方面，量產車數量、傳感器標準化程度、商業模式為關鍵要素。成本方面，多因素推動高精地圖向輕地圖迭代；純視覺與多模態融合兩條路線并行，數據處理是關鍵；現階段激光不可或缺，業內探尋激光降本方式。?

特斯拉領銜，主要廠商方案巡禮：特斯拉自動駕駛歷經十余年迭代，從探索開荒到自研引領創新。提供零部件、HI和智選車模式賦能車企，主導權依次上升。大疆車載打破高階智駕大算力依賴，主打極致性價比。momenta數據驅動，Mpilot（L2+）+MSD（L4）兩條腿戰略。百度Apollo依托Robotaxi，L4降維推出L2+純視覺方案。毫末智行出自長城汽車，24年城市NOH有望落地百城。總結來看，純視覺方案硬件成本低，高性價比方案價格降至千元級別。24年主機廠銷量目標整體增幅明顯，智駕上車或迎來機遇。?

建議關注：德賽西威、經緯恒潤、光庭信息、中科創達、四維圖新、均勝電子等。?

風險提示：市場需求不及預期，智能駕駛技術發展不及預期，政策發布不及預期2目

錄CONTENTS華福證券0102智能駕駛持續滲透，NOA加速上車競爭激烈，性能成本系關鍵因素03

特斯拉領銜，主要智駕方案巡禮0405投資建議風險提示3華福證券01

智能駕駛持續滲透，NOA加速上車41.1賽道前景：繼電動化之后，智能化有望繼續引領汽車行業變革?

23年新能源汽車滲透率超30%，智能電動汽車滲透率超60%。在新能源汽車帶領中國汽車產業向電動化轉型的同時，更多智能化的功能量產上車，智能電動汽車的滲透率逐年提高。據億歐智庫測算，2022年中國智能電動汽車的銷量已占新能源汽車的51.7%，2023年預計有望達到65.2%。到2025年，在新能源汽車近50%的汽車出行市場滲透率的基礎上，智能電動汽車的銷量將超1220萬輛，占新能源汽車的80.1%。智能電動汽車將是未華福證券來中國車市的中堅力量。圖：2019-2025中國新能源汽車銷量、增長率和滲透率圖：2019-2025中國智能電動汽車銷量、增長率和滲透率5資料：億歐智庫，華福證券研究所1.2政策和市場：L3測試有序推進，NOA上車加速滲透圖：國內L3測試牌照發放情況?

L3測試有序推進：2023年11月，四部委發布《關于開展智能網聯汽車準入和上路通行試序號汽車品牌比亞迪寶馬時間測試地點深圳L3牌照數量點工作的通知》，在智能網聯汽車道路測試與示范應用工作基礎上，四部委遴選具備量產條件的搭載自動駕駛功能的智能網聯汽車產品，開展準入試點；對取得準入的智能網122023年7月2023年12月2023年12月2023年12月2023年12月2023年11月2023年11月2023年12月2024年3月2023年12月1/上海華福證券聯汽車產品，在限定區域內開展上路通行試點。3智己上海/?

NOA上車加速滲透：根據高工智能汽車研究院數據，2023年國內NOA前裝標配滲透率為2.99%，2023年1月、12月單月為分別為1.81%、4.29%。而根據高工智能汽車研究院預測，2024年國內NOA前裝標配滲透率將達到10%。4奔馳北京/5深藍重慶/6阿維塔極狐重慶/7北京/圖：2022-2023年前裝標配NOA滲透率單月變化8問界重慶、深圳/11/9極越10廣汽埃安廣州/圖：常見自動駕駛分級說明6資料：中國政府網，高工智能汽車研究院，車家號，車東西，華福證券研究所1.3行車域智駕功能迭代：基礎L2→高速NOA→城區NOA?

NOA功能包括高速場景與城區場景，其功能實現是自動駕駛發展過程中的關鍵節點。高速NOA功能是在高速公路輔助（HWA）的基礎上配置高精地圖，以實現自動上下匝道功能。城區NOA功能是在部分城市道路按照導航路徑智能輔助駕駛，引導車輛抵達目的地，適用場景通常為城市內的非結構化道路，可實現橫向和縱向的控制，是ACC、LKA、ALC和高精地圖功能的集成。華福證券?

2023年成為城市NOA落地“元年”，“基礎L2→高速NOA

→城區NOA”的功能迭代路線逐漸清晰。汽車行業發展至今，智能化能力已成為各家車企體現技術實力的核心方式，其中智能駕駛的能力至關重要。從最初的包括LKA、ACC等功能在內的基礎L2輔助駕駛，到2022年的高速領航輔助駕駛（高速NOA），到2023年的城市內封閉道路領航輔助駕駛（城區NOA），車企們一直在追逐智駕能力的突破。隨著2023年下半年部分車企城區NOA開城不斷落地，2023年也被稱為城市NOA落地“元年”，而“基礎L2→高速NOA→城區NOA”的功能迭代路線也逐漸清晰。圖：智能駕駛行車功能與配置進階分析模型圖：智駕功能迭代路線行車域智駕對應等級常見智駕功能系統利用安裝在車輛上的傳感、通信、決策及執行等裝置，實現輔助駕駛功能，包括基礎L2級

LKA(車道保持輔助)、AEB(自動急制動)、ACC(自適應巡航)、LCC(車道居中輔助)、ALC(自動變道輔助)、HWA(高速駕駛輔助)等。系統利用安裝在車輛上的傳感、通信、決策及執行等裝置，在高速高架、環路、城市快速路等封閉或半封閉場景下實現智能駕駛，實現功能包括自主上下匝道、主動變道、主動超車等。高速NOA城區NOA系統利用安裝在車輛上的傳感、通信、決策及執行等裝置，在城市開放路況下實現智能駕駛，可以實現無保護左轉、無保護掉頭、識別交通信號燈、主動變道、主動超車等功能，能夠自主處理各類城市路況，能夠處理日常交通場景中的車與車、車與人、車與其他交通參與要素交互。7資料：億歐智庫，量子位智庫，華福證券研究所1.4泊車域智駕功能迭代：APA→RPA→HPA→AVP圖：自動泊車系統發展歷程?

泊車域智駕功能迭代大致分為四個階段。根據泊車時人為的參與程度，智能泊車發展分為自動泊APA、遙控泊車RPA、記憶泊車HPA、自主代客泊車AVP四個階段，分別對應L2-L4級別的低速自動駕駛。AVP是智能泊車發展的最終方華福證券案，也有望成為最早商業落地的L4級自動駕駛。?

泊車域產品不及行車域產品挑戰難度大。泊車場景可以視為AI司機能力在相對簡單環境、低速場景的應用，整體上是AI司機行車能力的降維釋放。所以不論是?前業內共識，還是技術開發現狀，泊車域產品不及行車域產品挑戰難度大，泊車域不重點論述。圖：常見智能泊車功能介紹智能泊車功能介紹自動泊車系統APA可以對車輛進行橫向和縱向控制，同時需要駕駛員在車內對車輛進行監控和有效接管，屬于L2級泊車輔助系統，主要有純超聲波+攝像頭視覺融合兩種方案，其中視覺融合方案FAPA約占70%，是目前市場上主流的自動泊車方案。和超聲波APA遙控泊車RPA在FAPA基礎上增加了遙控的部分，車主可以在車外一定的視野范圍內，通過手機APP或者遙控鑰匙控制車輛泊入/泊出、直進/直出等自動召喚或泊車功能，適用于狹窄停車位。RPA搭載率僅次于APA，隨著車機手機互聯的普及，其搭載量將快速提升。RPAHPA記憶泊車HPA在FAPA基礎上可以更遠的距離和更復雜的環境中自主泊入/泊出。HPA不需高精地圖，利用車身傳感器學習、記錄并儲存泊車路徑，再次經過時系統將復現該路徑，代替駕駛員完成一段距離的低速駕駛和泊車。HPA適用于高頻、高重復性的泊車行為，如家庭私人車位、單位固定停車場等。HPA自2022年開始逐漸少量上車，如小鵬P5、2023款KiWiEV等。自主代客泊車AVP屬于L4級別的自動駕駛，目前有單車智能、場端智能、車場協同三種技術路線，長遠看車場協同為最優路線，將成為自主代客泊車的最終方案。AVP目前整體處于示范、測試階段，相關技術待突破，供應商較少，單車智能方案以百度為代表，場端智能方案以博世為代表（已在德國少量停車場實現商業運AVP營），車場協同方案以為代表。目前搭載AVP的車型極少，完整功能尚待釋放，代表車型有2023年的奔馳S級和EQS、廣汽AIONVPLUS、極狐αSHI版等。8資料：量子位智庫，蓋世汽車，AI汽車制造業，華福證券研究所1.5智駕功能落地：技術能力梯次分布，“自研+外采+混合”共存?

配備智駕功能的車企品牌梯次分布，“特斯拉+部分新勢力”領先。根據我們的研究發現，國內量產車智能駕駛產品的實現以L2級智能駕駛為「主流」和「起步」。以此為依據，我們將國內智能駕駛格局劃分為：正當代、次世代及領先?代。同時，?部分傳統車廠未完全實現基礎L2級功能，在當今格局下，已成為落后?代。華福證券?

“特斯拉+部分新勢力”

堅定自研，傳統大廠“自研+外采”

兩條腿走路。從智能駕駛產品提供方的角度，領先?代和次世代的玩家又可以分為自研派、供應商派和冗余派。冗余派的意思是車企既會采用和供應商合作的方案，又擁有自研團隊，研發智能駕駛產品。以比亞迪為例，比亞迪會把智能駕駛能力切成不同功能點，比如泊車、行車都是單獨功能。單功能的某個配置會成為一個單獨招標項目，最后篩選

A點、B點兩家供應商讓其同時開發。部分供應商有軟硬一體方案，如大疆車載和禾多還提供域控制器或傳感器，但比亞迪可能會考慮其他選擇，如只采購大疆車載的軟件，再委托大疆在選擇的域控制器上做優化。眾多供應商會帶來更大的溝通與協調成本，但未來替換供應商也更容易，背后意圖或指向自研。圖：智駕技術能力可分為三級圖：智駕提供模式包括自研、外采、混合三種9資料：量子位智庫，晚點Auto，華福證券研究所華福證券02

競爭激烈，性能成本系關鍵因素102.1智駕方案競爭優勢：性能和成本為關鍵影響因素?

智駕性能：智駕性能決定開城數量，算法、算力和數據三要素決定智駕性能。智能駕駛是AI能力在量產車駕駛上的實現，AI性能取決于三大因素：算法，算力和數據。算法方面業內趨于?致，開始實現BEV+Transformer大一統；算力層次相對分明。而在智能駕駛場景中，數據是AI模型不斷迭代優化的關鍵因素。華福證券?

智駕成本：NOA功能持續下探，方案成本愈發關鍵。智駕正成為越來越多消費者購車的主要考慮因素。小鵬G6智駕版本的訂購比例超70%，問界新M7的10萬輛大定中，智駕版本的訂購率達到了60%。而新能源車價格競爭背后實則是成本競爭，結合目前的消費者認知和市場趨勢，車企需要不遺余力地控制成本并提升智能駕駛能力。消費者追求的始終是具有性價比的高性能產品，車企如果為了降本而將智駕軟硬件進行減配或改為選裝，實際上是削弱了自家車型的競爭力。而那些全面搭載智駕方案，還能給到消費者一個大幅度降價的車企，在市場上保持較強競爭力。圖：各玩家城市NOA進展圖：各玩家城市NOA進展11資料：汽車商業評論，蓋世汽車，夜半談，量子位智庫，華福證券研究所2.2算法：BEV+Transformer算法為主流趨勢，優勢在于全局視野算法迭代：2D直視圖+CNN

→BEV+Transformer→BEV+Transformer

+Occupancy→端到端圖：BEV感知框架與傳揚圖像空間感知框架區別?

傳統“2D

直視圖+CNN”感知框架：路況感知信號由相機收集到的2D圖像和收集到的3D圖像組成，不同感知結果通過

CNN（卷積神經網絡）進行后融合，通過大華福證券量計算統一升維到3D狀態下車機行駛的坐標系。不夠精確、難以預測：1）畫面遮擋部分難以預測，矩形框標注損失細節；2）高度或深度方面認知存在誤差，坡度影響難以準確預測；

3）感知與預測的連續性難以確認；4）時間與人力成本較高。?

BEV+Transformer算法應運而生：BEV（Bird’s

Eye

View）是指一種鳥瞰式的視角或坐標系，可以立體描述感知到的現實世界，也指將視覺信息由圖像空間端到端地轉換到BEV空間下的技術。Transformer作為一種新型神經網絡架構，相比傳統神經網絡（如CNN），可以直接進行2D、3D不同序列之間的轉換。Transformer采用交叉注意力機制，并行訓練數據，在跨模態融合以及時序融合過程中，能夠更加全面地在空間時序上建模。圖：部分主機廠智駕大模型布局，BEV+Transformer感知模型為主流趨勢?

BEV使信息展示更加全面，Transformer使感知結果更加連續、穩定，預測更可靠：1）算法可以對被遮擋區域進行預測；2）異構數據進行特征級融合，減少層層處理以及先驗規則帶來的信息丟失；3）多模態數據特征在同一空間中融合，信息關聯性更強；4）引入時序信息，感知結果更連續穩定；5）下游規控模塊提取更高效；6）感知任務迭代更快，可實現端到端優化。主機廠相關智駕大模型應用場景車型端到端AI自動駕駛、World

端到端自動駕駛、

ModelS、Model3、Model

Y、特斯拉Model仿真地圖生成側重感知ModelX小鵬G6Max、小鵬G9Max、小鵬P7i

Max小鵬BEV+Transformer?

應用于處理多類長尾場景，加速去高精地圖：BEV+Transformer方案能夠處理多種自動駕駛的corner

case場景，比如感知復雜道路、應對惡劣天氣和應對動態交通。將靜態道路信息與動態道路參與方統一到了同一個坐標系下，通過實時感知與轉換，在行駛中即可實時生成“活地圖“，意味著高精地圖不再成為強需求。BEV+Transformer、理想L7Max、理想L8

Max、理想L9Max理想蔚來側重感知側重感知側重感知OccupancyBEV+Transformer未公布BEV+Transformer、GOD網絡阿維塔11、問界M5智駕版、極狐阿爾法S全新Hi版系品牌?

算法方面業內趨于一致，開始實現BEV+Transformer的大一統：國內車企在“鯰魚”領頭下紛紛加入躍上智駕龍門的隊伍，具有一定研發實力與數據積淀的企業，紛紛自研BEV+Transformer方案，為原有方案脫胎換骨，一時間成果豐碩。上汽智己比亞迪BEV+TransformerBEV+Transformer側重感知側重感知智己L7、智己LS7、智己LS6漢12資料：億歐汽車，焉知汽車，億歐智庫，華福證券研究所2.2

算法：端到端模型有望成共識，占用網絡為算法導向感知更精確算法迭代：2D直視圖+CNN

→BEV+Transformer→BEV+Transformer

+Occupancy→端到端圖：占用網絡算法主體框架與步驟?

基于BEV算法迭代為占用網絡：BEV算法進一步迭代為Occupancy

Networks（占用網絡），更加直接地打造3D空間。有別于感知2D圖像、提取像素（pixel）轉化為3D特征，Occupanc華福y證券

Networks直接感知3D空間中的體素（voxel），也就是將世界劃分為多個大小一致的立方體，快速識別每個體素是否被占用，繼而判斷車輛是否要躲避。?

與3D目標檢測相比，占用網絡Occupancy

Networks感知更高效、結果更精準：1）更準確的描述物體的幾何形狀：對每一個體素進行預測，所以對目標的描述會更加的細粒度。2）可以預測數據集以外的目標類別：針對當前數據集中未見過的物體，也可以對所占據的柵格進行預測。?

端到端發展框架有望成共識：端到端自動駕駛不進行任務切分，希望直接輸入傳感器數據、輸出駕駛決策（動作或者軌跡），從而拋棄傳統自動駕駛里的感知、預測、規劃、控制等各類子任務。圖：端到端模型架構?

優勢：1）效果上不但系統更簡單，還能實現全局最優。2）效率上由于任務更少、避免了大量重復處理，可以提高計算效率。3）數據收益不需要大量的人工策略、只需要采集足夠多的優質駕駛數據來訓練即可，可以通過規模化的方式（不斷擴展數據）來不斷提升系統的能力上限。圖：針對挖車中的力臂，3D目標檢測算法只能給出挖車整體的輪廓框，但對于柵格算法卻可以更加細粒度的描述挖車具體的幾何形狀這類細節信息13資料：億歐汽車，Fangzh，

HiEV大蒜粒車研所，汽車之心，華福證券研究所2.2算法：智算中心為智駕提供新基建，加速發展智駕迭代?

智算中心為算力、數據和算法服務的供應和生產平臺。智能計算中心是基于最新人工智能理論，采用領先的人工智能計算架構，提供人工智能應用所需算力服務、數據服務和算法服務的公共算力新型基礎設施。?

智算中心是自動駕駛迭代的，優勢在于促使成本降低、滿足數據需求。先從成本考量，自動駕駛不僅對車載算力提出了高要求，在完善策華福證券略的過程中，也需要更高性能的智算中心來完成訓練、標注等工作；從需求的角度來看，自動駕駛的開發包括從數據采集到數據篩選、打標、模型訓練、回放性驗證、仿真測試等等，智算中心將在這幾大環節中發揮重大作用。通過在海量數據基礎上不斷地重復訓練與驗證，車輛對道路環境的認知水平逐漸趨近于真實情景，判斷的準確性在這一過程中不斷提升。圖：自動駕駛廠商超算中心建設布局情況公司名稱特斯拉主機廠小鵬蔚來理想汽車主機廠比亞迪主機廠上汽智己主機廠吉利汽車主機廠長安汽車毫末智行百度商湯絕影企業類別超算中心主機廠扶搖主機廠主機廠Tier1Tier1Tier1Dojo超算中心“蔚來云”智算中心理想智算中心云輦智算中心云上數據超級工廠星睿智算中心昆侖芯智算中心陽泉智算中心-雪湖·綠洲AIDC原計劃202303發布發布時間2021.82022.82022.112023.4-2022.32023.12023.82023.12022.92022.124002022.1算力(億億次/秒浮點運算)81(預計2025年擴充到120)18060-75--6720491合作云廠商自建阿里云騰訊云火山引擎阿里云阿里云百度云火山引擎自建自建14資料：科技新知，億歐智庫，華福證券研究所2.3算力：SoC芯片階梯分布，英偉達、特斯拉引領中高端算力市場?

高階智駕誕生系統級SoC芯片，取代分散化MCU芯片。SoC芯片相較于只集成一個CPU處理器單元的MCU芯圖：2023年中國市場乘用車標配NOA計算方案市場份額片，它創新性地集成了CPU、GPU、DSP、NPU等多個處理器，以及ASIC、存儲、接口單元等組件，大幅提升了計算能力以及數據處理和傳輸的效率。自動駕駛SoC芯片通常被集成到一個攝像頭模塊或一個自動駕駛域控制器中，用華福證券

于決策層，負責來自感知層傳感器的數據處理及融合，然后代替駕駛員做出駕駛決策。排名供應商2023年市場份額12345英偉達地平線48.99%35.49%7.99%3.82%3.71%?

高于30TOPS中高算力市場僅占全球十分之一，高中低三階分化。據不完全統計，2023年全年智駕L2等級及以上的SoC全球出貨量超過6000萬顆，最大的出貨量依然來自Mobileye和瑞薩，占據市場超過80%的份額，但主要集中在前視一體機等低階智駕功能，可以認為是傳統L2

ADAS領域商業模式的延續。2023年中高算力智駕SoC的出貨量全球為500多萬片，僅占智駕SoC總量十分之一，占比較小；真正有較大出貨量的中高算力海思SoC僅有英偉達的Orin系列/Xavier系列、Tesla的FSD（HW3.0/4.0）、地平線的J5系列和的昇騰610系列，德州儀器這四家占據了98%以上的市場份額，其中Tesla占比超過60%，其采取的硬件預埋策略貢獻很大。Mobileye?

英偉達引領第三方供應商高端算力市場，2022年占據中國市場超8成。2022年在全球高算力（算力大于50Tops）自動駕駛SoC芯片領域，英偉達、地平線、黑芝麻智能、海思、高通這幾家巨頭占據全球94.7%的市場份額。在中國市場上，它們合計拿下94.6%的高算力自動駕駛SoC芯片市場份額。值得一提是，在這超94%的市場份額中，超8成被英偉達這一家企業拿走。圖：2022年中國及全球高算力SoC出貨量（按顆）排名2022年在中國的市場份額2022年在全球的市場份額排名企業圖：智能駕駛芯片TOP512英偉達地平線81.6%6.7%82.5%6.2%廠家英偉達特斯拉蔚來型號ThorAI算力TOPS@int82000TOPS@FP8720TOPS存儲帶寬(GB/s)CPU算力(KDMIPS)

制造工藝(納米)4黑芝麻智能35.2%4.8%二代FSD天璣NX9031CV3-AD685昆侖芯2448-900276（估計）224300（估計）755600TOPS(估計)750TOPS61522045海思高通0.7%0.4%0.7%0.5%安霸百度256TOPS512合計94.60%94.70%15資料：電子發燒友網，HiEV大蒜粒車研所，佐思汽車研究，高工智能汽車，華福證券研究所2.4數據：量產車數量、傳感器標準化程度、商業模式為關鍵要素?

量產車的數量影響數據產生和迭代，需要足夠多的數據傳感器：更多的智能車銷量或智能圖：2023年部分已實現或即將實現高速NOA功能的車型感知配置方案生產數量，意味著更多的數據積累。品牌飛凡車型感知硬件配置方案?

傳感器方案標準化，實現更強數據效率和質量:如果所有的量產車都是一套標準傳感器方華福證券飛凡

R71L12V6R12U2成像案，數據質量、處理效率，無疑比多套傳感器方案對于技術迭代有更強的推動作用。由于不同傳感器方案會使用不同的數據格式和處理算法，從而需要更多流程進行數據轉換和統一，使用相同規格的傳感器方案能幫助提高智能駕駛能

力迭代效率。

同時，傳感器方案數量越少，已經實現的能力等級越高，就意味著智能駕駛技術能力越強。智已LS7智己

L72L11V5R12U12V5R12U智己嵐圖FREE13V5R12U10V3R12U?

可免費使用的智能駕駛產品，也有助于數據反饋和技術迭代：只有在實際道路環境下、真實駕駛數據越多，遇到的Corner

Case越多，智能駕駛系統的能力才更有可能向上迭代。現階段絕大多數用戶依然只接受免費權益，表示不會為其付費。對于愿意付費的用戶，“單次付費，永久使用”的方式更易被接受，因此“軟件持續收費”的模式，雖然由來已久，但目前仍未被市場所接受。上汽榮威第三代RX5ET7ES7ET51L11V5R12U1L11V5R12U1L11V5R12U蔚來L8ProL9pro10V5R12U10V5R12U理想小鵬圖：高速、城市NOA功能付費模式接受意愿G6G92L12V5R12U2L12V5R12U長安深藍阿維塔問界深藍SL03阿維塔1110V12U5成像3L13V6R12U1L11V3R12U問界M5智駕版注：V代表攝像頭；R代表毫米波；U代表超聲波；L代表激光16資料：億歐智庫，量子位智庫，華福證券研究所2.5

成本：包括成本在內的多因素推動高精地圖向輕地圖迭代?

“輕量化”地圖將成為智能網聯汽車應用的趨勢：中國智能網聯汽車產業創新聯盟發布的《智能網聯汽車高精地圖白皮書》提到，分米級地圖的測繪成本為每公里10元左右，而厘米級地圖的測繪成本可達每公里千元。”去高精地圖”是必然趨勢，繁重的高精地圖不僅無法適應高速發展的自動駕駛需求，更是成為主機廠與圖商無法承擔的高額成本。但是實時感知無法獲取的“先驗信息”也成為了“地圖”的保命符。基于導航華福證券地圖和各家需求的地圖要素繪制出的SD

Pro地圖或許是長久的地圖存在形式。“輕量化”地圖使圖商降低了高精地圖要素采集、制作、更新的成本和周期，也使車企避免因購買多余的數據產生不必要的成本，降低了對高精地圖的依賴。相比“重地圖”方案更易覆蓋城市道路、停車場等全場景，也可以滿足智能網聯汽車量產向更多更大規模的城市拓展的需求。圖：不同精度地圖對比圖：部分主機廠/供應商高精度地圖替代方案序號主體小鵬替代方案使用Xnet深度視覺感知神經網絡，實時生成3D高精1地圖。通過NPN特征和TIN網絡，配合BEV大模型，能夠23理想

準確識別城市中的復雜路口和信號燈通行意圖，從而實現去高精地圖的能力。已實現基于Transformer的BEV架構，ADS2.0進一步升級，基于道路拓撲推理網絡進一步增強，即使無高精地圖也能看懂路，紅綠燈等各種道路元素，使得無圖也能開。使用純視覺感知，同時輔以激光，實現“純視覺+激光

的感知冗余，以提供連貫的城市駕駛;使用的“輕量級高精地圖”方案比行業通用的傳統4百度高精地圖要“輕”近80%。發布不依賴高精地圖的新一代自動駕駛方案DeepRoute-Driver3.0。56元戎啟行小馬智行通過感知模塊、預測模塊等所有模塊的提升不強依賴高精地圖17資料：九章智駕，智能汽車與智慧城市協同發展聯盟，泰伯網，華福證券研究所2.5

成本：純視覺與多模態融合兩條路線并行，數據處理是關鍵?

純視覺感知技術與多傳感器融合技術并行。從感知角度來劃分，目前高階智能駕駛領域分為兩派，一派為特斯拉和Mobileye堅持的純視覺感知技術路線，其余則大多選擇多傳感器融合的技術路線。純視覺感知方案只需將攝像頭收集到的圖像數據進行特征提取、處理、轉化為3D數據；而多傳感器融合的方案采用攝像頭與激光相結合，通過多種工作原理提升感知精度，也能在某一設備失效的情況下起到冗余的安全防護作用。但多傳華福證券

感器方案中，不同工作原理下，傳感器收集到的數據類型、所處坐標系都不同，攝像頭收集到的視覺數據屬于2D圖像空間，激光獲得的點云數據屬于3D空間，處理與融合這些數據的策略及路徑成為有效保留數據信息的關鍵。具體來講，基于融合的不同位置，可以分為前、中、后融合三種方式，三種方式分別發生在數據處理的不同階段，在信息保留、算力使用、通信速率等多方面也具有不同特征。圖：多傳感器感知技術圖：純視覺感知技術方式定義融合特征在BEV大范圍應用前，最常用的是后融合方案，也稱為“目標級融合”。后融合方案中，不同傳感器獲得的數據通過不同網絡算法獨立處理，處理后得到各自的目標數據，再將目標數據在決策層由主處理器進行融合。整體更易解耦，既易于整車廠自主研發，也便于Tier1按照下游需求進行模塊化定制。但是，正是由于后融合方式是基于規則處理的，因而存在“從結果反推過程”的先驗式思路，不僅會造成信息損耗、成本升高，也難以突破當下認知局限。后融合也稱為“數據級融合”。前融合方案將融合步驟前置，所有傳感器的識別結果連同其他自動駕駛所需數據，統一融合到為一整組數據，再將融合后的所有數據依據更加類似于人眼到大腦的工作方式，將所有數據整體分析，增強了數據關聯性，也減少了信息丟失。但與此同時，異構數據的融合對于算法也有著極大的考驗。首先龐大的數據量對于存儲能力、算力都有較高要求，而且由于坐標系的不同，不同數據間的轉換效率和效果也需要不同的算法邏輯來實現。前融合

目標進行感知。前融合方案下，相當于不同的傳感器組合為一個更加超級、多能的傳感器，既能看圖、又能探測，感知算法無需區分數據處理。與類型，直接進行綜合目前業內更青睞中融合方案，即“特征級融合”，這一方案也更適合BEV視角。相較于前、后融合，中融合將特征提取置于融合之前，但將數據感知置于融合之后。換言之，中融合方案先通過神經網絡提取中融合方案中，數據處理更直接，信息損耗更少，相應地，算力需求也一定程度降低，研發重點來到了神經網絡模型的更新上。隨著深度學習的發展，Transformer的應用中融合數據有效特征，將有效特征與BEV空間特征

突破了過往算法依賴人為規則所帶來的認知相融合，最終輸出BEV視角下的整套數據，

局限和邏輯上的反復。用于決策層的感知和輸出。18資料：億歐汽車，億歐智庫，<ST-P3:

End-to-end

Vision-based

Autonomous

Driving

via

Spatial-Temporal

Feature

Learning>，華福證券研究所2.5

成本：現階段激光

不可或缺，業內探尋激光

降本方式?

激光接輸出物理世界

3D

點云，大幅度提高了整車的感知能力，能夠為智能駕駛提供更深一層的安全冗余。然而，自特斯拉開啟降價潮以來，隨著國內車企紛紛跟為必備傳感器，但成本高昂成為壓力。激光擁有比攝像頭更多的深度信息，且不受光照影響，擁有比毫米波、超聲波更高的分辨率，直進，成本壓力迅速傳導到位于產業鏈上游的智駕供應商：中高端車型開始減配激光，例如ADS

2.0

相較

ADS1.0，只采用了

1顆激光而非

3顆。視相比之下純華福證券

覺具備明顯成本優勢，根據半導體公司安森美公布的數據，L2級自動駕駛每輛車攝像頭總成本為40美元，L3級自動駕駛每輛車攝像頭成本也只是185美元。?

業內探尋激光降本方式。1）大規模量產實現降本：通過迅速上量，攤薄各項成本，2022

年禾賽總共交付超

6萬臺

ADAS

激光，通過大規模的量產，分攤了高昂的研發成本和生產成本，進而拉動產品價格下降。2）利用芯片化設計指數級降低成本：通過把數百個激光收發通道集成到幾顆分別負責發送和接收的芯片上，不僅大幅減少元器件數量、簡化供應鏈，在裝配上由于能夠自動化完成，還省去了人力調試，由此使得物料成本、調試成本、芯片成本均降低。3）“平臺化”激光效地降低產品性能升級時所產生的研發人力和時間成本，也可以縮短裝調時間，降低后段的不良率，真正兼顧了成本和可升級性。降成本：“北醒應龍”激光平臺通過更優的掃描技術，使用更少的收發器件來實現更強的產品性能。同時，其模塊化設計可以有圖：不同傳感器參數對比圖：激光降本技術19資料：汽車之心，首席智行官，億歐智庫，速騰聚創科技有限公司招股說明書，華福證券研究所華福證券03

特斯拉領銜，主要廠商方案巡禮203.1特斯拉自動駕駛歷經十余年迭代，從探索開荒到自研引領創新圖：特斯拉自動駕駛歷史演進分為基礎摸索階段（2016年以前），過渡發展階段（2016年-2019年），自研創新階段（2019年至今）階段華福證券基礎摸索階段過渡發展階段自研創新階段發布時間2014年

10月2015年10月特斯拉V7.02016年10月2018年2019年2021年2023年2023年2月AutopilotHardware

2.0AutopilotHardware3.0AutopilotHardware4.0重要軟硬件版本

AutopilotHardware

1.0FSD

V9.0FSD

Beta

V9.0FSD

Beta

V11.3開啟自動方向盤

AEB、防碰撞接管，側方位碰

預警、車道保撞躲避和一字位

持、自適應巡

可實現高速/城際

自動輔助變道、智自動停車，真正

航等功能缺失，公路場景自動駕駛

能召喚等智能駕駛意義上實現了自

V8.1版本重新動輔助駕駛功能

追上HW1.0支持自動輔助導航駕駛、自動輔助轉向、自動緊急制動、側撞預警、前撞預警、自動遠光燈等功能。開啟道路偏離警告和速度提示、自適應定速巡航系統以及前方碰撞預警、自動緊急剎車和盲點預警采用純視覺方案，支持在高速公路上啟用

FSDBeta，統一了高速和非高速的視覺和規控技術棧。實現包括自動泊車、不依靠；能主要事件軟件算法夠應對奇怪的極端情況和惡劣的天氣功能2D+CNNHydraNet,

BEV+Transformer占用網絡,端到端標注形式處理器人工標注自動標注自研FSD

2.0芯片建立Dojo超算中心Mobileye

EyeQ3英偉達DRIVE

PX2

AutoCruise自研FSD芯片云端算力/21資料：汽車之心，IT之家，36氪，華福證券研究所3.1.1新版本V12.3登場，FSD引領技術革新?

最新FSD

V12.3迎來推送，V12轉向端到端網絡。3

月

17

日消息，特斯拉的FSD

Beta版12正式迎來新版本推送，此次推送的FSD

Beta

V12.3面向美國的部分用戶開放。本次推送似乎涵蓋了美國所有擁有FSD

Beta測試資格的車輛，此前該版本已經推送給內部員工和配備

HW4

的特別測試組。一些用戶指出，新版本在舒適完成

U型轉彎和低可見度路況行駛方面取得了顯著進步，這得益于V12版本轉向了“端到端神經網絡”控制車輛的華福證券方式。?

瑕不掩瑜，FSD

Beta

V12.3實測令人印象深刻。有車主說自己今天用V12.3進行了6次拼車，沒有一個乘客意識到車輛在“自己開自己”，并且零接管、零脫離。還有車主表示，原來自己在所在的社區從不用FSD

Beta

V11，因為經常出錯，但是FSD

Beta

V12.3讓他體驗到了有史以來第一次“零接管”，而且系統在很多情況下都像人類，比如等待單車道上左轉的車輛，或者馬路中停下的送貨車。圖：涵蓋美國所有擁有FSD

Beta測試資格的車輛圖：更新FSD

Beta

V12.322資料：IT之家，智能車參考，華福證券研究所3.1.2算法端：特斯拉采用端到端大模型，引領算法時代圖：特斯拉HydraNet模型結構?

2020年-引入BEV+Transformer：2020

年引入的

BEV+Transfomer

架構，過去自動駕駛依靠「2D

圖像+

CNN」是不太可能實現全自動駕駛。?

感知能力更加精確。基于Transformer的BEV感知技術，可以將車道線等道路幾何華福證券信息以及人、車等動態目標全都統一到一個坐標系下，便于車輛更加準確地對道路情況進行判斷。?

2021年-引入HydraNet：2021年，特斯拉構建了多任務學習神經網絡架構HydraNet，并使用了特征提取網絡BiFPN。HydraNet

結構能夠完成多頭任務，而非此前的單一檢測。?

算法效率得到提升。相較于此前算法，HydraNet

能夠減少重復的卷積計算，減少主干網絡計算數量，還能夠將特定任務從主干中解耦出來，進行單獨微調。?

2022年-引入占用網絡：2022年底的AI

DAY上進一步得到了強化，特斯拉將BEV升級到了占用網絡（occupancy

network），進一步提升了泛化能力。圖：端到端算法示意圖?

判斷極端事件更精確。特斯拉可以無需再糾結物體具體是什么，而只考慮體素是否被占用，就可以判斷到底要不要躲避，有助于更好化解一些輔助駕駛中的Corner

case（極端事件）。?

2023/2024年-過渡到端到端大模型：2024

年1月下旬，特斯拉面向普通用戶正式推送了FSDV12的測試版本。FSDV12將城市街道駕駛的軟件棧升級為單一的端到端神經網絡，該網絡經過數百萬個視頻片段的訓練，替代了超過30萬行C++代碼。?

實現輸入到輸出的大模型思維。FSD

V12是一個端到端AI，它能夠輸入圖像，然后從輸出轉向、加速、剎車燈動作。特斯拉對于AI的探索已經進入通過單一基礎視頻網絡來直接駕駛汽車——從技術范式上來說，通過端到端的算法變革，特斯拉已經整體上轉向類似于

OpenAI

旗下

GPT

這樣的大模型思維。23資料：數智前線，汽車之心，42號車庫，特斯拉AIDay，華福證券研究所3.1.2算法端：特斯拉Hardware硬件迭代，HW4.0全面提升?

HW硬件不斷更迭，逐步走向自研道路。HW1.0階段特斯拉的主要工作是多傳感器融合+應用層軟件開發。HW2.0階段特斯拉掌握圖像識別算法+多傳感器融合+應用層軟件開發。HW2.5是對HW2.0的一個小版本更新，主要用于冗余和略微提高的可靠性。HW3.0特斯拉駕駛輔助硬件的重大革新，首次采用自研的自動駕駛芯片，具備全套芯片設計+圖像識別算法+多傳感器融合+應用層軟件開發。華福證券?

HW4.0全面提升，處理數據、影像能力提升。HW4.0的攝像頭像素從120萬像素提升到500萬像素，雖然前攝像頭從三目變成雙目，總體攝像頭數量從8個減少到7個，但是視覺最大探測距離從250米變為424米，系統可以看得更遠更清楚。芯片算力是原來的5倍，從HW3.0的144TOPS提升到HW4.0的720TOPS，CPU內核也從12個上升到20個，以幫助快速處理圖像信息。同時，為了讓圖像大數據傳輸更快，CPU內存從LPDDR4升級到GDDR6。圖：特斯拉硬件配置迭代變化硬件類型HW

1.0HW

2.0HW

2.5HW

3.0HW

4.0時間20141個前視攝像頭20168個攝像頭20178個攝像頭20198個攝像頭20237個攝像頭攝像頭毫米波超聲波前向毫米波（博世）前向毫米波（博世）前向毫米波（大陸）前向毫米波（大陸）Phoenix高精度12個12個12個12個01-英偉達Parker

Soc1-英偉達Pacal

GPU1-英飛凌3核CPU2-英偉達Parker

Soc1-英偉達Pacal

GPU1-英飛凌3核

CPU核心處理器Mobileye

EyeQ32-特斯拉自研FSD芯片2-特斯拉自研FSD2.0芯片TOPS搭載車型電源0.25612121447202019年ModelS/X/3（少數為2023/2024年Model2014年ModelS/X2016年ModelS/X2017年ModelS/X/3HW2.5)S/X/Y/3單電源冗余電源24資料：智能汽車開發者平臺，車市物語，汽車之心，賽博汽車，紅網，華福證券研究所3.1.2算法端：Dojo逐步壯大，集群ExaPOD機柜算力高達1.1EPlops?

Dojo超算不斷發展，建立FSD更新迭代基礎。Dojo是特斯拉為人工智能機器學習和計算機視覺訓練目的而開發的超級計算機。

Dojo在2021年8月的特斯拉AI日上首次公開，Dojo的設計初衷是為了處理大量的視頻數據，加速特斯拉的

Autopilot

和完全自動駕駛（FSD）系統的迭代。2023年7月，馬斯克在公司財報會議上稱Dojo已開始投產，用于訓練自動駕駛汽車的人工智能模型，正在考慮向其它汽車廠商授權其FSD硬件和軟件，并計劃到20華福證券

24年在Dojo上投入超過10億美元。根據特斯拉2023年在6月發布的算力發展規劃，將在2024年10月達到100EFlops算力。2024年1月，馬斯克在X平臺上表示，特斯拉計劃在

Dojo

超級電腦上投入巨額資金，在紐約超級工廠（Gigafactory）啟動5億美元新項目。?

以節點、芯片和訓練模塊為核心組建Dojo超算集群，最終高達1.1EPlops

。芯片上承載了最小的計算元素被稱為訓練節點，訓練節點的算力在BF16/CFP8數據格式下，為1024GFLOPS，在精度更高的FP32格式下，浮點運算性能達到64GFLOS。

354個這樣的訓練節點連接到一起，構成計算陣列（compute

array），便在邏輯上構成了一個D1芯片。基于D1芯片，特斯拉在系統層面設計了「訓練模塊（Training

Tile）」，訓練模塊就是Dojo超算的基本構成單位。一個完整的訓練模塊上集成了25個D1芯片，一個訓練模塊BF16/CFP8精度下的浮點算力總算力為9PFLOPS。然后120個訓練模塊共同構成ExaPOD，即特斯拉Dojo超算的最終硬件形態，其總算力在BF16精度下達1.1EPlops。圖：Dojo模組與Dojo

POD機柜圖：特斯拉算力單元的層級劃分25資料：極客公園，36氪，芯智訊，陳巍談芯，華福證券研究所3.1.3算力端：外購芯片走向FSD自研芯片，算力處理能力大幅上升?

從外購主控芯片到自研FSD芯片。2014年～2016年，特斯拉配備的是基于MobileyeEyeQ3芯片的AutoPilot

HW1.0計算平臺。2016年～2019年，特斯拉采用基于英偉達的DRIVE

PX2

AI計算平臺的AutoPilot

HW2.0和后續的AutoPilot

HW2.5。2017年開始特斯拉開始啟動自研主控芯片，尤其是主控芯片中的神經網絡算法和AI處理單元全部自己完成。2019年4月，AutoPilot

HW3.0平臺搭載了Tesla

FSD自研版本的主控芯片，這款自動駕駛主控芯片華福證券擁有高達60億的晶體管，每秒可完成144萬億次的計算，能同時處理每秒2300幀的圖像。?

FSD2.0芯片算力上增加5倍，提升到720TOPS。特斯拉第二代FSD芯片自2023年2月開始在汽車上發貨，該芯片的設計與第一代芯片非常相似。第一代基于三星的14nm工藝，圍繞三個四核集群構建，共有12個Arm

Cortex-A72核心在2.2

GHz主頻下運行。在第二代設計中，特斯拉將CPU內核數量增加到了五個4核集群（20個），總共有20個Cortex-A72內核。第二代FSD芯片最重要的部分是三個NPU核心。三個核心使用32MB的SRAM，每個用于存儲模型權重和激活。圖：特斯拉不同芯片性能迭代硬件類型芯片HW

1.0HW

2.0HW

2.5HW

3.0HW

4.01-英偉達Parker

Soc1-英偉達Pacal

GPU1-英飛凌3核CPU2-英偉達Parker

Soc1-英偉達Pacal

GPU1-英飛凌3核CPUMobileye

EyeQ32-FSD芯片特斯拉自研2-FSD2.0芯片特斯拉自研芯片研發商Mobileye/英偉達、英飛凌英偉達、英飛凌芯片制造商及工藝//三星代工

14nm制造

三星代工

7nm制造TOPSFPS0.2563612121101442300720110///ROM256兆字節1倍6GB40倍8GB8GB*2處理能力40倍帶冗余420倍帶冗余26資料：阿寶1990，芯智訊，汽車之心，車市物語，智能汽車開發平臺，華福證券研究所3.1.4數據端：數據采集、標注和模擬構建特斯拉數據閉環體系特斯拉自動駕駛的數據閉環體系：數據采集

→

搭建數據集→

自動+人工標注→

送入模型訓練

→

量化部署到車端上?

數據采集：影子模式采集高價值數據：2019年4月，特斯拉首次發布“影子模式”圖：特斯拉截止至2023Q4累計里程數（shadowmode），這是一種全新的車端數據觸發采集方式。影子模式運行在車輛后臺，但不參與華福證券

控車，通過對模型的結果數據與駕駛員的行為數據分析，從而判斷自動駕駛模型的“短板”，并上傳對應的數據到云端。特斯拉的影子模式支持量產車上運行并采集數據，等同于將自己賣出的每一輛車，都能夠化身為“數采車”，充分發揮量產車覆蓋場景廣、成本低的優勢。?

FSDBeta累計里程大幅增加為數據采集提供基礎：在2023年第四季度財報電話會議上，馬斯克透露，目前北美有40萬輛電動汽車可以使用特斯拉的FSD

Beta軟件，而2023年初的時候馬斯克透露有28.5萬訂閱了FSD，增長率超過銷售增長率。自2021年3月以來，特斯拉已行駛了約7.5億英里。最近三個月內增加了約2.25

億英里。?

數據標注：4D標注+自動標注技術：?

在BEV感知興起之前，2D標注由專業的標注人員通過特定的工具在圖像上進行繪制而完成的，這種方式非常直接，但是其標注效率低、人力成本高。隨著BEV感知技術的興起，4D標注技術應運而生，其用于標注具有時序的3D數據，即4D標注=3D標注+時序。4D標注不僅需要標注3D空間中的靜態目標，還需要標注具有時序信息的動態目標，它是一項為輸出3D空間中具有時序信息的任務提供真值的技術。圖：特斯拉4D標注演示?

2020年，特斯拉研發并使用了數據自動標注系統。特斯拉采用人機合作的標注方式，既有人工標注，也有機器標注，機器標注效率更高，通過高效率標注，讓現實世界中的時空片段轉化為可用數據，使得FSD

更加智能和高效。特斯拉的AI團隊開發自動化的標注工具可在行駛時實時地對道路、交通參與者以及障礙物等進行標注、重建，基于完整的高質量數據集去訓練新的神經網絡去處理車前攝像頭出現雪花導致其視線無法看清前車等復雜場景。?

仿真數據：場景仿真理解復雜動態駕駛場景，保證安全性：特斯拉依靠過去收集到的數據，仿真出全新的、自帶標注的場景以供訓練。現實場景的復雜程度超乎想象，比如場景非常罕見以至于幾乎收集不到（例：高速上人車狗同時飛奔），或者是場景復雜程度超過自動化工具能力（例：一條街上塞了重重疊疊的幾十上百號人）。27資料：OpenDriveLab，智協慧同EXCEEDDATA，Vehicle，深藍AI，奧米實驗室，汽車之心，特斯拉官網，特斯拉AIDay，華福證券研究所3.1.4數據端：量產車為數據獲取提供

，形成數據規模優勢?

FSD分三種版本層次，國內僅限選裝：目前，特斯拉提供的智能駕駛功能分為AP（Autopilot）標配版本，EAP（Enhanced

Autopilot）增強自動輔助駕駛，以及頂配的FSD。其中基礎版和增強版在國內銷售的車型已經落地。FSD目前只在北美地區（美國和加拿大）推出，國內僅限于付費選裝。?

付費模式同樣推動FSD技術進步：特斯拉一直以智能化拉動其電動化，通過免費為用戶提供基礎版Autopilot服務，獲取大量的用戶駕駛數據和環境華福證券信息，用于其自動駕駛模式算法的測試和迭代，再反哺技術進步，形成完整的數據閉環。?

汽車銷量不斷增加，量產車形成數據規模優勢：2023年，特斯拉在全球范圍內共計生產電動車1,845,985輛，交付1,808,581輛，分別同比增長約35%、38%，蟬聯全球純電動車交付量榜單冠軍。其中，Model

Y銷量超過120萬輛，奪得2023年全球乘用車銷量冠軍，這也是電動汽車單車銷量首次超過燃油汽車。圖：特斯拉付費版本功能及價格圖：特斯拉不同車型銷量數據（輛）2000000160000012000008000004000000國內售價美國售價1808581版本名稱主要功能1739707付費裝配付費訂閱付費裝配基礎版AP主動巡航控制、自動輔助轉向等///13135811247146936950自動輔助導航駕駛、大燈自動變道、智能召喚和自動泊車/增強版EAP￥32000￥64000911242$6000頂配版FSD城市NOA、識別交通信號燈和停車標志并作出反應等AP升級：$199/月EAP：$99/月49955057085442562$120003675003008856677166705688742498020192020202120222023Model3/YModelX/S總銷量28資料：第一風口，中國汽車報，汽車商業評論，特斯拉官網，汽車吳論，Tridens

Technology，華福證券研究所3.1.4數據端：硬件配置標準化，減少數據轉換，提高迭代效率?

硬件標準化方案能幫助提高自動駕駛迭代效率，傳感器性能不斷提高：特斯拉在自動輔助駕駛方面的一個特殊之處在于不論是基礎版輔助駕駛，還是增強版輔助駕駛，亦或是未來的完全自動駕駛，它們的硬件配置都一樣，不一樣的方面就在于軟件配置。特斯拉車輛若想要增強版輔助駕駛或是完全自動駕駛功能，可直接購買軟件不需要額外加裝硬件。HW4.0攝像頭從上一代的8個120萬像素，變成7個500萬像素，成像從2D變為3D，華福證券最大探測距離來到424米。?

特斯拉硬件配置具備成本優勢：特斯拉HW3.0的全套硬件成本大概在1萬元，其中8顆130萬像素攝像頭的成本可能不會超過1千元，而頭部新勢力們目前所使用的這些硬件成本，大多在4萬-7萬元間。HW4.0包括1個高分辨率毫米波（估計BOM成本120美元）、11個攝像頭模組（估計BOM成本240美元）、1個計算盒子（單智能駕駛部分，估計BOM成本1075-1605美元）。合計BOM成本大約1500-2100美元。圖：特斯拉硬件傳感器配置參數HW

1.0

HW

2.0

HW

2.5圖：特斯拉各攝像頭探測范圍硬件類型HW

3.0前置攝像頭1個長焦：250米；中焦：150米；廣角60米側前攝像頭側后攝像頭后置攝像頭02個80米2個100米1個50米01個倒車用毫米波超聲波1個

160米Lidar*12(5米）1個

170米Lidar*12(8米）29資料：汽車吳論，車市物語，

路咖社，感知芯視界，

智能汽車開發者平臺，華福證券研究所3.1.5展望：FSD入華步伐加速，政策或成關鍵影響因素?

建立本地數據中心推動特斯拉在華布局：2023年5月12日，上海市經信委智能制造推進處副處長陳可樂表示：下階段，上海將進一步深化與特斯拉的合作，推動自動駕駛、機器人等功能板塊在滬布局，共同打造具備核心技術優勢、面?

仍需明確相關測繪資質政策落地，建立本地超算中心支撐海量數據：中國是對測繪資質有嚴格限制的國家，企業要采集、儲存地圖數據，必須擁有測繪資質。而智能駕駛系統，無論是否使用了高精地圖，實際都屬于測繪。對于支持城市場景的FSD來說，雖然號稱不依賴高精地圖，但是面對城市復雜路口和銜接點，仍需要比較高精度地圖的信息輔助，這說明還是要有測繪資質的圖商支持。FSD想要在國內使用，不僅要在本地采集存儲，還要自建超算中心。國內道路環境、交通規則與美國并不相同，甚至不同城市間都有不小差異，美國版本的FSD無法直接拿來使用，行駛數據對國內價值也比較有限。FSD想要變得可靠，還需要大量且長期的真實數據支撐。向全球市場的科技產業集群。2023年11月份，隨著四部委聯合印發通知部署開華福證券展智能網聯汽車準入、上路通行試點工作，特斯拉FSD也被認為進入倒計時階段。特斯拉公司已在中國建立數據中心，以實現數據存儲的本地化，所有在中國大陸市場銷售車輛所產生的數據，都會存儲在中國境內，特斯拉公司為首批參與合規試點的企業。據36氪報道初期特斯拉計劃組建一個20人左右的本地運營團隊，以推動FSD在中國市場落地。與此同時，特斯拉還在中國嘗試成立一個數據標注團隊，規模約上百人。圖：相關政策法規發布圖：OTA中更新了一項允許收集AP數據的選項30資料：工業和信息化部，智電行星，汽車要聞，

首席智行官，華福證券研究所3.2提供零部件、HI和智選車模式賦能車企，主導權依次上升圖：三種合作模式?

零部件供應模式提供多種部件，逐步弱化模式轉移重心：入局造車就成為了許多車企的一級供應商，為它們提供智能化解決方案，甚至包華福證券括電機零部件。除了給車企供貨，還會作為二級供應商，為自動駕駛公司提供計算平臺和底層軟件。2022年車BU收入約20億元，2023年上半年收入約10億元，基本沒有增長，難以覆蓋每年超過100億元的投入成本。因此

逐步弱化零部件供應模式，更加重視HI模式和智選車模式，并且通過升級HI模式和智選車模式，實現逐步扭虧的目標。?

HI模式與車企聯合開發，提供解決方案：

HI模式（Huawei

Inside），與車企共同定義、聯合開發智能汽車的一種合作模式。在此模式下，會將一整套包括

自研的智能駕駛系統、座艙系統、域控制器、芯是圖：各模式對應代表車型片、電機、各類傳感器等集成到智能汽車里，與車企深度配合。總之，HI模式是與車企聯合開發，提供全棧解決方案幫助車企造車，但最終主導權還是在車企。2023年底改變策略，將汽車BU與車企合資，實現利益綁定。?

智選車模式上，主導決策，“含華量”最高：智選車模式在HI模式的基礎深度介入產品定義、研發、制造和銷售全流程。在智選車模式下，占據主導權。目前有賽力斯問界、奇瑞智界系列選擇智選車模式，后續還將有享界和傲界兩個品牌。

2023年底，智行。

在鴻蒙智行模式下，為合作伙伴提供產品、質量、銷售、服務、營銷等全方面的賦能。智選車業務也升級為鴻蒙31資料：視知車院長，佐思汽車研究，品牌頭版，華福證券研究所3.2.1算法：ADS2.0基于GOD2.0和RCR

2.0實現“看得懂路和物”?

GOD網絡識別精細障礙物：ADS

2.0高階智能駕駛系統，在融合感知BEV（Bird

Eye

View，鳥瞰圖）網絡，能“看得懂物”，在識別白名單障礙物如車、人等物體的基礎上，升級GOD（General

Obstacle

Detection，通用障礙物檢測）網絡2.0，擁有強大的識別及處理能力，通用障礙物識別率達到99%，識別種類更精細，類別無上限。華福證券?

RCR網絡實現無圖駕駛：RCR（Road

Cognition

&Reasoning，道路拓撲推理網絡）網絡2.0實現導航地圖和現實世界匹配，復雜環境推理，感知面積達到2.5個足球場，道路拓撲實時生成，能“看得懂路”。基于多傳感融合感知系統，結合道路預測神經網絡，能夠實現交通要素關聯，通過道路拓撲推理網絡實時生成，實現了導航地圖與現實道路匹配，實現自主看懂復雜路況，有圖無圖都能開。?

擬人化智駕算法和首發PDP預測決策與規劃網絡，持續迭代進步：ADS

2.0高階智能駕駛系統還采用首創的智駕交互博弈算法，解決了智駕在人車混雜的復雜場景中遇到疑難路況的問題，能解決超過70%的交互場景接管難題，縮短40%的通行時間；動態路況極其復雜，每一步算法猶如下圍棋般千變萬化，PDP算法可以在1秒之內計算出最佳路線圖：ADS系統迭代歷程系統類型發布時間硬件算法軟件主要功能落地產品??????3個激光6個毫米波13個攝像頭12個超聲波高精地圖MDC810芯片，擁有400Tops算力在高精地圖覆蓋下，可實現高速NOA城區NOA等ADS

1.0?

阿爾法SHI版?

阿維塔112021融合感知BEV架構???1個激光3個毫米波11個攝像頭(前視雙目攝像頭像

首創激光?

主動安全功能，新增了低?

問界M5智駕版/問界M7/問界M9?

阿維塔11鴻蒙版/阿維塔12GOD網絡+道路拓速緊急制動、異ADS

2.02023.4素800W)12個超聲波有圖無圖都能開MDC610芯片，擁有200Tops算力撲推理網絡RCR在高精地圖下，

?

形物緊急制動和緊急車道可實現高速NOA，城區NOA等。

保持。????

高速/城區領航、通勤領航、?

智界S7等代客泊車等32資料：AITO南通用戶中心，佐思汽車研究，華福證券研究所3.2.1算法：MDC涵蓋生態鏈，

ADS

2.0基于MDC610平臺圖：MDC智能駕駛計算平臺?

MDC為智能駕駛大腦，適用范圍應用廣泛：MDC(Mobile

DataCenter:移動數據中心)定位為智能駕駛的計算平臺

，集成在ICT領域華福證券30多年的研發與生產制造經驗，搭載智能駕駛操作系統AOS、VOS及MDC

Core，兼容AUTOSAR。MDC是實現智能駕駛全景感知、地圖&傳感器融合定位、決策、規劃、控制等功能的汽車“大腦”。適用于乘用車(如擁堵跟車、高速

巡航、自動代客泊車、RoboTaxi)

、商用車(如港口貨運、干線物流)與作業車(如礦卡、清潔車、無人配送)等多種應用場景。?

ADS2.0基于MDC610平臺：MDC平臺算力范圍覆蓋48~400

TOPS，共包含4個不同的版本，分別是面向商用車場景的MDC

300F，以及MDC210、MDC

610和MDC

810，可支持從L2+到L4甚至L5不同級別的自動駕駛研發。ADS2.0

使用自研

MDC

610

計算平臺，

基于AI芯片，AI

算力

200TOPS。自研昇騰

610圖：MDC平臺產品?

云端計算平臺亦提供可持續算力基礎：昇騰AI云服務單集群提供2000PFlops算力，千卡訓練30天長穩率達到90%，為業界提供穩定可靠的AI算力。昇騰AI集群也在今年全面升級，集群擴展至16000卡，成為業界首個萬卡集群。它可支持萬億參數大模型分布式訓練。33資料：MDC智能駕駛計算平臺白皮書，蓋世汽車社區，

知趣IP，云官網，量子位，智車科技，華福證券研究所3.2.2算力：昇騰610芯片為基打造MDC610，三款芯片助力智能駕駛?

昇騰三種芯片模塊設計，提升智駕性能：智能駕駛芯片主要有昇騰310、昇騰610和昇騰620，這三款芯片還可以級聯增加性能。設計芯片是模塊形式，復用研發成果。昇騰系列芯片的CPU和AI核心基本是相同的，只是核心數量不同，針對不同的應用使用不同的核心和數量配置。華福證券?

極致高效能昇騰610屬產品第一梯隊，算力達200TOPS：MDC610的AI處理器采用昇騰610

AISoC，算力能夠達到200TOPS（INT8）或100TFLOPS（FP16），在量產產品中屬于第一梯隊。圖：MDC610采用昇騰610芯片圖：昇騰610的內部框架圖34資料：半導體產業縱橫，車東西，佐思汽車研究，華福證券研究所3.3大疆車載：打破高階智駕大算力依賴，主打極致性價比由無人機公司大疆孵化出的智能駕駛品牌“大疆車載”，在智能駕駛行業所走的是“極致性價比”路線，通過開發低算力產品就能圖：大疆車載-寶駿KiWi

EV大疆聯名款夠實現高階