智能汽車行業市場分析進展與趨勢特斯拉開啟自動駕駛3.0大模型時代特斯拉率先引入大模型，開啟自動駕駛3.0時代。2015年，特斯拉開始布局自研自動駕駛軟硬件，2016-2019年陸續實現算法和芯片自研。2020年特斯拉重構自動駕駛算法，引入BEV+Transformer取代傳統的2D+CNN算法，并采用特征級融合取代后融合，自動標注取代人工標注。2022年算法中引入時序網絡，并將BEV升級為占用網絡(OccupancyNetwork)。2023年8月，端到端AI自動駕駛系統FSDBetaV12首次公開亮相，完全依靠車載攝像頭和神經網絡來識別道路和交通情況，并做出相應的決策。FSD入華進程漸近，有望加速智能化進程。目前FSDBeta版本尚未在國內開放，根據36氪消息，特斯拉已在中國建立數據中心，并布局組建國內運營團隊和數據標注團隊。由于中國道路的復雜性，特斯拉FSD方案入華仍要進行大量中國里程的實車驗證，采集對應場景的數據，優化訓練出針對中國場景的神經網絡模型，提煉針對性策略。我們認為，FSD或將在2024年進入中國，經過對中國道路的訓練后，2025年大規模上車。預計FSD入華后，有望整體加速中國電動汽車的智能化進程。BEV+Transformer提高智能駕駛感知能力和泛化能力BEV/Transformer分別是什么？BEV全稱是Bird’sEyeView(鳥瞰視角），是將三維環境信息投影到二維平面的一種方法，以俯視視角來展示環境當中的物體和地形。Transformer大模型本質上是基于自注意力機制的深度學習模型，與傳統神經網絡RNN和CNN不同，Transformer不會按照串行順序來處理數據，而是通過注意力機制，挖掘序列中不同元素的聯系及相關性，使得Transformer可以適應不同長度和不同結構的輸入，從而提高模型在處理序列數據上的能力。與傳統小模型相比，BEV+Transformer的優勢主要在于提升智能駕駛的感知能力和泛化能力，有助于緩解智能駕駛的長尾問題：1）提高感知能力：BEV統一視角，將激光雷達、雷達和相機等多模態數據融合至同一平面上，可以提供全局視角并消除數據之間的遮擋和重疊問題，提高物體檢測和跟蹤的精度；2）提高泛化能力：Transformer模型通過自注意力機制，可實現全局理解的特征提取，有利于尋找事物本身的內在關系，使智能駕駛學會總結歸納而不是機械式學習。占用網絡模型有望成為下一代自動駕駛算法進步方向特斯拉在2022年AIDay上發布OccupancyNetworks(占用網絡)，將BEV網絡在高度方向進行了進一步的擴展，從而實現了BEV從2D到3D的優化，可實時預測被遮擋物體的狀態，解決了目標檢測的長尾問題，即使某些物體不存在于訓練集中，但是因為算法本身進行的是空間占用的檢測，不進行目標檢測，因此從根本上避免了這個問題。華為ADS2.0進一步升級GOD網絡，道路拓撲推理網絡進一步增強，類似于特斯拉的占用網絡。GOD2.0(通用障礙物檢測網絡，GeneralObstacleDetection)障礙物識別無上限，障礙物識別率達到99.9%；RCR2.0能識別更多路，感知面積達到2.5個足球場，道路拓撲實時生成。2023年12月，搭載ADS2.0的問界新M7可實現全國無高精地圖的高階智能駕駛。占用網絡模型以占用的方式重建了3D場景，可用于通用障礙物檢測，精準實現空間中物體的占位情況、語義識別、運動情況等，在表征上更具優勢，有望成為下一代自動駕駛算法進步方向。BEV+Transformer已成自動駕駛算法主流趨勢目前包括比亞迪、蔚小理、智己等車企，以及華為、百度Apollo、毫末智行、地平線、輕舟智航、覺非科技、商湯科技等自動駕駛企業均已布局BEV+Transformer。據下表，大模型應用已成自動駕駛賽道主流趨勢，其中新勢力及自動駕駛供應商布局領先，大模型應用已成自動駕駛的主流趨勢。如何應用？有何效果？車端賦能主要作用于感知和預測環節，逐漸向決策層滲透大模型在自動駕駛中的應用簡單來說，就是把整車采集到的數據回傳到云端，通過云端部署的大模型，對數據進行相近的訓練。大模型主要作用于自動駕駛的感知和預測環節。在感知層，可以利用Transformer模型對BEV數據進行特征提取，實現對障礙物的監測和定位；預測層基于感知模塊的輸出，利用Transformer模型捕捉學習交通參與者的運動模式和歷史軌跡數據，預測他們未來行為和軌跡。未來將驅動駕駛策略生成逐漸從規則驅動向數據驅動轉變。規劃決策層的駕駛策略的生成有兩種方式：1）基于數據驅動的深度學習算法；2）基于規則驅動（出于安全考慮，目前普遍采取基于規則生成駕駛策略，但隨著自動駕駛等級的提升及應用場景的不斷拓展，基于規則的規控算法存在較多CornerCase處理局限性）。結合車輛動力學，可利用Transformer模型生成合適的駕駛策略：將動態環境、路況信息、車輛狀態等數據整合到模型中，Transformer多頭注意力機制有效平衡不同信息源之間的權重，以便快速在復雜環境中做出合理決策。云端應用部署，有望加快L3及以上自動駕駛落地大模型云端應用加速L3及以上自動駕駛落地。主要在于：1）采用大模型預訓練的方式可以實現自動標注，提高數據標注的精度和效率，同時縮減成本；2）對長尾數據進行挖掘，大模型具有較強的泛化性，加速解決長尾問題；3）場景仿真和數據生成，模擬真實道路場景和高危險性場景數據，加速模型優化。大模型目前仍處于發展初期階段，預計未來應用比例快速增長。大模型在智能汽車中的應用仍存在多模態數據融合、云端算力需求大、車端部署、以及安全性和一致性等問題。我們認為大模型應用仍處于初期階段，隨著模型的優化和技術的應用，大模型在自動駕駛中的應用比例或將快速提升。NOA快速落地成為智能化新指標大模型催化下，城市NOA快速落地，開啟百城落地規劃。小鵬及華為合作品牌車企（阿維塔、問界、極狐）走在前列，目前大多仍需依賴高精地圖，無圖方案或將在2023年底落地。泰伯研究院預測到2025年，搭載NOA的車型將有望超過400萬輛，滲透率將有望從2023年的12%增加到32%。2025年高階智能駕駛（NOA）市場規模有望達到520億元，2023-2025年平均年增長率預計為105%。新變化新需求云端算力|是否需要智算中心？智算中心成為下一階段競爭重點自動駕駛系統的開發、驗證、迭代需要算力支持。自動駕駛系統前期開發依賴大量環境數據的輸入，形成貫穿感知、決策、規劃、控制多環節的算法。后期仍需持續輸入數據，對算法進行訓練與驗證，加速自動駕駛迭代落地。同時仿真測試中場景搭建與渲染也需要高算力支持。智算中心承載著訓練自動駕駛系統所需的巨大算力。為支撐人工智能計算提供了重要的硬件基礎設施，其底層硬件技術路徑包括GPU、ASIC、FPGA、NPU。根據IDC調研，汽車行業訓練自動駕駛算法的硬件基礎設施以GPU為主，占比61.4%。頭部自動駕駛廠商已布局智算中心。特斯拉、吉利、小鵬、毫末智行等主要自動駕駛廠商采用不同模式建設云端計算中心用于模型訓練。我們認為，智算中心已成為下一階段競爭重點，能夠幫助車企構建包括數據采集、數據處理、數據標注、模型訓練、測試驗證的數據閉環，從而提升CornerCase數據采集效率、提高模型的泛化能力以及驅動算法的迭代。車端算力|如何變化？感知數量質量和場景復雜度驅動算力升級感知硬件的數量和性能不斷提升，邊緣計算需求增加。自動駕駛級別越高，傳感器配置數量越多，運行產生的數據隨之大量增加。據新戰略低速無人駕駛產業研究所數據，1個200W像素的高清攝像頭24小時錄像需占用40~60GB的存儲容量；1個單線激光雷達每小時可產生3~4GB點云數據；另外，GPS定位系統、車輛位姿等均有數據積累。當一輛自動駕駛車輛每天可以產生數TB，甚至數十TB數據，數據處理能力即為自動駕駛技術驗證的關鍵點之一。若過度依賴云端數據處理分析和指令回傳，就會出現各種數據都往云端傳輸，云平臺數據過多，處理效率降低，時延增大，將極大影響自動駕駛車輛的使用體驗。邊緣計算能預處理數據，過濾掉無用數據再上傳到云端。大模型催化駕駛場景復雜多樣，提升算力需求。大模型催化下，NOA不斷從高速道路向城市道路拓展（高速道路-城市快速路-城市主干道-城市次干道-城市支路）。與城市道路相比，高速道路可能的場景和物體相對固定，而城市道路不僅是最主要出行場景（每天僅25%的人出行途徑高速，而城市道路則是100%），而且環境復雜度更高，同時提升物體識別、感知融合和系統決策算力需求。感知端|車載攝像頭數量質量齊升單車搭載的攝像頭數量將增加。Yole報告指出，L1～L2級自動駕駛功能僅需前后兩顆攝像頭，L2+級則需要引入ADAS前視感知攝像頭，加上4顆環視，共計需要5顆攝像頭。實際主機廠為后續OTA升級預留冗余，單車攝像頭配置遠超本級ADAS所需的攝像頭數量，如特斯拉Model3搭載9顆高清攝像頭，蔚來、小鵬、理想車型攝像頭數量達到10-13顆。攝像頭像素要求升級。大模型提高對感知數據的精細化要求，高分辨率圖像數據可以作為深度學習模型中更新和優化其架構的參數的數據源，車載攝像頭向800萬像素或更高像素級別升級。尤其是前視攝像頭，前視需要解決的場景最多，目標識別任務最復雜，比如遠距離小目標識別，近距離目標切入識別，高級別自動駕駛車輛中都在規劃應用800萬級別的高清像素攝像頭，用于對更遠距離的目標進行識別和監測。目前具備800W像素攝像頭模組生產能力的廠商還比較少，比如說舜宇、聯創電子等。百度Apollo聯合索尼半導體方案公司、聯創電子（LCE）與黑芝麻智能，全球首創超1500萬高像素車載攝像頭模組。執行端|有望加快線控底盤環節國產化進程高階智能駕駛落地進行加快下，執行端的線控底盤重要性凸顯。線控底盤由線控換擋、線控油門、線控懸架、線控轉向、線控制動五大環節組成。線控底盤以電信號代替機械信號，可實現人機解耦，更加適用于自動駕駛車輛。隨著高階智能駕駛的發展，車輛的行駛過程中機器駕駛比例提升，駕駛員百公里接管次數逐漸下降。為保證整車在機器駕駛過程中的安全性，高階自動駕駛車輛在執行層的設計中，需要在制動、轉向等關鍵執行環節實現雙重甚至多重冗余。而考慮到車內空間、信號傳導機制、響應精度等因素，以線控結構替代機械式結構則是實現執行器多重安全冗余的必要條件。看好國產線控底盤零部件供應商崛起機會。目前，線控制動、線控轉向主要由外資Tier1主導，行業競爭格局集中。線控制動主要由博世