請務必參閱正文后面的信息披露和法律聲明1/36 19%10% 19%10% 0%-10%-19%-29%2023-082023-122024-04數據來源：聚源先，高階智駕落地進行時—行業深度《新能源、出口端放量支撐銷量，關注爆款車、智能化產業鏈—開源中小2023-082023-122024-04數據來源：聚源先，高階智駕落地進行時—行業深度《新能源、出口端放量支撐銷量，關注爆款車、智能化產業鏈—開源中小片的進展，預計將在2024年內完成流片。理想以自動駕駛重構核心l蔚來：NWM推動架構迭代，有芯有魂構筑智駕長期主義大的通用泛化能力；同時能夠進行想象重建與想象推演的世界模型有望在2024Q4進行車端部署。數據閉環方面，蔚來蔚來在硬件架構與軟件架構上進行長期主義布局，統一架構延長增長，反映出蔚來用戶對其自動駕駛的認可程度不斷提高。l受益標的：小鵬汽車-W、理想汽車-W、蔚來-SW。 行業深度報告請務必參閱正文后面的信息披露和法律聲明2/361、小鵬：端到端大模型量產落地，體驗升級成下階段主線 51.1、智駕技術加速演進，XNGP即將實現“門到門”體驗 51.2、端到端大模型拓展能力邊界，智駕領軍車企堅定布局 51.2.1、分段式端到端大模型量產上車，XNGP能力加強 51.2.2、端到端大模型下迭代速度顯著加快，助力體驗升級 81.2.3、智駕領軍車企，圍繞智駕相關領域堅定布局 91.3、XNGP體驗升級，智駕成小鵬“長期馬拉松”關鍵 1.3.1、階段目標“全國都好用”，向“全球都好用”進發 1.3.2、從好用到愛用，小鵬銷量拐點或將到來 2、理想：探索雙系統架構，自動駕駛鎖定第一梯隊 2.1、無圖NOA全量推送，向OneModel進發 2.2、端到端+VLM+世界模型，理想自動駕駛迎來“尤里卡”時刻 2.2.1、端到端+VLM構成快慢系統，最早2024年底推出 2.2.2、世界模型+數據閉環助力理想快速迭代 2.2.3、理想NOA實現不限城市、不限道路的通行能力，體驗升級 202.3、組織面向端到端，云端算力大擴充，理想加碼自動駕駛布局 212.3.1、量產和預研雙線并行，成立端到端實體組織 212.3.2、加大投入拓展云端算力，自研芯片補充車端算力 223、蔚來：NWM推動架構迭代，有芯有魂構筑智駕長期主義 223.1、NOP+全量推送，2024H2上車點到點領航輔助2.0 223.2、世界模型提高通用能力，群體智能助力數據閉環體系 233.2.1、從模型化到端到端，世界模型是下一站 233.2.2、當前蔚來感知規劃全棧網絡模型為NOP+提供了強大的通用泛化能力 243.2.3、世界模型能夠進行想象重建與想象推演，將推動通用能力快速提升 243.2.4、群體智能助力數據閉環搭建，生成式仿真進行快速閉環測試 263.3、軟硬協同能力不斷加強，邁向端到端大模型時代 283.3.1、自研神璣NX9031即將上車，傳感、計算硬件支撐智駕長期主義 283.3.2、NADArch升級2.0，統一架構延長生命力 303.3.3、重組智駕研發團隊，組織架構上面向端到端大模型 304、管中窺豹：從三家新勢力車企進展，看自動駕駛發展趨勢 314.1、趨勢一：城區智駕從擴大覆蓋度到優化體驗快速轉變 314.2、趨勢二：認知智能輔助端到端大模型上車 324.3、趨勢三：布局硬件進行垂直整合，智駕降本成為方向 325、受益標的 336、風險提示 33圖1：小鵬端到端大模型由XNet、XPlanner、XBrain三部分組成 6圖2：小鵬XNet2.0成功引入占用網絡，感知范圍、通用障礙物識別能力大幅提升 6圖3：基于神經網絡的Xplanner具備長時序、多對象、強推理的特點 7圖4：利用大模型，小鵬智駕能“看懂”更多路標等信息 7圖5：端到端技術的使用使得小鵬自動駕駛的進步大大加速 8 行業深度報告請務必參閱正文后面的信息披露和法律聲明3/36圖6：實車測試與仿真測試為小鵬訓練的重要部分 9圖7：全棧數據閉環使城市場景被動接管率降低38% 9圖8：小鵬AI算力儲備達2.51EFlops 9圖9：小鵬布局艙駕融合車載計算中心XCCP 圖10：XNGP正從提高城市覆蓋度向體驗升級轉變 圖11：XNGP覆蓋范圍擴大至全國所有城市 圖12：XNGP是行業唯一實車測試驗證超2595個城市 圖13：XNGP可應用于國內所有公開道路 圖14：小鵬開城方案從“白名單”轉變到“黑名單” 圖15：2024年第四季度，小鵬實現真正的“門到門”體驗 圖16：XNGP可適應掉頭、環島及窄路等復雜路況 圖17：小鵬汽車的智駕處于“全國都好用”的第一階段 圖18：小鵬正著手將XNGP推向世界 圖19：小鵬計劃智駕技術走向全球 圖20：2024年以來，XNGP城區智駕月度活躍用戶滲透率維持80%以上 圖21：2025年底至2026年初，小鵬智能駕駛將進入全新階段 圖22：理想將在三年內實現L4級別無監督自動駕駛 圖23：當前無圖NOA的算法架構是分段式端到端 圖24：理想的自動駕駛開發框架中具有快慢系統 圖25：理想AD3.0的整體框架已經偏向端到端模型 圖26：通過VLM/世界模型才能夠應對真實世界中的未知場景 圖27：視覺大語言模型可以很好的識別駕駛場景并做出決策 圖28：系統2的模型參數量達到22億 圖29：VLM在車端能夠以3.34Hz頻率運行 圖30：理想使用重建+生成的世界模型進行快速驗證 圖31：理想自動駕駛訓練使用高度自動化的閉環學習 20圖32：2024年6月理想智能駕駛累計里程達19億公里 20圖33：無圖NOA的四大能力 20圖34：無圖無先驗，哪里都能開 20圖35：繞行絲滑，決策不磨嘰，時機更果斷 21圖36：分米級微操，駕駛更默契，家人更安心 21圖37：RD與PD明暗雙線滾動開發加快自動駕駛迭代 21圖38：隨著NOP+全量推送，用戶數也在快速上漲 23圖39：蔚來規劃部分基于三層的數據驅動的網絡 24圖40：世界模型是蔚來智能駕駛技術下一步重點布局方向 25圖41：世界模型能夠進行空間理解與時間理解 25圖42：重建的視頻模型收斂速度更快 26圖43：世界模型能夠推演平行世界，真實多變 26圖44：群體智能和生成式仿真可以滿足整體的世界模型的數據需求 27圖45：群體智能系統能夠幫助蔚來進行高效的數據挖掘 27圖46：通過群體智能，蔚來的城區道路可用范圍迅速提升 27圖47：群體智能+NSim可以解決NWM數據問題 28圖48：NWM生成結果可以進入到NSim進行推演 28圖49：神璣NX9031已流片，制程為5納米 29圖50：ADAM計算平臺集成4顆Orin-X 29 行業深度報告請務必參閱正文后面的信息披露和法律聲明4/36圖51：支持實現智駕、智艙最大256TOPS算力共享 29圖52：NADArch2.0具體功能收斂到點到點的全域領航2.0與智能安全輔助2.0 30圖53：蔚來已經幾乎能夠做到有路就能開，但在部分道路仍不能應對 31表1：小鵬2024Q4實現真正的“門到門”體驗 5表2：理想OTA6.0推送無圖NOA，實現功能大升級 表3：理想自動駕駛演進中，端到端范式減少大量代碼 20表4：蔚來NOP+已在2024年4月全量推送 22表5：三家新勢力車企都已覆蓋全國，下一階段目標為優化全國城市智駕體驗 31表6：良好的數據閉環不僅能在智駕里程數據中學習，還能利用智駕里程數據學習 32表7：各大車企在2024年均將算力推升到更高水平 32表8：選擇城市領航輔助功能仍需付出較高成本 33表9：受益標的盈利預測及估值 33 行業深度報告請務必參閱正文后面的信息披露和法律聲明5/36海開放城市領航輔助功能，彼時XNGP功能的實現仍是模式開發自動駕駛較為簡單，但道路覆蓋有限，用戶體驗不夠完整。2的體驗。短短三年半的時間，小鵬的自動駕駛持續突破，端到端大模型技術大大加速小鵬自動駕駛進程。）；XNGP無圖正式推送，城市智駕開放25資料來源：晚點LatePost公眾號、小鵬汽車公型XBrain形成合力。在小鵬上一代的自動駕駛系模型，其余的模塊基本都是人工定義的規則，這需要大量的人工定義的規則，在人左右各類人工定義的規則，而一個無限接近人類司機的自動駕駛系統，大概等效于10億條規則，這對于需要快速更新迭代的自動駕駛系統來說是難以承擔的。端到端端大模型由神經網絡XNet+規控大模型XPlanner+大語言模 行業深度報告請務必參閱正文后面的信息披露和法律聲明6/36系統的適應能力；“動態XNet”則具有對周邊環境和交通參與者的行為進行預測與博弈的能力，并給出合理的決策，能夠處理復雜的交通情況，提高駕駛的安全性和舒請務必參閱正文后面的信息披露和法律聲明7/36象、強推理的特點，能夠結合分鐘級以上的時序連續分析動機，并依據周邊環境信息及時變通，生成最佳的運動軌跡，可以比作智能駕駛的小腦。通過海量“五星司機”的駕駛數據對規劃大模型XPlanner進行訓練，基于數據驅動模式迭代，取代人類手寫規則代碼，能讓智駕系統的駕駛策略向著擬人化進化。效果上，規劃大模型XPlanner能夠讓小鵬汽車的智駕系統在真實道學習和理解的能力，以此來賦予智駕系統處理復雜場景甚至未知場景的泛化處理能轉區、潮汐車道、特殊車道甚至是路牌文字，秒懂各種令行禁止、快慢緩急的行為指令，進而做出兼顧安全、性能的擬人駕駛決策，做出兼顧安全和效率的擬人駕駛 行業深度報告請務必參閱正文后面的信息披露和法律聲明8/36解釋性的前提下，逐漸提升各部分的一體化程度。小鵬的端到端大模型可分為三大到端技術難度更低，同時對于算力和數據的要求也低的多：單一大模型的端到端智端到端時代，小鵬智駕迭代速度顯著加快。迭代速度端到端小鵬高速NGP功能在的是，除了實車數據之外，小鵬的數據量中也一定程度使用了仿真的合成數據，幫對數據的清晰處理以及高效的挖掘和解讀是小鵬高效迭代的重要抓手。純數據驅動云端模型訓練并結合仿真能力，自動駕駛算法的長尾場景應對能力將大幅提升。小數據獲取及算法測試成本將大幅下降。 行業深度報告請務必參閱正文后面的信息披露和法律聲明9/36以提升端到端自動駕駛演進的效率。 行業深度報告請務必參閱正文后面的信息披露和法律聲明10/36架構的核心計算節點，集成了包括智能駕駛、座艙、儀表、網關、IMU、功放等功汽車就走了接近20個月，這也是中國智能駕駛從高精地圖，到無圖，演進至端到 行業深度報告請務必參閱正文后面的信息披露和法律聲明11/36對城市里部分白名單道路開放，或只招募部分滿足一定門檻的白名單用戶開放，如圖14：小鵬開城方案從“白名單”轉變到“黑名單”請務必參閱正文后面的信息披露和法律聲明12/36駛輔助系統，面對環島、掉頭等復雜場景，只能通過工程師大量編寫相應的規則代景，都能夠實時應對。依賴規則做到智駕全球化的需要人工編寫各地的不同規則，落地成本較高，要實現請務必參閱正文后面的信息披露和法律聲明13/3684%84%85%83%84%82%82%84%84%85%83%84%82%82%——XNGP城區智駕月度活躍用戶滲透率二階段的能力。小鵬預計其XNGP將在2025年底至2026年初進同時做到加減速變道超車等操作絲滑流暢，提升用戶體驗，讓用戶真正愛用智駕。面向用戶的XNGP將有望贏得用戶認可，激活消費者智駕需求，滲透率有望請務必參閱正文后面的信息披露和法律聲明14/36理想全國無圖NOA全量推送實現快速追趕。理想2021年開始自研自動駕駛，域的快速追趕。此后理想自動駕駛加速迭代，算法從傳統模塊化架構演進至分段式L2量產落地發布ADProADMax3.0進階版（城市NOA在全國范圍開放）向部分用戶推送推送端到端+VLM視覺模L2量產落地發布ADProADMax3.0進階版（城市NOA在全國范圍開放）向部分用戶推送推送端到端+VLM視覺模型+世界模型的智能駕駛體系2021.122022.092024.04最早2024年底 2019.04推送ADMax3.0，全場景智能駕駛NOA覆蓋100個城市2023.122021.052023.062022.032024.022027年內搭載高精地圖發布ADMax開啟北京和上2021.052023.062022.032024.022027年內搭載高精地圖發布ADMax開啟北京和上海的城市NOA城市NOA已推送全國113個城市三年內，實現L4級別無監督的自動駕駛2024.07正式推全國無資料來源：理想汽車公眾號、有個理想公眾號、佐思 行業深度報告請務必參閱正文后面的信息披露和法律聲明15/36理想ADPro標配的高速NOA功能上線；優化了規劃算法逐步切換為時空聯合規劃算法，更新了MPC模型預測控制算法；擁有包AEB精準識別更多靜止障礙物智能泊車偏左、居中、偏右自由選高速NOA貨車避讓增強理想無圖NOA全量推送，不依賴高精地圖等先驗信息，可在資料來源：IT之家官網、智車派公眾號依賴高精度地圖的百城NOA推送。在使用NPN算法以輕圖方理想于2024年7月全量推送無圖NOA。第一代：NPN架構包含感知、定位、規劃、導航、NPN等模塊支撐理想汽車100城城市NOA推送第二代：分段式端到端架構（TwoModel）包含感知、規劃、導航模塊，模塊更少支撐現階段理想無圖NOA全國都能開的實現 行業深度報告請務必參閱正文后面的信息披露和法律聲明16/36駛開發擺在顯著地位的理想，在功能實現突破后，也讓用戶選擇智駕車型的熱情水慮購車時更愿意了解體驗理想的智能駕駛；在購深，理想智駕車型的比例已經達到70%理想有望在智能化的競爭中維持領先。如一些本能行為，皮膚的燙傷，迎面飛來的物體，需要我們盡可能快的速度做出反間使用系統2，所以人不需要每天學習CornerCase理大部分常規場景，類似肌肉記憶的應激反應來處理一些直覺、快速響應的事情，在駕駛場景中可以直觀理解為傳感器看到場景緊接著車來做出決策和動作；慢系統 行業深度報告請務必參閱正文后面的信息披露和法律聲明17/36高效的信息傳遞，減少信息損失；能夠實現高效的計算，一次性完成推理的延遲更低；能夠實現高速的迭代，在數據驅動下做到周級甚至是亞周級的迭代。在理想的大概一個月經過十輪左右的訓練，基本就可以完成一個要部分感知環節進行一部分的模型化，在其它部分還是以基于規則為主。隨著開城豐富的場景，數據驅動的算法成為主流，算法上的變化表現在所有的模塊感知、規控都逐漸模型化，完整的端到端從感知、跟蹤、預測、決策到規劃都模型化。而到一定能實現良好應對，理想認為在這種場景中，需要知識驅動，需要自動駕駛具有常識、能夠對真實世界進行理解，這就需要多 行業深度報告請務必參閱正文后面的信息披露和法律聲明18/36機時刻觀察周圍的環境，并且與導航地圖的圖像進行模態對齊，對齊的結果將被輸到端模型參數量只有3億，而系統2作為大模型，其參數量達到了22億，比端到端則有望實現快慢模型合一。理想正在預研將模型做更大、幀率變更高，同時車端算圖29：VLM在車端能夠以3.34Hz頻率運行 行業深度報告請務必參閱正文后面的信息披露和法律聲明19/36數據驅動之下，驗證能力幫助自動駕駛快速鋪開。理想通過快速試錯的方式快速推廣無圖方案，具體流程是先找封閉區域驗證范式，一旦跑通立馬加上安全兜底策略僅成本高，且周期較長。在之前的自動駕駛開發中，是先設計功能再研發，一項項功能去測試驗證；而在數據驅動的時代，理想認為傳統的功能驗證應當轉變為對自重建+生成的世界模型具有良好的泛化性。理想使用重建+生成的方取長補短，能夠生成很多符合真實世界規律但是沒有見過的場景，內部也稱其為系環進行很好的聯動，假設車主接管后，一段Cl世界模型自動生成類似場景，變成錯題庫，同時在已有錯題庫中檢索或在數據庫中挖掘類似場景，聯合訓練出新模型；新模型再回到世界模型中進行兩次考試：一次在原場景中，一次在生成的類似場景中，通計行駛里程超過20.6億公里。理想為篩選數據，定義了五星級司機標準，并對用戶的完整數據，包括視覺傳感、車輛狀態、油門剎車等操作信息數據。在訓練方面，端到端本質上是模仿學習，目的是學習行駛軌跡，但型就會知道什么駕駛行為是錯的，訓練出來的模型無論是駕駛技巧還是價值觀都會 行業深度報告請務必參閱正文后面的信息披露和法律聲明20/36-NPN不依賴先驗信息真正做到哪里都能開。不限道路、不限城市，偏僻小城窄路、鄉村小路、錯綜山路等都能流暢通行，無車道線、臨時施工等路段都不NOA真正像人一樣思考和規劃。遇到電瓶車、自行車、行人請務必參閱正文后面的信息披露和法律聲明21/36早更準預測加塞車輛、橫穿車輛和騎行人，更精確控制距離，更得當地加速減速。讓全家人在使用智能駕駛時謹慎而不緊張，安全且更安心。是NPN和無圖的量產交付，在目前是雙系統的交付；RD是研發，負責預蒸餾或者強化學習的方式，把大模型的知識都放到車端。如此滾動開發架構下，理 行業深度報告請務必參閱正文后面的信息披露和法律聲明22/36法、行為智能、認知智能等組，其中行為智能包含端到端架構、端到端模型、控制充，端到端架構衍生出來的城市智駕，將很可能達到高速上的駕駛體驗。基于NT2.0平臺的NOP+是蔚來全棧自研，并于2022年底開速功能。在城市領航輔助功能上，與其他車企擴展覆蓋度的“開城”方式不同，蔚來專注于對特定路段進行深度優化和精確覆蓋，確保其智能駕駛系統在多變的道路覆蓋726城，標準是以90%主干道為最NOP+在北京五環內的高速公路和城市快速路上線；蔚來NOP+增強領航輔 行業深度報告請務必參閱正文后面的信息披露和法律聲明23/36NOP+可用范圍的擴大，另一方面是用戶對NOP+的接受度不斷提高，開始讓NOP+在城市中行駛更多里程。蔚來自動駕駛的用戶認可度也在不的增長，NOP+的商業閉環正逐步打通。30.8028.7526.6333624.5833619.3221342902024年3月2024年4月2024年5月2024年6月2024年7月0——NOP+用戶數（萬人）——智能駕駛城區行駛里程（萬公里）力要求較高，要求能夠快速訓練與快速驗證。蔚來在2023年中將規控模塊中加入AI神經網絡實現模型化，而當前階段大部分玩家僅做到感知模型化，在規控端還沒據丟失的問題。端到端下對于數據驗證體系的要求將更高。蔚來首先將端到端技術 行業深度報告請務必參閱正文后面的信息披露和法律聲明24/36變分辨率的架構解決遠近物體識別的問題，同時在云端訓練一個大模型進行無監督通過分層搜索的形式，找到最優解。具體而言，通過多模態的注意力網絡從感知數推演，在具體的行為規劃和控制過程，采用獎勵函數網絡給出一個最舒適、擬人化的結果。最后將結果送入凸優化的空間進行兜底，保證輸出的結果安全。感知端和能自動地抽取信息，減少了很多信息損失，使得對于數據的利用更加充分。但僅依賴單一端到端的模型的話，時間維度信息的融合和推演都是定長的邏輯，自動建模長時序信息的能力相對匱乏，不能夠預測未來事件并評估其影響，也就是無法真正理解時空變化，這樣的端到端永遠無法達到人駕一般舒適、安全與效率。 行業深度報告請務必參閱正文后面的信息披露和法律聲明25/36來創新科技日上，蔚來正式發布中國首個智能駕駛世界模型NWM（NIOWorldModel即可以全量理解信息、生成新的場景、預測未來可能發生的多元自回歸生成模型。相比于常規的端到端的模型，新的世界模型有三個主要的優勢1）空間理解上，通過生成式模型重構傳感器輸入方式，更加泛化地抽取信息，能夠全量理想象重建能力：從原理上講，世界模型能夠輸入一個真實世界的行車視頻，輸出另外一個更平行的世界，相當于對整體世界做再一次的重構，變成類似于真實駕駛環境的原始信息，減少信息的損失，算法的空間理解能力加強，而這一定程度上意味著它具備了解決這些場景中駕駛問題的能力。從算法端講，它是自監督的過程，不任務更困難，監督信息更多，使得模型收斂速度更快。 行業深度報告請務必參閱正文后面的信息披露和法律聲明26/36想象推演能力：從原理端講，世界模型能夠持續地去想象推演，持續地以自回歸的在0.1秒內，推演216種可能發生的軌跡、尋找最優路徑，下一個根據外界信息輸入去再生成新的216種可蔚來計劃將世界模型進行車端部署，將其結果作為預測參考通過群體智能與生成式仿真能夠滿足世界模型訓練的數據需求。世界模型作為多元成式仿真為核心來滿足更大的數據需求。通過群體智能系統，挖掘日行千萬公里的真實場景可成為正負樣本的訓練數據，篩選重點場景后驗生成式仿真，進行三維重請務必參閱正文后面的信息披露和法律聲明27/36能夠篩選掉99%無用數據并經過復雜自動化流程處理后回傳云端，使車輛不光在智面，蔚來群體智能架構，能夠在量產車上分布式驗證用戶行駛過的道路以及使用過加速實現智能駕駛系統升級迭代，保證智能駕駛用戶體驗持續進化。 353.9353.9103.965.232.06.5103.965.232.06.572.684.7—— 行業深度報告請務必參閱正文后面的信息披露和法律聲明28/36切換到任意角度，分析環境細節信息，可以根據所需去動態地編輯物體，也可以讓做對比，給到更多數據給到NWM訓練，讓輸出的智駕軌跡和體驗持大規模并行的訓練。此外，蔚來也已打通邊緣計算能力，使得整個車云算力聯合力集群，分布式計算也是蔚來算力布局的重要構艦芯片的能力。神璣NX9031將于202法的緊密融合，有能力支持蔚來智能電動汽車進一步提升用戶體驗。 行業深度報告請務必參閱正文后面的信息披露和法律聲明29/36蔚來自動駕駛面向未來，軟硬件支持長生命周期迭代。汽車智能化進展飛速，產品的生命周期在縮短，產品生命力也逐漸成為影響消費者的購車選擇的因素之一。在能夠堅持兩代平臺，而現在每代平臺的間隔期約3-4年。蔚來在軟件層面統一架構，做到軟件部分有85%的模塊級復用度，在硬件層面采用高性能傳感器與計軟硬結合之下，蔚來車型生命力得以延長，支撐蔚來的“長期主義 行業深度報告請務必參閱正文后面的信息披露和法律聲明30/36持NT2.0平臺車型統一架構，統一架構最直觀的優點是降低了后續的維護迭代的成本，同時能夠大大延長架構的壽命。統一的架構下能夠提高復用程度，如樂道品牌與蔚來的軟硬件同架構，底層架構相通，可以數據共享。務共有四個團隊，分別為算法團隊、硬件團隊、操作系統和數據安全團隊，其中算法團隊由蔚來智能駕駛研發副總裁任少卿負責，下設感知部、規劃與控制部、環境信息部、方案交付部、地圖定位部等多個部開發及服務撤銷了原來的感知部、規劃與控制部、環境信從組織架構上面向端到端，或將加速蔚來自動駕駛迭代。調整前，蔚來智駕研發部按照感知、地圖、數據、規控等模塊進行分部門管理，再以項目為核心串聯起各個垂直的算法部門進行交付，算法模塊部門是實體組織，項目則是橫向的虛線組織。型部”、“部署架構與方案部”負責，前者持未來車端的迭代，后者負責車端自動駕駛的產品化與交付，工作流程上則以項目為中心組合各方，將橫向組織縱向化。新架構下，將有效減少內部溝通阻力與資源損耗，集中力量實現自動駕駛的高效迭代。 行業深度報告請務必參閱正文后面的信息披露和法律聲明31/36相布局的方向。歷時將近一年的開城角逐之后，理想與小鵬先后全量推送無圖化的城市領航輔助功能，能夠做到全國所有城市道路都能開，蔚來采用道路驗證開通的353.9萬公里，城市NOP+功能或已臨近上限，但也幾乎做到實現全覆蓋后，下一步就是優化在城區智駕的體驗。用的問題。在能夠將用戶群體覆蓋到全國范圍之后，下一步就是如何能夠在全國范圍的市場中吸引用戶，車企馬不停蹄角逐下一場，以期能夠用不斷豐富、完整的功能打動用戶，在自動駕駛競爭中把握主動權。提升體驗的方向包括減少道路斷點、實現門到門體驗，減少接管次數、駕駛更符合人性等等，而自動駕駛往往是“行百請務必參閱正文后面的信息披露和法律聲明32/36端到端大模型成為無圖城市領航輔助落地的最大功的共識。小鵬、理想、蔚來在落地無圖城市領航輔助時，都選擇了端到端的路線，三家目前采用的都是分段式的端到端，而理想與蔚來都在向OneModel進發。總體來說，在端到端范式下能夠實現數據驅動，迭代的速度將會快于人工修改代碼的模塊化方案。在端到端大模型落地的過程中，數據、算力兩要素同樣缺一不可，數據方面不僅要求有足夠的數據采集能力，還要求能夠形成高效的數據閉環體系將數據高效利用，而算力為訓練提供基礎，端到端自動駕駛的迭代已成為系統工程，對車企研發能力、組織架構等都提出挑戰。資料來源：特斯拉官網、蔚來公眾號、理想截至2024年8月，理想云端算力規模已達到4.5EFlops認知智能與端到端相結合，各家車企探索更高級自動駕駛之路。在算法方面，小鵬僅靠端到端來實現自動駕駛仍會有難以處理場景，因而需要這些認知智能系統賦予自動駕駛處理復雜場景甚至未知場景的泛化能力。在當前端到端成為共識，但是對于未來的探索仍在持續。為更好探索端到端架構下的自動駕駛演進方向，各家車企也進行了組織架構的變革，提高組織的應對效布局芯片等關鍵零部件，硬件的垂直整合提上日程。無論是蔚來、理想還是小鵬，小鵬自研的芯片也已經流片，理想自研芯