汽车和汽车零部件行业AI大模型应用于汽车智能驾驶梳理：吐故纳新如日方升

请务必参阅正文之后的重要声明核心观点1

感知算法升级是L2级向L3级智能驾驶系统跨越的关键。与传统2D+CNN算法相比，BEV+Transformer算法优势体现在：1）感知输出信息精准度更高；2）鲁棒性高；3）泛化能力强，有助于城市高阶智能驾驶落地。感知算法突破+工信部明确扶持L3级商业化落地，国内向L3级商业化加速迈进。

特斯拉智能驾驶系统优势体现在硬件+软件算法+数据。1）硬件：全栈自研车载芯片FSD（硬件+软件+整车强耦合）；计划自研超算平台Dojo，为后阶段高阶智能驾驶发展做铺垫；2）软件算法：率先切入BEV+Transformer大模型算法，现已升级至Occupancy+Transformer；3）数据：车队规模领先+采用仿真模拟补足罕见场景，保证数据数量；采用自动标注提高数据质量。2022年末起华为+新势力车企陆续规划城市领航辅助驾驶功能，预计均将基于BEV+Transformer搭建。

我们判断，1）大模型符合高阶智能驾驶基于数据规模+模型精度增加的算法升级需求，数据是驱动大

模型在高阶智能驾驶落地的关键。2）各车企在数据+硬件+软件算法的布局或将成为L3级智能驾驶能

否兑现的关键。从对比来看，华为基于智能驾驶的软硬件占优；理想基于智能驾驶的数据规模占优。

我们判断，L2/L2+级向L3级高阶智能驾驶迈进的三大要素重要性排序为数据>算法>硬件；随着智能驾

驶等级的推进，预计决策算法增加硬件重要性，三大要素重要性排序或为硬件>=算法>数据。

整车推荐特斯拉、理想汽车；建议关注小鹏汽车，长期建议关注华为智选车模式合作车企。零部件1）

看好智能化驱动电子电气架构集中度提升（行泊一体域控等方案）的发展趋势，建议关注德赛西威、

经纬恒润、科博达；2）看好线控底盘在高阶智能驾驶的应用，推荐伯特利，建议关注耐世特。风险提示：智能驾驶推进不及预期、新能源车需求不及预期、智能驾驶功能落地监管标准趋严。请务必参阅正文之后的重要声明目 录2智能驾驶感知算法梳理特斯拉智能驾驶技术路线梳理国内车企自动驾驶进展对比高阶自动驾驶落地关键分析风险提示3智能驾驶系统：

从模块化向全面端到端渐进智能驾驶系统按工程落地可分为两类：1）模块化：将整个系统划分为环境感知、决策规划、控制执行，车辆将传感器采集到的信息进行感知处理，再将感知结果输入至决策规划层进行分析决策并生成控制命令，最终将控制命令下达至各执行器完成加速、转向、刹车等操作；2）端到端（end-to-end）：车辆将传感器采集到的信息通过深度学习神经网络直接输出驾驶命令（可实现输入图像等感知信息到输出方向盘转角等控制量、输入感知信息到输出车模的状态量如速度和坐标等）。当前，端到端仅应用于感知系统；全面端到端智能驾驶系统需要请务必参阅正文之后的重要声明资料来源：上海人工智能实验室、焉知汽车，光大证券研究所绘制

大量数据支持，具备精简人工复杂升级+泛化性高+硬件成本小等优势，是智能驾驶的终极实现方案。图：模块化和端到端自动驾驶系统传感器执行器感知控制车道线检测3D目标检测障碍物检测红绿灯检测决策规划全局路径规划行为决策运动规划车道保持车辆跟随车道变换制动避障模块化自动驾驶端到端自动驾驶请务必参阅正文之后的重要声明4感知，从L2级跨越至L3级及以上智能驾驶系统的关键智能驾驶，主要包括感知（环境感知与定位）、决策（智能规划与决策）、以及执行（控制执行）系统。当前

技术难度排序分别为感知、执行、决策；其中，决策系统的难度随L3级及以上等级的推进而逐步增加。按《汽车驾驶自动化分级》规定，L3级及以上才属于高阶智能驾驶（

允许脱手）；其中，系统需满足360°感知+车辆精准定位+对驾驶员接管能力实时判断。我们分析，路径规划需依赖感知结果，感知系统是L2级至L3级及以

上跨越的关键。资料来源：国际高新技术研究院，光大证券研究所绘制图：不同自动驾驶等级对自动驾驶系统的要求应急辅助L0

L1L2L3L4L5部分驾驶辅助组合驾驶辅助有条件自动驾驶高度自动驾驶完全自动驾驶驾驶辅助系统（参与者：驾驶员+系统）自动驾驶（参与者：系统）系统复杂度决策难度感知难度请务必参阅正文之后的重要声明5感知算法突破+政策扶持，L3级商业化落地加速迈进资料来源：Yihan

Hu等《Planning-oriented

Autonomous

Driving》，特斯拉AI

DAY，小鹏科技节，光大证券研究所整理

从感知算法的推进来看，行业总体2022年及之前的的商业化应用主要为2D+CNN算法；随着ChatGPT等AI大模

型的兴起，感知算法已经升级至BEV（

Bird’s

eye

view

）+Transformer。目前，特斯拉（2021年）、小鹏+华为+理想等（2023年）已切换至BEV+Transformer，但仍应用于感知端（vs.学术界以最终规划为目标，已提出感知决策一体化的智能驾驶通用大模型UniAD+全栈Transformer模型）。

我们判断，1）感知算法的技术突破+工信部明确扶持L3级商业化落地，有望带动国内向L3级商业化加速迈进；2）

当前端到端算法仍应用于感知端，受限于算法复杂性+大算力要求，感知决策一体的端到端算法落地尚需时日。图：感知决策一体化大模型 图：特斯拉和小鹏汽车的自动驾驶系统算法框架6感知算法突破，BEV+Transformer有哪些技术路线？全新BEV+Transformer算法有三种技术路线：1）纯视觉BEV感知路线（特斯拉）：仅用摄像头，将摄像头感知到的2D特征输入至算法，生成BEV

3D空间，并输出感知信息；2）BEV融合感知路线（华为）：除摄像头的感知信息外还加入激光雷达，在BEV

3D空间进行融合后再输出感知信息（预计小鹏+理想或采用相近方案）；3）车路一体BEV感知路线（百度UniBEV）：在BEV

3D空间内将车端+路端V2X等多传感器采集到的感知信息全部融合。请务必参阅正文之后的重要声明资料来源：焉知新能源汽车，网易，光大证券研究所整理图：毫末智行BEV融合感知路线图：百度UniBEV技术路线7BEV+Transformer，BEV是什么？请务必参阅正文之后的重要声明资料来源：九章智驾，光大证券研究所绘制BEV（Bird’s

eye

view），是在融合车载多视角摄像头感知输入信息后，得到鸟瞰图的感知输出信息（用于后

续路径规划与决策）。与2D+CNN相比（提取2D特征后通过CNN卷积算法得出3D感知输出信息或结果），BEV

通过Transformer可将提取2D特征通过BEV

Queries映射到3D的BEV空间：1）BEV视角下可减少物体遮挡问题；

2）BEV空间内可融合不同视角的传感器信息至同一坐标系，方便编写后续规划和控制命令；3）BEV可实现时序

融合。对应BEV特征级融合，具备更高的感知信息精准度（vs.

2D+CNN采用不同角度拼接+语义分割，后融合）。图：BEV感知架构传感器各类传感器提取特征+融合多传感器融合（BEV空间）多任务输出Single-CameraFrontendLidar

FrontendOther

SensorFrontendsCross-Stream

AlignmentCross-ModalityAlignmentLearnedspatial

&Temporal

AggregationLow-level

-PhysicsSematic-level

EntityExtractionFeatureMapsImplicit

InformationStructure-level

Concepts,Relations,

BehaviorsCamerasLiDARIMUGPSWheel

odometry自动标注EdgeData

MiningCloud-based

WorldReconstructionQuality

InspectionCloud-based

OfflinePerception请务必参阅正文之后的重要声明8Transformer是一种基于注意力机制的神经网络大模型，算法参数达到亿级以上（vs.

CNN仅为千万级别）。Transformer算法更适用于大数据，同时具备较高的鲁棒性（可缓解一定程度的系统+网络风险）+较强的泛化

能力（可缓解Corner-case比如恶劣天气下的模型不稳定性）等特点；具备更稳定+更准确的感知输出信息。资料来源：Zhiqi

Li等《BEVFormer:

Learning

Bird’s

–Eye-View

Representation

from

Multi-Camera

Images

via

Spatiotemporal

Transformers》，光大证券研究所整理图：BEV+Transformer技术路线BEV+Transformer，Transformer大模型如何应用？9重感知+轻高精地图，助力城市高阶智能驾驶落地

除特斯拉之外的智能驾驶系统主要依赖于高精地图：1）辅助环境感知；2）路径规划与决策；3）确定车辆精准

定位。高精地图可视为超距传感器，可形成感知传感器冗余（vs.

特斯拉算法冗余），提升自动驾驶体验和安全。

高精地图存在使用成本高/更新频率慢+法规限制严格+各城市县区推进不统一等风险；

BEV+Transformer具备

更强泛化能力（可缓解无图环境下的感知信息预测偏差风险），全新技术落地更有助于城市高阶智能驾驶落地。请务必参阅正文之后的重要声明资料来源：新智驾，特斯拉AI

DAY，光大证券研究所整理图：高精地图的作用图：Occupancy网络可降低无图不确定性请务必参阅正文之后的重要声明目 录10智能驾驶感知算法梳理特斯拉智能驾驶技术路线梳理国内车企自动驾驶进展对比高阶自动驾驶落地关键分析风险提示11特斯拉：硬件+软件+数据，引领全球技术变革请务必参阅正文之后的重要声明资料来源：汽车之心等，光大证券研究所整理

特斯拉的智能驾驶系统推进大致分为三大阶段。1）2016年之前，Mobileye；2）2016-2017，英伟达过渡；3）2018年至今，FSD软硬件全栈自研。其中，重大技术突破点包括，1）2018年软硬件全栈自研；2）2021年采用

自动标注；3）2021-2022年算法持续升级；4）规划推出全新车载芯片+云端超算平台Dojo。表：特斯拉智能驾驶系统的推进整理2016年之前 2016-2017年2018-2020年2021年 2022年至今软件版本Autopilot1.0 Autopilot2.0Autopilot

3.0（FSD）车道保持、交通感知巡航控制（自适应巡航）、紧急避撞、

召唤功能升级为智能召唤、新增功能可区分大卡车/轿车/摩托车/行

增加NOA功能增强型可视化、交通信号灯和停车标志自动检测人、自动并线、自动泊车、自动大灯高度可调节、召唤功能软件算法2D+CNNHydraNets（2D+CNN）BEV+Transformer Occupancy+Transformer传感器形式纯视觉 纯视觉摄像头+毫米波雷达纯视觉 纯视觉标注形式人工标注自动标注硬件版本HW1.0 HW2.0+HW2.5（2017年推出基于2.0的升级版本）HW2.5+HW3.0HW3.0HW3.0 （2023/3美版Model

S/X或已试搭载HW

4.0）车载芯片Mobileye

EyeQ3 英伟达DRIVE

PX

2FSD芯片*2车载芯片算力/TOPS0.256 1212144 144云端计算平台NA NANA基于英伟达A100组建（规划推出自研超算平台Dojo）云端计算平台算力NA NANA1.8ExaFlops12硬件：全栈自研车载芯片，强耦合自产车型请务必参阅正文之后的重要声明资料来源：焉知汽车，汽车之心，光大证券研究所整理从HW1.0到HW3.0，特斯拉逐渐步入智能驾驶技术全栈自研时代，自HW3.0开始，特斯拉FSD芯片专为自动驾驶

打造（软硬件+整车强耦合），可实现充分利用计算单元+高效迭代产品+成本可控。FSD硬件当前已有HW4.0版本（2023/3美版Model

S/X或已试搭载），包含2个FSD2.0芯片，算力可达300-500TOPS（vs.

英伟达Orin芯片算力254TOPS），基本可满足L3-L4级自动驾驶算力需求（预计L3级为100-200TOPS，L4级为400-600TOPS）。表：特斯拉车载自动驾驶芯片迭代（HW1.0-HW3.0）HW1.0HW2.0HW2.5HW3.0前置摄像头1个Camera（35°）×1/Camera（50°）×1/Camera（120°）×1侧面相机0Camera（90°）×2侧面后置摄像头0Camera（60°）×2毫米波雷达Radar×1（160m）Radar×1（170m）超声波雷达UUS×12（5m）UUS×12（8m）核心处理器Mobileye

EyeQ3×1Nvidia

Parker

SoC×1Nvidia

Pascal

GPU×1英飞凌

TriCore

MCU×1Nvidia

Parker

SoC×2Nvidia

Pascal

GPU×1英飞凌

TriCore

MCU×1FSD芯片×2算力0.256TOPS12TOPS12TOPS144TOPS（单芯片算力72TOPS）ROM256兆字节6GB8GB8GB×2FlashNANANA4GB×2处理能力1倍40倍40倍带冗余420倍带冗余每秒处理帧数361101102300估计功率25W250W（闲置40W）300W220W电源单电源冗余电源搭载车型2014款Model

S/X2016款Model

S/X2017款Model

S/X/32019款Model

S/X/3（少数3仍为HW2.5）13硬件：从车载算力，或逐步拓宽至云端超算平台请务必参阅正文之后的重要声明资料来源：英伟达、特斯拉AI

DAY、腾讯新闻等，光大证券研究所整理

我们分析，1）硬件决定软件算法开发与迭代的上限。2）随着智能驾驶等级的推进，软件算法复杂程度+训练数

据规模在逐步增加，对应数据存储+传输需求也在逐步增加；云端超算平台具备更高算力+高带宽+低延时等特点，

是高阶智能驾驶后阶段硬件发展的主要方向（vs.

当前行业车载芯片或已可满足L3-L4级需求）。

从行业推进来看，1）特斯拉2021年宣布自研超算平台Dojo（当前仍采用英伟达A100算力芯片），规划2H23E

推出；2）华为或采用自研超算平台；3）小鹏、理想、蔚来或租用/外购外部超算中心。表：特斯拉自动驾驶计算平台迭代第一阶段（2D+CNN，英伟达）第二阶段（BEV+Transformer，英伟达）第三阶段（Dojo）时间段2021之前2021至今NA超算芯片NA使用了720个节点的8个NVIDIA

A100

Tensor

Core

GPU（共5,760个GPU）D1芯片带宽NA内存带宽2TB/sD1芯片片上带宽

10TB/s

on-chip

bandwidth（vs.

带宽顶级芯片英特尔Stratix

10MX

仅为1TB/s）片外带宽4TB/s

off-chip

bandwidth存储NA当前已经收集了100万个以每秒36帧的速度记录的10秒片段（总数据量高达1.5PB）30PB视频算力NANVIDIA

A100

Tensor

Core

19.5

TFLOPS（基于FP32）；1.8

exaflopsDojo涵盖3,000个D1芯片；D1芯片

22.6

TFLOPS（基于FP32）；单个Dojo算力可达1.1

Exaflops（计划建7个Dojo，共约8Exaflops）标注手动标注自动标注自动标注14算法：率先切入大模型，已采用Occupancy

Network请务必参阅正文之后的重要声明资料来源：36氪，汽车之心，光大证券研究所整理图：特斯拉自动驾驶算法迭代历程Software

1.0算法：2D+CNN数据标注：人工标注clsreg640×480×1 640×480×4ResNet/RegNetRaw2016

2018Autopilot

4.0算法：HydraNets（2D+CNN）数据标注：人工标注RegNet+BiFPNRawTask

1 Task

2cls regDecoder

TrunkclsattrregDecoder

TrunkRadarMulti-Scale

FeaturesSoftware

2.0算法：BEV+Transformer数据标注：自动标注RegNet+BiFPNRawTask

1 Task

2cls regDecoder

TrunkclsattrregDecoder

TrunkMulti-ScaleFeaturesRawRawRectifyRectifyMulti-ScaleFeaturesRegNet+BiFPNRectifyMulti-ScaleFeaturesRegNet+BiFPNMulti-Camera

Fusion&BEVTransformer2021

2022FSD

Beta算法：Occupancy+Transformer数据标注：自动标注RawTask

1 Task

2cls regDecoder

TrunkclsattrregDecoder

TrunkRawRawRectifyMulti-ScaleFeaturesRegNet+BiFPNRectifyMulti-ScaleFeaturesRegNet+BiFPNRectifyMulti-ScaleFeaturesRegNet+BiFPNMulti-Camera

Fusion&BEVTransformerVideoFeaturesQueue/Video

Module

特斯拉2016年自研自动驾驶算法，其迭代可分为四个阶段。1）2018年之前：采用2D+CNN算法框架，以人工对

数据进行标注；2）2018-2020年：构建多任务学习神经网络架构HydraNet，采用RegNet+BiFPN提取特征；3）2021年：对软件底层代码重写+深度神经网络重构，感知去雷达、推出BEV+Transformer，首次引入大模型、

提出自动标注、规划开发超算Dojo；4）2022年至今：算法从BEV升级到Occupancy，增加时序信息。

我们判断，1）算法从端到端的程度正在加深（当前仍在感知层）；2）算法或可开源，依赖于参数+试错学习。15数据：数量+质量，决定模型算法精度的关键请务必参阅正文之后的重要声明资料来源：特斯拉AI

DAY，光大证券研究所整理图：特斯拉的自动标注系统的挑战图：特斯拉的仿真模拟

我们分析，数据的数量（实测+仿真）+质量（自动标注）是决定智能驾驶算法模型能否进一步优化提升的关键。1）数量：特斯拉全球车队规模领先，可通过数据引擎+数据单元+影子模式采集大量数据；针对真实道路场景中

不常见+数据量不足的案例，可通过仿真模拟丰富数据来源+发掘“长尾场景”（corner

case），用于进行大规

模训练更新完善模型。2）质量：特斯拉采用自动标注，通过算法实现数据筛选、分类和标框等操作；与人工标

注相比，自动标注可以减少人为因素干扰，提高数据质量+降低成本+提高效率。请务必参阅正文之后的重要声明目 录16智能驾驶感知算法梳理特斯拉智能驾驶技术路线梳理国内车企自动驾驶进展对比高阶自动驾驶落地关键分析风险提示请务必参阅正文之后的重要声明17国内车企自动驾驶落地：新势力相继入局L3级资料来源：电动知士、各车企官网，光大证券研究所整理

自2022年末起，小鹏、华为、理想、蔚来均规划落地城市领航辅助驾驶功能；预计均将基于BEV+Transformer搭

建。小鹏（2022/10）、华为（2023/4）、理想（2023/4）先后宣布/公开城市领航辅助驾驶功能落地，我们预计

均将于2H23E实现大规模推广城市领航辅助驾驶功能。我们判断，各车企在数据+硬件+软件算法的布局或将成为

L3级能否兑现的关键。图：新势力L2+自动驾驶落地重要节点20202022马斯克透露重写FSDFSD

Beta FSD

Betav9.0 v10.0etaFSD

Beta FSD

B FSD

Betav11内测 v11 v11.3.2NOP+测试报名NAD小规

NOP+正式模内测 开放导航辅助驾驶上线AD

Max上线1月10月

12月20211月极狐Hi演示视频深圳城区NCA上海城区NCA广州城区 ADS2.0NCA 发布AD

PRO开放NOAAD

MAX3.0发布XNGP4.2.0全景推送扶摇

城市NGP

XNet建成

广州试点

亮相高速NGP公测4月7月

9月

12月FSD

Beta FSD

Beta上线 v8领航辅助NOP上线6月

8月

9月

10月11月12月20231月2月3月4月 6月

7月18国内车企自动驾驶落地：华为ADS2.0或领先全行业请务必参阅正文之后的重要声明资料来源：42号车库，光大证券研究所整理

华为+新势力均具备领航辅助驾驶；其中，我们判断，1）华为ADS

2.0、以及蔚来NOP+，在变道策略调整/人机

共驾方面的体验感更佳。2）华为基于智能驾驶的软硬件占优；理想基于智能驾驶的数据规模占优。1）智能驾驶设计（华为占优）：硬件方面，华为采用自研超算+芯片，蔚小理仍采用外购车载芯片+租用/外购

超算中心；软件算法方面，华为已采用GOD（融合激光雷达的Occupancy+Transformer，或已领先特斯拉），

小鹏/理想/蔚来跟进BEV+Transformer。2）数据方面（理想占优）：理想销量爬坡（2023年销量目标30-35万

辆）+AD

Max智能驾驶系统标配+门店拓宽+从一二线城市向三四线城市推进布局。表：国内新势力领航辅助驾驶匝道场景测评结果对比蔚来NOP+理想NOAXNGPADS

2.0自动驾驶等级L2+L2+L2+L2+匝道路况通过情况绝大部分顺利通过小部分系统降级失败大部分顺利通过小部分系统降级失败小部分未成功变道绝大部分顺利通过小部分系统降级失败极小部分未成功变道绝大部分顺利通过极小部分系统降级失败发起变道时机能根据车道情况调整策略能根据车道情况调整策略固定策略；不能根据车道情况调整策略能根据车道情况调整策略到达车道情况 主动根据右侧车流密度加速/减速，

主动根据右侧车流密度加速/减速，主动根据右侧车流密度加速/减速，主动根据右侧车流密度加速/减速，变道能力较强 变道能力较强 变道能力一般 变道能力强开始降速前与匝道距离合理合理合理合理进入匝道的车速较快较慢较慢较快进入扩展车道时机与稳定性第一时间汇入第一时间汇入非第一时间汇入第一时间汇入Y字路口稳定性稳定偶发分叉路口系统退出稳定稳定弯道稳定性稳定稳定稳定稳定匝道内策略能否按合理的车速行驶限速70km/h，可人工设置时速偏移值大曲率弯道通过时速较快限速大曲率弯道通过时速稍慢阶梯限速80km/h&60km/h经常早降晚升，有拖沓感大曲率弯道通过时速较快限速60km/h方向稳定，几乎无修正动作大曲率弯道通过时速快19国内车企自动驾驶落地：华为ADS2.0或领先全行业请务必参阅正文之后的重要声明资料来源：42号车库，光大证券研究所整理表：国内新势力领航辅助驾驶匝道场景测评结果对比匝道内策略是否有借用第三车道超车策略有无无有百公里无效变道次数低中中中变道积极性高中中中变道能力较高中中高蔚来NOP+理想NOAXNGPADS

2.0出匝道策略进主路提速策略即将进入主路才提速到80km/h即将进入主路才提速到80km/h出弯道立马提速至80km/h进入主路后提速至道路限速即将到达导流线时提速至道路限速汇入主路的策略大部分情况都可汇入主路能力和XNGP接近，但稳定性略逊根据车流选择合适的汇入时机，但对后方更敏感可以主动根据车流情况选择合适的变道时机能否按合理的车速行驶限速70km/h，可人工设置时速偏移值大曲率弯道通过时速较快限速70km/h固定值大曲率弯道通过时速较快阶梯限速80km/h&60km/h经常早降晚升，有拖沓感大曲率弯道通过时速较快限速60km/h方向稳定，几乎无修正动作大曲率弯道通过时速快驶入快车道的策略具备主动汇入快车道的策略具备主动汇入快车道的策略具备主动汇入快车道的策略具备主动汇入快车道的策略人机共驾策略视觉显示信息丰富画面流畅度高显示信息丰富画面流畅度高显示信息丰富可视化的细腻、流畅度欠佳功能开启标识明确可视化显示丰富模型细腻，流畅度出色听觉整体较优部分场景会发生误报部分场景会发生误报语音提示清晰（可关闭）不会打扰乘客请务必参阅正文之后的重要声明20国内车企自动驾驶落地：华为ADS2.0或领先全行业资料来源：各车企官网、腾讯新闻、IT之家等，光大证券研究所整理（注：门店统计时间为2023/6/30，城市等级划分依据《2022城市商业魅力排行榜》）表：特斯拉和主要新势力自动驾驶技术对比特斯拉 华为ADS2.0小鹏XNGP理想城市NOA蔚来NOP+摄像头*8 摄像头*11摄像头*11摄像头*11摄像头*11传感器 毫米波雷达*1 毫米波雷达*3毫米波雷达*5毫米波雷达*1毫米波雷达*5超声波雷达*12 超声波雷达*12超声波雷达*12超声波雷达*12超声波雷达*12激光雷达*1（自研）激光雷达*2激光雷达*1激光雷达*1软件导航地图百度地图华为Petal

Map高德地图高德地图四维图新、百度地图高精地图NA四维图新+自研已收购高精地图资质（智途科技）高德地图百度地图、计划与腾讯合作算法Occupancy+Transformer+时序融合GOD（增加了激光雷达融合的Occupancy）+TransformerXnet(BEV+Transformer+时序融合)Occupancy+Transformer+时序融合BEV+Transformer硬件车载芯片HW4.0,整车算力144TOPS华为昇腾610，算力200TOPS双英伟达Orin（整车算力508TOPS）双英伟达Orin（整车算力508TOPS）四颗英伟达Orin（整车算力1,016TOPS）计算平台搭载英伟达A100的超算平台1.8

exaflops；未来转向自研Dojo

1.1exaflops（计划搭建7个Dojo，供约8exaflops）专门定制的超级中央超算ADCSC（400-800TOPS）基于阿里云智能计算平台建成（超算中心扶摇

600pflops）计划购买超算云服务由NVIDIA

HGX

A100

8-GPU和NVIDIAMellanoxInfiniBand

ConnectX-6构建价格策略国内一次性购买64,000元（简配EAP

32,000元）ADS2.0一次性购买36,000元（2023/6/1-12/31期间仅需18,000元）；订阅包年：7,200元（订阅包月：720元）购买赠送6个月ADS2.0标配（仅G9和P7i

Max）

标配未收费（仅AD

MAX版本和其他版本价差2万元 和其他版本价差4万元订阅包月：380元请务必参阅正文之后的重要声明21国内车企自动驾驶落地：华为ADS2.0或领先全行业资料来源：各车企官网、腾讯新闻、IT之家等，光大证券研究所整理（注：门店统计时间为2023/6/30，城市等级划分依据《2022城市商业魅力排行榜》）表：特斯拉和主要新势力自动驾驶技术对比特斯拉华为ADS2.0小鹏XNGP理想城市NOA蔚来NOP+辅助驾驶累积行驶里程2023/6

FSD

Beta用户累积行驶3.06亿公里NA62% NOA公里超1亿公里2023/4/25用户累积行驶里程超2022/6高速NGP功能里程渗透率

2023/3/23辅助驾驶里程5.5亿公里

100亿公里；辅助驾驶里程8.2亿公里、NOP里程3.1亿公里、NOP+里程2730万公里功能城市NOA开放规划FSD

beta尚未国产导入2Q23完成广州/深圳/上海/重庆/杭州五座城市落地（使用高精地图）；3Q23无图版本将落地15个城市，4Q23将开放到45个城市已在广州、深圳、上海开放付，2H23将逐步增加开放区域2023/1部分用户开放Beta版本；2023/6将向北京、上海内测用户交

2023/7/1试用体验结束开启订阅付费模式（均为高精地图方案）高速场景高速领航NOA上下匝道、通道避障NGP（自动变道、自动超越慢车、自动进出匝道、自动调整限速）高速智能驾驶功能首个落地高速NOA的自主品牌泊车场景垂直泊车、平行泊车APA、AVP代客泊车辅助VPA（自动寻找空位、自动泊入泊出、自动记忆常用停车位）视觉泊车S-APA当前等级 L2+ L2+ L2+ L2+ L2+渠道（共计298家覆盖70个城市）二线84家/三线19家/港澳台9家

当前华为近1,000家门店承担汽车销售（或单独建立华为智选车渠道）家/三线76家/四线39家/五线6家

/三线112家/四线24家/五线11家（共计518家覆盖152个城市） （共计509家覆盖154个城市）门店数一线79家/新一线107家/ 一线90家/新一线153家/二线154

一线65家/新一线169家/二线128家一线64家/新一线115家/二线135家/三线39家/四线15家/港澳台1家，共计369家覆盖98个城市请务必参阅正文之后的重要声明目 录22智能驾驶感知算法梳理特斯拉智能驾驶技术路线梳理国内车企自动驾驶进展对比高阶自动驾驶落地关键分析风险提示23

大模型在高阶智能驾驶的应用已成趋势（BEV+Transformer仅为大模型在感知端的应用）；大模型符合高阶智

能驾驶数据规模增加+模型精度呈指数型增加的算法升级需求。我们分析，大模型涵盖车端、云端算法。1）在车端：大模型主要用于合并检测不同任务小模型、物体检测和车道拓扑预测等；2）在云端：大模型主要

应用在数据自动标注、数据挖掘、小模型训练、自动驾驶场景重建等方面。我们判断，大模型对算法+算力+数

据的要求更高，主要挑战在于数据存储和传输、网络架构搭建、模型训练效率等方面；其中，数据尤为关键。请务必参阅正文之后的重要声明资料来源：机器之心，央广网，光大证券研究所整理图：大模型的突现能力图：腾讯“车云一体”数据闭环框架高阶智能驾驶，数据驱动大模型应用落地24请务必参阅正文之后的重要声明资料来源：百度智能云数据站，焉知汽车，光大证券研究所整理

高阶智能驾驶最大风险为“长尾问题”（corner

cases），增加训练数据规模+提高大模型泛化能力可缓解“长

尾问题”

。我们判断，鉴于大模型应用对数据规模的要求在增加，建立数据闭环是实现高阶自动驾驶的前提。

数据闭环体系包括：1）数据采集：通常在车端设置trigger层，针对特定场景采集数据；2）数据回传：建立车

云一体传输机制（特斯拉通过影子模式实现大量数据采集+回传）；3）数据标注：可通过自动标注获取大规模+

高质量数据集训练；4）模型训练：大模型训练要求高算力+部分训练自动化（特斯拉自建超算平台）；5）仿真

测试：搭建丰富场景库解决场景不全问题（特斯拉采用仿真模拟+数据引擎）。图：不同自动驾驶等级对数据规模的需求 图：自动驾驶数据闭环要素构成模型训练

数据标注数据回传仿真测试场景挖掘数据处理数据采集高阶智能驾驶，数据解决“长尾问题”25高阶智能驾驶，迈向L3级的数据>算法>硬件

我们判断，L2/L2+级向L3级高阶智能驾驶迈进的三大要素重要性排序分别为数据>算法>硬件；后阶段向更高阶

智能驾驶迈进的三大要素重要性排序或为硬件>=算法>数据。1）实现L3级智能驾驶的关键在于全面感知，主要依赖海量+长尾场景数据驱动算法升级优化；其中，无图场景

覆盖还需低线城市数据（vs.

当前车载算力已基本满足L3-L4级需求）；2）高阶智能驾驶等级推进对决策算法要

求增加，全面端到端大模型+车端/云端大模型应用，对算法升级（受制于算法专用芯片利用率+算力）和数据存

储/传输（硬件存储容量/带宽限制）要求也在增加，硬件或为后阶段高阶智能驾驶系统推进的关键。

从具备高阶智能驾驶属性的整车标的推荐顺序来看，首推特斯拉（数据+硬件+算法全面领先）、理想汽车（销

量爬坡）；建议关注2H23E具备销量边际改善机会的小鹏汽车，长期建议关注华为智选车模式合作车企。图：各新势力数据、算法、硬件能力对比数据能力 算法能力 硬件能力特斯拉（TSLA.O） ★★★★★ ★★★★☆ ★★★★理想（LI.O） ★★★★ ★★ ★小鹏（XPEV.N） ★★★ ★★★ ★蔚来（NIO.N） ★★ ★★☆ ★华为 ★请务必参阅正文之后的重要声明资料来源：光大证券研究所整理★★★★★ ★★★★★26高阶智能驾驶，行泊一体域控打造智驾全场景请务必参阅正文之后的重要声明资料来源：汽车之心，光大证券研究所整理高阶智能驾驶量产需要电子电气架构向中央集中式升级（当前为域集中式

vs.

此前为分布式架构）。在域集中式趋势下，