1、请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明行行业业研研究究行行业业深深度度研研究究报报告告证券研究报告证券研究报告industryId汽车行业汽车行业推荐推荐(维持维持）重点公司重点公司重点公司重点公司EPS（元）（元）评级评级2023E 2024E科博达1.572.15增持德赛西威2.943.94增持经纬恒润2.503.65增持均胜电子0.580.85增持保隆科技1.902.52增持来源：兴业证券经济与金融研究院relatedReport相关报告相关报告【兴证汽车】电动智能的征程2：新势力的突破之路：从“0-1”到“1-10”的新挑战【兴证汽车】电动智能的征

2、程1：特斯拉的崛起之路：核心挑战与解决方案【兴证汽车】造车新势力系列深度 1家庭用车：朝阳赛道风景独好，看好理想及产业链 2022-04-20emailAuthor分析师：分析师：戴畅S05董晓彬S01投资要点投资要点summary前言：前言：AI 加持下，加持下，2023H2 高阶智能驾驶从高速延伸到城市，智能功能提升和使用场景扩高阶智能驾驶从高速延伸到城市，智能功能提升和使用场景扩展将驱动消费者认同提升和车企技术迭代加快，高阶智能驾驶有望从理想到现实，进入蝶展将驱动消费者认同提升和车企技术迭代加快，高阶智能驾驶有望从理想到现实，进入蝶变时刻，高阶

3、智能化车型销量有望超预期，智能化相关公司成长速度有望超预期。变时刻，高阶智能化车型销量有望超预期，智能化相关公司成长速度有望超预期。理论方法突破：理论方法突破：AI 大模型用于感知融合，后续有望实现端到端。大模型用于感知融合，后续有望实现端到端。智能驾驶系统可分为感知，预测，规划，控制几个主要模块。过去，一些智能驾驶的方案中感知，预测等模块采用了 CNN 和 RNN 等 AI 模型。2020 年 Transformer 模型引入CV 领域和智能驾驶领域后，通过 Attention 机制，兼备 CNN 易于并行化的优势和 RNN 模型可以捕捉长序列内的依赖关系的优势，有效提升感知模块的特征提取等

4、环节的效果，加速了智能驾驶算法的升级。（1）目前，特斯拉等头部玩家基于 BEV+Transformer 做特征融合，并结合占用网络将目标检测升级为语义分割，提升感知能力，并减少对高精地图的依赖。（2）未来，有望基于 Transformer 大模型实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号，进一步提升智驾能力。产业进展突破：海外特斯拉产业进展突破：海外特斯拉 FSD 快速升级，国内城市领航辅助即将规模落地。快速升级，国内城市领航辅助即将规模落地。特斯拉 FSD 新一代的升级即将完成,“超级计算机”Dojo 投产运行将助力 FSD 性能跃升，同时年内有望推出 V12 版本并应

5、用端到端 AI 技术，未来海外渗透率有望大幅提升。国内车企城市 NOA 功能下半年有望大规模落地，意味着高阶智能驾驶进入城市场景。对于用户来讲，高阶智能驾驶的体验将大幅度提升。而开放城市场景后更加丰富的数据，有望使得头部车企算法迭代速度加快。国内高阶智能化蝶变时刻：供给创造需求，高阶智能驾驶渗透率有望加速提升。国内高阶智能化蝶变时刻：供给创造需求，高阶智能驾驶渗透率有望加速提升。优质供给驱动需求，高阶智能驾驶有望快速上量。（1）复盘国内 SUV 渗透率和新能源渗透率的提升过程，可以看到当渗透率超过 5%-10%区间后快速提升，供给优化驱动渗透率快速提升。（2）当下高阶辅助驾驶功能的核心问题不在

6、于需求，而在于体验和成本。利用 BEV+Transformer，一方面可以提升辅助驾驶功能的体验，另一方面可以降低硬件成本。按照当前已知车企规划估计，2025 高阶辅助驾驶渗透率有望接近 10%，之后伴随着体验的升级和成本的下降，高阶辅助驾驶渗透率有望快速增长。产业影响：整车格局有望出现新变化，高阶智能化相关零部件放量有望加速。产业影响：整车格局有望出现新变化，高阶智能化相关零部件放量有望加速。整车格局方面：生产技术/产品技术/需求挖掘的代际变革和边际优化是车企崛起的内核驱动力，从 L2+到城市 NOA 是智能技术的代际升级，领先车企有望借助高阶智能化实现销量和份额的提升。零部件方面,域控制器

7、、线控制动、毫米波雷达、摄像头以及 4D 毫米波雷达等是智能化受益新赛道，在城市 NOA 驱动高阶智能化渗透率加速提升过程中，相关受益零部件放量有望超预期。投资建议：投资建议：AI 加持+城市 NOA 落地，高阶智能化迎来蝶变时刻，看好高阶智能化的产业机会！整车方面，推荐城市 NOA 技术落地速度领先的小鹏汽车小鹏汽车（港股团队覆盖）、理想汽车理想汽车（港服团队覆盖）、比亚迪比亚迪、长城汽车长城汽车，关注华为合作车企赛力斯；零部件方面，推荐受益高端智能化的 科博达科博达（车身与底盘域控放量）、德赛西威德赛西威（座舱与智驾域控放量）、经纬恒润经纬恒润（智能驾驶产品布局丰富）、均胜电均胜电子子（座

8、舱域放量）、保隆科技保隆科技（ADAS 相关业务拓展）。风险提示：风险提示：城市 NOA 落地不及预期，高阶智能化安全事故，智能化降本不及预期，高阶智能化新车销量不及预期智能驾驶系列深度之六：智能驾驶系列深度之六：AI 加持加持+城市城市 NOA 落地，高阶智能化迎来蝶变时刻落地，高阶智能化迎来蝶变时刻createTime12023 年年 07 月月 18 日日 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-2-行业深度研究报告行业深度研究报告目目 录录一、理论方法突破：AI 大模型用于感知融合，后续有望实现端到端.-4-1.1智能驾驶系统的核心模块与功能.-4

9、-1.2 Transformer 大模型的演进与原理.-6-1.3 Transformer 在智能驾驶的具体应用.-12-二、产业进展突破：海外特斯拉 FSD 快速升级，国内城市 NOA 即将规模落地.-16-2.1特斯拉：FSD 海外推广顺利，年内有望推送 V12版本.-16-2.2国内主机厂新一代智能驾驶系统城市领航辅助 2023H2开始落地.-18-三、国内高阶智能化蝶变时刻：供给创造需求，渗透率有望大幅提升.-22-3.1 SUV 及电动化发展复盘：5%-10%渗透率后，供给优化驱动渗透率快速提升-22-3.2高阶智能驾驶：2023H2供给侧质变，后续渗透率快速提升.-23-四、产业影

10、响：整车格局重构和零部件赛道重估.-25-4.1 整车格局可能因为智能化突破产生新的变化.-25-4.2智能驾驶增量/全新部件市场空间的增长有望超预期.-27-五、投资建议：AI加持，看好高阶智能化的产业机会.-29-六、风险提示：.-30-图目录图目录图 1、智能驾驶系统的主要模块.-4-图 2、传统的智能驾驶方案（后融合）.-5-图 3、基于感知大模型的智能驾驶方案（BEV+Transformer做特征融合）.-5-图 4、基于端到端大模型的智能驾驶方案（感知决策一体化）.-6-图 5、Transformer 大模型发展历程.-6-图 6、Transformer 大模型的演进.-7-图 7

11、、Transformer 大模型进化树.-7-图 8、注意力机制中 Q,K,V 的来源.-7-图 9、自注意力机制的计算.-7-图 10、多头注意力机制示意图.-8-图 11、多头注意力的计算.-8-图 12、Transformer 模型的原理示意图.-8-图 13、前馈神经网络示意图.-9-图 14、反馈神经网络示意图.-9-图 15、卷积神经网络（CNN）示意图.-9-图 16、循环神经网络（RNN）示意图.-9-图 17、VIT 模型整体架构.-10-图 18、目前主流用 BEV+Transformer 的方法.-11-图 19、Transformer 实现图像的时空融合的原理示意图（以

12、 BEVFormer 为例）.-11-图 20、Transformer 实现多模融合原理示意图（以摄像头和激光雷达融合为例）.-11-图 21、BEV 感知架构.-12-图 22、特斯拉摄像头覆盖 360度车身.-12-图 23、特斯拉各个摄像头信息融合形成鸟瞰图.-12-图 24、特斯拉将 8 个摄像头的信息融合到 BEV空间.-13-图 25、特斯拉实现目标检测的网络架构示意图.-13-图 26、HydraNets 采用类 Transformer 的架构.-13-图 27、特斯拉 Occupancy Network 结构示意图.-14-图 28、目标检测示意图.-14-图 29、语义分割示

13、意图（左图 2D 右图 3D）.-14-图 30、CVPR2023最佳论文提出的端到端的辅助驾驶算法框架 UniAD.-15-OYdUkUhUlXfUDW9YiX6MbP6MoMoOmOoNiNqQrOeRnMyR6MnNyRuOtOqPNZqRsR请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-3-行业深度研究报告行业深度研究报告图 31、FSD 分区域销量渗透率情况.-17-图 32、小鹏智能驾驶发展路径.-19-图 33、蔚来智能驾驶发展历程.-20-图 34、理想汽车智能驾驶发展进程.-20-图 35、国内 SUV 渗透率.-22-图 36、国内新能源乘用

14、车渗透率.-22-图 37、2009-2014年 SUV 市场销量 TOP10 的产品（单位：辆）.-23-图 38、2018-2020年新能源市场销量 TOP10的产品（单位：辆）.-23-图 39、目前特斯拉/华为/小鹏/理想/蔚来智驾硬件成本估计（单位：元）.-24-图 40、高阶辅助驾驶渗透率展望(单位：万辆).-25-图 41、生产技术/产品技术/需求挖掘的代际变革与边际优化（横轴为年份）.-26-图 42、大模型的“涌现”现象示意图.-27-表目录表目录表 1、FSD 发展历史情况.-17-表 2、2023各车企城市 NOA 相关进展及规划.-18-表 3、特斯拉/华为/小鹏/理想

15、/蔚来辅助驾驶硬件配置梳理.-24-表 4、智能驾驶相关赛道市场空间测算.-28-表 5、相关标的盈利预测与估值（市值与 PE对应 2023年 7 月 17日收盘价）.-30-请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-4-行业深度研究报告行业深度研究报告报告正文报告正文一、理论方法突破：一、理论方法突破：AI 大模型用于感知融合，后续有望实大模型用于感知融合，后续有望实现端到端现端到端1 1.1.1 智能驾驶系统的核心模块与功能智能驾驶系统的核心模块与功能智能驾驶系统可分为感知（智能驾驶系统可分为感知（Perception），预测（，预测（Predictio

16、n），规划（，规划（Planning），控制（控制（Control）几个主要模块。）几个主要模块。感知模块（感知模块（Perception）主要负责车周信息感知和目标检测。）主要负责车周信息感知和目标检测。感知模块输入各类传感器的数据，输出车道线，行人，车辆等的位置和轨迹等信息。感知算法的核心是融合各类传感器的信息，精准识别物体的类别与位置（需要 2D 还原为 3D）。预测模块（预测模块（Prediction）主要负责预测车周物体的运动，评估障碍物下一时刻可）主要负责预测车周物体的运动，评估障碍物下一时刻可能的动作。能的动作。预测模块输入车周物体和车辆自身的位置与速度等信息，输出物体运动轨迹的

17、预测。决策规划模块（决策规划模块（Planning）主要负责计算车辆下一时刻的运动路径，向控制模块）主要负责计算车辆下一时刻的运动路径，向控制模块输出指令。输出指令。规划与决策在开发环节往往结合在一起，包括三个层次：（1）全局路径规划（Route Planning），结合目的地和地图信息生成全局路径。（2）行为决策层（Behavioral Layer），结合感知模块的环境信息做具体行为决策。（3）运动规划（Motion Planning），结合行为决策和约束条件形成运动轨迹。控制模块（控制模块（Control）主要负责精准控制车辆按规划轨迹行驶。）主要负责精准控制车辆按规划轨迹行驶。控制模块根

18、据决策规划的路线，生成具体的加速、转向和制动指令，控制驱动系统，转向系统，制动系统和悬架系统。图图 1、智能驾驶系统的主要模块、智能驾驶系统的主要模块资料来源：上海人工智能实验室，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-5-行业深度研究报告行业深度研究报告Transformer 模型加速智能驾驶能力的提升。模型加速智能驾驶能力的提升。智能驾驶的本质是通过训练使车辆具有人类的驾驶能力，用神经网络模型替代基于规则的算法，可提升模型表现。（1）过去，一些智能驾驶的方案中感知，预测等模块采用了 CNN 和 RNN 等 AI模型；（2）

19、现在，在现在，在 Transformer 模型引入模型引入 CV 领域和智能驾驶领域后，智驾能领域和智能驾驶领域后，智驾能力的提升明显加速。力的提升明显加速。例如，在感知模块，基于 BEV+Transformer 做特征融合，相较于传统的 CNN 模型具有更好的全局感知能力；在预测模块，有研究表明基于Transformer 的多模态轨迹预测相较于传统的 RNN 等神经网络也有更好的效果；在规划模块，基于 AI 模型的算法相比于基于大量规则的算法也更加简洁高效。（3）未来，基于 Transformer 有望实现感知决策一体化的大模型。相较于目前模块化的开发方式，可以避免级连误差，提升视觉信息表达

20、，优化终端性能体验。AI 加速智能化第一步：头部玩家基于加速智能化第一步：头部玩家基于 BEV+Transformer 做特征融合，提升感知做特征融合，提升感知能力。能力。车辆获取外部信息的传感器包括摄像头，激光雷达，毫米波雷达，超声波雷达等，不同传感器获取的信息特征不同，因此需要通过算法将各类数据融合。过去多传感器融合采用后融合的方式，将传感器各自处理后的信息做基于统计学模型的加权运算，这样会出现数据损失。现在利用 Transformer 大模型可以提取特征向量，在统一的 3D 坐标系空间（BEV）内做特征融合，还可以结合时序信息进行动态识别，最后进行多任务输出，如静态语义地图、动态检测等。

21、AI 大模型的加持下，智能驾驶的感知能力可以明显提升，优化 Corner Case 的处理，同时由于车辆生成了动态语义地图，可以减少对高精地图的依赖。图图 2、传统的智能驾驶方案（后融合）、传统的智能驾驶方案（后融合）资料来源：兴业证券经济与金融研究院整理图图 3、基于感知大模型的智能驾驶方案（、基于感知大模型的智能驾驶方案（BEV+Transformer 做特征融合）做特征融合）资料来源：兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-6-行业深度研究报告行业深度研究报告AI 加速智能化第二步：感知决策一体化，实现端到端的智能驾驶。

22、加速智能化第二步：感知决策一体化，实现端到端的智能驾驶。目前采用的模块化的智能驾驶开发架构（感知预测规划控制）优势在于简化研发团队分工，但是缺点在于会出现信息损失和累计误差问题，同时每个模块的优化目标不一致。我们认为，基于 Transformer 的模型的 Attenion 机制，未来智能驾驶有望统一感知与决策算法模块，实现端到端的大模型，即一个模型输入传感器数据，直接输出控制信号。端到端的智能驾驶可以避免累积错误或任务协调不足的问题。图图 4、基于端到端大模型的、基于端到端大模型的智能驾驶方案（智能驾驶方案（感知决策一体化）感知决策一体化）资料来源：兴业证券经济与金融研究院整理1 1.2.2

23、 T Tranransformersformer 大模型的演进与原理大模型的演进与原理Transformer 是谷歌是谷歌 2017 年提出的年提出的 AI 大模型，最早用于自然语言处理领域。大模型，最早用于自然语言处理领域。人工智能的核心技术是神经网络模型，较为主流和有效的神经网络模型主要包括卷积神经网络（CNN）、循环神经网络（RNN）、深度神经网络（DNN）和脉冲神经网络（SNN）等，主要应用于自然语言处理（NLP）和计算机视觉（CV）等领域。2017 年谷歌在论文Attention is all you need提出 Transformer 大模型，在众多自然语言处理问题中取得了非常好

24、的效果。Transformer 模型属于 Encoder-Decoder类模型，举例来说，Bert 侧重 Encoder，GPT2 侧重 Decoder。图图 5、Transformer 大模型发展历程大模型发展历程资料来源：Transformer-based models and hardware acceleration analysis in autonomousdriving:Asurvey，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-7-行业深度研究报告行业深度研究报告图图 6、Transformer 大模型的演进大模型

25、的演进图图 7、Transformer 大模型进化树大模型进化树资料来源：Deephub Imba，兴业证券经济与金融研究院整理资料来源：佐思汽车研究，兴业证券经济与金融研究院整理Transformer 模型的核心在于引入了多头注意力机制（模型的核心在于引入了多头注意力机制（Multi-Head Attention）。注意力机制：通过找到查询（Query）键（Key）的相关性，去找到最合适的值（Value）。当 Q，K，V 的来源相同时，就是自注意力机制。自注意力机制：向量矩阵 X 与可训练的三个权重参数 W(q)、W(k)、W(v)相乘得到 Q，K，V（如 q1=X1W(q1)），然后通过

26、Q 和 K 的计算得到相似度，经过 Softmax 的归一化后与 V 相乘，计算加权求和。在智能驾驶的感知环在智能驾驶的感知环节，自注意力机制可以理解为用于提取一类特征。节，自注意力机制可以理解为用于提取一类特征。多头注意力机制：定义和训练多组权重参数矩阵 W，生成多组 Q、K、V，最后学习到不同的参数 Z1-Zn。通过形状变换进行合并，得到多头注意力的最终输出结果。在智能驾驶的感知环节，多头注意力机制可以理解为提取在智能驾驶的感知环节，多头注意力机制可以理解为提取多个特征。多个特征。图图 8、注意力机制中、注意力机制中 Q,K,V 的来源的来源图图 9、自注意力机制的计算、自注意力机制的计算

27、资料来源：The Illustrated Transformer，兴业证券经济与金融研究院整理资料来源：The Illustrated Transformer，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-8-行业深度研究报告行业深度研究报告图图 10、多头注意力机制示意图、多头注意力机制示意图图图 11、多头注意力的计算、多头注意力的计算资料来源：The Illustrated Transformer，兴业证券经济与金融研究院整理资料来源：The Illustrated Transformer，兴业证券经济与金融研究院整理Tran

28、sformer 模型包括编码器（模型包括编码器（Encoder）和解码器（）和解码器（Decoder）两个部分。）两个部分。编码器用于将序列转换为一组向量表示，包括多头注意力和前馈，解码器用于将向量解码为输出序列，包括多头注意力、编码器-解码器注意力和前馈。（1）在编码器中，数据到达 Multi-Head Attention 时，会分为三部分输入（k、v、q），v 表示输入特征的向量，k 和 q 是用于计算输入向量之间彼此的关联程度。k、v、q 都是张量，是通过输入向量本身相应权重 W(q)、W(k)、W(v)获得的。多头对应多个特征，即为每个输入数据匹配多个 k、v、q，多头之间的计算互不影

29、响。（2）解码器中的 Multi-Head Attention 也是自注意力机制，和编码器的过程类似。（3）连接 encoder 和 decoder 的 Multi-Head Attention 是非自注意力机制，这里的q 是来源于上一个 Output 经过一个 Masked Multi-Head Attention 和 Add&Norm 层之后的输出，k、v 来源于 encoder 编码器。图图 12、Transformer 模型的原理示意图模型的原理示意图资料来源：Attention IsAll You Need，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅

30、读正文之后的信息披露和重要声明-9-行业深度研究报告行业深度研究报告Transformer 模型通过注意力机制，整合了模型通过注意力机制，整合了 CNN 易于并行化的优势和易于并行化的优势和 RNN 模型模型可以捕捉长序列内的依赖关系的优势。可以捕捉长序列内的依赖关系的优势。神经网络模型可以分为前馈神经网络和反馈神经网络两类：（1）前馈神经网络中，信息从输入层开始输入，每层的神经元接收前一级输入，并输出到下一级，直至输出层。整个网络信息输入传输中无反馈（循环）。常见的前馈神经网络如卷积神经网络（CNN）。（2）反馈神经网络中，神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号，常见

31、的反馈神经网络如循环神经网络(RNN)。Transformer 模型利用注意力机制实现了并行化捕捉序列依赖，并且同时处理序列的每个位置的 Tokens。因此相对因此相对于于CNN 模型，模型，Transformer 模型可以捕捉长序列内的依赖关系，相对于模型可以捕捉长序列内的依赖关系，相对于 RNN 模型，模型，Transformer 模型有更高的并行度，且能保存更多的前期数据。模型有更高的并行度，且能保存更多的前期数据。图图 13、前馈神经网络示意图、前馈神经网络示意图图图 14、反馈神经网络示意图、反馈神经网络示意图资料来源：算法进阶，兴业证券经济与金融研究院整理资料来源：算法进阶，兴业证

32、券经济与金融研究院整理图图 15、卷积神经网络（、卷积神经网络（CNN）示意图）示意图图图 16、循环神经网络（、循环神经网络（RNN）示意图）示意图资料来源：算法进阶，兴业证券经济与金融研究院整理资料来源：算法进阶，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-10-行业深度研究报告行业深度研究报告2020 年的年的 VIT 模型开拓了模型开拓了 Transformer 在在 CV 领域的应用。领域的应用。Transformer 作为序列到序列学习的神经网络大模型，最早用于自然语言处理，如机器翻译等场景中。2020 年 谷 歌 论

33、 文 An Image Is Worth 16x16 Words:Transformers For ImageRecognition At Scale提出的 VIT 模型（Vision Transformer）以 Transformer 为backbone，在 CV 领域起到了很好的效果。由于 Transformer 主要是处理序列，VIT 模型首先将图片分割成多个 patch，再将每个 patch 投影为固定长度的向量送入 Transformer，再进行 Encoder 等操作。相较于 CNN 中的卷积操作只能捕获局部信息，而不能建立全局图像的长距离连接，视觉 Transformer 的多头

34、注意力通过 qkv 去捕捉全局的特征与特征之间的关系，可以获取更多上下文信息，扩大图像的全局感知。图图 17、VIT 模型模型整体架构整体架构资 料 来 源：Transformer-based models and hardware acceleration analysis in autonomousdriving:Asurvey，兴业证券经济与金融研究院整理与与 VIT 同年，特斯拉将同年，特斯拉将 Transformer 引入自动驾驶领域。引入自动驾驶领域。2020 年特斯拉重写智能驾驶软件架构，2021 年特斯拉 AI DAY上展示了基于 Transformer 的 BEV 感知方案，

35、核心是用 BEV+Transformer 将各个摄像头的信息进行特征提取和融合。目前主流用 BEV+Transformer 的方法包括 DETR3D，PETR，BEVFormer 等，以BEVFormer 为例，首先在 BEV 视角下重构特征空间，然后利用 Attention 提取和对齐时间和空间维度的特征（如图 19）。在摄像头视觉融合的基础上，Transformer 也可以实现摄像头视觉信息和激光雷达的多模融合（如图 20）。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-11-行业深度研究报告行业深度研究报告图图 18、目前主流用目前主流用 BEV+Tran

36、sformer 的方法的方法资料来源：Nullmax 首席科学家演讲视频截图，兴业证券经济与金融研究院整理图图 19、Transformer 实现图像的时空融合的原理示意图（以实现图像的时空融合的原理示意图（以 BEVFormer 为例）为例）资料来源：BEVFormer:Learning Birds-Eye-View Representation from Multi-Camera Imagesvia Spatiotemporal Transformers，兴业证券经济与金融研究院整理图图 20、Transformer 实现多模融合原理示意图（以摄像头和激光雷达融合为例）实现多模融合原理示意

37、图（以摄像头和激光雷达融合为例）资料来源：Multi-Modal Fusion Transformer for End-to-End Autonomous Driving，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-12-行业深度研究报告行业深度研究报告1 1.3.3 TransformerTransformer 在智能驾驶的具体应用在智能驾驶的具体应用目前国内外头部企业利用目前国内外头部企业利用 BEV+Transformer 做感知环节的特征融合。做感知环节的特征融合。自特斯拉2020 年提出应用 BEV（Birds Eye

38、View）鸟瞰图的 3D 坐标系空间，把各个摄像头的信息进行融合，在 BEV 空间内做特征融合已经成为视觉感知融合的前沿主流方案。BEV+Transformer 可分成五步:(1)将摄像头数据输入到共享的骨干网络（Backbone），提取每个摄像头的数据特征（feature）。(2)把所有的摄像头数据（跨摄）进行融合，并转换到 BEV 空间。(3)在 BEV 空间内，进行跨模态融合，将像素级的视觉数据和激光雷达点云进行融合。(4)进行时序融合，形成 4D 时空维度的感知信息。(5)多任务输出，如静态语义地图、动态检测等。目前，特斯目前，特斯拉，小鹏，理想与华为等企业利用拉，小鹏，理想与华为等企

39、业利用 Transformer+BEV 等大模型进行视觉感知融等大模型进行视觉感知融合，可以识别车身周围的各类物体，构建动态实时地图，在理论上可以摆脱或合，可以识别车身周围的各类物体，构建动态实时地图，在理论上可以摆脱或者减轻对高精地图的依赖。者减轻对高精地图的依赖。图图 21、BEV 感知架构感知架构资料来源：地平线演讲视频截图上帝视角与想象力自动驾驶感知的新范式，九章智驾，兴业证券经济与金融研究院整理图图 22、特斯拉摄像头覆盖、特斯拉摄像头覆盖 360 度车身度车身图图 23、特斯拉各个摄像头信息融合形成鸟瞰图、特斯拉各个摄像头信息融合形成鸟瞰图资料来源：Teardown：Teslas

40、Hardware Retrofits for Model3，兴业证券经济与金融研究院整理资料来源：2020 年 Andrew Karpathy 技术演讲截图，兴业证券经济与金融研究院整理特斯拉特斯拉 2021 年先提出用年先提出用 BEV+Transformer 实现目标检测，又在实现目标检测，又在 2022 年提年提出出 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-13-行业深度研究报告行业深度研究报告Occupancy Network 升级到语义分割，进一步提升感知精度，同时避免碰撞。升级到语义分割，进一步提升感知精度，同时避免碰撞。目标检测（Object

41、 Detection）和语义分割（Semantic Segmentation）是 CV 领域的概念，目标检测的任务是对输入的图像进行物体检测，标注物体在图像上的位置，以及该位置上物体属于哪个分类，语义分割的任务是对输入的图像进行逐像素的分类，标记出像素级别的物体。（1）目标检测（）目标检测（Object Detection）：目标检测通用的结构为：Input Backbone Neck Head Output。其中 Backbone 指特征提取网络，Head 指在特征提取后的特征图表示，Neck 位于主干和头部之间，用于提取一些更精细的特征。在特斯拉 2021 年 AI DAY 提出的神经网络

42、架构中，Backbone:选择 RegNet 和ResNet 为主要架构，Neck:选择 BiFPN，Head:选择 HydraNets（采用了类Transformer 的架构）。图图 24、特斯拉将、特斯拉将 8 个摄像头的信息融合到个摄像头的信息融合到 BEV 空间空间资料来源：特斯拉 2022AI DAY，兴业证券经济与金融研究院整理图图 25、特斯拉实现目标检测的网络架构示意图、特斯拉实现目标检测的网络架构示意图图图 26、HydraNets 采用类采用类 Transformer 的架构的架构资料来源：特斯拉 2022AI DAY，兴业证券经济与金融研究院整理资料来源：特斯拉 2022

43、AI DAY，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-14-行业深度研究报告行业深度研究报告（2）语义分割（）语义分割（Semantic Segmentation）：语义分割是从粗推理到精推理的步骤，一般而言语义分割需要先分类，然后本地化/检测，最后通过对每个像素进行密集的预测、推断标签来实现细粒度的推理。特斯拉 2022 年提出 OccupancyNetwork（占用网络），将三维空间划分成体素 voxel，对有物体的 voxel 赋值为 1，表示 voxel 被物体占据；没有物体的 voxel 被赋值为 0，在分割后进一步

44、识别和判断。Occupancy 网络最核心的升级正在于从目标检测（Object Detection）升级到语义分割（Semantic Segmentation）。一方面对于白名单的依赖度降低，因此识别异性物体的能力大大增强，另一方面克服了目标检测方法对于目标的外形高度敏感的问题。在特斯拉之后，理想汽车在 2023 年双能战略发布会上也表示利用Occupancy 网络识别通用障碍物，华为提出的 GOD 网络也是基于 Occupancy 的框架。图图 27、特斯拉、特斯拉 Occupancy Network 结构示意图结构示意图资料来源：特斯拉 AI DAY，兴业证券经济与金融研究院整理图图 28

45、、目标检测示意图、目标检测示意图图图 29、语义分割示意图（左图、语义分割示意图（左图 2D 右图右图 3D）资料来源：Deep Learning Specialization，佐思汽车研究，兴业证券经济与金融研究院整理资料来源：Towards a Meaningful 3D Map Using a 3D Lidarand a Camera，佐思汽车研究，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-15-行业深度研究报告行业深度研究报告未来有望基于未来有望基于 Transformer 大模型实现端到端的辅助驾驶大模型实现端到端的辅

46、助驾驶。在模块化的算法框架下，辅 助 驾 驶 方 案 分 成 感 知 预 测 规 划 执 行 各 个 环 节，目 前BEV+Transformer 主要用来做感知环节的特征融合，以替代后融合的方案，提升感知能力并摆脱对高精地图的依赖。但整体而言，感知和预测模块的数据会再输入到规划决策模块，再通过执行模块的计算输出指令，各个模块之间仍然是分离的。我们认为未来基于大模型有望实现端到端的辅助驾驶，即传感器的数据输我们认为未来基于大模型有望实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号。入大模型后直接输出执行信号。特斯拉 FSD betaV12 版本有望率先实现端到端的大模型，远期国

47、内车企也有望实现端到端。我们以 CVPR2023 最佳论文Planning-oriented Autonomous Driving提出的算法框架 UniAD 为例解释端到端智能驾驶的实现方式。UniAD 由 2 个感知模块，2个预测模块和 1 个规划模块组成：（1）TrackFormer：用于动态元素的特征提取，例如车辆和行人的帧间跟踪。（2）MapFormer：用于静态元素的特征提取，以及实例级的地图预测。（3）MotionFormer：将动态与静态元素的特征融合，进行长时序的轨迹预测。（4）OccFormer：基于较短时序的全场景 BEV，进行实例级的预测。（5）Planner：基于自车

48、query 的轨迹规划和 Occ的碰撞优化进行规划。可以从图中看到，感知和预测模块都是基于感知和预测模块都是基于 Transformer 架构，查询向量架构，查询向量 Q 将将各个模块串联起来，其中，各个模块串联起来，其中，TrackFormer 的的 Query 会一直传递到会一直传递到 Planner 模块，模块，以此实现了全栈以此实现了全栈 Transformer 的端到端模型。的端到端模型。图图 30、CVPR2023 最佳论文提出的端到端的辅助驾驶算法框架最佳论文提出的端到端的辅助驾驶算法框架 UniAD从从 vpr资料来源：Planning-orientedAutonomous D

49、riving，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-16-行业深度研究报告行业深度研究报告二、产业进展突破：海外特斯拉二、产业进展突破：海外特斯拉 FSD 快速升级，国内城快速升级，国内城市市NOA 即将规模落地即将规模落地2.1 特斯拉：特斯拉：FSD 海外推广顺利，年内有望推送海外推广顺利，年内有望推送 V12 版本版本海外特斯拉海外特斯拉 FSD 的新一代的升级即将完成。的新一代的升级即将完成。特斯拉 FSD 诞生以来经历过几次重大升级，当前 FSD 在 BEV+transformer+占用网络的底层支持下有望完成新一

50、代的升级，有望大幅提升 FSD 的高阶智能驾驶能力和迭代速度。2017-2019 年年 Mobileye 主导时代。主导时代。2016 年之前，特斯拉 FSD 算法全部由Mobileye 提供，Mobileye 沿用传统视觉路线，采用低精度地图+算法迭代实现自动驾驶功能；2016 年到 2019 年间，特斯拉加大对视觉感知算法的研发投入，逐步建立起自身的软件和算法框架。2019-2020 年年 FSD 芯片上车，全栈自研第一阶段。芯片上车，全栈自研第一阶段。2019 年起，FSD 芯片上车，特斯拉加快了软件的迭代速度，同时开始发展视觉神经网络，在纯视觉感知路线上不断深耕。2019 年到年到 2

51、023，BEV、transformer、占用网络等引入，全栈自研第二阶段。、占用网络等引入，全栈自研第二阶段。2021 年年 7 月推送的月推送的 FSD BetaV9 版本的软件从版本的软件从底层完全重写，不依赖雷达，底层完全重写，不依赖雷达，只采用只采用 Tesla Vision 视觉方案。视觉方案。经过多次迭代，最新版本 FSD Beta V11.4.2已于今年 5 月推送，修复了此前版本中存在的诸多 BUG，并将 B 柱摄像头的可视范围从 262 英尺（80 米）扩展到 623 英尺（190 米），可以让 FSD 系统的响应时间延长到 7-8 秒，更早发现前方路况信息，并让驾驶员有更充

52、足的时间做出反应。2023H2 最新最新 FSD12 版本有望推出。版本有望推出。特斯拉预计 2023 年内推出 FSD V12，或将引入端到端 AI 更新其全自动驾驶包。AI 算法训练的数据基础，基于海量的人类司机驾驶数据，通过 AI 算法训练，使智能驾驶系统能够像成熟人类司机一样接管 corner case，应对复杂路况。此外，据马斯克透露，FSDV12 将取消 Beta 版本。这意味着特斯拉有可能在年内正式向北美用户推送FSD 的完整版。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-17-行业深度研究报告行业深度研究报告表表 1、FSD 发展历史情况发展历

53、史情况资料来源：特斯拉官网，雪球，未来智库，车家号，搜狐，百度，IT 之家，36 氪，新出行，腾讯网，懂车帝，兴业证券经济与金融研究院整理海外特斯拉海外特斯拉 FSD 渗透率未来有望大幅提升渗透率未来有望大幅提升。据 Troy Teslike 数据，特斯拉 FSD全球渗透率在 2019Q2 达到高点 45.7%，主要原因是前期特斯拉销售主力车型是售价相对较贵的 Model S、Model X，客户群体预算较为充足对价格相对不敏感。随着后期 Model 3、Model Y 等价格较低车型销量占比持续提升，该部分群体对价格敏感，而 FSD 技术相对尚未成熟，所以付费意愿不强使得 FSD 渗透率走低

54、，2022Q3 全球渗透率已降至 7.4%。到了 2022 年 11 月 FSD Beta V11 版本的发布使得车辆决策时间尤其在左右转时大大缩短，延迟减小，性能和使用体验显著提升，同时 2022 年 11 月开始 FSD Beta 不再对安全评分进行要求，可以向几乎全部北美 FSD 已购买或订阅车主进行推送。截至 2023 年 1 月，已经有 40 万北美用户接入 FSD Beta，相较于 2022 年 12 月公布的数据 28.5 万提升近 40%。我们预计随着 FSD V12 完整版的到来，FSD 功能趋于完善，消费者的付费意愿不断增强，FSD 渗透率有望加速向上。图图 31、FSD

55、分区域销量渗透率情况分区域销量渗透率情况资料来源：Troy Teslike，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-18-行业深度研究报告行业深度研究报告“超级计算机超级计算机”Dojo 投产运行将助力投产运行将助力 FSD 性能跃升，助力特斯拉实现全面自动驾性能跃升，助力特斯拉实现全面自动驾驶。驶。近期，特斯拉披露了特斯拉首台“超级计算机”Dojo 的进展，其计划于 7月正式投入生产，到 2024 年初，将成为全球最先进的 5 台超级计算机之一。Dojo 是用来处理 AI 任务的超级计算机,可以帮助特斯拉更高效地处理海量的车

56、辆行驶数据，包括车辆的传感器数据、路况信息等等，从而提升特斯拉自动驾驶算法的准确性和安全性。一旦正式投入使用，或将进一步提升特斯拉电动车的计算机视觉能力，使 FSD 自动驾驶水平再上一个台阶。特斯拉方面称，一旦 Dojo 启动并运行，特斯拉完全自动驾驶系统 FSD Beta 将呈现“指数级提升”。2.2 国内主机厂新一代智能驾驶系统城市领航辅助国内主机厂新一代智能驾驶系统城市领航辅助 2023H2 开始落地开始落地1）2023H2 城市城市 NOA 有望开始大规模推广有望开始大规模推广从 2021 年开始，多家车企公布了城市 NOA 的上线计划。到 2022年下半年，城市 NOA 已经从概念变

57、成现实。2022 年 9 月，小鹏 P5 率先在广州推出城市 NOA功能，紧随其后极狐阿尔法 S 的 HI 版绑定华为的解决方案，相继在深圳、上海落地了城市 NOA 功能。到了 2023 年，众多车企在城市 NOA 方面有了突破性进展，2023H2 各车企的城市 NOA 即将大规模落地。表表 2、2023 各车企城市各车企城市 NOA 相关进展及规划相关进展及规划资料来源：腾讯网，网易，IT之家，新浪财经，兴业证券经济与金融研究院整理小鹏汽车：国内首家上线城市小鹏汽车：国内首家上线城市 NOA 的车企，的车企，并预计于并预计于 2024 年实现车位到年实现车位到车位的全景辅助驾驶能力。车位的全

58、景辅助驾驶能力。2018 年 12 月小鹏首次推出辅助驾驶系统Xpilot2.0，搭载于小鹏首款智能汽车 G3，计算平台采用 Mobileye EyeQ4 芯片。2021年 1 月小鹏推出 P7 车型，搭载 Xavier 芯片，并配备自动驾驶辅助系统 Xpilot3.0，支持 NGP 高速领航辅助驾驶功能，实现“泊车+高速”双场景覆盖。2022 年 6 月，小鹏发布的 G9 中正式搭载了最新硬件系统，将 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-19-行业深度研究报告行业深度研究报告Xavier 芯片替换为英伟达最新的 OrinX 芯片，打造出 Xpilot

59、4.0。2022 年年 9月，小鹏汽车成为国内首个上线城市月，小鹏汽车成为国内首个上线城市 NOA 功能的车企，并开始在广州进行功能的车企，并开始在广州进行试点试点。2023 年 4 月，小鹏发布 SEPA2.0 扶摇全域智能进化架构，并搭载了XNGP 智能辅助驾驶系统。目前，XNGP 已实现第一阶段能力，覆盖 G9Max 及 P7i Max 版车型，主要包括在上海、深圳、广州、北京四座有高精地图覆盖的城市开放城市 NGP。小鹏计划在下半年在无高精地图覆盖的城市小鹏计划在下半年在无高精地图覆盖的城市开放自动变道、超车、左右转的能力，并预计在开放自动变道、超车、左右转的能力，并预计在 2024

60、年推出年推出 XNGP 的终极的终极形态，实现车位到车位的全场景辅助驾驶能力形态，实现车位到车位的全场景辅助驾驶能力图图 32、小鹏智能驾驶发展路径、小鹏智能驾驶发展路径资料来源：禾隐记，兴业证券经济与金融研究院整理蔚来蔚来汽车：汽车：国内首家实现国内首家实现 NOA 高速领航的公司，高速领航的公司，并计划于下半年发布城并计划于下半年发布城区区NOP+。蔚来于 2017 年 12 月便首次发布了第一代自动驾驶系统 NIO Pilot，搭载于蔚来首款车型 ES8。2020 年 10 月，蔚来自动驾驶系统首次融入高精度地图，释放的高速场景下点对点领航辅助驾驶功能，是国内首家实是国内首家实现现NOA

61、 高速领航落地的公司高速领航落地的公司。2021 年 1 月，在蔚来 NIO DAY上，李斌发布了 NT2.0 以及基于此平台打造的 NAD 自动驾驶系统。配备此系统的最新款车型 ET7 已于 2022 年 3 月落地交付。2022年 12 月，蔚来发布 NOP+，2023年 7 月，蔚来 NOP+已于 7 月 1 日开启商用。目前目前 NOP+已经在北京二已经在北京二环、三环、四环、五环等城市环路及快速路、高速公路实现全覆盖环、三环、四环、五环等城市环路及快速路、高速公路实现全覆盖。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-20-行业深度研究报告行业深度研

62、究报告图图 33、蔚来智能驾驶发展历程、蔚来智能驾驶发展历程资料来源：公司官网，禾隐记，汽车之家，兴业证券经济与金融研究院整理理想汽车：计划理想汽车：计划 2023 年下半年开通城市通勤年下半年开通城市通勤 NOA。理想 2019 年理想 ONE上市时，智能驾驶芯片及视觉融合方案来自 Mobileye，软件基于易航智能。2021年理想开始强化智能驾驶的自研能力，智能驾驶计算平台切换为地平线 J3，并在 5 月引入高清地图，在 12 月交付 NOA 高速导航辅助驾驶并优化 AEB 功能。2022年理想智能驾驶系统升级为第二代 AD MAX，感知、决策、规划和控制软件为全栈自研，智能驾驶计算平台升

63、级为两颗英伟达Orin-X 处理器,总算力达到 508Tops，搭载于 2022 年 3 月发布的 L9。2023 年年6 月，不依赖高精地图的城市月，不依赖高精地图的城市 NOA 开启内测。开启内测。2023 年下半年，理想计划开年下半年，理想计划开通城市通勤通城市通勤 NOA 功能。功能。图图 34、理想汽车智能驾驶发展进程、理想汽车智能驾驶发展进程资料来源：网易新闻，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-21-行业深度研究报告行业深度研究报告比亚迪：比亚迪：2022 年开始自动驾驶路线从合作借鉴转为建立自研能力，高年开

64、始自动驾驶路线从合作借鉴转为建立自研能力，高速速DNP 功能将于今年三季度搭载于汉车型上。功能将于今年三季度搭载于汉车型上。2021 年底开始，比亚迪先后与Momenta、百度、地平线、速腾聚创宣布了合作进展。其中 2021 年 12 月，比亚迪与 Momenta 成立了合资公司迪派智行，为双方长期在智能驾驶领域携手融合发展高阶智能驾驶技术正式拉开序幕。到了到了 2021 年之后，比亚迪年之后，比亚迪开始进入到第二个阶段，合作借鉴建立自研的基础能力。开始进入到第二个阶段，合作借鉴建立自研的基础能力。从功能层面看，比亚迪自研的高速 DNP 高阶智能驾驶辅助相关功能即将在今年第三季度搭载汉车型上。

65、汉之后，王朝系列唐、宋的部分版型也将迎来高阶智驾功能。定位更高的腾势、定位更高的腾势、F 品牌、仰望等，也已规划或公布将搭载包括城市品牌、仰望等，也已规划或公布将搭载包括城市 NOA在内的高阶智驾功能在内的高阶智驾功能。从技术路径看，业内前沿的 BEV 感知大模型比亚迪也将于今年内部署，并且将会在下一步规划部署占用网络。长城汽车：毫末城市长城汽车：毫末城市 NOH 预计今年三季度落地。预计今年三季度落地。2019 年，长城汽车智能驾驶前瞻部与诸多科技公司自动驾驶人才融合而成立了毫末智行。2021 年 6月，毫末智行发布小魔盒 1.5，通过搭载 3 个激光雷达、8 个毫米波雷达、3个视觉传感器、

66、高精度地图、导航及定位系统等传感器设备，实现 L3 级辅助驾驶功能。2022年 1 月 5 日，毫末智行携与高通联手研发的辅助驾驶域控制器小魔盒 3.0 亮相，通过接入 12 路 8 百万像素摄像头，5 路毫米波雷达，3 路激光雷达，为多视觉+多毫米波+多激光雷达的前融合感知算法，可满足当前可满足当前 L3 以及后续以及后续 L4/L5 等全场景自动驾驶功能的实现。等全场景自动驾驶功能的实现。毫末智行城市 NOH 预计在今年三季度落地，于 2024 年上半年即可完成落地城市 100城的目标,实现点点互达。2025年更大规模全场景的 NOH 将更快落地,全面迈入全无人驾驶时代。华为华为：城市城市

67、 NCA 已经已经实现落地，并将实现更多无图城市的落地。实现落地，并将实现更多无图城市的落地。华为于2012年开始做汽车领域相关研发，2019年 4 月，华为对外发布了 HiCar 人-车-家全场景无缝互联解决方案。2021 年 4 月 18 日，华为举行 HI 新品发布会，发布了包括鸿蒙 OS 智能座舱、智能驾驶计算平台 MDC 810、4D成像雷达、“华为八爪鱼”自动驾驶开放平台和智能热管理系统 TMS 在内的五大新产品。2022 年 9 月 24 日，华为和极狐共同宣布，城市 NCA 功能首发落地深圳。今年三季度，华为城区 NCA 将实现 15 个无图城市的落地，四季度将新增 30 个无

68、图城市落地至 45 城。2）城市领航辅助的落地将促进消费者的认知提升和主机厂的技术迭代。）城市领航辅助的落地将促进消费者的认知提升和主机厂的技术迭代。城市 NOA 的落地意味着高阶智能驾驶的使用场景大幅度扩展，从之前的高速公路、封闭园区等特定场景扩展到更复杂的城市场景。对于用户来讲，高阶智能驾驶的体验也大幅度提升。之前在特定场景才能使用的高阶智能驾驶相关功能，目前在日常通勤的城市场景也可使用。同时，对于体量较大以及自动驾驶算法正向研发能力强的头部企业来讲，使用场景的扩展意味着数据量更加丰富，进而使得算法迭代速度将提升。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明

69、-22-行业深度研究报告行业深度研究报告三、国内高阶智能化蝶变时刻：供给创造需求，渗透率有望三、国内高阶智能化蝶变时刻：供给创造需求，渗透率有望大幅提升大幅提升3.1 SUV 及电动化发展复盘：及电动化发展复盘：5%-10%渗透率后，供给优化驱动渗透率渗透率后，供给优化驱动渗透率快速提升快速提升国内国内 SUV 渗透率和新能源渗透率的增长符合渗透率和新能源渗透率的增长符合“S 曲线曲线”。产业内新技术的应用和新产品的推广往往不是线性的过程，而是符合“S 曲线”的发展规律，在技术发展与产品应用的早期，是供给创造需求，渗透率处于低位，愿意尝鲜的消费者群体开始感受技术与产品的优势并将向身边人传播，这

70、时也可能出现由于产品体验不佳，大家对实际需求的质疑。伴随着技术的持续升级与产品体验的持续提升，优质供给会扩大需求，同时可能出现供应链为追求规模效应降价，当“体验/成本”到达某一奇点时，渗透率会快速提升。复盘国内复盘国内 SUV 渗透率和新能源渗透渗透率和新能源渗透率的提升过程，可以看到渗透率在率的提升过程，可以看到渗透率在 5%-10%区间之后出现快速增长区间之后出现快速增长。图图 35、国内、国内 SUV 渗透率渗透率图图 36、国内新能源乘用车渗透率、国内新能源乘用车渗透率资料来源：中汽协，兴业证券经济与金融研究院整理资料来源：中汽协，兴业证券经济与金融研究院整理5%-10%渗透率之后，供

71、给优化驱动电动车和渗透率之后，供给优化驱动电动车和 SUV 渗快速提升渗快速提升（1）复盘 SUV细分市场的发展，2009-2012 年间 SUV 渗透率处于 5%-10%，2012 年后 SUV 渗透率开始快速增长。2009-2012 年间的核心变化是出现了哈弗H6，途观，CRV换代等优质供给，尤其在 2012 年，哈弗 H6 和途观换代产品放量，年销量分别超过 22 万辆和 15 万辆，供给端的优化驱动供给端的优化驱动 2012 年后年后 SUV 渗透渗透率快速增长。率快速增长。（2）复盘新能源细分市场的发展，2018-2020 年间新能源渗透率处于 5%-10%，2021 年后新能源渗透

72、率开始快速增长。2018-2020 年间，新能源市场受补贴影响较大，整体新能源车的产品力较弱。2020 年开始，市场出现 Model 3，理想ONE，比亚迪汉等产品力较强的产品，供给端的优化驱动供给端的优化驱动 2021 年后新能源渗透年后新能源渗透率快速增长。率快速增长。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-23-行业深度研究报告行业深度研究报告图图 37、2009-2014 年年 SUV 市场销量市场销量 TOP10 的产品（单位：辆）的产品（单位：辆）资料来源：Marklines，兴业证券经济与金融研究院整理红色表示年销量超过 10万辆的车型图图

73、38、2018-2020 年新能源市场销量年新能源市场销量 TOP10 的产品（单位：辆）的产品（单位：辆）资料来源：Marklines，兴业证券经济与金融研究院整理红色表示年销量超过 10万辆的车型3.2 高阶智能驾驶：高阶智能驾驶：2023H2 供给侧质变，后续渗透率快速提升供给侧质变，后续渗透率快速提升1）供给优化的趋势：）供给优化的趋势：2023H1 城市领航辅助驾驶大规模落地，后续预计城市领航辅助驾驶大规模落地，后续预计“算法算法升级升级硬件降本硬件降本性能更强价格更低的产品推出性能更强价格更低的产品推出”。从供给端看，2023 年开始头部车企推出具有高阶辅助驾驶功能的产品，并大规模

74、落地城区 NOA。一方面，伴随着数据的累积和模型的训练，智能驾驶算法能力有望快速升级。另一方面，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高精地图和激光雷达等高成本硬件。目前，国内能够实现 NOA 功能的高阶辅助驾驶硬件成本预计 2.5-3万元。（1）感知环节：目前传感器成本预计 5000-10000 万元，主要取决于激光雷达的数量，目前单颗激光雷达价格预计 3000-5000 元。此外，高精地图的成本也较高。（2）计算环节：目前智驾域控制器成本预计 1.5-2.5 万元，主要取决于SoC 芯片数量和价格，目前的英伟达的大算力 SoC 芯片价格仍较高，地平线等国内供应商和特斯拉/华为等自

75、研芯片的成本预计较低。我们预计在我们预计在“重感知轻重感知轻地图地图”的路线下，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高成的路线下，伴随着算法的迭代和成熟，高阶辅助智能驾驶有望减配高成本硬件，未来综合成本有望降低本硬件，未来综合成本有望降低 50%。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-24-行业深度研究报告行业深度研究报告图图 39、目前特斯拉、目前特斯拉/华为华为/小鹏小鹏/理想理想/蔚来智驾硬件成本估计（单位：元）蔚来智驾硬件成本估计（单位：元）资料来源：各公司官网，佐思汽车研究，兴业证券经济与金融研究院预计表表 3、特斯拉特斯拉/华为华

76、为/小鹏小鹏/理想理想/蔚来蔚来辅助驾驶硬件配置梳理辅助驾驶硬件配置梳理资料来源：各公司官网，汽车之家，兴业证券经济与金融研究院整理2）未来几年高阶辅助驾驶有望进入渗透率快速提升过程。）未来几年高阶辅助驾驶有望进入渗透率快速提升过程。我们认为当下高阶辅助驾驶功能的核心问题不在于需求，而在于体验和成本。基于 BEV+Transformer技术路线并持续升级的算法，一方面可以提升辅助驾驶功能的体验，另一方面可以降低硬件成本。目前，明确表示在 2023 年内开通城区 NOA 功能的车型包括：小鹏 G6，理想 L7 MAX/L8 MAX/L9，华为问界 M5 高阶智驾版，阿维塔 11，我们预计比亚迪腾

77、势 N7 高阶版，仰望 U8，长城蓝山等车型也有望 2024 年落地城市导航辅助驾驶。按照当前已知的车企规划估计，2025 年高阶辅助驾驶渗透率有望接近 10%。2025 年之后，伴随着体验的升级和成本的下降，高阶辅助驾驶渗透率有望快速增长。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-25-行业深度研究报告行业深度研究报告图图 40、高阶辅助驾驶渗透率展望、高阶辅助驾驶渗透率展望(单位：万辆单位：万辆)资料来源：兴业证券经济与金融研究院整理注：销量为对高阶辅助驾驶版本的销量预计，不表示对该车型所有版本的销量预计四四、产业影响：整车格局重构和零部件赛道重估产业影

78、响：整车格局重构和零部件赛道重估4.1 整车格局可能因为智能化突破产生新的变化整车格局可能因为智能化突破产生新的变化智能驾驶产品技术上的代际升级有望驱动整车格局的新变迁。智能驾驶产品技术上的代际升级有望驱动整车格局的新变迁。复盘全球和国内车企崛起的经验，生产技术/产品技术/需求挖掘的代际变革和边际优化是一个车企崛起的核心原因。（1）从生产技术角度，汽车行业经历了手工生产大批量生产精益生产的代际性的变革，其中又有平台化模块化等生产方式创新带来的降本增效，目前处于精益生产范式下平台化模块化生产的边际优化中。特斯拉采用一体化压铸技术大幅提升生产效率，国内蔚来，极氪等企业也应用一体化压铸生产后地板等零

79、部件。（2）从需求挖掘角度，汽车行业陆续出现跑车，平民车，大型轿车，皮卡，气泡车，经济型轿车，SUV，MPV 等细分市场，一些市场反应敏捷的企业享受到细分市场快速成长的红利。近年来家庭用车，女性用车，越野车等细分市场的需 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-26-行业深度研究报告行业深度研究报告求挖掘给一些企业带来机会，但随着消费者选择的多样化，新的细分市场的挖掘难度加大，目前处于在各种细分市场的边际完善中。（3）从产品技术角度，汽车行业经历了马车燃油车电动车的代际性变革，其中又有涡轮增压，流线型设计等的持续优化。我国汽车行业正处于从燃油车向电动车转型

80、代际变革中，比亚迪与理想汽车等企业在电动化浪潮中迅速崛起。我我们认为，产品技术角度即将进入下一个代际跨越，即智能驾驶的代际升级：城们认为，产品技术角度即将进入下一个代际跨越，即智能驾驶的代际升级：城市市 NOA 的大规模落地，高阶智能驾驶进入城市场景。而智能驾驶的代际升级有的大规模落地，高阶智能驾驶进入城市场景。而智能驾驶的代际升级有望产生整车格局的变迁。望产生整车格局的变迁。随着消费者越来越看重智能驾驶带来的驾驶体验的提升，智能驾驶能力有望成为消费者选择汽车产品的重要因素，相关能力较强的车企有望实现弯道超车。图图 41、生产技术、生产技术/产品技术产品技术/需求挖掘的代际变革与边际优化（横轴

81、为年份）需求挖掘的代际变革与边际优化（横轴为年份）资料来源：DK 汽车大百科，我在通用汽车的岁月，福特传，改变世界的机器：精益生产之道，丰田汽车官网，福特官网，通用官网，大众官网，本田官网，维基百科，兴业证券经济与金融研究院整理当前高阶智能化作为技术代际升级，可能驱动行业格局的再变化当前高阶智能化作为技术代际升级，可能驱动行业格局的再变化L L2+2+到到 L3-L4L3-L4 不是连续的技术边际优化，而是跨越式的技术升级。不是连续的技术边际优化，而是跨越式的技术升级。大规模神经网络的参数数量、训练数据等规模到达一定程度时，会出现定性的变化。如图39 展示了大模型的“涌现”现象，横轴表示各个神

82、经网络模型的规模，纵轴表示准确率，可以看到有效参数跨越一个明显的临界值后，模型的精度会大幅提升。我们认为，同样基于 Transformer 架构的智能驾驶大模型在数据和参数积累到一定程度后，也有望迎来“涌现”时刻，智能驾驶的能力也有望大幅提升。即智能智能驾驶的技术能力的提升并非线性的，从驾驶的技术能力的提升并非线性的，从 L2+L2+级别提升到级别提升到 L3-L4L3-L4 级别的智能驾驶，级别的智能驾驶，或许不是连续的技术边际优化，而是跨越式的技术升级。因此，智能化的代际或许不是连续的技术边际优化，而是跨越式的技术升级。因此，智能化的代际升级可能驱动整车格局变化，头部企业与其他企业的技术差

83、距可能会拉大。升级可能驱动整车格局变化，头部企业与其他企业的技术差距可能会拉大。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-27-行业深度研究报告行业深度研究报告图图 42、大模型的、大模型的“涌现涌现”现象示意图现象示意图资料来源：EmergentAbilities of Large Language Models，兴业证券经济与金融研究院整理4.2 智能驾驶增量智能驾驶增量/全新部件市场空间的增长有望超预期全新部件市场空间的增长有望超预期智能化将重塑汽车零部件价值链，高阶智能化渗透率加快将驱动部分零部件赛智能化将重塑汽车零部件价值链，高阶智能化渗透率加快将

84、驱动部分零部件赛道进展超预期。道进展超预期。域控制器、线控制动、毫米波雷达、摄像头以及域控制器、线控制动、毫米波雷达、摄像头以及 4 4D D 毫米波雷达等毫米波雷达等是智能化受益是智能化受益新赛道。新赛道。随着电动智能化产业趋势，发动机、燃油喷射系统、变速器、启动电机及发电机、涡轮增压、尾气处理系统、油箱及燃油系统预计逐步萎缩。而自动驾驶的实现需要毫米波雷达、摄像头、超声波雷达、激光雷达、4D 毫米波雷达等传感端产品的保障，自动驾驶渗透率的提升拉动传感端产品需求持续提升。智能电动车背景下，传统纯机械的转向系统和制动系统逐渐被替代，电控转向和电控制动兴起，到最后线控转向线控制动。此外随着智能化

85、和电动化的深入，转向和制动进入线控转向和线性制控时代。电子电气架构从分布到集中，域控制器、多域控制器替代 ECU。城市城市 N NOAOA 及高阶智能化及高阶智能化加速，驱动新赛道空间增长加快，渗透提升加快。加速，驱动新赛道空间增长加快，渗透提升加快。车企城市 NOA 加速落地，意味着高阶智能驾驶进入城市场景。无论从软件还是硬件层面，对汽车产品都提出了更高的要求。因此，有望驱动零部件新赛道市场空间加速增长，同时提升整体渗透速度。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-28-行业深度研究报告行业深度研究报告表表 4 4、智能驾驶相关赛道市场空间测算、智能驾驶

86、相关赛道市场空间测算资料来源：中汽协，兴业证券经济与金融研究院整理 请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-29-行业深度研究报告行业深度研究报告五、投资建议：五、投资建议：AI 加持，看好高阶智能化的产业机会加持，看好高阶智能化的产业机会理论方法突破：理论方法突破：AI 大模型用于感知融合，后续有望实现端到端。大模型用于感知融合，后续有望实现端到端。智能驾驶系统可分为感知，预测，规划，控制几个主要模块。过去，一些智能驾驶的方案中感知，预测等模块采用了 CNN 和 RNN 等 AI 模型。2020 年 Transformer 模型引入CV 领域和智能驾驶领

87、域后，通过 Attention 机制，兼备 CNN 易于并行化的优势和 RNN 模型可以捕捉长序列内的依赖关系的优势，有效提升感知模块的特征提取等环节的效果，加速了智能驾驶算法的升级。（1）目前，特斯拉等头部玩家基于 BEV+Transformer 做特征融合，并结合占用网络将目标检测升级为语义分割，提升感知能力，并减少对高精地图的依赖。（2）未来，有望基于 Transformer 大模型实现端到端的辅助驾驶，即传感器的数据输入大模型后直接输出执行信号，进一步提升智驾能力。产业进展突破：海外特斯拉产业进展突破：海外特斯拉 FSD 快速升级，国内城市领航辅助即将规模落地。快速升级，国内城市领航辅

88、助即将规模落地。特斯拉 FSD 新一代的升级即将完成,“超级计算机”Dojo 投产运行将助力 FSD性能跃升，同时年内有望推出 V12 版本并应用端到端 AI 技术，未来海外渗透率有望大幅提升。国内车企城市 NOA 功能下半年有望大规模落地，意味着高阶智能驾驶进入城市场景。对于用户来讲，高阶智能驾驶的体验将大幅度提升。而开放城市场景后更加丰富的数据，有望使得头部车企算法迭代速度加快。国内高阶智能化蝶变时刻：供给创造需求，高阶智能驾驶渗透率有望加速提升。国内高阶智能化蝶变时刻：供给创造需求，高阶智能驾驶渗透率有望加速提升。优质供给驱动需求，高阶智能驾驶有望快速上量。（1）复盘国内 SUV 渗透率

89、和新能源渗透率的提升过程，可以看到当渗透率超过 5%-10%区间后快速提升，供给优化驱动渗透率快速提升。（2）当下高阶辅助驾驶功能的核心问题不在于需求，而在于体验和成本。利用 BEV+Transformer，一方面可以提升辅助驾驶功能的体验，另一方面可以降低硬件成本。按照当前已知车企规划估计，2025 高阶辅助驾驶渗透率有望接近 10%，之后伴随着体验的升级和成本的下降，高阶辅助驾驶渗透率有望快速增长。产业影响：整车格局有望出现新变化，高阶智能化相关零部件放量有望加速。产业影响：整车格局有望出现新变化，高阶智能化相关零部件放量有望加速。整车格局方面：生产技术/产品技术/需求挖掘的代际变革和边际

90、优化是车企崛起的内核驱动力，从 L2+到城市 NOA 是智能技术的代际升级，领先车企有望借助高阶智能化实现销量和份额的提升。零部件方面,域控制器、线控制动、毫米波雷达、摄像头以及 4D 毫米波雷达等是智能化受益新赛道，在城市 NOA 驱动高阶智能化渗透率加速提升过程中，相关受益零部件放量有望超预期。投资建议：投资建议：AI 加持+城市 NOA 落地，高阶智能化迎来蝶变时刻，看好高阶智能化的产业机会！整车方面，推荐城市 NOA 技术落地速度领先的小鹏汽车小鹏汽车（港股团队覆盖）、理想汽车理想汽车（港服团队覆盖）、比亚迪比亚迪、长城汽车长城汽车，关注华为合作车企赛力斯；零部件方面，推荐受益高端智能

91、化的 科博达科博达（车身与底盘域控放量）、德赛西威德赛西威（座舱与智驾域控放量）、经纬恒润经纬恒润（智能驾驶产品布局丰富）、均胜电均胜电子子（座舱域放量）、保隆科技保隆科技（ADAS 相关业务拓展）。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-30-行业深度研究报告行业深度研究报告表表 5、相关标的盈利预测与估值（市值与、相关标的盈利预测与估值（市值与 PE 对应对应 2023 年年 7 月月 17 日收盘价）日收盘价）资料来源：公司公告，Wind，兴业证券经济与金融研究院整理六、风险提示：六、风险提示：智能化发展不及预期：智能化发展不及预期：乘用车辅助驾驶的

92、发展速度与国内消费者对智能化功能的接受程度密切相关，也可能受到政策影响，智能化发展存在不及预期的风险。降本落地不及预期：降本落地不及预期：辅助驾驶成本降低与芯片和各种传感器价格密切相关，国产替代的效果可能不及预期，用大模型的实际感知融合效果可能不及预期，因此降本落地的速度可能不及预期。新车销量不及预期新车销量不及预期：乘用车新车销量受到供给和需求的多方面影响，上市节奏可能不及预期，上市后的产能爬坡和实际需求也可能不及预期。请务必阅读正文之后的信息披露和重要声明请务必阅读正文之后的信息披露和重要声明-31-行业深度研究报告行业深度研究报告分析师声明分析师声明本人具有中国证券业协会授予的证券投资咨

93、询执业资格并登记为证券分析师，以勤勉的职业态度，独立、客观地出具本报告。本报告清晰准确地反映了本人的研究观点。本人不曾因，不因，也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。投资评级说明投资评级说明投资建议的评级标准投资建议的评级标准类别类别评级评级说明说明报告中投资建议所涉及的评级分为股票评级和行业评级（另有说明的除外）。评级标准为报告发布日后的12个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅。其中：A股市场以沪深300指数为基准；新三板市场以三板成指为基准；香港市场以恒生指数为基准；美国市场以标普500或纳斯达克综合指数为基准。股票评级买入相对

94、同期相关证券市场代表性指数涨幅大于15%增持相对同期相关证券市场代表性指数涨幅在5%15%之间中性相对同期相关证券市场代表性指数涨幅在-5%5%之间减持相对同期相关证券市场代表性指数涨幅小于-5%无评级由于我们无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使我们无法给出明确的投资评级行业评级推荐相对表现优于同期相关证券市场代表性指数中性相对表现与同期相关证券市场代表性指数持平回避相对表现弱于同期相关证券市场代表性指数信息披露信息披露本公司在知晓的范围内履行信息披露义务。客户可登录 内幕交易防控栏内查询静默期安排和关联公司持股情况。使用本研究报告的风险提示及法律

95、声明使用本研究报告的风险提示及法律声明兴业证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。，本公司不会因接收人收到本报告而视其为客户。本报告中的信息、意见等均仅供客户参考，不构成所述证券买卖的出价或征价邀请或要约，投资者自主作出投资决策并自行承担投资风险，任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效，任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以本公司向客户发布的本报告完整版本为准。该等信息、意见并未考虑到获取本报告人员的具体投资目的、财务状况以及特定需求，在任何时候均不构成对任何人的个人推荐。客户应当对本报告中的信息和意见

96、进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见。对依据或者使用本报告所造成的一切后果，本公司及/或其关联人员均不承担任何法律责任。本报告所载资料的来源被认为是可靠的，但本公司不保证其准确性或完整性，也不保证所包含的信息和建议不会发生任何变更。本公司并不对使用本报告所包含的材料产生的任何直接或间接损失或与此相关的其他任何损失承担任何责任。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的的价格、价值及投资收入可升可跌，过往表现不应作为日后的表现依据；在不同时期，本公司可发出与本报告所载资料、

97、意见及推测不一致的报告；本公司不保证本报告所含信息保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。除非另行说明，本报告中所引用的关于业绩的数据代表过往表现。过往的业绩表现亦不应作为日后回报的预示。我们不承诺也不保证，任何所预示的回报会得以实现。分析中所做的回报预测可能是基于相应的假设。任何假设的变化可能会显著地影响所预测的回报。本公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务

98、。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。本报告并非针对或意图发送予或为任何就发送、发布、可得到或使用此报告而使兴业证券股份有限公司及其关联子公司等违反当地的法律或法规或可致使兴业证券股份有限公司受制于相关法律或法规的任何地区、国家或其他管辖区域的公民或居民，包括但不限于美国及美国公民（1934年美国证券交易所第 15a-6条例定义为本主要美国机构投资者除外）。本报告的版权归本公司所有。本公司对本报告保留一切权利。除非另有书面显示，否则本报告中的所有材料的版权均属本公司。未经本公司事先书面授权，本报告的任何部分均不得以任何方式制作任

99、何形式的拷贝、复印件或复制品，或再次分发给任何其他人，或以任何侵犯本公司版权的其他方式使用。未经授权的转载，本公司不承担任何转载责任。特别声明特别声明在法律许可的情况下，兴业证券股份有限公司可能会持有本报告中提及公司所发行的证券头寸并进行交易，也可能为这些公司提供或争取提供投资银行业务服务。因此，投资者应当考虑到兴业证券股份有限公司及/或其相关人员可能存在影响本报告观点客观性的潜在利益冲突。投资者请勿将本报告视为投资或其他决定的唯一信赖依据。兴业证券研究兴业证券研究上上 海海北北 京京深深 圳圳地址：上海浦东新区长柳路36号兴业证券大厦15层邮编：200135邮箱：地址：北京市朝阳区建国门大街甲6号SK大厦32层01-08单元邮编：100020邮箱：地址：深圳市福田区皇岗路5001号深业上城T2座52楼邮编：518035邮箱：