（报告出品方/作者：兴业证券，戴畅、董晓彬）

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

1.1 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（Perception），预测（Prediction），规划（Planning），控制（Control）几个主要模块。感知模块（Perception）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（Prediction）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。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预测。

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（Control）主要负责精准控制车辆按规划轨迹行驶。控制模块根据决策规划的路线，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。

Transformer 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）现在，在 Transformer 模型引入 CV 领域和智能驾驶领域后，智驾能力的提升明显加速。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，优化终端性能体验。

AI 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。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。

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。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。

1.2 Transformer 大模型的演进与原理

Transformer 是谷歌 2017 年提出的 AI 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。

Transformer 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=X1×W(q1)），然后通过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多个特征。

Transformer 模型包括编码器（Encoder）和解码器（Decoder）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。

Transformer 模型通过注意力机制，整合了 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。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。因此相对于CNN 模型，Transformer 模型可以捕捉长序列内的依赖关系，相对于RNN模型，Transformer 模型有更高的并行度，且能保存更多的前期数据。

2020 年的 VIT 模型开拓了 Transformer 在 CV 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 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。

与 VIT 同年，特斯拉将 Transformer 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，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。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。

1.3 Transformer 在智能驾驶的具体应用

目前国内外头部企业利用 BEV+Transformer 做感知环节的特征融合。自特斯拉2020 年提出应用 BEV（Bird’s Eye 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，特斯拉，小鹏，理想与华为等企业利用 Transformer+BEV 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者减轻对高精地图的依赖。

特斯拉 2021 年先提出用 BEV+Transformer 实现目标检测，又在2022年提出Occupancy Network 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 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（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）。

（2）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。

未来有望基于 Transformer 大模型实现端到端的辅助驾驶。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 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 Transformer 架构，查询向量Q将各个模块串联起来，其中，TrackFormer 的 Query 会一直传递到Planner 模块，以此实现了全栈 Transformer

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

2.1 特斯拉：FSD 海外推广顺利，年内有望推送V12 版本

海外特斯拉 FSD 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 Mobileye 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 FSD 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 2023，BEV、transformer、占用网络等引入，全栈自研第二阶段。2021 年 7 月推送的 FSD BetaV9 版本的软件从底层完全重写，不依赖雷达，只采用 Tesla Vision 视觉方案。经过多次迭代，最新版本FSDBeta 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，并让驾驶员有更充足的时间做出反应。

2023H2 最新 FSD12 版本有望推出。特斯拉预计2023 年内推出FSDV12，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。

海外特斯拉 FSD 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，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。

“超级计算机”Dojo 投产运行将助力 FSD 性能跃升，助力特斯拉实现全面自动驾驶。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2023H2 开始落地

1）2023H2 城市 NOA 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。

小鹏汽车：国内首家上线城市 NOA 的车企，并预计于2024 年实现车位到车位的全景辅助驾驶能力。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Xavier 芯片替换为英伟达最新的 OrinX 芯片，打造出Xpilot4.0。2022年9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开放自动变道、超车、左右转的能力，并预计在2024 年推出XNGP的终极形态，实现车位到车位的全场景辅助驾驶能力。

蔚来汽车：国内首家实现 NOA 高速领航的公司，并计划于下半年发布城区NOP+。蔚来于 2017 年 12 月便首次发布了第一代自动驾驶系统NIOPilot，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，是国内首家实现NOA 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NOP+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。

理想汽车：计划 2023 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ADMAX，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6 月，不依赖高精地图的城市 NOA 开启内测。2023 年下半年，理想计划开通城市通勤 NOA 功能。

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，高速DNP 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2021 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。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。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、F 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。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 NOH 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、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 L3 以及后续 L4/L5 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：城市 NCA 已经实现落地，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MDC810、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 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。

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

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

国内 SUV 渗透率和新能源渗透率的增长符合“S 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SUV 渗透率和新能源渗透率的提升过程，可以看到渗透率在 5%-10%区间之后出现快速增长。

5%-10%渗透率之后，供给优化驱动电动车和 SUV 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2012 年后SUV渗透率快速增长。（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2021 年后新能源渗透率快速增长。

3.2 高阶智能驾驶：2023H2 供给侧质变，后续渗透率快速提升

1）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“算法升级→硬件降本→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/华为等自研芯片的成本预计较低。我们预计在“重感知轻地图”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本硬件，未来综合成本有望降低 50%。

2）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。

四、产业影响：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

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 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。

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

L2+ 到 L3-L4 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。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。即智能驾驶的技术能力的提升并非线性的，从 L2+级别提升到L3-L4 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。

4.2 智能驾驶增量/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道进展超预期。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。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 NOA 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。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。

（本文仅供参考，不代表我们的任何投资建议）

1. 罚款21万！明明已经零申报了还被罚？税局明确：这种行为将纳入重点监管！

2. 突然宣告破产！400门店被接管，12000人或将失业！

3. 云南一医院院长被曝名下100套房100辆车...原来他们都是这样捞钱的！

4. 北大事件牵出的“天价研学”,对中产父母的大型收割机