国盛计算机：哪些要素决定了自动驾驶水平？关注华为智车、特斯拉产业链等四大方向（附股）

登录新浪财经APP 搜索【信披】查看更多考评等级

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

　　【国盛计算机】哪些要素决定了自动驾驶水平？

　　来源：计算机畅想 作者：刘高畅（金麒麟分析师）/陈泽青

　　核心观点

　　算法：从传统规控到端到端，ADAS算法迈入新时代。2024年3月，特斯拉在自动驾驶领域取得了重大飞跃，发布了FSD Beta v12.3更新。FSD Beta v12.3版本是完全基于端到端神经网络的解决方案，旨在模拟更自然、更人性化的驾驶。相比传统规控方案，端到端算法的优点在于无损的信息传递、完全由数据驱动、具备学习能力更具泛化性，因此成为了最新的主流技术方向。跟随特斯拉的步伐，许多国内厂商也开始切入端到端技术路线，华为鸿蒙智行已在ADS 3.0版本中引入端到端技术，带来驾驶体验的提升；小鹏、理想等其他国内主机厂商也在争相推进端到端技术。

　　数据：汽车行驶数据可反哺算法，形成数据飞轮的持续迭代。1）数据是自动驾驶训练的食粮，根据Tesla官方披露资料，自2024年FSDv12发布以来，FSD累计驾驶里程数的增长就进入了斜率更高的轨道，以更快的速度上行，而根据Tesla AI官方推特披露，截至2024/10/24，Tesla的车队现在在FSD监督下累计行驶距离已经超过20亿英里，其中超过50%是在V12上完成的。2）国内厂商中，华为数据积累快速增长，截至2024/11/9累计智驾里程数已达9.3亿公里。截至2024年9月，理想汽车智能驾驶总里程数也达到24.1亿公里。

　　算力：算力是训练基础，没有大规模算力就没有优秀自动驾驶算法。算力是一切AI算法的基础，没有大规模算力就如巧妇难为无米之炊，天然抬高了智驾自研入场门槛。截至2024Q3特斯拉算力规模已超6万张H100，预计到24年底将拥有接近9万张H100之巨的规模。国内车企亦进入算力军备竞赛，蔚小理等新势力车企纷纷扩张算力资源，华为是当前国内算力资源相对最强的玩家，算力规模约为7.5 EFLOPS。算力储备成本巨大，对车企的资金及渠道能力提出挑战，利好实力雄厚领军玩家。

　　人才：高质量核心人才引领自动驾驶产业尖端技术发展，车企开启抢人大战。自动驾驶的发展需要高质量核心人才的引领，进入端到端技术后人才门槛进一步提升。例如，特斯拉AI团队前总监Andrej Karpathy就是具备深度AI背景的顶尖科学家，曾是openAI创始成员，任内推动了特斯拉自动驾驶的计算机视觉部分的进步。国内车企也已发动“抢人大战”，具备大厂自动驾驶背景的稀缺人才受追捧，前图森未来中国CTO王乃岩加入小米，小鹏汽车则计划招募4000名人才，主要为AI、大模型、智驾等方面的开发者。

　　品牌建设能力：鸿蒙智行品牌影响力持续提升。根据IT之家报道，华为于2023年11月9日宣布华为智选车业务升级为鸿蒙智行。根据证券时报报道，2024年7月，华为披露，鸿蒙智行2024年上半年累计交付194207辆汽车，登上中国新势力品牌上半年销量第一。

　　建议关注：1）华为智车：江淮汽车、长安汽车、赛力斯、北汽蓝谷等；2）特斯拉产业链：世运电路、三花智控、上汽集团、拓普集团、北特科技（维权）等；3）国内自动驾驶产业链：德赛西威、万马科技、中科创达、经纬恒润、海天瑞声、万集科技、千方科技、金溢科技、鸿泉物联等。4）算力：中科曙光、海光信息、寒武纪、浪潮信息、神州数码、软通动力等。

　　风险提示：技术迭代不及预期、经济下行超预期、行业竞争加剧。

　　报告正文

　　01

　　算法：从传统规控到端到端，ADAS算法迈入新时代

　　2024年3月，特斯拉在自动驾驶领域取得了重大飞跃，发布了FSD Beta v12.3更新。这个版本被埃隆·马斯克描述为“革命性的”，并强调了对该软件所做的实质性改进，甚至暗示它可以被视为一个新的主要版本v13。目前，FSD Beta v12.3的推出主要针对一小部分员工和精选客户。

　　FSD Beta v12.3版本是完全基于端到端神经网络的解决方案，旨在模拟更自然、更人性化的驾驶。这是一项接近实现L4和L5级自动驾驶的重大转变，即车辆在大多数情况下无需任何人为干预即可运行，标志着朝着完全实现自动驾驶体验迈出了重要一步。马斯克强调，尽管与前身有类似的更新说明，但引擎盖下的改进是相当大的，标志着朝着完全实现自动驾驶体验迈出了一大步。

　　在此之前，根据Tesla Side报道，特斯拉于2024年1月22日向部分车主发布了FSD Beta 12.1.2的首个公开版本。该版本的显著特点是使用了端到端神经网络，有望大大改进特斯拉的高级驾驶辅助系统（ADAS）。该神经网络在数百万个视频剪辑的基础上进行训练，取代了之前大部分显式C++编码，提高了系统处理复杂驾驶情况的能力。根据FSD Beta v12的发布说明，这一更新取代了30多万行显式C++代码。

　　在此之前，马斯克于2023年5月表示，V12“是为FSD成为‘端到端人工智能’而保留的，覆盖从图像到转向、制动和加速等的方方面面。”根据美国科技媒体The Verge报道，特斯拉FSD V12如今依赖的是车身摄像头和人工智能，而不像其他竞争对手那样依赖激光雷达等其他类型的车身传感器。

　　2023年8月，马斯克在加州帕洛阿尔托的一次路测直播中，展示了搭载FSD V12的特斯拉Model S在施工区、变道和复杂路况中的驾驶水平，证明了该系统适应复杂路况的能力。

　　“端到端”是区别于传统自动驾驶路线的全新算法框架，自特斯拉将其落地后，已经成为自动驾驶当前最新主流框架。它和传统感知-规控算法的差别在于：

　　l传统自动驾驶算法采取模块化设计，包含感知、决策规划、执行控制三大模块，研究人员可以通过调试每个模块的参数来使车辆适应各种场景。

　　1）优点：可解释、可验证、易调试。因为每个模块都是相对独立的，所以当我们的车辆出现问题时我们可以回溯究竟是哪个模块出现了问题；在出现问题后，我们只需要在原有代码规则的基础上调整对应的参数即可。

　　2）缺点：传递过程中信息损耗、任务多且散导致低效、存在复合误差、规则难以穷尽导致构建和维护成本高。这些缺点的存在，尤其是corner case难以穷尽的问题，使得传统技术路线难以实现终极的自动驾驶。

　　l所谓端到端（End-to-End）就是信息一头进入一头输出，中间没有各个模块传输来传输去，一站式搞定。也就是基于统一的神经网络从原始传感器数据输入直接到控制指令输出的连续学习与决策过程，过程中不涉及任何显式的中间表示或人为设计的模块，不再需要工程师人为写无穷尽的代码了，除此之外；其另一个核心理念就是无损的信息传递。

　　1）优点：无损的信息传递、完全由数据驱动、具备学习能力更具泛化性。随着感知、决策规划端到端自动驾驶路径逐渐清晰，端到端为迈向L4无人驾驶提供了想象空间。

　　2）缺点：不可解释、训练成本较高、可能存在幻觉问题。针对以上缺点，目前常见的解决方案便是加入安全冗余。

　　正是由于端到端方案具备的深度学习能力，在未来可以表现出更好的泛化性，因此成为了自动驾驶领域算法最新的主流发展方向。跟随特斯拉的步伐，许多国内厂商也开始切入端到端技术路线，例如：

　　l华为鸿蒙智行已在ADS 3.0版本中引入端到端技术，带来驾驶体验的提升。ADS 3.0将 GOD 及 PDP 网络升级为端到端神经网络让信息无损传输、决策速度更快更类人。“端到端”架构最直接的表现“车位到车位”从结果上可以简单理解为“点到点”的智驾通行但从技术上看则非常考验“全场景贯通”的能力。在复杂路况下智驾通行，端到端构架可以使得重刹率降低15%，平顺性提升50%，颠簸幅度降低50%。

　　l其他国内主机厂商也在争相推进端到端技术。根据高工智能汽车研究院资料显示，7月30日，小鹏汽车在广州举办AI智驾技术发布会，预计在今年四季度实现“门到门”的智能驾驶，即居住小区停车场到单位园区停车场的高级辅助驾驶。无独有偶，理想也公布了端到端自动驾驶技术架构，由端到端模型、VLM视觉语言模型、世界模型三个部分共同组成。其中，端到端模型接受传感器输入，并直接输出行驶轨迹用于控制车辆，而视觉语言模型的作用是为端到端模型提供决策依据，世界模型则用于验证和强化学习。

　　02

　　数据：汽车行驶数据可反哺算法，形成数据飞轮的持续迭代

　　数据是自动驾驶训练的食粮。数据对于一切AI模型训练来说都是底层基础，对于自动驾驶算法训练来说尤其如此。通过大量的车辆行驶数据训练，算法才能够学会识别理解各种交通情况，提高决策的准确性和可靠性；数据的多样性和质量直接影响算法的泛化能力，使其能够在不同环境和条件下稳定工作，也使得算法可以适应不断变化的交通环境和规则，从而实现更高效、更安全的自动驾驶体验。

　　汽车行驶数据可以反哺智能驾驶算法，数据飞轮形成持续迭代。实车行驶数据一般在汽车实际驾驶过程中采集，理论上，出售后在路上实开的车辆越多，能够收集到的数据越多，这些数据就能过进一步反哺自动驾驶算法，使得算法本身获得持续迭代，形成持续的正循环。这样的数据飞轮，对自动驾驶厂商来说至关重要；可以说，没有大量数据用作训练，就不可能拥有优秀的自动驾驶算法。马斯克甚至认为，训练FSD这样的算法难度极高，需要“100亿公里以上的汽车数据”。

　　特斯拉数据积累已超20亿英里，其中超过50%是在FSD v12上行驶得来的。根据Tesla官方披露资料，自FSDv12发布以来，FSD累计驾驶里程数的增长就进入了斜率更高的轨道，以更快的速度上行，截至2024年6月，FSD累计驾驶里程数超过了16亿公里。而根据Tesla AI官方推特披露，截至2024/10/24，Tesla的车队现在在FSD监督下累计行驶距离已经超过20亿英里，其中超过50%是在V12上完成的。

　　国内厂商中，华为数据积累快速增长，累计智驾里程数已达9.3亿公里。根据鸿蒙智行官方微信公众号发布信息显示，截至2024/10/15，华为鸿蒙智行累计智驾里程数已超7.36亿公里，相当于绕地球18400圈，用户智驾里程占比达到34.5%，其主动安全辅助功能，累计避免可能碰撞次数达到63万次。然而仅仅一个月后，截至2024/11/9，鸿蒙智行累计智驾总里程数便达到了9.3亿公里，相当于在不到一个月的时间内，增加了近2亿的公里数，数据积累增长迅速。

　　截至2024年9月，理想汽车智能驾驶总里程数也达到24.1亿公里。根据理想官方微信号信息披露，截至2024年9月，理想智能驾驶总用户数达到95.7万人，智能驾驶总里程数达到24.1亿公里，9月新增智能驾驶里程1.5亿公里，也已形成一定的数据积累。

　　03

　　算力：算力是训练基础，没有大规模算力就没有优秀算法

　　算力是一切AI算法的基础，没有大规模算力就如巧妇难为无米之炊，天然抬高了智驾自研入场门槛。对于一切算法而言，算力（更具体一点说，是计算用的GPU芯片）是底层计算基础，没有算力就无法训练，这是巧妇难为无米之炊的定律。又因为智能驾驶训练所需数据多为2D、3D图像及其他信号数据，所需要的存储空间及计算资源都消耗巨大，对于车企而言，这一算力成本无疑提高了前置成本，天然抬高了智驾算法自研的门槛。

　　特斯拉算力规模已超6万张H100，预计到24年底将拥有接近9万张H100之巨的规模。根据Tesla官方披露资料，截至2024Q3，特斯拉拥有的H100 GPU数量已超过6万张，预计到2024年年底，公司算力规模有望达到接近9万张的数量。

　　国内车企亦进入算力军备竞赛，蔚小理等新势力车企纷纷扩张算力资源，华为是当前国内算力资源相对最强的玩家。AI大模型创业催生的抢购算力潮，今年开始向汽车行业迁移。以理想、华为和小鹏汽车为首，向端到端智驾发起猛冲的公司，尤为激进。据36氪了解，目前理想汽车已经囤够了万张算力卡，同时还在物色数据中心的地址。根据36氪报道数据显示，2024年7月，理想的云端算力为2.4 EFLOPS，到8月底，理想算力已经陡增至5.39 EFLOPS。几乎一个月时间，理想的云端算力增加了近3 EFLOPS。同样，小鹏汽车宣布，到2025年，云端算力将从目前的2.51EFLOPS增加到10 EFLOPS。华为智驾也在两个月内迅速将云端训练算力规模从5EFLOPS扩张到7.5 EFLOPS。

　　算力储备成本巨大，对车企的资金及渠道能力提出挑战，利好实力雄厚的领军玩家。根据36氪报道推算：目前车企们使用的训练显卡主要是英伟达H100和A800。美国禁令后，市场上能流通的大多是A800。据36氪汽车了解，一台A800服务器（含8张显卡）报价约为95万元。按照FP16精度计算，单张A800的算力为320TFLOPS，1 EFLOPS（等于1000000TFLOPS）大约可计算为3125张A800，即390个8卡模组。按每8卡模组按照95万元价格计算，1EFLOPS算力大约需要约3.7亿元。也就是说，理想汽车在过去1个多月，仅囤置算力芯片就耗费超10亿元，而小鹏想要实现明年总算力目标，则需要耗费约37亿元。如此巨大的算力成本，相应将对车企的资金及渠道能力提出挑战，利好实力雄厚的领军玩家。

　　04

　　人才：高质量核心人才引领自动驾驶产业尖端技术发展

　　自动驾驶的发展需要高质量核心人才的引领，进入端到端技术后人才门槛进一步提升。由于自动驾驶算法在全球科技范围内都属于前沿领域，需要顶尖的科学家与高质量核心人才，才能引领算法技术的进步。进入端到端技术路径后，人才门槛要求变得更高了。大模型本身要求团队有很强的深度学习背景。在搭建方案阶段，更需要很强的基础架构人才，对感知、规划控制每个模块都有深刻认知，了解不同芯片算力平台的支持力度、不同AI推理框架等。

　　特斯拉AI团队前总监Andrej Karpathy为具备深度AI背景的顶尖科学家，任内推动了特斯拉自动驾驶的计算机视觉部分的进步。AndrejKarpathy博士毕业于斯坦福大学，师从斯坦福视觉实验室的 Fei-Fei Li，曾经是OpenAI的创始团队成员之一。在担任特斯拉AI总监后，Andrej领导了特斯拉自动驾驶的计算机视觉团队。这包括内部数据标注、神经网络训练、以及将一系列成果在我们定制的推理芯片上部署。

　　国内车企发动“抢人大战”，具备大厂自动驾驶背景的稀缺人才受追捧。根据钛媒体新闻报道，威马汽车创始人沈晖曾表示，智能美学、智能座舱、智能驾驶、智能三电等领域极度缺乏人才，对应的缺口专业有造型设计、车辆工程、软件开发、数学算法、芯片设计与开发、自动化控制，自动驾驶、视觉感知等，特别是数学人才，100万都招不到大佬。车企缺乏软件相关人才有两条路可走，第一是培养和招募人才，第二是从其他公司挖人才。

　　1）走第一条路线的案例：根据钛媒体报道，2024年5月20日的520 AI Day上，小鹏汽车CEO何小鹏表示，2024年将投入35亿元用于“以智驾为核心的AI技术”方面的智能研发，为了提高研发团队的实力，还计划招募4000名人才，主要为AI、大模型、智驾等方面的开发者。

　　2）第二条路径：前图森未来中国CTO王乃岩加入小米，就属于第二条路径。

　　05

　　品牌建设能力：鸿蒙智行品牌影响力持续提升

　　2023年华为将智选车升级为鸿蒙智行，24H1鸿蒙智行成为国内新势力品牌销量第一。根据IT之家报道，华为于2023年11月9日宣布华为智选车业务升级为鸿蒙智行（HIMA， Harmony Intelligent Mobility Alliance）。鸿蒙智行官网网站描述为：鸿蒙智行（HIMA， Harmony lntelligent Mobility Alliance）是鸿蒙智能汽车技术生态联盟，旨在与合作伙伴一起，推进汽车智能化技术发展，为用户打造卓越的智能汽车产品，提供极致的智慧出行体验，把数字世界带入每一辆⁠车。根据证券时报报道，2024年7月，华为披露，鸿蒙智行2024年上半年累计交付194207辆汽车，登上中国新势力品牌上半年销量第一。

　　06

　　建议关注

　　华为智车：江淮汽车、长安汽车、赛力斯、北汽蓝谷等；

　　特斯拉产业链：世运电路、三花智控、上汽集团、拓普集团、北特科技等；

　　国内自动驾驶产业链：德赛西威、万马科技、中科创达、经纬恒润、海天瑞声、万集科技、千方科技、金溢科技、鸿泉物联等；

　　算力：中科曙光、海光信息、寒武纪、浪潮信息、神州数码、软通动力等。

　　07

　　风险提示

　　技术迭代不及预期风险：若技术迭代不及预期，则对产业链相关公司会造成一定不利影响。

　　经济下行超预期风险：若宏观经济景气度下行，固定资产投资额放缓，影响企业再投资意愿，从而影响消费者消费意愿和产业链生产意愿，对整个行业将会造成不利影响。

　　行业竞争加剧风险：若相关企业加快技术迭代和应用布局，整体行业竞争程度加剧，将会对目前行业内企业的增长产生威胁。

　　具体分析详见2024年11月17日发布的报告《哪些要素决定了自动驾驶水平？》

　　分析师 刘高畅 分析师执业编号S0680518090001

　　特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。

　　重要声明：本订阅号是国盛证券计算机团队设立的。本订阅号不是国盛计算机团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。

　　本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。

　　版权所有，未经许可（金麒麟分析师）禁止转载或传播。

海量资讯、精准解读，尽在新浪财经APP

责任编辑：石秀珍 SF183