智能化在汽车产业链的核心变化主要体现在三个部分：上游基建（算力-智算中心）、中游车端（架构、硬件、软件）、下游运营（Robotaxi 等）。
当前的智能驾驶模型普遍基于深度学习构建，前期输入大量数据训练模型，使得模型具备类似人类驾驶员的感知、规划、执行能力，并通过训练矫正其行为。同时考虑现实存在 corner case，智能驾驶模型上车后也需要不断接收用户数据或使用仿真数据对模型迭代训练。随智能驾驶等级提升以及越来越多的大模型算法上车，数据计算量增大，算力要求提高，为匹配数据量增长并做好后续大规模数据训练准备，部分公司开始布局智算中心。 根据国家信息中心定义，智算中心是智能时代面向社会全域多主体的新型公共基础设施，集算力生产供应、数据开放共享、智慧生态建设和产业创新聚集四大功能于一体，为有海量数据存储、处理、分析及应用支撑需求的各类场景提供载体支撑，提供包括生产、聚合、调度、释放算力四个环节能力；1）生产算力，基于强大服务器和多种算力芯片，对智能驾驶模型提供数据处理、训练；2）聚合算力，采用最新网络和存储技术实现文件、对象、块、大数据存储服务一体化及同一架构上不同应用件数据融合， 并在需要时将数据高效传出；3）调度算力，基于智能驾驶系统对算力的需求特点，通过虚拟化、容器化等技术，CPU、GPU、FPGA、ASIC 等算力资源进行标准化和细粒度切分，满足多样化需求，保障系统开发和业务的高效运行。4）释放算力，采用全流程软件工具，针对不同场景应用需求，通过机器学习自动化的先进方法产出高质量模型或服务。
智算中心建设周期长，初始投资大，主机厂出于算力需求开始建设。但是高阶智能驾驶模型尤其是端到端模型数据计算量巨大，部分有实力的主机厂及企业已经开始布局。参考佐思汽车信息，2023 年 1 月，吉利汽车的星睿智算中心正式上线，总投资 10 亿元，规划机柜 5000 架。该中心目前的云端总算力达81 亿亿次每秒，预计到 2025 年，算力规模将扩充到 120 亿亿次每秒；覆盖包括智能网联、智能驾驶、新能源安全、试制实验等业务领域，提升吉利整体20%研发效率。特斯拉的dojo 超算中心进一步提升其综合业务能力（智算中心是CPU+AI 芯片，针对特定的人工智能行业赋能；超算中心采用 CPU+GPU 的芯片架构，可针对行星模拟、工程仿真等多种领域实现通用化大精度计算赋能）。
参考华为智能汽车解决方案品牌 HI 对于智能汽车的核心理念，HI 包含了1个全新的计算与通信架构和 5 大智能系统，以及激光雷达、AR-HUD 等30 余款智能化部件，提供了 3 大计算平台和 3 大操作系统，既代表技术创新，也代表商业模式的创新。因此，我们认为，智能化在车端的核心变化主要体现在以下三个部分：1）架构（分布-集中）；2）硬件（感知-决策-执行部件）；3）软件（BEV+Transformer、端到端大模型）。
汽车电子电气架构奠定车辆底层框架。汽车电子电气架构（ElectronicandElectrical Architecture，文中简称 EEA）是由车企所定义的一套整合方式，类似于人体结构和建筑工程图纸，也就是搭了一副骨架，需要各种“器官”、“血液”和“神经”来填充，使其具有生命力。具体到汽车上来说，EEA 把汽车中的各类传感器、ECU（电子控制单元）、线束拓扑和电子电气分配系统完美地整合在一起，完成运算、动力和能量的分配，实现整车的各项智能化功能。智能驾驶时代，车辆电子电气架构从分布式-域集中式（功能域）-跨域融合-中央架构。
1）分布式：主要用在 L0-L2 级别车型，此时车辆主要由硬件定义，采用分布式的控制单元，专用传感器、专用 ECU 及算法，一个功能对应一个ECU、线束布局复杂，不同 ECU 不能协同、算力浪费，不同 ECU 由不同供应商开发、软件难以复用专用传感器、专用 ECU 及算法。 2）域集中式（功能域）：即域控制器集中式架构，其出现的背景在于随着车载传感器数量越来越多，传感器与 ECU 一一对应使得车辆整体性能下降，线路复杂性也急剧增加，同时分布式 ECU 架构在自动驾驶功能实现上面临诸多技术瓶颈，此时 DCU（域控制器）和 MDC（多域控制器）应运而生，以更强大的中心化架构逐步替代了分布式架构。其结构特点在于由多个 ECU 合并成一个域控制器，从L3级别开始，【跨】域集中电子电气架构走向舞台，通过域控制器的整合，分散的车辆硬件之间可以实现信息互联互通和资源共享，软件可升级，硬件和传感器可以更换和进行功能扩展。
2021-2022 年大部分主机厂已实现域控集中式架构量产，典型代表为长城GEEP3.0架构、小鹏的 EEA 2.0 架构等。这个阶段会出现五大功能域，也就是动力域、底盘域、车身域、座舱域、自动驾驶域。现阶段按产品属性，可将五大域分为传统域与智能域。传统域包括动力总成域、底盘域和车身域，对算力要求较低；智能域包括座舱域和智驾域，对算力要求较高。过去两年，在智驾和智舱两个核心板块，已基本实现了域内融合：据盖世汽车研究院配置数据显示，2023 年中国市场座舱域控前装标配交付量达到 347.6 万套，搭载率提升到16.5%；智驾域控前装交付量为 183.9 万套，搭载率提升到 8.7%。
3）跨域融合和中央计算阶段： 当前汽车行业整体站在了电子电气架构由分布式转向域集中式的档口。以功能区分的域控制器存在算力资源浪费和性能倾向性，而跨域融合方案和基于区域控制器和中央计算机的方案可以进一步降低线束数量，做性能的整合，降低物料成本的同时，提高域控制器性能的集成度。因而，主机厂也开始加码布局跨域融合和“区域控制器+中央计算机”方案。
按功能融合：三域架构/舱驾一体
三域架构：动力域、底盘域和车身域逐步整合为整车控制域，进而构建了三域集中式架构，并朝着整车中央计算平台的发展方向迈进。三域架构一般将全车划分为车控域控制器、智能驾驶域控制器、智能座舱域控制器三大功能域，分别实现车辆行驶、自动驾驶、信息娱乐等功能。大众 MEB 平台的E3 架构、宝马iNEXT车型架构、华为 CC 架构等均属于此类。
舱驾一体：在智能化驱动的行业风向中，各大厂商将域融合的研究重点放在了与用户智能化体验高度相关的舱驾一体之中。在域集中架构下，智驾域和座舱域虽然已经实现了域内融合，但这两个域之间仍然是彼此独立，整体是Two Box、TwoBoard。而舱驾一体则致力于实现 One Box、One Board、One Chip，其中OneChip被普遍认为是舱驾融合的“终极方案”，即在一颗SoC 芯片上同时运行智驾域和智舱域。但由于更高的系统集成度，导致单芯片舱驾融合在软件适配，以及硬件选型等方面相较于前两种方案要求也更高。受制于当前芯片和软件技术成熟度，出现了舱泊方案、舱行泊方案等过渡形式。 英伟达和高通相继推出面向中央计算架构的 DRIVE Thor 和SnapdragonRide™Flex SoC（SA8775P），高达 2000TOPs 的算力使得在一颗芯片上同时部署智舱域和智驾域成为可能，舱驾融合由此拉开单 SoC 发展序幕。
按位置融合：区集中式
按照汽车的物理空间，将全车划分为多个区域，如左车身域、右车身域等。由于各处 ECU 均有区域控制器（zone ECU，ZCU）中继，再连接至中央计算机，线束数量能够大量减少，释放更多物理空间。特斯拉、沃尔沃、丰田等均属于此类。
车端-硬件：感知-决策-执行层，视觉成为感知系统重心，域控算力升级
从硬件成本来看，传统方案硬件成本 3 万元+，特斯拉纯视觉方案成本节省1-2万。1）国内常规城市 NGP 配置，以小鹏 G6 为例，目前小鹏G6 Max 版搭载31颗传感器，包括 12 颗摄像头+12 颗超声波雷达+5 颗米波雷达+2 颗激光雷达，整车传感器+域控成本约 3 万元。2）特斯拉纯视觉方案配置（从HW1.0-HW5.0），以2019 年推出的 HW3.0 为例，传感器配置为：8 摄像头，1 毫米波雷达，12超声波雷达；芯片配置为 3 颗自研 FSD 芯片。2021 年 5 月，特斯拉取消毫米波雷达；2022年 10 月，特斯拉取消 12 个超声波雷达（明确表示从2022 年10 月开始，面向北美、欧洲、中东和中国台湾制造交付的 Model 3 和Y 都不再有超声波雷达，2023年开始面向全球交付的 Model S 和 X 也都不再有超声波雷达）。
从硬件配置发展趋势来看，大模型及高阶自动驾驶落地催化硬件配置变革。我们整理了目前特斯拉和国内造车新势力的代表车型智能化配置，出于硬件预埋角度，虽然目前国内暂时无法落地高等级自动驾驶，蔚来等部分车企还是选择配置30+颗传感器，其中包括 800 万像素摄像头，为后续高阶智能驾驶落地后OTA升级做足准备。我们认为在大模型落地及高阶自动驾驶加速上车的趋势下，越来越多的车企传感器方案重心会向视觉倾斜，会有更多的800 万像素摄像头上车；同时1000+TOPS 的大算力域控制器数量增多，底盘端线控制动和线控转向渗透率也将提升。
感知层
1）摄像头。视觉逐渐成为感知系统重心，摄像头像素水平提升。车企摄像头方案相对雷达优势显著，一方面感知信息丰富，通过图像数据显示车道线、交通信号灯等多种信息，达到最接近人眼的感知效果；另一方面，摄像头从1956 年开始在汽车应用，技术水平更为成熟、产业链更为完备。在大模型的助力下，图像感知数据的处理能力得到进一步提升,视觉在感知层优势越来越显著。特斯拉从HW1.0 时期仅配备单个摄像头向三目前视、多路环视摄像头方案升级，目前国内新势力车型普遍采用 30+个传感器配置，摄像头占比约 40%。同时随自动驾驶技术进阶，摄像头素质同比提升，800 万像素的摄像头提供更好的成像效果、更远的探测距离及更大的视场角，2022 年开始大量 800 万像素摄像头搭载上车。理想L9、蔚来ES8等车型单车配备 800 万像素摄像头数量达 6~7 个。 目前行业普遍采用的11~12颗摄像头+5颗毫米波雷达+1~3颗激光雷达方案的成本在 1.5 万元~2 万元水平，远期规模化量产，全无人驾驶下，车企10-11 个摄像头+3 个 4D 毫米波雷达+2 个普通毫米波的传感器配置，成本有望降至10000元内。
摄像头市场规模：参考盖世汽车数据，随着摄像头在乘用车市场的持续渗透，预计国内乘用车摄像头市场规模有望从 2021 年的 72.1 亿元增至2025 年的251.4亿元，CAGR 分别为 37%。伴随着 ADAS 持续渗透，摄像头单车需求量增加，参考盖世汽车数据，2022 年上半年中国乘用车平均每辆车搭载2.3 颗ADAS 摄像头，预计 2025 年增长至 6 颗，预计国内乘用车 ADAS 摄像头搭载量有望从2021年的3935.7 万颗增至 2025 年的 13726.6 万颗，CAGR 为37%，预计国内乘用车摄像头市场规模有望从 2021 年的 72.1 亿元增至 2025 年的251.4 亿元，CAGR 分别为37%。
摄像头产业链：摄像头上游原材料包括流光片、光学镜片、保护膜和晶圆，中游元 件 主 要 由 三 部 分 构 成 ： 镜 头 组 、 CMOS （Complementary Metal-OxideSemiconductor，互补金属氧化物半导体）和 DSP（Digital Signal Process，数字信号处理器），三部分元件经过系统封装后形成摄像头，投入市场。从硬件成本来看，芯片、镜头和其他物料各占 1/3。从产业链企业布局看，国内目前主要布局在镜头组，CMOS 与 DSP 相对较弱；另外摄像头总成产品Tier1，国内布局公司包含德赛西威、华阳集团、豪恩汽电等。 竞争格局：摄像头供应商部分，根据高工智能汽车数据，2021 年中国市场乘用车前装标配摄像头（行/泊 ADAS）搭载量排名前十中，作为本土供应商代表，德赛西威、智华科技、比亚迪进入前十，市场份额分别8.3%、4.4%、4.1%。
2）激光雷达。激光雷达对于实现高级别智能驾驶的必要性：目前应用于环境感知的主流传感器产品主要包括摄像头、毫米波雷达、超声波雷达和激光雷达四类。总体来看，摄像头在逆光或光影复杂的情况下视觉效果较差，毫米波雷达对静态物体识别效果差，超声波雷达测量距离有限且易受恶劣天气的影响，因此单独依靠摄像头或毫米波雷达的方案去实现智能驾驶是存在缺陷的，而激光雷达可探测多数物体（含静态物体）、探测距离相对更长（0-300 米）、精度高（5cm），且可构建环境3D模型、实时性好，因而成为推进智能驾驶到 L3 级及以上的核心传感器。从组成上看，激光雷达主要由激光发射、激光接收、信息处理、扫描系统组成。1）激光发射系统：激励源驱动激光器发射激光脉冲，激光调制器通过光束控制器控制发射激光的方向和线数，最后通过发射光学系统，将激光发射至目标物体；2）激光接收系统：经接收光学系统，光电探测器接收目标物体反射回来的激光，产生接收信号；3）信息处理系统：接收的信号经过放大处理和数模转换后，经过信息处理模块计算，获取目标表面形态、物理属性等特性，最终建立物体模型；4）扫描系统：以稳定的转速旋转起来，实现对所在平面的扫描，产生实时的平面图信息。
上市公司：我们按照激光的路径对激光雷达上游主要零部件进行梳理，总体来看可以分为电学芯片（模拟芯片、FPGA）、光学部件（准直镜、分束器、扩散片、透镜、滤光片）、收发部件（激光器、探测器）。激光雷达电学芯片部分涉及的模拟芯片和 FPGA 芯片，海外芯片龙头为行业领导者，赛灵思的FPGA 芯片应用于速腾聚创、禾赛科技等主流激光雷达厂商中。光学部件MEMS 微振镜海外龙头（滨松、mirrorcle 等）技术成熟，国内速腾聚创投资希景科技、禾赛科技和镭神智能自研 MEMS 微振镜；其他光学器件比如准直镜、扩散片、分束器等已经非常成熟，国内诸多厂商均有布局，代表性厂商有舜宇光学科技、永新光学、腾景科技、蓝特光学、水晶光电、福晶科技、炬光科技等，国内供应链成熟且具备成本优势，有望乘激光雷达之风迎来新发展机遇。对于激光器和探测器，国内供应商在产品的定制化上有较大的灵活性，价格也有一定优势，有望在收发模块开启国产替代，其中激光器的代表性厂商有炬光科技、长光华芯、纵慧芯光、睿熙科技等，探测器的代表性厂商有灵明光子、南京芯视界、芯辉科技、宇称电子、阜时科技等。
决策层
数据和算法要求提升，自动驾驶芯片算力持续提升（或从低于100tps到远期1000tps）。一方面大模型及大型自动驾驶数据处理提出大算力需求；另一方面，高规格摄像头等传感器上车提供更多需要处理的数据，增加算力消耗，比如传统的 L1-L2 级自动驾驶，配备 120-200 万像素摄像头，只需要对车道检测等简单功能提供算力，而 800 万的高像素及 L2+高阶自动驾驶上车要求自动驾驶系统处理城区复杂路况、多交互场景的路口变道等情况，神经网络算法要求提升，域控制器算力需求进一步提升。根据 36 氪研究院整理数据，L2 级及以下智能驾驶算力需求通常为 10-100TOPS，而 L3 级算力需求为 100TOPS 以上，到L4 级算力需求跃升至 1000TOPS 以上。 以华为为代表的自动驾驶芯片占比持续提升。根据高工智能汽车数据，2024年3月，乘用车自动驾驶域控制器渗透率为 13.0%，同比+4.0pct，环比+2.7pct，其中英伟达、地平线、特斯拉 FSD、华为自动驾驶芯片占比分别为22.8%、13.2%、32.4%、17.4%，同比分别变动+2、+6、-20、+16pct，环比分别变动-2、-2、+2、-0pct。2024 年 1-3 月，乘用车自动驾驶域控制器渗透率为10.2%，同比+3.1pct，其中英伟达、地平线、特斯拉 FSD、华为自动驾驶芯片占比分别为25.4%、13.4%、29.6%、16.8%，同比分别变动+3、+6、-13、+16pct。
对不同自动驾驶 SoC 芯片厂商布局进行梳理后，可以发现以下特征：1）从方案上来说，目前 CPU+GPU+ASIC、CPU+ASIC 为相对更主流的SOC 芯片方案。2）从不同芯片厂商布局趋势来看，算力从低到高（个位数-十位数-百位数tops），制程更加先进（十位数-个位数 nm），能效比持续提升。3）从算力和能效比角度看，对高算力（30Tops 以上满足 L3 级及以上要求）芯片进行排名，第一梯队的为英伟达、高通、地平线、华为，第二梯队的为 mobileye，第三梯队为黑芝麻、瑞萨、TI。英伟达 Orin N、Orin X、Thor、高通骁龙 Ride 8775、8650、、地平线J6、华为 MDC610/810 算力分别 84、254、2000、75、100、200+/400+Tops，英伟达OrinX 能耗比 3.9；mobileye EyeQ6 Ultra、地平线征程5、瑞萨R-CAR V3U 算力分别176、128（最高）、60Tops，其中地平线征程 6 今年量产。
据盖世汽车研究院统计数据显示，2023 年，国内乘用车前装市场累计标配智驾域控 183.9 万套，同比增长约 70%；对应渗透率为 8.7%，相较于2022 年提升了3pct。在第三方供应商中间，则以德赛西威装机量最高。另外，福瑞泰克、毫末智行、知行科技等本土企业也占据了相当的比例。
执行层
线控底盘以电信号驱动取代机械或液压部件驱动的执行机构信号，核心技术包括线控转向、线控悬架、线控制动三个部分，整体传输信息效率高、时间短、控制精确，有望和智能化结合完成汽车主动控制工作，是高阶自动驾驶的大势所趋。
1）线控制动，ADAS 执行层的核心产品。传统燃油车以发动机动力提供真空度的真空泵放大脚踩刹车器的力度，实现制动操作；线控制动产品以电控信号取代传统制动系统的部分或全部机械部件，解决了新能源车缺少真空泵源的困境，通过电信号获得更快的信息传输及相应速度，提供更安全舒适的驾乘体验，同时可以通过电机提供主动控制，不需要人类驾驶员踩下踏板提供机械部件动力，将人从制动操作中解放出来，是高阶自动驾驶的必经之路。根据九章智驾，博世的ibooster 方案将系统响应时间从常规的 300-500 毫秒缩减到120-150 毫秒；大陆集团的 MK C1 在 30km/h 时启动行人保护，刹车距离从6.8 米减少到4.1 米。另外，线控制动系统可以通过电机控制器将车轮减速产生的制动能量转化为电能存储，实现一定的能量回收，提高车辆续航。目前随着电动智能化提速，自动驾驶级别提升，主机厂线控制动应用意愿增强，线控制动行业有望加速上量。根据佐思汽研及高工数据，2019年国内乘用车市场的线控制动装配率为2.6%，2021年为8.6%，2023 年为 37.68%，其中新能源汽车线控制动装配率超过73%。假设2025年我国乘用车产量 2700 万辆，线控制动产品单价为 1600 元，产品渗透率达到55%，则线控制动市场规模约为 238 亿元。
EHB 是主流方案，ONE-BOX 享有高集成度、低体积、低重量优势。产品设计上，线控制动传统液压系统+电信号控制单元的 EHB 系统和完全由电子控制单元与机械部件相连的 EMB 系统两种线控制动产品。EMB 将电机直接集成到液压钳上，响应效率高，但是技术成熟度低、成本较高且存在冗余设计困难，短期内无法取代EHB 的主流地位。而在 EHB 中，根据集成度高低又分为TWO-BOX 和ONE-BOX两种。ONE-BOX 方案的 ECU 中集成了 ESC 等功能，只有 1 个ECU，而TWO-BOX 方案没有集成，有 2 个 ECU，需要做协调。由于 ONE-BOX 方案集成度更高，在体积、重量上占优，在制动失效时的减速度表现更优秀,且其售价普遍低于TWO-BOX 产品，有望成为主流方案。目前伯特利、拿森电子、拓普集团等公司布局ONE-BOX 方案研发。
2）线控转向，线控转向用电子控制器取代方向盘与转向轮之间的机械连接，将驾驶员操作以电信号行驶向下传输给执行器执行转向操作，甚至更进一步在自动驾驶模式由控制算法给出向下传递的信号实现操作，将汽车转向的决策核心由人转为算法，是实现高阶自动驾驶的必经之路。另外，传统转向的机械连接限制系统传动比为固定值，而线控转向可以根据需求自由设计转向角传动比，谢立刚、陈勇、郭晓光 1通过实验论证这一设计有效提高车辆在低速行驶灵敏性，改善其高速时行驶的稳定性，实现“灵”与“轻”共存。更进一步，取消方向盘与转向轮硬连接后两者可以独立运转，即自动驾驶可以无需方向盘同步转动，提供隐藏方向盘或者取消方向盘可能；使用方向盘的智能化娱乐项目可以避免轮胎运转磨损。线控转向系统难度高，需要考虑硬件冗余安全、软件设计安全等多种因素，同时2022 年之前受到国内法规限制，落地进展较为缓慢。2022 年，我国开始实行GB17675-2021《汽车转向系基本要求》，解除以往对转向系统方向盘和车轮物理解耦的限制，同年中汽研标准所和集度、蔚来、吉利成为中国线控转向相关国家标准制定牵头单位，共同加速线控转向落地。根据中国汽车工程学会《线控转向技术路线图》征求意见稿，线控转向的量产目标为 2025 年渗透率5%，成本4000元以内；按照 2025 年中国乘用车大约 2500 万辆规模，中国乘用车线控转向市场规模约在 50 亿元水平，长期随高阶自动驾驶上车，线控转向渗透率将加速上行。
3）线控悬架，汽车 Z 轴调节。作为主动悬架的空气悬架升级传统悬架的钢制弹簧为空气弹簧调整悬架刚度和车身高度，升级普通减振器为电控减振器调整阻尼，具有高稳定性、舒适性、通过性，可提高车辆空间整体利用率。而在高阶自动驾驶上车时代，汽车传感器数量和算力水平不断提升，空气悬架可结合导航信息和汽车传感器输入数据，预先获知前方路况并提前做出反应，未来甚至可以与自动驾驶和智能座舱结合，给消费者带来最优乘车体验。
线控底盘是自动驾驶大势所趋。线控底盘改变底盘架构，大规模以线束和控制器取代原有的机械连接，通过电驱动执行操作；一方面改善底盘各环节响应速度，减轻整车底盘重量，契合自动驾驶时代的 OTA 升级趋势；另一方面，也为高阶OTA的全计算控制布局，线控转向、线控制动将驾驶员与车辆操控解耦，线控悬架提升驾乘人员舒适度，未来可以结合摄像头等多传感器数据实现完全自动驾驶。
车端-软件：大模型助力硬件降本和城区NOA 落地，端到端方案加速推进
目前，大模型上车已经迎来一定进展，并且随着技术的成熟，NOA 功能从高速NOA，卷向城市 NOA，城市无图 NOA 已经成为下一阶段的技术需求。特斯拉引领，国内车企跟随，通过 BEV+Transformer 模型助力，实现硬件成本下降+城区NOA落地。目前，端到端方案也在加速推进，端到端自动驾驶是直接从传感器信息输入（如摄像头图像、LiDAR 等）到控制命令输出（如转向、加减速等）映射的一套系统，最早出现在 1988 年的 ALVINN 项目，通过相机和激光测距仪进行输入和一个简单的神经网络生成的转向进行输出。2024 年初，特斯拉FSD V12.3 版本发布，智驾水平让人惊艳，端到端自动驾驶方案受到国内主机厂和自动驾驶方案企业的广泛关注。与传统的多模块方案相比，端到端自动驾驶方案将感知、预测和规划整合到单一模型中，简化了方案结构，可模拟人类驾驶员直接从视觉输入做出驾驶决策，以数据和算力为主导，能够有效解决模块化方案的长尾场景，提升模型的训练效率和性能上限。
国内新势力通过 OTA 升级等方式，加速落地城区无图智能驾驶。其中问界M5智驾版、新 M7 智驾版搭载 HUAWEI ADS 2.0 高阶智能驾驶系统，实现全国都能开、越开越好开的城区智能领航辅助（City NCA），2024 年4 月，华为ADS3.0发布，享界 S9 将首搭 ADS 3.0 智驾系统，该系统后续也会推送给其他车型；小鹏汽车无图高阶城市辅助驾驶多城推送，截至 7 月 2 日，XNGP 城区智驾累计覆盖356城；理想汽车 7 月的 OTA 6.0 智能驾驶即将迎来升无图NOA，此次升级将覆盖理想MEGA和理想 L9、理想 L8、理想 L7、理想 L6 的 AD Max 车型，用户数量超过24万，实现全国都能开。
技术迭代，特斯拉引领，车企加速推进端到端模型。在端到端大模型方面，不同于 Tesla 的 FSDV12 等一体化端到端方案是基于不可解耦的模型打造，国内首先实现端到端落地的小鹏、华为、理想都采取渐进式的端到端方案，其中小鹏端到端架构仍分为感知、规控两大模块，端到端落地的最大变化在于将过去基本完全由规则组成的规控模块，切换为神经网络为主；华为乾崑ADS3.0 端到端架构也分为GOD 和 PDP 两大模块，基于少量人工规则+端到端模型，并逐渐减少人工规则的数量；理想汽车端到端模型（E2E），经历从模块化设计（100 个城市NOA）-无图设计（感知层及规划层两个模型的分段式端到端）-one model 端到端模型三个阶段。此外，也有车企从部分功能开始落地端到端，如小米端到端技术代客泊车功能。
1）华为：参照特斯拉从感知端到端向 one-model 端到端进化，国内玩家更多采用逐步升级路径。华为在今年 4 月发布乾崑 ADS 3.0，由2.0 的BEV 网络+GOD网络架构升级为 GOD 大网，PDP 网络实现预决策规划一张网，在决策端引入神经网络，智能驾驶系统进一步向端到端架构升级，实现优质类人体验。
2）小鹏：小鹏将神经网络大模型延伸至规划端，2024 年5 月20 日宣布向用户全量推送 AI 天玑系统，通过三网合一（动态 XNet、静态XNet 及纯视觉2K占用网络）深度视觉感知神经网络 XNet 实现感知端裸眼3D；通过基于神经网络的规划大模型——XPlanner 加速迭代驾驶策略算法，实现类人驾驶体验；进一步引入AI大语言模型 XBrain 架构，提升泛化能力，解决自动驾驶模型的corner case困境。
3）Momenta 关注可规模化 L4 自动驾驶，考虑海量数据需求，采用量产自动驾驶+完全无人驾驶两套方案，量产自动驾驶带来数据流给无人驾驶，完全需要1000亿公里（100 万台年跑 10 万公里的出租车）才能验证L4 级自动驾驶反馈技术更新给量产自动驾驶，刷新用户体验。通过海量数据（23 年底5 万台车辆车，24年底 30 万台，计划到 28 年 1000 万台）、数据闭环（云端-标注-数据-仿真等）、date-based 模型形成算法闭环，加速迭代。城市领航做到有路就能开。端到端大模型上车腾势 N7、上汽智己等车型。
4）理想则采用与 momenta 思路相近的两个系统，有快系统System1 做预测和规划为 L3 级别线性端到端；同时存在慢系统 System2 对位置环境加以思考并解决更多场景。快系统为端到端模型（E2E），经历从模块化设计（100 个城市NOA）-无图设计（感知层及规划层两个模型的分段式端到端）-one model 端到端模型三个阶段，具备明显优势 1）高效传输，驾驶体验更类人；2）高效计算，车辆动作及时响应；3）高效迭代，模型 OTA 速度加快。慢系统为视觉语言模型（VLM），具备应对复杂场景能力，算法架构由 Transformer 模型组成，将Prompt（提示词）文本进行 Tokenizer（分词器）编码，并将摄像头图像结合导航地图信息编码通过传输给模型自回归推理，输出端包括对环境理解、驾驶决策和驾驶轨迹，并传递给系统 1 控制车辆。优势在于 1）设计流式视频编码，缓存视觉信息时序更长；2）增加记忆模块，提供上下文推理能力；3）设计 prompt 问题库，持续向系统1传输驾驶建议。通过世界模型给自动驾驶系统提供学习及思考环境。而远期端到端规划中，理想规划把规划/预测模型与感知模型进行统一，并在原基础上完成Temporal Planner 的端到端，实现泊车/行车一体化。
目前，全球不同国家 Robotaxi 商业化发展主要分为三个梯队，中国Robotaxi市场处于全球领先地位。在第一梯队中，领先国家已成功进行无主驾安全员的商业化小规模应用，并已准备开始商业化发展，向 Robotaxi 商业化的第一阶段迈进。例如，美国以 Waymo 为首，已成功进行 Robotaxi 无驾驶员的商业化运营，中国萝卜快跑在武汉投入 Robotaxi(自动驾驶出租车)。在第二梯队中，各国已成功进行有主驾安全员的面向公众的 Robotaxi 商业化试运营。例如，韩国推出面向大众的配备主驾安全员的 Robotaxi 收费运营服务。在第三梯队中，各国仍处于Robotaxi测试阶段，并在努力追赶领先玩家。总体来看，中国Robotaxi 市场已处于全球领先地位。
为何制造商要入局 Robotaxi？ 1）转变商业模式需要，Robotaxi 是智能驾驶企业将商业模式向更轻资产转化的重要方向之一。智能驾驶汽车拥有大量车辆驾驶数据，庞大的数据集将在未来有诸多应用场景，正如 APPstore 为苹果不断提供现金流一样，Robotaxi 业务是未来智能汽车拓宽商业模式的重要方向之一 。 2）共享出行降低成本，车企和消费者有望实现双赢。乘客可利用手机app召唤无司机驾驶的 Robotaxi，特斯拉会提供官方车队，车主也可以选择将自己空闲的车加入 robotaxi 车队用于出租，是 B2C+C2C 的双模式。对消费者而言，Robotaxi收费远低于现行出租车/拼车服务，美国传统乘车服务的平均收费为每英里2-3美元，Uber 和 Lyft 等新型出行服务费用在每英里1-2 美元，而Robotaxi费用低至每英里 0.18 美元以下，远低于中国国内出行费用（深圳滴滴快车每公里收费2-2.5 元，折合传统/拼车每英里 0.5-0.7 美元）。对购车者而言，马斯克预计每部 Robotaxi 每年可带来超 3 万美元的利润，可连续载客11 年。
摩根史丹利预测，2026 年特斯拉出行将投入 1000 辆运营车辆，到2030 年，这个数字将进一步提升到 15.75 万辆（占特斯拉全球车队的0.6%），在2035年增加至 170 万辆。并预计“特斯拉出行”的车队将一开始由人类驾驶员驾驶高度自动化的特斯拉车辆，并逐步过渡到完全自动驾驶的 Robotaxi。收入方面，到2027年，特斯拉移动出行业务收入将低于 10 亿美元，2030 年将达到170 亿美元。出行里程方面，到 2030 年特斯拉移动出行里程将达到每月95 亿英里（占总行驶里程的 0.07%），到 2035 年增加至每月 1190 亿英里（占总行驶里程的0.7%）。
我们对 Robotaxi 运营收入和成本进行测算，假如 Robotaxi:1）20 万单车成本，2）1 个安全员能负责 2-3 台 Robotaxi 车，3）Robotaxi 每台每天20 单，4）Robotaxi运营单价是网约车 8 折的前提，不考虑前期百度投入的算法研发和车辆保险成本，测算发现 Robotaxi 可以实现盈亏平衡，测算过程如下：1）收入端：假设有 1000 台 Robotaxi 车，每车每天20 单，平均客单价16元，单月 Robotaxi 收入 960 万元。 2）成本端：安全员 400 人，假设人均月薪 7000 元，月人员成本280 万元，一天充电一次 40-50 度电（单日成本 50 元），月充电成本1500 元*1000 台=150万，单车价格 20 万（5 年折旧假设），月折旧成本 3333 元*1000 台=333 万，单月成本 763 万元。
从商业模式看，目前，Robotaxi 常见的商业模式有主机厂+自动驾驶公司+出行服务商、主机厂+自动驾驶公司、主机厂+出行服务商三种。对于模式一，主机厂+自动驾驶公司+出行服务商的模式可以综合各方实力加速Robotaxi 市场化，同时三方可相互分担项目成本、共享数据与乘客资源，代表案例比如广汽+文远知行+如祺出行、上汽+Momenta+享道出行。
从产业链看，自动驾驶出租车 Robotaxi 产业链包含：1）提供高精地图与定位、传感器、芯片、AI 训练、智慧道路支持的供应商；2）供给侧的自动驾驶公司、主机厂、出行服务商；3）需求侧的乘客；4）监管侧的地方政府。
