AI大模型+无人驾驶双题材结合，有望走出大行情！

无人驾驶的级别分为6个级别，按照美国SAE国际自动化工程师学会（Society of Automotive Engineers）的定义，分别是：

Level 0：无自动化（完全由人类驾驶）
Level 1：辅助驾驶（提供行车辅助功能，例如自动刹车、巡航控制等）
Level 2：部分自动化（车辆可以同时进行加速、制动和转向，但是需要人类驾驶员在任何时刻进行监控）
Level 3：有条件自动化（车辆可以自动驾驶，但是需要人类驾驶员在特定情况下才能进行干预）
Level 4：高度自动化（车辆可以自动驾驶，但是仅限于特定的地理区域和条件下）
Level 5：全自动化（车辆可以在所有道路和地理区域下完全自主驾驶，不需要人类干预）

AI 大模型加速无人驾驶发展：

1. AI 大模型的引入（自动标注、感知预测算法的快速迭代），从行业整体层面可以加速 高级别辅助驾驶的量产落地。头部玩家在部分城市的 NOA 测试版本跑通后，0-1 的经 验有望快速复制推广到全国。

2. 智能驾驶板块后发者借助产业链优势（云端算力中心、通用开源模型的适配）与先发 者在数据积累、模型迭代中的差距有望进一步缩小。

3. 受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游 自主品牌的崛起，零部件国产替代趋势显著。
模型：大模型如何赋能智能驾驶？



数据：虚拟仿真、影子模式、自动标注引入将优化信息采集、处理能力。


1.海量的数据、高效的数据标识是算法模型的基础。

数据的来源有：

1）真实数据：行车采 集到的真实世界的信息，与汽车销量直接挂钩。智能驾驶起步早、出货量高的车企具备先 发优势。
2）虚拟仿真：通过 AI 自动生成道路场景、车辆、行人等信息，对模型进行训练。 可用于对行车采集到的 corner case 进行反复模拟、训练，从而弥补现实场景采集信息不 足的问题。
3）影子模式：大模型在车辆后台运行，模拟决策而不实际控车，不会对驾驶 者及车辆产生任何干扰。但是在有异常场景或模型与人类驾驶员的决策不同时，触发数据 采集及回传，使得量产车即等同于“数采车”。

2.数据采集的下一步是对数据进行识别、标注。

3.人工标注成本高、效率低，自动标注是 AI 大模型赋能智能驾驶最直接的应用，能大幅降 低数据标注的成本。

算法：优化感知-决策-执行三阶段



算法是决定自动驾驶车辆感知能力的核心要素。当前主流的自动驾驶模型框架分为感知、 规划决策和执行三部分。感知模块是自动驾驶系统的眼睛，核心任务包括对采集图像进行 检测、分割等，是后续决策层的基础，决定了整个自动驾驶模型的上限，在自动驾驶系统 中至关重要。感知模块硬件部分主要为传感器，软件为感知算法，其中算法是决定自动驾 驶车辆感知能力的核心要素。

决策的难点在于多方的交互与对路权的博弈，计算的效率是至关重要的。

算力：车端/云端算力升级与国产化

车端：高性能芯片国产替代趋势显著

目前车载芯片主流供应商包括：英伟达 、特斯拉 、Mobileye 等国际厂商，及地平线 、黑芝 麻智能、华为等国内厂商。2022 年以前主流供应商量产芯片的算力大多在 50TOPS 以下； 2022 年以来，主流供应商推出的多款车载芯片算力快速增长，高算力芯片占比显著提升， 例如 NVIDIA Orin(254 TOPS)、地平线 Journey5(128 TOPS)等。长期来看，随着大模型 上车对车载算力需求的进一步提高，以及车载芯片制造商对芯片架构和技术的改进，车载 芯片的算力有望持续上升。英伟达 Thor 芯片（2000TOPS）未来量产有望加速计算平台 融合。



云端：基础设施算力升级加速算法迭代

主机厂和自动驾驶技术开发商积极布局建设智算中心，以提高自身“云上”竞争力。智算 中心是指基于 GPU、FPGA 等芯片构建智能计算服务器集群，提供智能算力的基础设施， 建设周期长，初始投资大。

智算中心的建设能够显著加速算法迭代，提高研发效率。

自动驾驶产业链及代表公司汇总：



1）芯片： 英伟达引领智能驾驶芯片迭代，Mobileye、TI 技术成熟，国内玩家地平线、黑芝麻 等与先行者距离逐步缩短。
2）域控制器及解决方案：国内玩家德赛西威 、经纬恒润、纵目科技、 知行科技等均已规模化上车，技术成熟度不断提升。
3）激光雷达：国产供应商禾赛 、图达通、速腾等在量产节奏更快。
4）4D 毫米波：国内玩家有加特兰（MMIC 芯片）、森思 泰克等。
5）高速连接器：罗森伯格技术积淀深厚，电连技术 、瑞可达 等加速追赶。