分享內(nèi)容包括：新能源汽車/智能座艙/智能駕駛/智能制造/AI/具身智能/低空經(jīng)濟(jì)等
點(diǎn)擊下方，查看近期熱門行業(yè)研究報(bào)告
? ；
隨著電動(dòng)化的深度滲透，智能化有望引發(fā)新一輪顛覆式變革。精準(zhǔn)識(shí)別整車領(lǐng)域的贏家，愈發(fā)依賴于對(duì)各類智能駕駛能力及其潛力的前瞻性跟蹤與判斷。為此，我們推出系列報(bào)告，嘗試逐步解答以下關(guān)鍵問題：智能駕駛的技術(shù)方案正趨于收斂，還是走向擴(kuò)散？怎樣才能相對(duì)客觀地評(píng)估智能駕駛水平？技術(shù)方案的動(dòng)態(tài)演變，將如何影響企業(yè)的資源分配與成本構(gòu)成？動(dòng)態(tài)競(jìng)爭格局又會(huì)如何發(fā)展？同時(shí)，我們也將探討 AI 在智能駕駛分析中的賦能作用，比如，我們?nèi)绾慰创唠A智能駕駛體驗(yàn)的拐點(diǎn)？
一、引言
在汽車產(chǎn)業(yè)迅猛轉(zhuǎn)型的浪潮中，電動(dòng)化已給市場(chǎng)帶來了前所未有的行業(yè)顛覆式變革。如今，電動(dòng)化的滲透逐步深入，智能化極有可能成為推動(dòng)行業(yè)變革的全新引擎。智能駕駛領(lǐng)域技術(shù)進(jìn)步日新月異，車企不斷投入大量資金并傾斜資源，這無不彰顯著智能駕駛對(duì)于整車廠的戰(zhàn)略重要性。展望未來，智能駕駛有望引發(fā)新一輪行業(yè)顛覆式變革，成為車企在下一階段競(jìng)爭的關(guān)鍵著力點(diǎn)。因此，前瞻性地跟蹤和判斷各家車企的智能駕駛能力及其進(jìn)步潛力，成為我們識(shí)別整車領(lǐng)域贏家愈發(fā)關(guān)鍵的議題。
在過去數(shù)年對(duì)智能駕駛的持續(xù)跟蹤與研究中，我們始終在思索一系列問題：智能駕駛路徑快速變化且不斷升級(jí)迭代，其技術(shù)升級(jí)路徑是否已然固化？是否仍存在因路徑選擇而實(shí)現(xiàn)彎道超車的可能性？隨著 AI 技術(shù)與計(jì)算能力的飛速發(fā)展，依賴大模型及大規(guī)模算力的端到端路徑的發(fā)展上限顯著提高。基于此，我們認(rèn)為各家企業(yè)在技術(shù)路徑的選擇上開始趨于一致，智能駕駛算法路徑呈現(xiàn)出收斂態(tài)勢(shì)。
從未來競(jìng)爭要素的角度來看，我們認(rèn)為車企在智能駕駛能力方面的競(jìng)爭，主要聚焦于算法領(lǐng)先性、數(shù)據(jù)閉環(huán)能力以及云端算力資源。算法堪稱智能駕駛系統(tǒng)的 “大腦”，它決定了車輛感知環(huán)境、理解路況以及做出決策的方式。不同的算法設(shè)計(jì)與優(yōu)化程度，會(huì)直接影響車輛對(duì)復(fù)雜場(chǎng)景的識(shí)別準(zhǔn)確率、決策合理性以及反應(yīng)速度。數(shù)據(jù)閉環(huán)是智能駕駛系統(tǒng)持續(xù)優(yōu)化的關(guān)鍵環(huán)節(jié)，只有借助實(shí)際駕駛數(shù)據(jù)和仿真數(shù)據(jù)，才能不斷訓(xùn)練和優(yōu)化算法模型，使其更好地適應(yīng)各類復(fù)雜路況，解決長尾 “Corner case” 問題。而數(shù)據(jù)閉環(huán)的有效性，取決于數(shù)據(jù)質(zhì)量、數(shù)量以及數(shù)據(jù)分布情況。算力資源則是模型持續(xù)訓(xùn)練與優(yōu)化的基礎(chǔ)支撐，強(qiáng)大的算力能夠支持更為復(fù)雜的算法模型，實(shí)現(xiàn)更高效的迭代。
從行業(yè)發(fā)展的前瞻性跟蹤視角出發(fā)，算法在車企智能駕駛競(jìng)爭中占據(jù)著基石般的地位，同時(shí)也是賦能智能駕駛后續(xù)迭代升級(jí)的重要先決條件。若著眼于行業(yè)發(fā)展的最終格局，考慮到人才流動(dòng)會(huì)帶動(dòng)技術(shù)傳播，那些在智能駕駛領(lǐng)域持續(xù)投入、對(duì)人才具備強(qiáng)大吸引力的公司，其算法能力或許會(huì)逐漸趨近。然而，在智能駕駛技術(shù)逐步發(fā)展的進(jìn)程中，算法迭代的速度以及不同代際之間的差距，仍然是造成各家車企智能駕駛體驗(yàn)出現(xiàn)顯著差異的關(guān)鍵因素。
結(jié)合當(dāng)下智能駕駛的市場(chǎng)滲透狀況，以及車企在智能駕駛能力方面的參差不齊，我們判斷，在未來 1 - 2 年內(nèi)，車企在算法上的布局策略、實(shí)際進(jìn)展情況、現(xiàn)有能力水平以及潛在發(fā)展?jié)摿?，依舊會(huì)是用于跟蹤并顯著區(qū)分各家車企智能駕駛能力的重要變量。在本篇報(bào)告的第二部分，我們將重點(diǎn)闡述智能駕駛算法的迭代路徑，以及當(dāng)前車企在這方面的布局現(xiàn)狀與進(jìn)展成果。
此外，我們深刻認(rèn)識(shí)到，探尋智能駕駛體驗(yàn)拐點(diǎn)，對(duì)于深入分析智能駕駛技術(shù)能力、精準(zhǔn)評(píng)估車企競(jìng)爭力而言，具有至關(guān)重要的意義。更進(jìn)一步來說，為構(gòu)建一個(gè)長期且行之有效的評(píng)估與跟蹤體系，我們必須確定能夠持續(xù)跟蹤并進(jìn)行比較的變量。那么，為何尋找這一拐點(diǎn)如此關(guān)鍵呢？這是因?yàn)橹挥挟?dāng)智能駕駛技術(shù)達(dá)到體驗(yàn)拐點(diǎn)時(shí)，消費(fèi)者才會(huì)切實(shí)將其視為購車時(shí)的核心考量因素，并且愿意為其支付相應(yīng)費(fèi)用，這一時(shí)刻也標(biāo)志著智能駕駛從單純的技術(shù)驅(qū)動(dòng)模式，正式邁向市場(chǎng)驅(qū)動(dòng)的新階段。一旦達(dá)到體驗(yàn)拐點(diǎn)，車企憑借在智能駕駛領(lǐng)域的領(lǐng)先優(yōu)勢(shì)，將能夠收獲由此帶來的超額銷量增長、利潤提升，以及資本市場(chǎng)給予的估值溢價(jià)。在本篇報(bào)告的第三部分，我們將重點(diǎn)介紹智能駕駛拐點(diǎn)的研究思路、可跟蹤變量，以及當(dāng)前處于領(lǐng)先地位車企在智能駕駛方面的數(shù)據(jù)表現(xiàn)情況。
二、智能駕駛算法：從規(guī)控走向端到端，行業(yè)智駕算法路徑或開始趨于收斂
智能駕駛系統(tǒng)的演進(jìn)歷程，可高度概括為兩個(gè)具有關(guān)鍵意義的時(shí)代：規(guī)則主導(dǎo)時(shí)代與端到端時(shí)代。
在規(guī)則主導(dǎo)時(shí)代，智能駕駛系統(tǒng)主要通過感知來復(fù)刻現(xiàn)實(shí)場(chǎng)景，進(jìn)而模仿人類駕駛員的行為。這一時(shí)代又能細(xì)致劃分為四個(gè)階段：2017 年之前，智能駕駛技術(shù)主要依托 “2D + CNN” 的感知框架運(yùn)行。到了 2017 - 2019 年，特斯拉引入多任務(wù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu) “2D + HydraNet”，不過此時(shí)整體仍處于小模型時(shí)代。2020 - 2021 年堪稱重要轉(zhuǎn)折點(diǎn)，特斯拉提出極具突破性的 “BEV + Transformer” 感知架構(gòu)，由此智能駕駛領(lǐng)域正式邁入大模型時(shí)代。2022 年，特斯拉進(jìn)一步提出占用網(wǎng)絡(luò)，大幅增強(qiáng)了系統(tǒng)對(duì)物體高度信息的感知能力，切實(shí)有效地解決了異形障礙物的識(shí)別難題。
直至 2023 年，特斯拉開創(chuàng)性地推出模塊一體化的端到端大模型，這一創(chuàng)舉成功將智能駕駛帶入端到端時(shí)代。在這一時(shí)代，系統(tǒng)主要借助大量數(shù)據(jù)開展強(qiáng)化學(xué)習(xí)，讓模型自主掌握在各類不同場(chǎng)景下的駕駛策略。就國內(nèi)而言，自動(dòng)駕駛架構(gòu)朝著端到端方向的演進(jìn)，大致可劃分為分段式端到端、VLM、VLA 以及世界模型這四個(gè)階段。
2017-2019年特斯拉構(gòu)建多任務(wù)學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)架構(gòu) HydraNet，并采用后融合方式進(jìn)行特征融合。研發(fā)中的效率問題促使特斯拉進(jìn)一步探索和開發(fā)能夠提高任務(wù)處理效率的多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)，其中最具特色的為多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)HydraNet。這個(gè)被稱為“九頭蛇網(wǎng)絡(luò)”的HydraNet允許自動(dòng)駕駛系統(tǒng)在同一時(shí)間高效地執(zhí)行多種視覺識(shí)別任務(wù)，比如車道線檢測(cè)、行人識(shí)別與追蹤、交通信號(hào)燈識(shí)別等，而不是像以前的技術(shù)那樣只能處理單一的檢測(cè)任務(wù)，這種多任務(wù)并行處理的能力，顯著提升了自動(dòng)駕駛系統(tǒng)的性能。在特征融合的方式上，特斯拉采用將感知結(jié)果綜合起來的后融合策略，需要人工對(duì)數(shù)據(jù)進(jìn)行標(biāo)注。
2020 - 2021 年，“BEV + Transformer” 技術(shù)的出現(xiàn)實(shí)現(xiàn)了 “脫高精度地圖” 的重大突破，引領(lǐng)了行業(yè)全新發(fā)展路徑，標(biāo)志著大模型時(shí)代正式來臨。
在 2020 年以前，自動(dòng)駕駛感知系統(tǒng)多采用 “2D 圖像 + 神經(jīng)網(wǎng)絡(luò)小模型（像 CNN、HydraNet 等）” 的感知架構(gòu)。這種架構(gòu)會(huì)把攝像頭拍攝的2D 圖像與雷達(dá)獲取的 3D 數(shù)據(jù)進(jìn)行整合，并依據(jù)每個(gè)傳感器的位置生成放射圖像。然而，由于攝像頭和雷達(dá)通常處于不同物理位置，它們所獲取的圖像數(shù)據(jù)在維度與視角方面存在差異，這就使得獲取的行駛地圖難以保證準(zhǔn)確性。
針對(duì)這一難題，特斯拉提出構(gòu)建鳥瞰圖 BEV。它能夠把攝像頭捕捉的 2D 圖像高效轉(zhuǎn)換為 3D 數(shù)據(jù)，從而形成基于上帝視角的俯視圖，在 BEV 模式下將不同視角進(jìn)行統(tǒng)一表達(dá)。而且，BEV 自上而下的獨(dú)特視角有效規(guī)避了遮擋問題。如此一來，在 BEV 空間中，算法可依據(jù)先驗(yàn)知識(shí)對(duì)被遮擋區(qū)域做出精準(zhǔn)預(yù)測(cè)。
2021 年，特斯拉在 AI Day 上首次從算法層面引入 Transformer，并提出 “BEV + Transformer” 的感知架構(gòu)。這一架構(gòu)成功把多個(gè) 2D 圖像以及傳感器信息轉(zhuǎn)化為一個(gè) 3D 向量空間，為實(shí)現(xiàn)更全面的感知開辟了新途徑 。
2022 年，特斯拉將技術(shù)升級(jí)至 Occupancy Network（占用網(wǎng)絡(luò)），有效緩解了 “corner case” 問題，顯著提升了自動(dòng)駕駛的行駛準(zhǔn)確度。
在自動(dòng)駕駛運(yùn)作時(shí)，BEV + Transformer 的神經(jīng)網(wǎng)絡(luò)架構(gòu)暴露出一個(gè)明顯短板：它僅能識(shí)別那些已被標(biāo)注的物體。但在實(shí)際復(fù)雜路況下，像側(cè)翻的卡車、道路中央驟然出現(xiàn)的垃圾桶這類未標(biāo)注物體，以及吊車支臂等難以識(shí)別的物體，自動(dòng)駕駛系統(tǒng)常常無法察覺，這類情況被稱作 “corner case”，也就是在邊緣或特殊情形下出現(xiàn)的識(shí)別失誤。
鑒于此，特斯拉在 2022 年 AI Day 活動(dòng)中展示了 Occupancy Network 感知技術(shù)。該技術(shù)通過算法對(duì)物理世界進(jìn)行數(shù)據(jù)化處理與泛化建模，能夠在 3D 空間中精準(zhǔn)測(cè)量不同物體的高度，進(jìn)而呈現(xiàn)出 4D 視覺效果。與傳統(tǒng)機(jī)器視覺技術(shù)不同，占用網(wǎng)絡(luò)并不對(duì)物體種類加以識(shí)別，而是直接獲取 3D 空間下的體積占用情況，秉持 “不關(guān)注某一物體具體是什么，只關(guān)注體素是否被占用” 的理念。占用網(wǎng)絡(luò)把世界劃分成微小（甚至超微?。┑牧⒎襟w，也就是體素，隨后預(yù)測(cè)每個(gè)體素處于空閑還是被占用狀態(tài)。這些體素的功能類似于激光雷達(dá)點(diǎn)陣，能讓那些非典型卻真實(shí)存在的物體得以直接呈現(xiàn)，極大地增強(qiáng)了算法的泛化能力以及對(duì)現(xiàn)實(shí)世界的精準(zhǔn)認(rèn)知。
2023 年，“端到端” 大模型橫空出世，打破了分任務(wù)模塊化的固有界限，構(gòu)建起統(tǒng)一的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，為自動(dòng)駕駛領(lǐng)域帶來重大變革。2023 年 12 月 24 日，特斯拉在北美地區(qū)向部分內(nèi)部員工推送了 FSD Beta V12.1 版本。在這一版本中，新算法將城市街道駕駛堆棧升級(jí)為單一的 “端到端” 神經(jīng)網(wǎng)絡(luò)。此神經(jīng)網(wǎng)絡(luò)歷經(jīng)數(shù)百萬個(gè)視頻片段的海量訓(xùn)練，僅用 3000 多行代碼，便取代了原先超過 30 萬行的 C++ 代碼。
在自動(dòng)駕駛實(shí)際應(yīng)用場(chǎng)景里，“端到端” 模型具備強(qiáng)大的整合能力，它能夠?qū)⒏兄?、?guī)劃以及執(zhí)行這三個(gè)關(guān)鍵環(huán)節(jié)一體化。具體而言，它可把車載傳感器采集的信息直接輸入神經(jīng)網(wǎng)絡(luò)，經(jīng)處理后直接輸出具體的控制決策，比如方向盤該轉(zhuǎn)動(dòng)多少度。這一特性意味著，通過學(xué)習(xí)大量優(yōu)秀司機(jī)的駕駛視頻，“端到端” 模型能讓汽車如同擁有 “視覺” 一般，熟練地 “模仿老司機(jī)開車”。端到端算法的優(yōu)勢(shì)顯著，它有效規(guī)避了信息在多個(gè)環(huán)節(jié)傳遞時(shí)可能產(chǎn)生的誤差累積與放大問題，同時(shí)極大地簡化了系統(tǒng)結(jié)構(gòu)，使自動(dòng)駕駛的運(yùn)作方式更貼近人類真實(shí)駕駛過程。
中國車企依據(jù)自身特點(diǎn)，以差異化方式切入端到端智駕賽道，開啟智能駕駛產(chǎn)業(yè)的全新紀(jì)元。特斯拉率先推出的一體式端到端智駕方案，雖能有效減少信息在模塊間傳遞時(shí)產(chǎn)生的誤差累積，但由于其算法規(guī)劃主要依賴 Transformer 神經(jīng)網(wǎng)絡(luò)，整個(gè)決策過程類似 “黑盒”，可解釋性欠佳。有鑒于此，國內(nèi)車企結(jié)合自身發(fā)展進(jìn)程與能力條件，開拓出分段式端到端路線。
在分段式端到端模式下，感知 - 決策模塊實(shí)現(xiàn)端到端連接，著力解決模塊間信息傳遞與協(xié)同問題，增強(qiáng)了模型的可解釋性。這一階段依舊包含感知和決策兩個(gè)模塊，不過與以往通過規(guī)則（人工定義接口）連接不同，它主要借助神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)模塊間的銜接。同時(shí)，在訓(xùn)練方式上采用各模塊聯(lián)合訓(xùn)練，下游反饋可直接傳遞至上游的感知模塊 。
然而，分段式端到端并非盡善盡美。因其仍存在部分模塊界限，信息在傳遞過程中可能出現(xiàn)較大損耗，整體優(yōu)化程度不及一段式端到端架構(gòu)。面對(duì)極端復(fù)雜場(chǎng)景時(shí)，還可能因模塊協(xié)同不夠順暢，導(dǎo)致決策出現(xiàn)遲疑。
VLM 端到端模型借助多視覺語言模型，為端到端模型的駕駛決策提供參考依據(jù)。視覺 - 語言模型（VLM）深度融合了視覺與語言這兩種模態(tài)，賦予系統(tǒng)理解圖像、視頻等視覺信息，并將其與自然語言語義建立關(guān)聯(lián)的能力。在智能駕駛場(chǎng)景中，它既能識(shí)別道路上的交通標(biāo)志以及復(fù)雜路況圖像，又能理解相關(guān)的語言指令或描述。舉例來說，當(dāng) VLM 識(shí)別到 “前方路口左轉(zhuǎn)” 的標(biāo)識(shí)時(shí)，能夠直接生成左轉(zhuǎn)繞行軌跡。此外，VLM 預(yù)訓(xùn)練所帶來的泛化性優(yōu)勢(shì)顯著，它無需大量針對(duì)性數(shù)據(jù)，便能適應(yīng)新場(chǎng)景，從而為智能駕駛系統(tǒng)在復(fù)雜場(chǎng)景下的穩(wěn)定運(yùn)行提供了底線保障。
端到端模型與 VLM 模型可看作是相互獨(dú)立的兩個(gè)系統(tǒng)，后續(xù)通過融合來實(shí)現(xiàn)對(duì)車輛的控制。其中，端到端模型如同 “快系統(tǒng)”，能夠迅速對(duì)傳感器數(shù)據(jù)做出反應(yīng)，快速應(yīng)對(duì)絕大多數(shù)駕駛場(chǎng)景，類似人體 “小腦功能”；而 VLM 則像是 “慢系統(tǒng)”，主要在需要深入思考的極端場(chǎng)景中發(fā)揮作用，類似人體 “大腦功能” 。
視覺-語言-動(dòng)作模型（VLA）的核心設(shè)計(jì)原理是通過視覺、語言和動(dòng)作三種模態(tài) 的深度融合，實(shí)現(xiàn)從感知到執(zhí)行的端到端響應(yīng)。它首先利用視覺編碼器、語言編碼 器和動(dòng)作編碼器分別提取圖像、文本和歷史動(dòng)作的特征，然后借助注意力機(jī)制或神 經(jīng)網(wǎng)絡(luò)將這些特征映射到共享空間進(jìn)行交互補(bǔ)充，最后通過動(dòng)作解碼器結(jié)合強(qiáng)化學(xué) 習(xí)算法預(yù)測(cè)并執(zhí)行動(dòng)作，從而在駕駛?cè)蝿?wù)中形成感知、決策、執(zhí)行的完整閉環(huán)，實(shí)現(xiàn) 視覺感知、語言理解以及動(dòng)作執(zhí)行的深度融合并進(jìn)行聯(lián)合訓(xùn)練和優(yōu)化，此架構(gòu)減少 了中間環(huán)節(jié)的信息損耗和決策延遲，增加了有效信息的利用率。
進(jìn)入世界模型階段后，大模型將擁有時(shí)空認(rèn)知能力。它能夠憑借對(duì)真實(shí)物理世界及駕駛場(chǎng)景的理解，還有因果關(guān)系分析，來預(yù)測(cè)動(dòng)態(tài)駕駛場(chǎng)景的時(shí)空演化，助力車輛更精準(zhǔn)地感知環(huán)境、理解交互邏輯并優(yōu)化決策。世界模型通過學(xué)習(xí)海量真實(shí)駕駛場(chǎng)景視頻，能夠預(yù)測(cè)并生成未來一定時(shí)間內(nèi)的駕駛場(chǎng)景，從而做出正確的駕駛決策。與端到端模型不同，世界模型并非僅僅給出規(guī)劃路徑，還能夠 “預(yù)測(cè)駕駛場(chǎng)景的變化”。這和人類駕駛行為頗為相似，老司機(jī)往往會(huì)在腦海中預(yù)判、推演其他交通參與者的行為以及交通流的變化，進(jìn)而在此基礎(chǔ)上規(guī)劃駕駛操作。此外，世界模型能夠減少對(duì)真實(shí)環(huán)境數(shù)據(jù)的依賴，通過在世界模型中仿真模擬生成大量訓(xùn)練數(shù)據(jù)，幾乎可以實(shí)現(xiàn)對(duì) “corner case” 的全面遍歷，降低實(shí)際測(cè)試成本與風(fēng)險(xiǎn)。
從各家車企自研智能駕駛功能的進(jìn)展來看，特斯拉在技術(shù)路徑上處于引領(lǐng)地位，國內(nèi)車企則在其后快速追趕。2021 年 7 月，特斯拉率先應(yīng)用 BEV+Transformer 技術(shù)，2022 年 8 月成功推出占用網(wǎng)絡(luò)，并于 2023 年 12 月在一體化端到端技術(shù)上取得突破。在特斯拉的帶動(dòng)下，國內(nèi)車企在智能駕駛算法能力方面加速追趕。例如，華為于 2022 年 5 月實(shí)現(xiàn) BEV+Transformer 技術(shù)應(yīng)用，2023 年 4 月引入占用網(wǎng)絡(luò)，2024 年 8 月推出分段式端到端技術(shù)，目前其一體式端到端技術(shù)正在預(yù)研中，預(yù)計(jì) 2025 年可實(shí)現(xiàn)量產(chǎn)。理想汽車在 2022 年 6 月實(shí)現(xiàn) BEV+Transformer 技術(shù)，2023 年 4 月應(yīng)用占用網(wǎng)絡(luò)，同年 6 月推出分段式端到端技術(shù)，2024 年 7 月發(fā)布 VLM 模型。小鵬汽車在 2022 年 9 月達(dá)成 BEV+Transformer 技術(shù)，2023 年 10 月實(shí)現(xiàn)占用網(wǎng)絡(luò)應(yīng)用，2024 年 5 月推出分段式端到端技術(shù)，其一體式端到端技術(shù)也正在預(yù)研階段。此外，其他車企同樣處于快速技術(shù)迭代進(jìn)程中 。
三、智能駕駛拐點(diǎn)如何識(shí)別及跟蹤？
3.1 如何相對(duì)客觀地評(píng)價(jià)智駕水平差異？
在智能駕駛領(lǐng)域，通過客觀指標(biāo)來評(píng)價(jià)智駕能力及體驗(yàn)，始終是一個(gè)值得深入且持續(xù)探索的重要課題。在評(píng)估智能駕駛能力的過程中，主流的個(gè)體智駕測(cè)評(píng)與體驗(yàn)雖具備一定參考意義，然而，由于存在個(gè)體差異以及評(píng)價(jià)標(biāo)準(zhǔn)缺乏一致性等問題，致使評(píng)估結(jié)果難以保證客觀性。我們秉持客觀原則，積極探索采用統(tǒng)一標(biāo)準(zhǔn)來衡量各車企的智駕能力。經(jīng)過深入思考與探索，我們認(rèn)為將評(píng)價(jià)的主導(dǎo)權(quán)交予消費(fèi)者，仍是目前最佳的選擇方案。
以消費(fèi)者的付費(fèi)意愿及使用意愿來衡量智能駕駛體驗(yàn)，具有顯著優(yōu)勢(shì)。一方面，這一方式能夠有效減少主觀偏差；另一方面，付費(fèi)率及使用率是大量用戶 “投票” 后得出的真實(shí)結(jié)果，能夠更為真實(shí)地反映消費(fèi)者對(duì)智能駕駛功能的實(shí)際接受程度與滿意程度，從而為投資決策提供一個(gè)更為客觀的視角。
消費(fèi)者對(duì)軟硬件的付費(fèi)率，堪稱衡量智能駕駛技術(shù)成熟度、市場(chǎng)接受度以及商業(yè)潛力的核心指標(biāo)。它不僅反映出市場(chǎng)對(duì)當(dāng)下智駕能力及智駕技術(shù)價(jià)值的認(rèn)可與接納狀況，同時(shí)也體現(xiàn)了消費(fèi)者對(duì)未來技術(shù)迭代與進(jìn)步的預(yù)期。而且，付費(fèi)意愿有力地推動(dòng)了智能駕駛的商業(yè)化進(jìn)程，進(jìn)一步驅(qū)動(dòng)產(chǎn)品創(chuàng)新與服務(wù)優(yōu)化。車企能夠通過洞察影響付費(fèi)意愿的諸多因素，諸如智駕場(chǎng)景適用性、功能體驗(yàn)、市場(chǎng)教育以及軟件定價(jià)等，精準(zhǔn)把握市場(chǎng)需求，進(jìn)而優(yōu)化自身的產(chǎn)品與服務(wù)。
消費(fèi)者使用率，則是衡量智能駕駛功能實(shí)用性和接受度的直觀指標(biāo)。高使用率表明消費(fèi)者對(duì)功能高度認(rèn)可且產(chǎn)生依賴；反之，低使用率可能意味著功能存在操作復(fù)雜、可靠性欠佳或者與用戶習(xí)慣相悖等問題，亟待進(jìn)一步優(yōu)化改進(jìn)。只有當(dāng)消費(fèi)者頻繁使用智能駕駛功能，并且在實(shí)際體驗(yàn)中切實(shí)感受到其便利性與安全性，特別是智駕功能能夠切實(shí)有效地解決日常駕駛中的痛點(diǎn)，如緩解駕駛疲勞、提升行車安全性時(shí)，消費(fèi)者才會(huì)逐步建立起對(duì)該技術(shù)的信任與依賴，進(jìn)而轉(zhuǎn)化為付費(fèi)意愿，在購車時(shí)更傾向于選擇配備先進(jìn)智駕功能的車型。
3.2 當(dāng)前車企智駕指標(biāo)跟蹤
1. 智能駕駛付費(fèi)意愿 — 當(dāng)前收費(fèi)模式下主要關(guān)注高階智駕版本車型選購率
目前，主流車企針對(duì)高階智駕制定了兩種主要收費(fèi)模式。其一為軟件免費(fèi)，硬件采取標(biāo)配或選裝的方式；其二是軟件需付費(fèi)，硬件同樣是標(biāo)配或選裝。鑒于當(dāng)下軟硬件價(jià)格差異較大，硬件價(jià)格遠(yuǎn)高于一次性買斷軟件的價(jià)格，并且選裝了高階智駕版本車型的車主，絕大多數(shù)也會(huì)購買相應(yīng)軟件包。所以，在現(xiàn)行付費(fèi)模式下，我們認(rèn)為可以用高階智駕版本車型的選購率（即配備了高階智駕硬件車型的銷售占比），來衡量消費(fèi)者當(dāng)前的付費(fèi)意愿。
如前文所述，主流車企均已布局高階智駕領(lǐng)域。在接下來關(guān)于智能駕駛付費(fèi)意愿的研究中，我們選取國內(nèi)具有代表性的三家企業(yè) —— 鴻蒙智行、理想、小鵬，進(jìn)行抽樣分析與研究。此外，考慮到產(chǎn)品供給會(huì)對(duì)選裝率產(chǎn)生影響（部分車型僅提供智駕版供消費(fèi)者選擇），下文我們將對(duì)研究企業(yè)的智駕車型總體銷量占比，以及消費(fèi)者具備選擇權(quán)車型中的智駕銷量占比展開研究。（需注意的是，此統(tǒng)計(jì)仍會(huì)受到車企主動(dòng)調(diào)控智駕版 / 非智駕版本交付節(jié)奏的影響）
（1）鴻蒙智行
自 2023 年 9 月搭載 ADS2.0 的問界 M7 上市后，鴻蒙智行智駕版本車型的銷量占比顯著提高；2024 年 2 月，標(biāo)配智駕硬件的問界 M9 上市，進(jìn)一步推動(dòng)智駕版本銷量占比攀升；2024 年 8 月 26 日，能夠?qū)崿F(xiàn)高速 NOA 功能，但未配備最高智駕硬件配置的問界 M7 Pro 版本推出，其競(jìng)爭力大幅提升，卻致使智駕版本份額有所下降；2024 年 9 月，問界全系車型升級(jí)至 ADS3.0，智駕版本銷量占比呈波動(dòng)上升趨勢(shì)。截至目前（這里的 “目前” 指最近有統(tǒng)計(jì)數(shù)據(jù)的三個(gè)月，下同），智駕版本約占鴻蒙智行總銷量的 85% 。
問界 M7 Pro 版本推出后，問界 M7 成為研究消費(fèi)者具備選擇權(quán)情況下智駕版本占比變化的優(yōu)質(zhì)觀測(cè)樣本。目前，在消費(fèi)者具備選擇權(quán)的鴻蒙智行車型中，智駕版本銷量占比約為 55%。
（2）理想汽車
在 2023 年 1-5 月期間，由于價(jià)格較理想 L9 更低的理想 L7/8 銷量占比不斷上升，理想汽車智駕版份額被動(dòng)下降。到了 23 年 6-9 月，智駕版占比有所回升。23 年 8 月，理想 L9 Pro 版（該版本不含高階智駕功能）推出，并于 10 月銷量上升后，理想汽車智駕版銷售占比出現(xiàn)了較為明顯的下降。24 年 4 月，理想 L7/8 Ultra 版（配備高階智駕配置）推出并實(shí)現(xiàn)銷量增長，使得智駕版銷量占比顯著提升，達(dá)到 60% 左右。2024 年，理想汽車的智能駕駛歷經(jīng)多輪 OTA 升級(jí)，其中在 24 年 11 月，理想推送 OTA 6.5 版本，全量推送車位到車位功能，這一舉措有望持續(xù)推動(dòng)智駕版本車型占比提升。根據(jù)交強(qiáng)險(xiǎn)數(shù)據(jù)，當(dāng)前理想汽車智駕版本銷量占比約為 46% 。
在消費(fèi)者具備選擇權(quán)的車型中，理想汽車智駕版本車型目前的銷量占比約為 45%。從 2024 年 4 月至 2024 年 10 月，主要因?yàn)槔硐?L6 銷量快速增長，受其價(jià)格定位影響，智駕版本選擇率相對(duì)較低，L6 占比提升致使總體智駕版本銷量占比下降。24 年 11 月，理想推送 OTA 6.5 版本并上線車位到車位功能后，在具備選擇權(quán)的車型中，智駕版本占比有了較為明顯的提升。
（3）小鵬汽車
自 2023 年 3 月推出小鵬 P7i 后，小鵬汽車智駕版銷量占比穩(wěn)步攀升，穩(wěn)定在 50% 左右。然而，2024 年 8 月，小鵬 MONA M03（非高階智駕版）一經(jīng)推出便迅速上量，致使智駕版本銷量占比顯著下滑。好在 2024 年 10 月，標(biāo)配高階智駕的小鵬 P7 + 上市，智駕版銷量占比得以回升。目前，智駕版本在小鵬汽車總銷量中的占比維持在 40% 左右 。
從消費(fèi)者擁有選擇權(quán)的小鵬汽車車型來看，智駕版車型銷量占比表現(xiàn)較為穩(wěn)定，當(dāng)前約為 54%?；仡欉^往，2023 年 11 月，小鵬無圖 NGP 正式推送，城市 NOA 開放至 25 城，此后智駕版銷量占比中樞值明顯上移 。
（4）在競(jìng)品組合中的表現(xiàn)：智駕車型銷量占比提升
考慮鴻蒙智行、小鵬、理想的車型主要集中在20萬以上SUV中，參考我們前期 整車研究報(bào)告《誰是下一個(gè)爆款？》中對(duì)應(yīng)競(jìng)品組合的選取，將三家車企在競(jìng)品組 合中的車型打包為整體，研究競(jìng)品組合內(nèi)消費(fèi)者智能駕駛付費(fèi)意愿的變化。
從結(jié)果來看，24年1月起智駕車型在競(jìng)品組合中的市占率有較為明顯提升，24年 8月以來占比較為穩(wěn)定，與總體車型市占比呈現(xiàn)一定收斂趨勢(shì)，代表智駕車型競(jìng)爭力較總體車型表現(xiàn)更佳；從消費(fèi)者具備選擇權(quán)的車型來看，智駕車型在組合內(nèi)市占率 有較為明顯提升，24年10月以來占比略有下行，但總體降幅小于車型總體降幅，代 表智駕車型競(jìng)爭力較總體車型表現(xiàn)更佳。
3.2 智能駕駛使用意愿 — 主要關(guān)注不同場(chǎng)景下配備智駕硬件車型的高階智駕使用率
對(duì)于智能駕駛能力以及接受程度的評(píng)估，消費(fèi)者的付費(fèi)意愿固然重要，但真正購買了智能駕駛軟硬件的消費(fèi)者對(duì)智駕功能的使用頻率，才是衡量該功能 “好用程度” 的關(guān)鍵所在。基于此，我們引入 “智駕使用率” 這一概念，其通俗來講，就是每百公里中駕駛員使用智駕功能的公里數(shù)。這一指標(biāo)能夠更為精準(zhǔn)地反映出智能駕駛功能在實(shí)際駕駛場(chǎng)景中的應(yīng)用頻次，以及用戶對(duì)它的依賴程度，是評(píng)判智駕功能安全性、便利性和可靠性的重要依據(jù)。
在本文中，針對(duì)智能駕駛使用意愿，我們重點(diǎn)關(guān)注的指標(biāo)包括全場(chǎng)景、城市場(chǎng)景、高速場(chǎng)景的智能駕駛使用率。具體而言，全場(chǎng)景智能駕駛使用率指的是車輛在所有駕駛場(chǎng)景（涵蓋高速、城市、泊車等場(chǎng)景）中，智能駕駛功能被激活使用的里程數(shù)與總行駛里程數(shù)的比率。該指標(biāo)反映了智能駕駛功能在不同場(chǎng)景下的綜合使用頻率，體現(xiàn)出用戶對(duì)智能駕駛功能的整體信任和依賴程度。城市場(chǎng)景智能駕駛使用率，是指車輛在城市道路環(huán)境中，智能駕駛功能被激活使用的里程數(shù)與城市道路行駛里程數(shù)的比率。它用于衡量智能駕駛功能在城市復(fù)雜路況下的可靠性，反映出用戶在日常通勤等場(chǎng)景中對(duì)智能駕駛功能的接受程度。高速場(chǎng)景智能駕駛使用率，則是車輛在高速公路或高架路段中，智能駕駛功能被激活使用的里程數(shù)與高速行駛里程數(shù)的比率。這一指標(biāo)反映了智能駕駛功能在相對(duì)簡單場(chǎng)景中的使用頻率和可靠性，體現(xiàn)出用戶對(duì)高速 NOA 功能的信任和依賴程度。
（1）特斯拉
特斯拉的 FSD 作為全球智能駕駛系統(tǒng)的佼佼者，其使用率具有一定的代表性。我們通過整合特斯拉 FSD 的累計(jì)里程數(shù)，以及搭載了 FSD 智駕軟件的車輛數(shù)量（部分時(shí)間段還包含了訂閱率假設(shè)），能夠計(jì)算出存量車型中的智能駕駛里程。進(jìn)一步地，在對(duì)單車駕駛總里程數(shù)做出一定假設(shè)的基礎(chǔ)上，便可以得出 FSD 智能駕駛使用率，其具體的計(jì)算公式如下：
（2）鴻蒙智行
同上特斯拉FSD使用率計(jì)算方法，我們統(tǒng)計(jì)測(cè)算了鴻蒙智行全場(chǎng)景、城市場(chǎng)景、 高速場(chǎng)景下的使用率，作為國內(nèi)智能駕駛系統(tǒng)的引領(lǐng)者，其使用率也有著代表意義。 自鴻蒙智行推出高階智駕后，其智駕使用率逐步提升，根據(jù)我們測(cè)算，截至24Q4鴻蒙智行全場(chǎng)景、城市場(chǎng)景、高速場(chǎng)景下的使用率分別為29.1%/21.1%/41.8%。
（3）理想汽車
同上特斯拉FSD使用率計(jì)算方法，我們統(tǒng)計(jì)測(cè)算了理想汽車全場(chǎng)景、城市場(chǎng)景、 高速場(chǎng)景下的智駕使用率。根據(jù)我們測(cè)算，截至25年2月中旬，理想汽車全場(chǎng)景智駕 使用率為22.6%；截至24年11月底，理想汽車城市/高速場(chǎng)景下的智駕使用率為 6.1%/16.2%。
四、發(fā)展建議及風(fēng)險(xiǎn)提示
在 AI 技術(shù)日新月異的迭代浪潮中，高階智能駕駛體驗(yàn)正站在關(guān)鍵的變革節(jié)點(diǎn)，拐點(diǎn)的曙光已悄然浮現(xiàn)。隨著 AI 不斷深度賦能，中國品牌車企宛如蓄勢(shì)待發(fā)的巨輪，在智能化的強(qiáng)勁東風(fēng)助力下，極有希望沖破重重巨浪，實(shí)現(xiàn)新一輪的跨越式發(fā)展?；谶@一極具潛力的市場(chǎng)趨勢(shì)與核心變量，我們?cè)谕顿Y布局方面給出如下建議：
乘用車整車領(lǐng)域：賽力斯、理想汽車、小鵬汽車、比亞迪（與電新組聯(lián)合覆蓋）以及吉利汽車、小米汽車等企業(yè)值得重點(diǎn)關(guān)注。這些車企在智能化轉(zhuǎn)型進(jìn)程中步伐堅(jiān)定，積極探索新技術(shù)應(yīng)用，有望在激烈的市場(chǎng)競(jìng)爭中脫穎而出，成為行業(yè)的引領(lǐng)者。
零部件產(chǎn)業(yè)鏈：耐世特、伯特利、保隆科技、科博達(dá)等企業(yè)在零部件制造領(lǐng)域深耕細(xì)作，憑借自身過硬的技術(shù)實(shí)力和產(chǎn)品質(zhì)量，為智能汽車的高效運(yùn)行提供堅(jiān)實(shí)支撐，是零部件鏈條上不容忽視的投資標(biāo)的。
技術(shù)服務(wù)板塊：中國汽研以其專業(yè)的技術(shù)服務(wù)能力和深厚的行業(yè)積累，在智能汽車技術(shù)研發(fā)、測(cè)試驗(yàn)證等方面發(fā)揮著關(guān)鍵作用，成為該領(lǐng)域的重要投資關(guān)注點(diǎn)。
然而，在看到智能汽車行業(yè)巨大發(fā)展機(jī)遇的同時(shí)，我們絕不能忽視其中潛藏的諸多風(fēng)險(xiǎn)：
智能化滲透率提升受阻風(fēng)險(xiǎn)：當(dāng)下，智能化發(fā)展尚處于起步階段，根基仍相對(duì)薄弱。成本居高不下，新技術(shù)研發(fā)瓶頸難以突破等問題，猶如高懸的達(dá)摩克利斯之劍，嚴(yán)重制約著智能化滲透率的提升速度。與此同時(shí)，智能汽車配套基礎(chǔ)設(shè)施建設(shè)進(jìn)展緩慢，充電樁布局不足、車路協(xié)同系統(tǒng)不完善等問題屢見不鮮，極大地影響了消費(fèi)者的使用體驗(yàn)和接受程度。若這些問題無法得到及時(shí)有效的解決，智能化應(yīng)用的普及進(jìn)程必將大幅延緩，市場(chǎng)增長潛力也將大打折扣。
政策推進(jìn)不及預(yù)期風(fēng)險(xiǎn)：智能汽車產(chǎn)業(yè)是一個(gè)高度復(fù)雜的生態(tài)系統(tǒng)，涉及汽車制造、電子信息、通信網(wǎng)絡(luò)、人工智能等多個(gè)關(guān)鍵技術(shù)領(lǐng)域，各領(lǐng)域之間相互交織、協(xié)同發(fā)展。政策法規(guī)在推動(dòng)技術(shù)創(chuàng)新、引導(dǎo)產(chǎn)業(yè)發(fā)展的同時(shí)，還肩負(fù)著規(guī)范市場(chǎng)秩序、保障交通安全與數(shù)據(jù)合規(guī)的重任。然而，由于智能網(wǎng)聯(lián)汽車發(fā)展涉及交通管理、通信頻譜分配、數(shù)據(jù)安全監(jiān)管等多個(gè)不同部門的職能范疇，政策的制定與落地需要跨部門的深度協(xié)作與高效統(tǒng)籌。目前來看，在實(shí)際操作過程中，部門間協(xié)調(diào)難度較大，政策推進(jìn)過程中往往會(huì)遇到各種阻礙與挑戰(zhàn)，一旦政策推進(jìn)速度放緩或未能達(dá)到預(yù)期效果，將對(duì)智能汽車產(chǎn)業(yè)的健康發(fā)展產(chǎn)生嚴(yán)重的負(fù)面影響。
核心零部件供應(yīng)中斷風(fēng)險(xiǎn)：在智能汽車核心零部件領(lǐng)域，部分關(guān)鍵部件，特別是芯片，對(duì)進(jìn)口產(chǎn)品的依賴程度極高。國際消費(fèi)電子芯片巨頭憑借其先進(jìn)的技術(shù)和大規(guī)模的生產(chǎn)能力，在全球芯片市場(chǎng)占據(jù)主導(dǎo)地位。然而，當(dāng)前全球政治經(jīng)濟(jì)形勢(shì)復(fù)雜多變，地緣政治沖突時(shí)有發(fā)生，貿(mào)易保護(hù)主義抬頭，加之半導(dǎo)體行業(yè)本身的高周期性和技術(shù)迭代快等特點(diǎn)，使得芯片供應(yīng)面臨諸多不確定性因素。一旦地緣政治局勢(shì)惡化引發(fā)貿(mào)易爭端升級(jí)，或者由于技術(shù)瓶頸導(dǎo)致高制程芯片產(chǎn)能受限，關(guān)鍵芯片供應(yīng)渠道隨時(shí)可能出現(xiàn)中斷風(fēng)險(xiǎn)。這將對(duì)智能汽車產(chǎn)業(yè)造成致命打擊，不僅會(huì)嚴(yán)重阻礙產(chǎn)業(yè)滲透率的提升，甚至可能導(dǎo)致整個(gè)產(chǎn)業(yè)鏈陷入停滯，危及行業(yè)的穩(wěn)定發(fā)展根基。
此外，智能駕駛或引發(fā)安全事故的問題，猶如一盆冷水，給市場(chǎng)的狂熱情緒迅速降溫。這不僅讓消費(fèi)者對(duì)智能駕駛技術(shù)的安全性產(chǎn)生了更多質(zhì)疑，也促使整個(gè)行業(yè)更加深刻地反思技術(shù)發(fā)展過程中的潛在問題。隨著這些事件的不斷發(fā)酵，消費(fèi)者對(duì)智能駕駛的認(rèn)知正逐漸趨于理性和成熟，這也意味著智能汽車企業(yè)在技術(shù)研發(fā)、產(chǎn)品宣傳以及用戶教育等方面需要投入更多的精力和資源，以重建消費(fèi)者信心，推動(dòng)智能駕駛技術(shù)的健康可持續(xù)發(fā)展。
· 鈦祺智庫·
1、如欲獲取完整版PDF文件，可以關(guān)注鈦祺汽車官網(wǎng)—>智庫，也可以添加鈦祺小助理微信，回復(fù)“報(bào)告名稱：AI賦能智能駕駛專題報(bào)告：我們?cè)趺纯锤唠A智駕體驗(yàn)拐點(diǎn)？ ”
2、鈦祺智庫目前已收錄2000+篇汽車行業(yè)最新技術(shù)報(bào)告，供行業(yè)朋友查閱、參考。
3、鈦祺智庫持續(xù)更新、收錄行業(yè)深度技術(shù)文章、研究報(bào)告，并不定期上傳行業(yè)專家特約文章，為汽車行業(yè)朋友提供專業(yè)支持。
請(qǐng)注冊(cè)賬號(hào)，免費(fèi)下載報(bào)告：https://doc.taiqiol.com/m/Register.aspx；
熱門跟貼