汽车行业智能驾驶专题（一）：汽车智能化的商业化路径、产业演进及投资机会探讨-20210608-中泰证券-84页_3mb

汽车智能化的商业化路径、产业演进及投资机会探讨

核心内容

本报告探讨了汽车智能化的发展路径、产业演进趋势以及投资机会，重点分析了智能驾驶技术在商业化落地过程中面临的挑战与机遇。

主要观点

1. 商业化路径之争

• 应用场景之争：ROBOTAXI和消费市场是两种主要路线。ROBOTAXI技术更为激进，但落地速度较慢；消费市场采用渐进式路线，从L2逐步迭代至L4以上，落地速度更快。
• 技术路线之争：纯视觉方案在成本上更具优势，但对算法和传感器精度要求更高；多感知融合方案在可靠性上更优，但成本更高。
• 算法是否自研：自研算法具备更快的迭代速度，能通过SHADOW模式获得高质量数据，而第三方算法则缺乏这种能力。

2. 产业演进阶段

• 车端竞争阶段（2020-2025）：竞争集中在硬件（传感器、芯片）、软件（算法、算力）及整车产品定义上。此阶段主要由主机厂主导。
• 云端竞争阶段（2025年后）：随着车队保有量和数据量的增加，云端成为核心战场，算力、算法和生态整合成为关键因素，行业将加速头部化。

3. 供应链爆发顺序

• 感知先行：包括摄像头、激光雷达等，是最早爆发的子领域。
• 集成后专业化：随着技术成熟，集成与云端应用将逐步成为新的爆发点。

4. 整车市场变化

• 在智能驾驶时代，整车市场集中度将显著提高，传统差异化消费模式逐渐被数据驱动的边际效应递增模式取代。

关键信息

1. ROBOTAXI与消费市场对比

• 运营数量：ROBOTAXI目前车队规模较小（约600辆），预计三年内达3000辆；而特斯拉消费市场保有量已达100万台，预计2021年底将达200万台。
• 数据量：ROBOTAXI年度运营里程预计在1亿公里级别，而特斯拉预计在2025年将达千亿公里级别。
• 盈利模型：ROBOTAXI盈亏平衡点较低，但实现时间较晚；消费市场盈亏平衡点较高，但落地更快。

2. 主要ROBOTAXI运营公司

3. 产品路线之争：纯视觉 vs 多感知融合

• 纯视觉：成本低，但算法复杂，需高算力芯片支持；在云端训练中数据量大，成本高。
• 多感知融合：可靠性高，具备安全冗余优势；在初期体验上弥补算法不足，但车端成本高。
• 成本对比：纯视觉方案车端成本约3200元，多感知融合方案车端成本约23000元。

4. 算法自研优势

• 自研算法迭代更快，具备SHADOW模式能力，能利用车辆数据进行训练和优化。
• 第三方算法缺乏SHADOW能力，难以实现高效迭代。

5. 芯片算力需求

• L2级别：约2TOPS；
• L3级别：约24TOPS；
• L4级别：约320TOPS；
• L5级别：1000+TOPS。

主流车企芯片算力对比：

6. 摄像头发展趋势

• 数量增加：从8个到11个甚至15个，提升探测精度。
• 性能提升：探测距离从250米提升至687米，像素从1.2M提升至48M。
• 价值构成：镜头和图像传感器是主要价值点，分辨率和帧率提升需要更先进的芯片。

7. 激光雷达发展

• 技术路线：机械式、MEMS、Flash、OPA等。
• 成本：机械式激光雷达成本较高，MEMS和Flash技术更具发展潜力。
• 主要厂商：Velodyne、Quanergy、Luminar、Ouster、Innoviz、速腾聚创、禾赛科技、大疆Livox等。

8. 云端算力与成本

• 超算平台：如特斯拉Dojo，算力达1EFLOPS，用于仿真和训练。
• 云计算：如华为云，总算力0.128-0.512EFLOPS，成本较低但性能有限。
• 对比：超算平台性能强但成本高，云计算成本低但性能有限。

风险提示

• 新能源汽车补贴政策不及预期；
• 新能源汽车销量不及预期；
• 行业扩产加速导致价格低于预期；
• 行业测算偏差风险；
• 研究报告使用的公开资料可能存在信息滞后或更新不及时的风险。