AI行业专题：从特斯拉FSD看人工智能，端到端模型赋能自动驾驶，机器人引领具身智能-20230803-西南证券-59页_4mb

AI专题总结

核心内容

本报告主要分析特斯拉FSD（Full Self-Driving）在自动驾驶领域中的技术应用与商业模式，以及AI大模型对自动驾驶和人形机器人领域的赋能作用。核心内容包括：

• 技术端：特斯拉采用纯视觉方案和端到端模型，如Transformer和BEV（Bird's Eye View）架构，提升了自动驾驶的感知与决策能力。
• 商业端：特斯拉通过FSD套件的买断制和订阅制盈利模式，推动智能汽车的软件化进程，提升整车价值。
• 具身智能：特斯拉Optimus人形机器人沿用FSD的技术底座，实现感知、规划和控制的统一，推动具身智能的发展。

主要观点

1. 人工智能助力自动驾驶，端到端方案成为新路径

• 自动驾驶行业正从电动化向智能化发展，AI技术的渗透使得感知、决策一体化成为趋势。
• 端到端方案通过将感知、规划、控制整合为单一模型，实现更高效、更接近人类驾驶的决策。
• BEV+Transformer架构成为主流，通过将2D图像转化为3D视觉，提升系统对复杂场景的识别能力。
• 特征级融合相较于后融合更优，减少数据损失，同时降低算力需求。

2. 自动驾驶系统架构与技术路径

• 自动驾驶系统分为感知、规划、控制三个子系统，其中感知是基础，规控决定车辆与环境的互动方式。
• 模块化方案与端到端方案各有优劣，端到端方案通过深度学习模型实现更全面的感知与决策。
• 特斯拉采用强化学习方式训练模型，使系统能够更精准地模拟真实驾驶环境。

3. 特斯拉FSD技术发展与算力支撑

• 特斯拉FSD系统迭代至Beta V11.4版本，引入BEV+Transformer架构，提升系统性能。
• 特斯拉自研HW3.0硬件平台，采用FSD芯片，提供更高的算力与更优的性能。
• Dojo超算平台作为特斯拉的自研算力系统，采用D1芯片和Training Tile模块，实现高效的大模型训练与优化。

4. 数据与算法的融合

• 自动驾驶依赖大量数据进行训练，特斯拉通过车队数据和自动标注系统构建数据壁垒。
• BEV和占用网络的结合，使系统具备更强大的泛化能力，有效应对长尾场景。
• 算法和数据的结合，使特斯拉在自动驾驶领域具备显著的技术优势。

5. 商业模式与盈利潜力

• FSD套件采用买断制和订阅制，提升软件盈利能力和用户粘性。
• FSD价格持续上涨，从2016年的3000美元提升至当前的15000美元。
• 自动驾驶系统的持续迭代将推动整车价值量增长，加速智能汽车的软件化趋势。

关键信息

• 纯视觉方案：特斯拉采用纯视觉方案，认为摄像头可以实现高精度感知，且成本优势显著。
• BEV+Transformer：特斯拉将2D图像转换为3D视觉，并引入Transformer架构，提升感知与决策能力。
• Dojo算力平台：特斯拉自研Dojo平台，具备高集成度和高效计算能力，支持大规模模型训练。
• FSD商业模式：FSD采用买断制和订阅制，提升盈利模式的灵活性与可持续性。
• 自动驾驶与机器人技术融合：特斯拉Optimus采用FSD技术底座，推动具身智能发展。

投资建议

• 建议关注自动驾驶和人形机器人产业链。
• 重点推荐具备数据与算法优势、且有望在软件端率先进进行商业化变现的整车厂商，如特斯拉(TSLA.O)、小鹏汽车(XPEX.N)等。

风险提示

• 行业竞争加剧可能影响技术发展与商业化进程。
• 技术发展不及预期可能影响产品性能与市场接受度。
• 商业变现不及预期可能影响盈利能力与投资回报。

技术路径对比

传感器对比

算力与硬件发展

• Dojo D1芯片：采用7nm工艺，BF16、CFP8算力达362TFlops，FP32算力达22.6TFlops。
• Training Tile：集成5×5 D1芯片，提供9PFlops算力，具备高带宽和低延迟。
• ExaPOD集群：由10个机柜组成，提供1.1EFlops算力，支持大规模模型训练。

FSD收入增长

• FSD收入从2016年Q4的1.59亿美元增长至2023年Q2的20.5亿美元。
• FSD套件的高价格与高普及率，推动软件盈利模式的落地。

总结

特斯拉FSD通过端到端模型和AI大模型赋能，推动自动驾驶技术向更高效、更智能的方向发展。同时，其在人形机器人领域的应用也表明AI技术正在向具身智能扩展。随着自动驾驶和机器人技术的不断演进，软件化趋势愈发明显，特斯拉作为行业领导者，有望在该领域持续受益。