中金：汽车行业向智能化(智能座舱+智能驾驶+智能服务)迈进的步伐已不可阻挡汽车行业向智能化（智能座舱+智能驾驶+智能服务）迈进的步伐已不可阻挡，在AI技术的加持下，汽车智能化的发展逐步加速。

  什么是汽车智能化?我们大家都认为，汽车智能化的定义包括人类通过智能座舱(载体)与车端进行交互，实现无人化的驾驶体验(即“智能驾驶”);而在人类双手被解放同时，智能座舱将致力于打造舒适的第三空间，实现智能互联新服务。随着汽车逐步走向智能化，我们大家都认为人工智能将助力汽车打造更加个性化的驾驶体验，提供更丰富的互动内容。

  具体来看，智能座舱的主要实现的功能应包含图形交互、语音交互，再配以手势/面部识别及生物体征检测;智能驾驶方面，行业发展将会经历辅助驾驶(L2及以下)和高级别无人驾驶(L3及以上)两个阶段;而智能服务方面，功能将主要包含车辆销售后的后市场服务、出行服务以及更多元化的社交娱乐及生活服务。我们大家都认为，智能座舱及智能服务商业化落地将相对顺利，而智能驾驶是一个难度较大的工程化问题(特别是高级别L3及以上的智能驾驶)，未来五到十年行业发展挑战与机遇并存，是本篇报告讨论的重中之重。

  智能座舱因其强大的商业化落地能力已成为主机厂向智能终端转变过程中最优、最先的选择。具体来说，智能座舱功能的落地是指将驾驶信息、抬头显示、车载信息娱乐和高级驾驶辅助系统整合到单一芯片的多域控制管理系统中，而不涉及底盘控制。所以在功能落地过程中牵扯到的安全压力较小，整体实现难度相对较小。

  人工智能(AI)赋能座舱成为人类生活的第三空间，具备感知、理解与表达能力。智能座舱需要感知来自环境数据、客户的真实需求两方面的信息，并对信息做处理。环境数据大多数来源于摄像头、雷达等车外传感器，智能驾舱要提供结构化数据输出，准确地把车内外环境信息推送到屏幕中心;至于用户层面，智能驾舱需要具有语音、人脸以及指纹相结合的多种交互模式，准确理解驾驶员指令。在上面两种需求下，智能座舱都需要利用AI技术建立多模态语义理解/知识图谱等数据库，尽可能提高识别正确率。在表达层面，人类主要是通过听觉及视觉接收信息，因此听觉数据建模、音频编解码等AI音效技术，以AR导航为代表的车道级高精度地图定位显示技术等都是AI助力智能座舱必不可少的部分。

  未来，产品差异化+软硬件升级是智能座舱发展的两大趋势：1)智能座舱的使用者真实的体验感强，依靠产品差异化吸引更多用户。智能座舱内的生物识别技术(视觉感知、语音识别等)改善了驾驶员以及乘客对于汽车人机界面的体验，而多屏互联和视觉语音交互技术等成果提升了乘车驾驶体验。我们大家都认为，主机厂通过提供上述易于感知的差异化功能，能大大的提升自身产品竞争力。2)人机交互终端硬件与软件双重升级是智能座舱升级的趋势。目前在消费的人偏好改变、触控屏幕材质和技术提升以及GPU硬件性能提升的趋势之下，人机交互技术向多元化、人格化方向发展，同时交互终端及内容架构不断迭代优化。具体来看，硬件方面，屏幕将成为最主流的显示界面，并具有大尺寸、集成化与专用化的特点。此外未来智能座舱将会采用更加个性化、智能化的灯光和声效设计来服务于辅助驾驶功能。另一方面，软件的升级将会支持人机交互技术多元化、人格化。乘客将通过语音控制、人脸识别、手势交互，甚至是更先进的生物识别等多种方式实现交互体验。主动车联网语音服务或将通过语言语义学习们了解人的思维文化，并以此实现人格化人机交互。

  ► 硬件芯片成为竞争核心，一芯多屏或将成未来大趋势。芯片是智能座舱实现人机交互过程最重要的硬件，电子电气控制单元会实时结合当前车辆运作时的状态向底层芯片传递数据，在此基础之上智能芯片计算出相应的调节控制方案。“一芯多屏” 模式是指将驾驶信息、抬头显示、车载信息娱乐和高级驾驶辅助系统整合到单一芯片的多域控制管理系统中，此模式的应用解决了系统之间通信成本开销较高的问题，同时缩短了通信时间，因此，该功能的实现对芯片的功力和结构设计提出更加高的要求。目前座舱域控制器芯片形成传统汽车电子和消费电子厂商两大阵营。传统汽车电子参与者主要是德州仪器、NXP、瑞萨、英飞凌等，消费电子的参与者包括高通、英特尔、博通、英伟达等，消费电子领域的企业正积极向汽车领域拓展。

  ► 软件操作系统为智能座舱核心控制系统软件，国内企业纷纷布局定制化开发。智能座舱是实现人机交互的接入窗口，主要为车载信息娱乐服务以及为人机交互提供控制平台，是汽车实现座舱智能化与多源信息融合的运行环境。当前主流的车载操作系统包括 QNX、Linux、Android、WinCE 四类。目前基于智能座舱对软件能力的要求国内部分公司开始进行智能座舱底层操作系统的自研，或是在传统的 Android、Linux 等操作系统上进行相应改进以掌握软件研发能力。从竞争者来看，主机厂及Tier-1都有布局。

  相比智能座舱，智能驾驶落地任重道远，尤其是L3及以上高级别智能驾驶应用。我们大家都认为，高级别无人驾驶最大的优势和风险均来自系统对于人类驾驶员的替代，而商业化落地本质上是考虑无人驾驶系统对人类驾驶员的替代效用是否大于成本。我们大家都认为，成本/风险大多数来源于于以下三个方面，一是当前无人驾驶的软硬件技术开发难度大，生产所带来的成本高昂。硬件上主要有固态激光雷达的量产和成本控制问题、高算力低功耗的AI芯片研发问题等。软件上高精度地图和高精度定位、复杂的感知识别决策控制算法研究等问题都亟待解决。二是由于软硬件设备的不足带来的行车安全问题，仅仅2021年一年，Tesla就发生了多起交通事故[1]。不仅仅是Tesla，Uber无人驾驶车也曾在美国亚利桑那撞倒路边女子致其死亡(2017年)[2]，小鹏理想等新势力车型也都出现过不同程度的智能驾驶失效问题[3]，我们大家都认为行业现状与高级别智能驾驶(L3+)仍有一定距离。三则是监管与法规仍然有待完善。中国北京、上海以及美国加州等世界各地的智能驾驶道路测试仍然有限，还需要一定的时间才能积累足够数据来进行相应的法律和法规制定工作。

  具体来看，无人驾驶中的环境感知、决策规划和控制执行领域不能离开AI技术。1)感知处理是AI在无人驾驶中的典型应用场景。如行人检测技术、车辆检测技术中都用到了向量机算法，而线性回归算法、支持向量机算法、人工神经网络算法也常被用于车道线和交通标志的检测;在决策规划领域，状态机、决策树、贝叶斯网络以及深度学习等技术都得到了广泛运用。在控制执行领域，模糊控制算法、神经网络控制以及深度学习被用于自适应巡航，协同多车队列控制等多种ADAS功能中。

  智能驾驶技术涉及感知、决策和控制三个方面，我们大家都认为决策层能力的差异使主机厂智能驾驶技术呈现差异化：

  ► 在感知层面，智能驾驶技术主要涉及激光雷达、超声波传感器、摄像头等硬件生产与高精度地图的开发，由于这并不是主机厂擅长的部分，因此车企一般是通过与博世、松下等零部件制造商或四维图新等地图服务提供商展开战略合作或收购来快速获得技术与产能;

  ► 我们认为，决策层中的计算平台硬件和软件开发是智能驾驶技术的核心竞争力，根本原因是其作为汽车智能化的大脑，负责消化感知数据、路径规划优化、执行信号输出，既实现全车资源综合，又对全车资源进行调配，是高级别智能驾驶技术成败的决定性因素。当前计算平台提供商分两类，一类是以NVIDIA和Mobileye为代表的消费电子生产商，另一类是以Tesla为代表的主机厂自研。我们大家都认为，未来有实力的汽车厂商能够最终靠自建的方式打造领先的技术产品，而大众品牌和造车新势力则可以通过战略合作逐步构建自主驾驶系统，以减轻前期资金投入的压力，或者通过收购快速提升公司无人驾驶水平。而通信网络的基础设施建设投入大、技术开发难度高、规模效益明显，大部分市场由通信服务提供商和网络运营商控制，汽车厂商可以通过合作来建立这种能力。

  ► 在控制层面，我们大家都认为网络安全防护大多是与专业服务商合作开发，未来可能成为标准化产品;而驾驶控制执行能力则是由各个车厂进行集成和控制，能力也相差不大。

  我们认为，智能驾驶是汽车智能化应用中全面商业落地实现难度最高的一环，并不断经历着挫折。但我们也看到，在政策和产业双擎驱动下，智能驾驶正在走出黎明前的黑暗。从本章内容起，本篇报告的讨论重点将放在智能驾驶，特别是高级别智能驾驶(L3+)环节。

  为了规范市场，推动智能驾驶道路测试，全球各地政策不断得到完善。美国最早提出智能网联汽车概念，加州、内华达的相关法规政策制定迅速，但是各州之间政策缺乏协调性，全国性政策出台尚不明朗;日本在无人驾驶立法过程中更看重安全问题，同时紧跟全球步伐，有望于2021年起应用联合国法案;欧盟方面，也有望于2021年起采用联合国法案，其中德国充当了领头羊的角色，近日《无人驾驶法》已获当地议院审议通过，有望变成全球第一部L4级驾驶法案;中国已针对无人驾驶制定了一定的纲领性文件，有关道路交互与通行安全的法规修订工作尚待展开。

  随着人工智能技术的加快速度进行发展，智能驾驶有望实现更复杂的功能以及全场景应用覆盖。2020年5月，Waymo 和谷歌的一个中国工程师团队提出了一个全新模型 VectorNet[5]。在该模型中，团队首次提出用向量(Vector)来简化地表达环境信息，这一做法抛开了传统的用图片渲染的方式，达到了降低数据量、计算量的效果。在Waymo实际测试当中，VectorNet模型的行为预测精准度比现有方法提升了近 20%，而在占用内存和计算量上则减少了约 8 成。2021年1月，Waymo最新研发了一个名为“内容搜索”的AI工具[6]，其功能与“谷歌图像搜索”和“谷歌照片”工具的操作类似，可以将汽车的摄像头和传感器所感知的物体信息与Alphabet编制的大型数据库中的物体进行匹配，以便更快速更高效地识别物体，并对车辆应该如何反应和移动做出实时决策。

  全球碳中和路径明晰，智能驾驶技术是实碳中和的重要支撑。1)乘用车方面，我们认为，当智能驾驶技术成熟后，AI用于反应、决策的时限有望远远短于人为操作的时间。搭载自动驾驶平台的车队可以在中央管理系统的协调和监督之下，形成编组，在车流量相对稳定的场景下，车队内车辆可以同时进行加速、制动的操作，相较传统驾驶方式来说，无疑是提高了行车密度及道路容量，可以有效缓解交通拥堵。特别是在我国整体驾驶习惯较差的背景下，对于同样设计标准的公路，其通行能力只有发达国家的60%。但是在实现自动驾驶技术后，汽车间有明确严格的让行规则，还有中央管理系统的监督，我们认为中国的交通秩序届时可以得到显著的改善。2)商用车方面，目前商用车由人工决定运输路线和取送货顺序，而自动驾驶货车可以通过算法控制取得最优的油耗性能和运输距离，优化长途行驶中人类驾驶员存在个体差异和行为波动。根据多个主机厂实验数据表明，经过自动驾驶系统优化之后，商用车单位里程内油耗有望下降5%-10%;干线物流中，人类驾驶员受限于驾驶时间与安全问题，组成车队前进效率不高，但是若采用自动驾驶货运车队，可进一步减少风阻，降低长途油耗。

  Model 3车型自2017年上市之后，产能情况并不理想，其主要原因是电池模组制造困难、自动化生产线应用问题造成。在引进了德国设计、制造的全新自动化生产线电池模组的产量得到提升;另一方面，位于Fremont工厂的装配环节也改为采用人工与自动化装配相结合的生产方式，实现效率的最大化。产能问题解决后，Tesla的毛利率与销量均得到大幅提升。而随着Tesla的销量和口碑逐渐建立，我们认为智能汽车开始成为消费者追捧的对象，汽车智能化需求快速增长。以中国市场为例，随着政策推动(如财政补贴)及技术成熟，小鹏、理想、蔚来等新势力智能车型销量同比也实现较大增幅。

  集中式架构是高级别智能驾驶落地的基础，主机厂不断推进架构革新。根据博世预测，L2级智能驾驶相对应的软件代码量在1亿行左右，而进入L3阶段，软件代码量将翻倍，完全自动驾驶可能意味着10亿行的代码量。我们认为，软件代码的增多意味着面临更多的调试，高级别自动驾驶实际上是一个工程问题，是数据驱动型应用。若采用传统的分布式E/E(电子电气)架构，将很难满足高级别智能驾驶所需的高频次算法(抑或是功能)集中迭代需求，也不能实现多传感器融合下所需的算力的集中管理与高效分配。而集中式E/E架构恰恰降低了数据驱动型应用开发的难度。从目前主机厂的进度来看，新势力之王Tesla革命性的在Model 3车型中采用了域融合架构，直接跳过了功能导向型时代(即经典五域模型)，可以说Model 3的架构是一款“软件定义汽车”的产品。传统车企方面，大众也积极开发了E3架构，尽管其看起来仍在传统五域框架下，但该架构同样可实现功能的迭代与软件的实时更新。

  主机厂自研芯片和第三方芯片逐渐量产装车，形成对高级别智能驾驶底层算力支撑。我们认为，随着智能驾驶等级向高级别演进，所需传感器数量增多，叠加各种极端案例(Corner Case)的处理需求，对算力要求愈发苛刻。为了实现单位功耗的算力最大化，拥有强大软硬件设计能力的Tesla摒弃了Nvidia的Xavier SoC，而推出了单颗算力达到72TOPS的自研FSD芯片(1TOPS/W，单芯片面积达到260mm^2，是名副其实的第一款车用中央处理器，不需外挂CPU),在E/E架构更新的同时试图以最优化的硬件来支持高级别自动驾驶应用。此外，我们也看到车用AI SoC赛道也迎来了更多专业化竞争者，如地平线、黑芝麻等创业公司向Mobileye甚至Nvidia发起了挑战。随着计算芯片性能的不断提升及专业竞争者的丰富化，高级别智能驾驶底层算力支撑得到夯实。

  各厂商预埋高级别智能驾驶硬件，而实际降维到L2加速落地上量。我们看到，尽管目前L2仍是智能整车的主流卖点，但从目前畅销车型的配置上看，其传感器数量、计算平台硬件均呈现一定冗余并加速向高级别迭代。我们认为这主要原因是主机厂希望通过硬件预埋方式提前进入L3/L4产品周期，而短期内在高级别自动驾驶落地困难的情况下降维至L2将产品先推入市场以维持住规模。我们认为智能驾驶的技术的护城河是工程能力，硬件预埋，软件快速迭代的方式有望加速高级别智能驾驶落地。

  持续研发投入是智能汽车行业发展的必要条件，一级市场提供了良好的融资环境。继2019年新能源汽车投资热情跌落谷底之后，2020年以来这一赛道又重新获得市场追捧。根据企名片数据汇总，中国新能源汽车行业投融资事件达到89起，融资总额超过1,292亿元人民币，同比增长159%。其中阿里巴巴、上汽投资了智己汽车，安徽省高新技术产投、国投、合肥市投资集团投资了蔚来中国，两起投资金额均超过50亿元人民币。与此同时，中美两国为推动智能汽车产业链发展、降低一级市场退出难度，也各自出台了相应措施。美国市场上Lucid、FF等造车势力以及众多激光雷达等供应链企业可以通过SPAC(特殊目的收购公司)方式上市融资，而中国方面拥有科创板这一渠道。总体来看，一级市场的良好环境有助于对智能车企研发形成正向支持。

  造车新势力股票备受追捧，二级市场投资气氛火热。随着新能源车销量大增，品牌接受度提高，造车新势力个股在二级市场受到投资者追捧，给车企带来了良好的融资机会。受此影响，Tesla2020年全年进行了三次再融资，累计实现123亿美元融资金额，创下历史新高，为未来的研发投入打下坚实基础。与此同时国内车企也不甘落后，北汽蓝谷于2021年4月通过非公开发行股票成功募资54亿元人民币用于ARCFOX高端车型开发等项目。我们看到目前主要智能车企在手现金余额基本达到100亿元以上量级(北汽蓝谷再融资后现金也接近100亿人民币)，为智能汽车行业快速发展奠定了基础。

  由于各种极端案例(Corner Case)的存在，我们认为高级别智能驾驶必须拥有大规模L2级别车辆的部署以产生足够量的仿真场景、地图数据和训练样本，除Tesla外，其他车厂依然落后。而且在车联网成熟配套、道德约束与法律规范健全之前，L3级智能驾驶落地仍然面临较大阻力，我们认为目前行业仍然站在高级别自动驾驶(即真正意义实现eyes off)的量产前夜。但我们认为，考虑到车辆8-10年的更换周期及车厂预埋策略，目前高级别智能驾驶产业链的硬件已经要进入高速发展期，应重点关注相关赛道企业的投资机会。而软件方面，将依靠不停迭代而循环向L3级形成冲锋。

  AI SoC，或称智能驾驶芯片，是整个智能驾驶硬件的核心部分。当L2/L2+辅助驾驶功能逐渐成为造车新势力的卖点，传统车型开始迎头赶上，智能驾驶芯片市场的竞争者也呈现多元化。入局者既包含老牌芯片厂商Nvidia、Intel，也不乏主机厂(Tesla)、中国初创企业及IT巨头华为。整体来看，海外龙头Nvidia Xavier /Mobileye EyeQ4平台凭借助力小鹏、蔚来、宝马等多家车企实现L2/L2+辅助驾驶功能量产在智能驾驶硬件市场中率先取得了一席之地。如上文所述，我们认为高级别自动驾驶的硬件预埋已是确定趋势，各企业将激烈的竞逐爆发在即。

  单芯片高算力+高能效比有望成为车用AI SoC的迭代趋势，而多颗芯片协同形成计算集群将是ADAS硬件系统的演化方向。在现阶段主要面向L2级别应用的背景下，我们看到主流量产产品单颗芯片的算力在个位数TOPS，能效比基本在1-2TOPS/W范围，16nm为主流芯片制程。虽然硬件规格不高，但单颗芯片已能胜任环视等多路传感器的数据采集与进一步的规划决策应用。而从L3/L4的高级别自动驾驶场景来看(即虚线右上方产品)，由于需要更多的传感器融合工作，我们认为合格的单芯片算力基本达到50TOPS以上，能效比基本达到5TOPS/W以上，工艺方面向7nm制程演进。除Tesla自研的FSD外，至今还未见其他供应商单颗大算力芯片的规模量产(我们认为Tesla FSD芯片能效比较低的原因在于其SoC中集成了12核ARM CPU，FSD并非一颗简单的负责机器视觉的芯片，而是综合了CPU功能)。此外我们认为，由于考虑到鲁棒性问题，大量高级别自动驾驶车中将采用激光雷达作为重要传感器，而相比低成本的纯视觉方案，激光雷达则要求更高的算力，因此半导体厂商倾向于提供板级解决方案，使多颗芯片协同形成计算集群来提供强大的算力支撑(现有量产芯片集群可以达到数百TOPS算力，未来有望超过1000TOPS)。

  芯片厂商应以算法与硬件并重。我们认为，芯片公司提供的计算力只反映芯片理论上的最大计算能力，而非实际的应用场景下该芯片的处理能力，在实际的工况中，其算力是否能充分发挥，很大程度上也取决于算法(如感知算法、路径规划算法等)优劣。我们认为Tesla之所以能够用自研的FSD芯片替代Nvidia GPU/SoC，其核心原因在于算法上的突破，优异的算法可以使软硬件协同达到最大化，以省去硬件的设计冗余，达到更好的能效比。此外，在主机厂前期硬件及算法能力均有限的同时，三方AI SoC一般也会承担核心算法的开发工作，以便于自身产品尽快商用落地。

  三方芯片厂商应保持生态开放，与主机厂密切沟通。我们认为，除Tesla外，三方的AI SoC供应商一般会向开发者提供完整的API和AI开发套件，适配主流的训练框架，通过基础算法和参考算法赋能客户，最终实现产品级算法。究其原因是高级别智能驾驶是工程问题，第三方AI SoC供应商需与主机厂保持密切沟通，且在主机厂的实测配合下进行算法及功能快速迭代，让硬件发挥最大效能。在这种背景下，我们认为，开发环境相对封闭的Mobileye竞争力可能会减弱，而软硬件系统开放的Nvidia及中国本土AI SoC设计企业有望占据上风。

  中国企业的机会在哪里?本土AI SoC供应商配合主机厂加速硬件预埋，静候高级别智能驾驶市场爆发。尽管我国本土造车新势力在软件及电气架构上不断创新并向Tesla看齐，以抢占高级别自动驾驶市场，但其智能驾驶硬件本身的设计能力依然有限，需要第三方芯片企业的配合，传统本土品牌也面临同样的问题。我们认为，在海外供应商价格高、服务响应慢的背景下，国内AI SoC厂商有望迎来发展机会。目前地平线、黑芝麻等聚焦智能驾驶AI芯片企业L2级产品已经实现重点客户签约甚至量产装车，L3+产品规划清晰，而寒武纪等拥有突出AI推理芯片设计能力的企业若在特定算法及车规级认证方面快速推进，也有望在高级别自动驾驶硬件赛道中形成有力竞争。我们认为在前期高级别自动驾驶硬件出货量较低的情况下，芯片企业部分将通过多元化形式(低级别芯片+IP授权+售卖软件等)来变现维持公司正常运转，并加速研发高级别硬件拉长产品周期，配合本土车企预埋冗余的硬件来等待市场快速成长。一旦高级别自动驾驶车型大面积铺开，依靠成倍的单车价值量提升，我们认为本土AI SoC企业将受益。

  市场空间测算：全球2025年智能驾驶相关SoC市场规模有望达到约147亿美元

  ► 按车型来看，我们认为，1)目前，B/C级车型L0-L1功能已经大面积普及，智能驾驶(或ADAS)系统站在L2功能不断丰富的阶段，L2级ADAS渗透率在B/C级车型中将会有较为明显提升;2)A及A以下级别车型仍然是中国汽车市场的销量主力，受到整车单价较低的影响，中短期不会普及L2(包含)及以上功能，但是L0-L1功能渗透率将会较快攀升;3)整体来看，新能源车智能化发展更激进。

  ► 量价趋势上，1)L2及以下系统仍采用分布式架构，因此L0-L2升级过程中SoC数量线级别的ADAS只具备环境感知和简单的车辆控制功能，以传统一级供应商和半导体厂商合作提供解决方案为主，技术难度较低。而随着Mobileye成功探索出视觉解决方案之后，L2/L2+级别芯片算力得到提高，价格也随之上升数倍。2)达到L3级后，我们认为集中式架构将取代分布式，SoC数量会大幅降低，但L3级别以上车辆功能更为复杂，中央计算单元控制范围大幅扩大，带来了SoC芯片算力的大幅提升，相应价格也成倍增加。

  基于以上关键假设，我们对L0-L4的ADAS系统在新能源车、传统燃油车及商用车中的渗透率分别做了预估，并统计了各级别ADAS硬件系统所需SoC数量及单价，以此来计算市场规模。

  资料来源：地平线官网，Tesla公告，Mobileye官网，中金公司研究部

  资料来源：工信部，Tesla公告，地平线官网，博世官网，Mobileye官网，中金公司研究部

  我们测算，2020-2025年，中国智能驾驶相关SoC市场规模将从29亿美元提升至49亿美元。若假设2025年中国汽车出货量占全球比重约为三分之一，我们测算全球智能驾驶相关SoC市场规模2025年将达到约147亿美元。

  从智能驾驶软件架构来看，主要分为驱动层、中介层(或中间件)、算法层、规划决策、路径优化、控制及应用几个部分。最底层的驱动层与中介层主要承担使硬件正常工作及使软硬件解耦的角色，分别由硬件厂商/行业联盟开发，主机厂个体及软硬件企业一般不做过多修改。智能驾驶软件开发基本集中在算法层及之上的部分，其中算法层、规划决策、路径优化主要由芯片供应商(如Nvidia)或独立软件供应商(如Waymo)参与，但未来主机厂参与度可能会提升(Tesla是一个行业特例，目前鲜有主机厂拥有与Tesla比肩的算法能力)。而对于顶层的应用，由于涉及到车与人的接口，主机厂参与度很高，一般不下放给产业链其他环节。本章节主要讨论重点将放在算法、决策等核心智能驾驶软件的商业模式与发展前景上。

  ► 一类公司是以Tesla为代表的主机厂(尽管目前除Tesla外，我们未见拥有较强智能驾驶算法自研能力的车企，但未来我们大家都认为越来越多的主机厂会深度参与算法环节)或三方芯片供应商，通过一体化销售软硬件/或订阅软硬件功能使用权为软件算法变现。但在高级别无人驾驶落地艰难的情况下，并不是所有消费者，甚至鲜有消费者有意愿去为高级别软硬件付费(如TeslaFSD完整功能售价高达7,000美元/6.4万元人民币)。我们认为这种商业模式的实质是以驾驶员为核心，配合高级硬件功能的预埋，从低级别无人驾驶(如L2/L2+)入手，先通过阶段性的产品快速上量将降成本解决现金流问题，然后依靠数据的积累逐步实现向高级别自动驾驶系统演进，再来收回高昂的投资。纵使未来绝对的自动驾驶是无法实现的目标，上述商业模式中大量的阶段性产品也足够支撑相关公司运营，循环迭代无限接近L5级应用。

  ► 而另一部分是纯软件公司入局，以Waymo为代表，典型企业还有百度、小马智行(Pony.ai)、Momenta等，从乘客的视角出发，解放人力，直接依靠颠覆人的出行体验，跨过低级别智能驾驶直接攻坚L4级产品(但位于固定范围内运行)，以收取服务费的形式变现。

  我们大家都认为，由于高级别自动驾驶归根结底是工程学问题，很难一蹴而就，因此主机厂选择的路线的发展道路更加稳健。但是，我们同时认为未来上述两种路径有望殊途同归，且越来越明晰的高级硬件预埋趋势正在催化“司机导向”与“乘客导向”两个技术路径加速合并。

  注：1)渗透率指2030年的当年的渗透率(当年新车销量占比或当年服务单量占比);2)场景落地时间指该场景首次实现规模化商业应用的时间节点，起泡大小表示该场景所需无人驾驶套件在2030年的潜在市场规模

  以Tesla为例，购买高级别智能驾驶软件功能的方式由一次性付费向“分期付款”模式延伸，有利于积累更多用户数据促进产品迭代。Tesla北美市场客户目前需一次性付费7,000美元，而中国用户需付费6.4万元来获得FSD的全部功能，公司也在1Q21的财报电话会中指出，未来将推出月度付费订阅产品，届时拥有FSD全部功能的收费标准将在100美元/月左右(与蔚来宣布的680元/月无人驾驶订阅服务价格相近)，体验高级别无人驾驶门槛的被大大降低。我们大家都认为，中短期Tesla智能驾驶软件主要以销量为导向，以“高级别硬件预埋+灵活的付款方式”快速占领市场并维持现金流，促进数据积累并获得产品闭环，最终达到一旦高级别智能驾驶普及便可快速回收成本的目的。在智能驾驶软件外，Tesla还通过功能性软件、订阅服务式软件等多元化渠道来获利，来维持其收支健康，例如：

  ► 功能型软件优先内置硬件冗余性能，后续依靠OTA升级销售。传统模式下，车企在车型设计初期就需将软硬件定义固化，Tesla的模式则将冗余硬件预装，后续通过软件升级来开放功能回收成本。例如，车主可以在TeslaAPP 中购买激活更新服务，比如动力性能加速、座椅加热、智能召唤等功能。其中智能召唤对于选装了完全无人驾驶能力、升级到V10系统的车型无需另外付费;动力性能(售价2000美元)加速针对Model 3 长续航全驱版和Model Y 长续航版开放，座椅加热(售价300美元)对Model 3车型开放。

  ► 订阅服务式软件以智能车舱内月度订阅为主。智能座舱是汽车之间拉开差距的重要差异化元素，涵盖人与车互动的生态系统，包括全息、氛围灯、智能座椅等功能。Tesla于2019年9月更新车机系统V10版本，首次引入游戏、腾讯视频和爱奇艺等流媒体软件;从2019Q4起推出定价 9.9 美元/月的车联网高级连接服务，包括流媒体、K歌、影院模式等功能。我们大家都认为，车载娱乐系统APP化后将会吸引第三方开发者入场，共同发掘消费者需求。

  Google旗下的Waymo是典型的拥有智能驾驶算法能力的企业，也是由做软件切入智能驾驶解决方案供应商的代表之一。Waymo不仅拥有颠覆性的VectorNet算法模型来抽象化认知环境信息，以便对未来几秒车行驶环境发生的变化进行较准确预测，且在系统安全计划内设定了安全进程，时刻确保车辆的安全性。通过虚实结合的路测仿真训练无人驾驶算法，Waymo指出，其每日可模拟100年的技术路测。值得明确的是，Waymo的商业模式是通过与整车厂合作的方式成为智能驾驶及智能车舱、智能网联服务的Tier-1提供商，而并非一家主机厂。目前Waymo业务主要涵盖Robotaxi(无人驾驶出租共享出行)、自动驾驶货运卡车(无人货运)、智能驾驶一体化解决方案提供商(激光雷达出售)、车内服务、IP授权等五大业务，我们大家都认为其主要变现方式是从乘客角度出发，跳过低级别无人驾驶直接发力固定场景L4应用，大幅削减人力成本来实现商业价值。除Waymo以外，我们大家都认为百度、小马智行等以算法为核心竞争力，主推共享出行的企业分享着相似的商业模式(只是百度的模式更注重车路协同)。

  相比主机厂，我们认为软件公司与主机厂将殊途同归于高级别智能驾驶场景，但采取了富有挑战性的激进路径，直接攻坚固定场景下无人驾驶，其主要难度在于1)汽车的硬件标准化较低，从传统供应链来看，底盘、车身控制技术散落各家Tier-1，因此直接从软件来统筹全车，开发适配测试难度较大;2)高级别驾驶本身仍然是工程性问题，软件公司的工程能力相比传统主机厂/传统Tier-1企业并无优势;3)难找到一线主机厂合作，颇具实力的车企一般会选择自研高级别智能驾驶解决方案。但是，我们也看到各竞争者也取得了阶段性的突破：1)Waymo：2020年，Waymo L4级无人驾驶路测累计路测里程达2500万英里，处于行业领先地位;2)百度：至2020年底，百度的L4级自动驾驶路测里程超过1,000万公里，自动驾驶仿线)小马智行：小马目前拥有超过200辆车的自动驾驶车队，服务范围覆盖北京、广州、上海、Irvine以及Fremont五大中美城市，自动驾驶测试里程超过500万公里。我们大家都认为应继续观察各软件公司的规模商用化进展。

  市场空间测算：全球2025年智能驾驶相关软件市场规模有望达到约258亿美元

  ► 2025年新能源乘用车、燃油乘用车以及商用车出货量、ADAS渗透率假设均同硬件部分测算;

  ► 软件价格方面，1)L1方案一般由Tier-1厂商来打包软硬件销售，To B业务单价不易获取，由于仅涉及单方向上控制功能，我们暂假设其软件单价远低于L2水平;2)L2方面，我们直接采用福特Cruise系统软件售价来作为软件单价;3)在L3/L4级别测算中，我们以蔚来的订阅式智能驾驶服务为标准，我们假设每辆车订阅期为三年，因此智能驾驶软件价格约为三年无人驾驶订阅费与自动驾驶硬件成本的差额(一般车厂都采用了预埋硬件，因此订阅收费中涉及到收回硬件成本，不仅是软件的价值)。

  基于以上关键假设，我们对L0-L4的ADAS系统在新能源车、传统燃油车及商用车中的渗透率分别做了预估。我们测算2025年，中国智能驾驶软件市场规模合计达86亿美元。若假设2025年中国汽车出货量占全球比重为三分之一，我们测算全球智能驾驶相关SoC市场规模2025年将达到约258亿美元。