首页核心观点：
1.特斯拉引领汽车智能化，变革道路并非坦途 特斯拉推动以电子电气架构集中化为代表的一系列智能化变革。汽车从一次性的消费品变成可持续迭代的流量入口，迎来盈利 模式的全面革新。一段时期内，智能化硬件上车成为风潮，新势力、传统车企迅速推出高级电动智能化车型，行业空前繁荣， 硬件预埋、软件迭代成为共识。然而硬件快速渗透的同时，实际上能够搭载的功能主要为L2以下或高速NOA为主，消费者难以 为长期无法兑现的硬件买单。同时特斯拉、燃油车降价去库存，车企成本压力空前，高成本自动驾驶硬件渗透阻力重重。
2.大模型横空出世，人工智能迎来“iPhone时刻” 2022年11月，ChatGPT横空出世，其理解人类意图的能力、回答的准确性、生成结果的流畅性远超人类预期，ChatGPT产品推 出仅2个月后用户数量即过亿。 2023年3月Open AI发布GPT-4，性能全面提升并具备多模态性能。GPT的能力来源于预训练+指 令微调+基于人类反馈的强化学习，基于标准化的范式，行业诸多玩家开始构建自有大模型。同时下游应用也繁荣发展，随着 后期多模态大模型变得更准确、更可靠、更安全，基础大模型+特定行业应用的业务形式会逐步铺开，人工智能赋能千行百业， 有望再次引领新的“iPhone”时刻。
(资料图片)
3.大模型赋能，自动驾驶渐行渐近，产业链玩家全面受益 特斯拉全栈自研的自动驾驶闭环体系构成行业的“IOS”，海量的车队数据形成数据壁垒，其他玩家难以复制。大模型时代，第 三方科技巨头有望通过提供完善的工具链帮助整车厂构建自己的自动驾驶算法和数据闭环系统，同时依靠大模型的数据生成能 力缩小在数据领域的差距，自动驾驶的安卓时代有望来临。目前，大模型已经被用于赋能数据闭环、仿真、感知算法、规控算 法等领域。而巨头如微软、英伟达在大模型和自动驾驶争相布局，或将擦出新的火花。此外大模型的出现也促进行业分工，避 免“重复造轮子”，同时加速传感器和芯片迭代，系统成本有望大幅下降。大模型开发者和自动驾驶产业链玩家有望全面受益。
特斯拉引领汽车智能化，变革道路并非坦途
1.1、特斯拉引领汽车智能化，开启行业变革
特斯拉引领汽车行业实现颠覆性变革：特斯拉引领汽车智能化变革。特斯拉推动电子电气架构集中化，整车软硬件分离得以实现，通过大算力芯片以及百万车队影 子模式收集数据实现自动驾驶算法的持续迭代。 汽车从一次性的消费品变成可持续迭代的流量入口，硬件预埋、软件持续迭代升级成为可能，汽车迎来盈利模式的全面革新。
1.2、硬件预埋、软件持续迭代蔚然成风，汽车智能化迎来高速发展期
硬件预埋、软件持续迭代，智能化硬件先声夺人迎高速发展。软件预埋，硬件持续迭代，先进智能化硬件迎上车高潮。一段时期内，智能化硬件上车成为风潮，算力军备竞赛盛行。新势 力、传统车企迅速推出高级电动智能化车型，行业空前繁荣。硬件预埋、软件持续迭代，智能化硬件先声夺人迎高速发展 。 智能化软硬件厂商通力合作，产业链迎来繁荣发展。以“蔚小理”为首的新势力，长城、长安、吉利、上汽、广汽、东风、 比亚迪等整车厂商纷纷发力，与芯片厂商、Tier1供应商、软件供应商通力合作，构建新的供应链体系，形成新的产品和新的 供应链格局。 市场对智能化发展曾高度乐观。硬件预埋、软件迭代的逻辑下，智能化硬件会快速实现对大多车型的覆盖，带来产业链公司 业绩的快速提升和产业链格局的根本性变革。
1.3、自动驾驶算法成熟度低、系统高成本成为困扰智能汽车升级症结
软件发展滞后于硬件，行业竞争加剧降本压力。软件发展滞后于硬件，自动驾驶落地难度超预期。2022年高等级自动驾驶硬件快速渗透到诸多整车品牌的旗舰车型中，几乎 成为标配，但实际上能够搭载的功能主要为L2以下或高速导航辅助驾驶为主。消费者和车企难以为长期无法兑现的硬件买单。 特斯拉大幅降价，燃油车去库存，行业竞争激烈，车企成本压力大。特斯拉在进入2023年后开启了大幅降价以提振销量，同 时部分燃油车在国六B排放标准即将落地之时开启降价去库存，行业面临的成本压力大。车企“脱虚向实”意愿强烈，也对高 成本的自动驾驶硬件渗透形成阻力。
长尾事件成为自动驾驶无法落地的症结，算法模型升级、数据闭环构建均有难点 。当前自动驾驶瓶颈：长尾场景不常见但无法忽视，成为制约自动驾驶成熟的主要瓶颈。行业通常采用大量的数据去训练自动 驾驶算法，以求让自动驾驶模型成为见多识广的“老司机”。 长尾问题如何解决：（1）模型端：感知、预测、决策、规划算法升级。（2）数据端：可以通过实车采集或仿真获取。难点 在于：实车采集——数据挖掘难度大、数据标注成本高；仿真——构建逼真的仿真场景难度大，无法遍历长尾问题。
大模型横空出世，人工智能迎来“iPhone时刻”
2.1、ChatGPT横空出世，引领人工智能新浪潮
ChatGPT横空出世，GPT-4紧随其后，人工智能迎来热潮。人工智能历经多年发展，在诸多领域超越人类。1997年，IBM深蓝计算机打败国际象棋世界冠军；2016年，AlphaGo大比分战 胜当时围棋世界冠军李世石，掀起人工智能新一轮热潮。像计算器超越人类的计算能力一样，人工智能在图像识别等更多领 域超越人类，并为人类赋能。 ChatGPT横空出世，再次引发人工智能热潮。2022年11月，ChatGPT横空出世，其理解人类意图的能力、回答的准确性、生 成结果的流畅性远超人类预期，引发网络热潮。据瑞银数据，ChatGPT产品推出仅2个月后用户数量即过亿，微软将ChatGPT 整合到其搜索引擎Bing中后，在1个多月的时间内让Bing日活跃用户数过亿。
ChatGPT横空出世，GPT-4紧随其后，人工智能迎来热潮 。2023年3月14日，Open AI发布GPT-4，能力进一步提升： GPT-4具备多模态能力，可以同时支持文本和图像输入，支持的文本输入数量提升至2.5万字，性能全面超越ChatGPT。 GPT-4理解/推理/多语言能力增强，在专业和学术考试中表现突出，可以实现“看图说话”，甚至能够理解一些幽默图片笑话。 GPT-4可靠性与安全性显著提升：可靠性方面，GPT-4相比GPT-3.5大幅提升19%；安全性方面，GPT-4对不被允许和敏感内容 的错误反应显著下降。
2.2、大模型+预训练+人类反馈微调，大模型蓄势待发
ChatGPT的能力来源于预训练+指令微调 +基于人类反馈的强化学习 。预训练：通过让拥有1750亿参数的大模 型去学习包含3000亿单词的语料，大模 型已经具备了所有的基础能力。 指令微调：帮助大模型“解锁”特定领 域的能力，如遵循指令以及泛化到新的 任务领域。 基于人类反馈的强化学习（RLHF）： 使大模型具备了和人类“对齐”的能力， 即给予提问者详实、公正的回应，拒绝 不当的问题，拒绝其知识范围外的问题。
大参数+海量数据预训练+基于人类反馈的微调构成打造大模型的要素 大参数量变带来质变，“涌现”现象带来大模型能力跃迁 。当模型规模较小时，模型的性能提升和参数增长呈现线性关系；当参数量上升到一定程度，模型的性能会突然跃迁，实现 质的飞跃，这被称为模型的“涌现”能力。 大参数量配合海量数据训练，大语言模型在In-context learning（上下文学习）、Instruct following（指令遵循）、Chain of thought（思维链，即可逐步解决问题）方面会出现“涌现”现象。因此要形成大语言模型，模型做大不可或缺。
2.3、多模态成为趋势，应用端千帆竞渡，人工智能迎来iPhone时刻
OpenAI产品一经发布，全球掀起大模型研发的热潮，诸多巨头切入大模型开发领域。 在模型端：（1）ChatGPT等产品提供良好范式；（2）多模态的大模型成为玩家们终极目标；（3）大模型在性能、安全 性、可靠性上进一步提升。 在应用端：（1）诸多玩家与大模型厂商合作以求探索新的业务和盈利模式；（2）基础大模型+特定行业应用的业务形式 有望逐步铺开，人工智能有望赋能千行百业。
大模型赋能，自动驾驶渐行渐近，产业链玩家全面受益
3.1、大模型全面赋能，自动驾驶技术鸿沟有望快速收窄
科技巨头构筑自动驾驶行业“安卓”，技术鸿沟有望缩小。自驾行业的“IOS”：特斯拉全栈自研的自动驾驶系统，包含算法、数据闭环系统（自动标注、仿真、数据引擎）等，闭环的体 系构成自动驾驶行业的“IOS”，海量的车队数据形成数据壁垒，其他玩家难以复制。 自驾行业的“安卓”时代或将来临：第三方科技巨头有望通过提供完善的工具链帮助整车厂构建自己的自动驾驶算法和数据闭 环系统，同时依靠大模型的数据生成能力缩小与头部玩家在数据领域的差距。自动驾驶的安卓时代有望来临。
规控算法：大模型在算法端解决行业痛点，大模型在规控端应用：以毫末智行DriveGPT为例，2023年4月，毫末智行在AI DAY推出了业界首个 DriveGPT大模型——雪湖·海若。 （1）构建模型：构建1200亿参数的大模型； （2）进行预训练：将自动驾驶空间的信息如车道线、 感知环境等离散化后作为Token输入大模型，再基于联 合概率分布生成未来Token序列，将4000万公里中合适 的数据放进大模型中。 （3）基于人类反馈强化学习（RLHF）：选取5万条人 驾困难场景接管数据，输入预训练模型，并将模型输 出的行为进行排序，进行强化训练；同时在根据输入 端的提示语及毫末自动驾驶场景库的样本训练模型， 让模型学习推理关系。
端到端感知决策一体化：生成海量数据，大模型助力实现端到端模型构建。云骥智行认为，自动驾驶的终局会演进成为一个超大规模的端到端自动驾驶神经网络，而为了实现它，自动驾驶神经网络、 海量高价值数据、车端高算力平台缺一不可。大模型助力构建车端模型、生成端到端训练仿真数据，使自动驾驶成为可能。 商汤科技认为，可以用AIGC生成真实的交通场景以及困难样本来训练自动驾驶系统，以多模态数据作为大模型的输入， 提升系统对Corner case场景的感知能力上限。同时自动驾驶多模态大模型可做到感知决策一体化集成，在输出端通过环境 解码器可对3D环境进行重建，实现环境可视化理解；行为解码器可生成完整的路径规划；动机解码器可用自然语言对推 理过程进行描述，使自动驾驶系统变得更加安全可靠。
3.2、行业分工加速，传感器芯片加速迭代，自动驾驶成本下降可期
行业分工明确，算法体系成本或迎下降。随着大模型逐步介入自动驾驶，行业分工将进一步明确。第三方科技巨头的加持 下，整车厂无需大规模搭建庞杂的算法、数据等整个闭环体系的团队，即可拥有全球一线自动驾驶算法模型体系。产业链 分工合作，避免“重复造轮子”，自动驾驶的成本有望大幅降低，渗透率将加速提升。
传感器和芯片加速迭代，自动驾驶系统整体成本亦有下降空间。传感器方面，玩家有望能够以类似特斯拉的形式构建自动 驾驶系统，进而降低成本。算力芯片方面，大模型将进一步推升对芯片算力的需求。在车载高算力芯片领域，无论英伟达、 高通还是本土的地平线、黑芝麻均明确舱驾融合的芯片是未来的发展方向。自动驾驶系统降本可期：（1）舱驾融合芯片 集成座舱、智驾甚至车身控制等域控制器功能，大幅度缩减物料和线束成本；（2）整车芯片层面“池化”，算力在座舱、 自动驾驶两大功能之间灵活调用，整车“冗余”算力缩减，成本降低。
3.3、大模型开发者、自动驾驶产业链玩家全面受益
产业链玩家：全面受益自动驾驶产业链繁荣。 地平线：公司作为本土智能驾驶芯片领军，对算法及大模型理解深入，有望指引公司芯片迭代以完美适应客户需求。 深度算法研究助力把握行业机会： （1）意识到Transformer的机会。下一代BPU纳什架构将专为大参数Transformer模型设计。 （2）看好端自动驾驶把握未来。地平线在CVPR中提出基于Transformer的端到端的自动驾驶算法框架，该文章首次在检测、 跟踪、预测、建图、轨迹预测、端到端完成自动驾驶的算法，这可以让玩家像ChatGPT一样用大规模的数据去训练整个自动 驾驶系统，有望助力地平线在未来的产品迭代中占据先机。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
关键词：
营业执照公示信息