“无人驾驶”看上去很美，但一直很难落地

“无人驾驶”是最早被提出的人工智能应用场景之一，谷歌，苹果，特斯拉，百度等海内外科技巨头从2016开始就积极布局，但直到现在一直还很难实现大规模商用落地。我们认为，1）多维度数据的获取和标注成本高，2）对小概率事件的决策准确度和人类还存在较大差距，3）事故时法律权责归属不明确，是制约其发展的一部分问题。我们认为，以ChatGPT和SAM 为代表的大模型的出现，将要改变智能驾驶在内所有行业的工作范式，我们从数据，算法，算力等角度初步探讨其中一些发展机会。

数据：大模型提升数据采集、数据标注的效率

海量的数据是智能驾驶/无人驾驶的基础。通过这几年发展，现在一台 L2+级别智能电动车通常能够采集多 10+颗摄像头，1-2颗激光雷达，3-5颗毫米波雷达的多维度数据，数据经过标注之后，用于训练模型。大模型的出现，首先能够： 1）构建虚拟场景人工生成数据，补充现实中难以获得/数据量不足的情形。特斯拉 FSD的虚拟仿真，英伟达的 Omniverse 都是其中的代表。2）数据标注是非常费时费人的工作，以 Meta 的 SAM 为代表的图像分割大模型的出现可大幅降低数据标注的成本。

算法：大模型提升感知准确度，影子模型学习人类驾驶习惯

智能驾驶算法主要包括：1）感知（识别道路和道路上物体），2）预测（预测周围车辆和行人的行为），3）决策（控制车辆速度方向等行动）。特斯拉、新势力等主要企业从几年前开始采用基于 Transformer 的大模型等新技术，1）提高道路、物体的识别精准度；2）学习人类的驾驶习惯（影子模式），3）缩短决策所需要的时间，从而训练模型更加"拟人"。

智能驾驶产业链：国产替代趋势显著

受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，零部件国产替代趋势显著。1）芯片：国内玩家地平线、黑芝麻等与海外大厂的差距逐渐缩小，本土化服务能力更强。2）域控制器及解决方案：国内玩家德赛西威、经纬恒润、纵目科技、知行科技等均已规模化上车，技术成熟度不断提升。3）激光雷达：国产供应商禾赛、图达通、速腾等在量产节奏更快。4）4D毫米波：国内玩家有行易道、森思泰克等雷达厂商以及加特兰（MMIC 芯片）等芯片公司。5）高速连接器：罗森伯格技术积淀深厚，电连技术、瑞可达等加速追赶。

风险提示：智能驾驶渗透率不及预期；新产品迭代速度不及预期。本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。