自动驾驶行业分析报告：驱动因素、竞争格局、应用场景、市场空间及相关公司
现如今，自动驾驶技术已经成为汽车产业的未来发展方向。应用自动驾驶技术可以全面提升汽车驾驶的安全性、舒适性，满足更高层次的市场需求，并推动产业科技升级。进入2022年以来，国家层面及地方政府也适时出台一系列政策和规划，促进自动驾驶相关产业健康快速发展。2022年11月，工信部印发《关于开展智能网联汽车准入和上路通行试点工作的通知》，对准入试点的智能网联汽车产品，提出了一系列规划和指导要求，进一步推进了自动驾驶的发展进程。
01
自动驾驶概况
1.定义
自动驾驶，又称无人驾驶，是依靠计算机与人工智能技术在没有人为操纵的情况下，完成完整、安全、有效驾驶的一项前沿科技。
2.分类
自动驾驶技术分为多个等级，不同机构提出过多种分级标准，目前业界常用的两种分级标准是NHTSA分级（美国高速公路安全管理局提出）和SAE分级（美国汽车工程协会提出）。两种分级在具体级数划分方面存在差异，但是在特征描述方面存在共性，从L3级开始，驾驶主角均由驾驶员操作转换为车辆自主驾驶。由此，L3级成为自动驾驶技术应用的重要分水岭。
下面，我们对自动驾驶技术的研究采用SAE分级标准。
3.发展历程
自动驾驶最早可追溯至上世纪20年代，一辆名为“美国奇迹”的无线遥控汽车正式亮相。1984年DARPA发起ALV计划，并于2004及2005年举办无人驾驶汽车挑战赛，吸引了众多科学家参与，在一定程度上加快了自动驾驶行业的发展。
自动驾驶发展最初由高校实验室推动，2009年谷歌入局，加速其商用进程。2013年百度成立自动驾驶研发团队，福特、宝马、日产、沃尔沃等传统整车厂及特斯拉、蔚小理等造车新势力相继布局，2015-2017年Momenta、图森未来、智行者、小马智行、AutoX、文远知行等自动驾驶科技初创企业成立，互联网企业、整车厂、Tier1厂商及初创企业纷纷涌入自动驾驶赛道。2009-2019年，各自动驾驶公司在全球多地拿到路测牌照、积累测试里程，L3/L4技术开始商业化落地，自动驾驶技术积累速度较快。
2020年以来，特斯拉Model3、小鹏P7等具备L2/L2+功能的车型成功上市并扩大量产，特定场景的高阶自动驾驶功能开始落地；Waymo、Cruise、百度Apollo、小马智行等公司开启Robotaxi商业化试点，进行规模化收费营业。自动驾驶进入商业化应用新阶段，不同背景的参与者各有优势，寻求多种算法优化与商业化落地路径。
02
自动驾驶行业发展驱动力
1.政策驱动
国家政策的大力扶持给自动驾驶发展注入强心剂，有力推动行业发展进程。近年来，我国先后推出一系列支持政策，推动自动驾驶技术发展和商业化落地。2020年2月，国家发改委、工信部等11个部委联合下发的《智能汽车创新发展战略》提出，加速发展高级别自动驾驶。2022年8月，交通运输部发布《自动驾驶汽车运输安全服务指南（试行）》（征求意见稿），旨在适应自动驾驶技术发展的趋势，鼓励自动驾驶车辆商用。同时，北京、深圳、重庆等多地陆续出台政策法规，推动自动驾驶车辆的商业化运营和上路。
2.AI技术发展推动
AI技术发展推动自动驾驶技术迭代，芯片、算法、数据构建自动驾驶功能底座。
（1）自动驾驶发展进程与AI技术发展高度相关
根据Gartner新兴技术成熟度曲线，2018年以前，受益于深度学习技术在图像识别等感知领域的应用，自动驾驶开启产业化进程。但由于受成本和法规限制，彼时高级别自动驾驶的商业化落地遭遇瓶颈。经过三四年技术积累，感知和决策算法等核心技术的突破提高了AI模型鲁棒性、系统冗余性和测试完善性，助力自动驾驶加快商业落地。自2020年7月起，高级别自动驾驶迎来新的发展机遇。
（2）算法、数据与芯片技术发展为自动驾驶功能实现提供了坚实的底座
1）深度学习算法在感知层和决策层共同驱动自动驾驶发展，深度强化学习算法（DRL）的产生让更高维度的数据处理成为可能；2）海量优质路况数据是训练AI算法模型、提高感知精度的关键，路测里程和路测车辆数量增加而带来的高质量数据给自动驾驶发展提供了必要支持；3）芯片为自动驾驶技术提供算力平台，随着汽车电子电气架构由域集中式向中央集中式演进，自动驾驶的主控芯片向中央计算芯片融合的方向发展，芯片集成度的提高可以有效提升计算效率，降低应用成本。
3.市场需求推动自动驾驶发展应用
自动驾驶能够在交通安全、出行效率、节能减排、产业变革等方面发挥价值。自动驾驶可以提供更安全、更高效、更节能、更舒适的出行体验，其意义不仅在于改变人类的车辆驾驶习惯，更重要的是在交通安全、出行效率、节能减排、产业变革等方面推动社会整体发展和进步。
（1）保障交通安全
据统计，我国每年6万余人死于交通事故，道路交通伤害已成为我国人群首要伤害死因，80%以上的道路交通事故皆因交通违法所致。自动驾驶车辆通过智能控制和规范驾驶，可以有效避免此类安全事故发生，保障交通安全。
（2）提高出行效率，促进节能减排
交通拥堵一直是我国城市难题。在主要大城市，约75%的道路在高峰期出现拥堵，自动驾驶的车载传感器可与智能交通系统结合使用，实时优化路口流量，提高车流效率，缓解拥堵。由此，基于更精准的车辆控制和更少的交通拥堵率，可以有效降低资源浪费，实现节能减排的效果。
（3）打造第三移动空间
当前，车辆架构正在朝着以通用计算平台为基础、面向服务架构演进的方向发展，软件定义汽车成为大势所趋。软件定义汽车将使汽车逐步从单一交通工具转变为以用户需求为导向的第三移动空间。自动驾驶让驾驶员的精力和双手得以解放，成为未来出行变革必不可少的技术底座。
03
自动驾驶发展现状、竞争格局及资本分析
1.乘用车自动驾驶正在由L2向L3+过渡，商用车自动驾驶已进入商业化运营阶段
（1）目前来看，我国量产乘用车自动驾驶等级正在由L2向L3+过渡
得益于硬件平台和软件算法逐步成熟，新车搭载L2功能正在逐渐成为前装标配。据统计，2022年我国在售新车L2和L3的渗透率分别为35%和9%，预计2023年将达到51%和20%。部分科技公司直接研发L4级自动驾驶，并在部分城市路段或特定场景下进行测试。但目前高级别自动驾驶仍然面临着政策法规、安全性、技术成熟度等众多挑战亟待突破。据统计，2022年我国L4渗透率为2%，预计2023年将达到11%。
（2）与此同时，限定场景下的商用车自动驾驶率先进入商业化阶段
这主要由于商用车对价格的敏感度更低，B端付费意愿更高，加之场景交通复杂程度较低以及政策鼓励与放开，使得商用车在成本、市场、技术、法规等方面具有更好的落地性。目前，在矿区、港口、干线物流、机场、物流园区等细分场景，高级别自动驾驶正在孕育新市场。其中，干线物流、矿区、港口三大场景因人力资源不足和安全事故频发等痛点明显，降本增效成果显著，商业化落地进程较快，头部企业已经基本进入商业化运营阶段。
2.各类玩家以不同发展思路参与市场竞争，推动供应链和产业格局剧烈变化
自动驾驶领域市场参与者众多，包括传统车企、造车新势力、互联网/科技公司等，各类玩家结合自身定位和能力优势，呈现出不同的发展思路。
（1）主机厂方面，国际巨头多采取稳扎稳打的发展策略和渐进式技术路线
主要依赖传统Tier1方案，部分投资初创公司或组建内部团队。国内主机厂处于多方向探索阶段，强势主机厂在独立自研基础上采购供应商方案作为补充，并投资芯片和算法公司，与互联网巨头合作等；小型主机厂研发能力较弱，通常选择与大厂合作，以确保在自动驾驶领域不落人后。造车新势力则将自动驾驶视为核心技术优势，通过自研算法、芯片等掌握自动驾驶核心能力。
（2）互联网/科技公司凭借人工智能算法和软件技术优势进入自动驾驶领域，与车企形成分庭抗礼之势
互联网巨头通过投资、孵化或直接组建团队而成立自动驾驶业务单元，跨界进入市场；部分科技公司以自研芯片为基础，向下游延伸，提供全套算法软件及硬件产品；部分科技公司以高阶自动驾驶解决方案和Robotaxi为主营业务场景，同时利用算法优势切入L2量产领域；亦有部分解决方案提供商聚焦于低速、封闭场地或干线物流等特定场景，或专攻政府车路协同示范区场景，寻求多种模式的商业化落地应用。
（3）随着自动驾驶高速发展，传统汽车产业中的主机厂和Tier1之间的关系也在发生变化
“大包大揽”的传统Tier1受到造车新势力的冲击，新势力对自动驾驶相关软硬件技术有着强烈的垂直一体化预期。同时，在汽车缺芯、地缘政治等因素影响下，部分主机厂开始选择和芯片等核心零部件供应商建立直接合作关系，这一关系改变进一步加剧了Tier1的经营压力。与此同时，在L1向L2升级的辅助驾驶市场，本土Tier1供应商开始崛起。尽管外资Tier1巨头依旧是市场主力，但中国本土Tier1供应商份额合计占比已经达到了8.89%，同比增加了近3个百分点。
3.单车智能和车路协同路线相辅相成，互为补充，加速自动驾驶普及与落地
在自动驾驶解决方案方面，存在单车智能和车路协同两种路线。单车智能通过摄像头、雷达等传感器和高效准确的算法，赋予车辆自动驾驶能力；车路协同通过对人、车、路信息的全面感知，发挥协同配合作用，让人车路云高度融合，打造“聪明的车＋智慧的路”。
（1）两种路线并非二元对立，而是相辅相成，互为补充
单车智能是实现自动驾驶的基础，即使在以车路协同为主的技术方案中，单车智能也不可或缺。一方面，在路侧智能设施未覆盖或出现故障时，单车智能可以作为冗余与备份系统让车辆安全可靠地完成行驶任务；另一方面，单车智能也可以作为车路协同的终端触手，辅助进行系统升级和新功能开发。而在复杂的交通环境下，车路协同能够通过智能路侧设备为自动驾驶车辆提供具有完全独立性的数据冗余感知系统，增加感知视角，提升自动驾驶的安全性和可靠性。
（2）在技术可行性之外，参与者话语权、准入门槛、商业化落地难度等也是市场参与者决定采取何种路线的重要考量因素
乘用车是道路上的主要交通工具，也是自动驾驶系统的重要载体。目前，主机厂和自动驾驶解决方案提供商多选择单车智能的技术路线，通过自动泊车、自适应巡航等L2+功能为人们带来人机共驾的体验感，让技术自主可控的同时，获取商业利润。如特斯拉的FSD、小鹏的NGP、蔚来的NOA等都是主机厂践行单车智能路线的代表。
（3）车路协同通路线的商业化契机
而在2B的部分封闭和半封闭场景，以及2G的城市公共服务场景，车路协同通过对规模化基建改造分摊感知和计算成本，并持续对城市基础设施进行投资和维护，依托经济优势和产业发展带动效应迎来商业化契机。
目前，车路协同在城市公共服务场景的应用和价值，已有示范区的数据支撑。例如，在北京高级别自动驾驶示范区，通过对主城区路口进行智能化升级改造，自动驾驶在相关路口的问题发生频率降低80%以上。
4.资本分析
目前资本市场趋于理性，自动驾驶商业化落地、硬件集成和量产成为主要投资方向。据不完全统计，2022年国内自动驾驶领域相关融资153起，对外披露的融资总额近300亿元。与2021年相比，融资事件数量有所增加，但累计融资金额大幅下降。与此同时，2022年融资超过5亿元的投资事件仅有8起，而去年同一标准下为19起。可见，资本市场趋于理性。从投资方向来看，资本的投资逻辑正在由过去的多点布局转变为商业化落地、硬件集成和量产为先。
04
自动驾驶应用场景分析
1.物流
根据不同行驶里程和行驶区域，自动驾驶在物流领域的落地应用场景主要可分为干线物流和末端物流。
（1）干线物流
干线物流一般使用重卡，以高速公路为主，具有大批量、长距离、道路参与者相对简单的特点。长期以来，安全和成本问题是干线物流的两大痛点。在这一市场，60%运力为个体车主或小型车队，市场竞争激烈且无序，超载、超速、疲劳驾驶等问题普遍存在。搭载L3及以上自动驾驶系统的卡车可以实现高速上自动跟车、变道超车、主动避让、自动调头等多项驾驶功能，在解决安全问题的同时，能替代一名安全员，降低用工需求，减少人力成本，提高运输效率。产业和学术界认为，随着自动驾驶技术的应用，重卡运营成本或可降低26%，事故率或可降低80%。由于商业模式更易落地，干线物流场景的自动驾驶玩家众多，主要有主机厂商、智驾技术型企业、互联网公司等，市场竞争激烈。
（2）末端物流
末端物流是连接终端用户的短距离快递配送，常发生在小区、园区等封闭或半封闭场景，具有高频分散、即时性强的特征，存在配送效率低、成本高的行业痛点。相比于载人级自动驾驶应用，末端物流场景的行驶速度低、路段封闭、场景复杂度低，自动驾驶技术的落地难度大大降低，因而能够更早实现规模化的商业应用，搭载自动驾驶系统的无人配送车成为解决方案。通过配备雷达、摄像头等高精传感器，无人驾驶配送车能够实时感知和识别周边环境变化，根据配送物体的数量和需求，自助规划最优配送路线，降低人力依赖，减少重复配送，提高配送效率。目前，我国已经基本实现无人配送车核心零部件的自研自产自用，极大降低了产品成本，为规模化应用奠定基础，扫清成本障碍，实现无人配送车的小规模量产。
2.环卫
（1）环卫行业主要有高度人力依赖和人员老龄化两大痛点
一方面，环卫是典型的劳动密集型行业，依赖大量人力，人力成本占60%以上；另一方面，在老龄化背景下，环卫工人的平均年龄也偏高，多数人员年龄超过50岁。自动驾驶环卫车不仅能够节省人力，还可以提高环卫工作的智能化水平，提升环卫工作效率和安全性。随着智慧环卫被纳入政府部门和环卫服务公司的发展规划之中，环卫自动驾驶因其三千多亿的潜在市场空间，以及低速、安全风险更小的技术可行性，成为自动驾驶率先实现商业落地的场景之一。
（2）环卫自动驾驶领域市场参与者众多，技术、算法和数据积累以及运营能力成为竞争关键
目前，切入环卫自动驾驶领域的科技公司众多，包括自动驾驶公司、服务机器人公司、泛人工智能应用公司等。对于正向现金流的追求和商业化盈利能力的期待成为各类玩家的共识。想要在环卫市场突出重围，除了优秀的商业拓展能力，技术、算法和数据的积累以及深耕行业的运营能力成为市场竞争的关键。
3.矿山
（1）矿区工作存在安全性低和人力成本高两大痛点
一方面，矿区工作危险系数高，安全问题一直是行业的根本诉求；另一方面，矿山多在偏远地区，条件艰苦，危险系数高，即使提高工资也面临招工难的问题。自动驾驶能够减少作业人数，提升矿区工作安全性，降低人力成本，有效解决矿区痛点。因此，矿企对自动驾驶技术需求强烈。此外，矿山场景简单、道路封闭、整体条件较为有利，更利于自动驾驶技术落地。
（2）矿区自动驾驶整体处于初期测试阶段，随着商业化程度逐步提升，千亿市场规模可期
与国外相比，我国矿区自动驾驶起步较晚，主要由希迪智驾、踏歌智行、慧拓智能等自动驾驶公司牵头落地。矿山开采分为露天开采和地下开采，目前国内的自动驾驶企业几乎都聚焦于露天矿的运输场景。矿区自动驾驶解决方案是一项综合工程，不仅需要无人驾驶改装、线控化设计和匹配、加装软件算法和多传感器融合方案，还需要搭建调度系统、高精地图和通信网络，最终实现最优路径规划和决策控制。近五年来，国内企业加快矿山场景的技术方案研发和运营探索，多家公司已经开始小规模的车队测试运营。在政策支持、技术进步和市场需求驱动下，矿山自动驾驶商业化落地程度将逐步提升。据预测，到2025年中国矿山自动驾驶市场规模有望突破千亿元。
4.港口
（1）港口是自动驾驶率先实现商业化落地的场景之一
港口自动驾驶是典型的封闭低速运营场景，速度在30km/h以下的自动驾驶集卡，能够行驶在塔吊和堆场之间，负责运输集装箱。加之港口基建完善度高，路线复杂程度低，行人和车辆干扰少，自动驾驶技术的落地难度相对较低，是自动驾驶率先实现商业化落地的场景之一。
（2）多地港口落地应用自动驾驶集卡试运营
港口水平运输自动化共有自动导引运输车AGV、自动驾驶跨运车、自动驾驶集卡三种解决方案。自2018年起，主线科技、西井科技、智加科技等国内多家自动驾驶技术解决方案提供商陆续进行自动驾驶集卡落地应用并逐步实现商业化试运营。目前国内已有十余个港口落地应用自动驾驶集卡，在北、中、南部沿海重要港口均有布局。据统计，预计2025年中国港口集卡L4自动驾驶渗透率将超过20%，L4港口自动驾驶集卡应用规模有望达到6,000-7,000辆，中国港口自动驾驶规模将超过60亿元，占全球市场约30%。
5.Robotaxi
Robotaxi是自动驾驶技术落地的核心场景，通过全面升级共享出行服务体验，解决当前车辆安全隐患和用车痛点，其无人化和智能化优势将给出行方式带来巨大变革，推动市场空间走向万亿级规模。
业界认为，我国Robotaxi商业化发展可分为四个阶段。商业化运营牌照的推出是拉开商业化序幕的标志；商业化1.0是运营政策赋能期，集中解决算法精进和长尾问题，为大规模商业化应用提供技术支撑；商业化2.0是技术成熟期，技术得到市场验证，实现大规模量产和落地；商业化3.0是成本效率优势期，Robotaxi的服务成本比人力更具竞争力，成为普遍出行方式。
目前，我国Robotaxi处于商业化测试阶段。面对技术和安全方面的长尾问题，获取数据以及通过数据迭代算法的能力成为各自动驾驶公司完善技术解决方案、实现商业化应用的核心竞争力。自动驾驶公司和出行服务运营商积极探索车队运营、算法降维以及场景开拓等多种商业化落地路径。
05
AI大模型在自动驾驶中的应用
1.AI大模型如何应用于自动驾驶算法中
算法是决定自动驾驶车辆感知能力的核心要素。当前主流的自动驾驶模型框架分为感知、规划决策和执行三部分。感知模块是自动驾驶系统的眼睛，核心任务包括对采集图像进行检测、分割等，是后续决策层的基础，决定了整个自动驾驶模型的上限，在自动驾驶系统中至关重要。感知模块硬件部分主要为传感器，软件为感知算法，其中算法是决定自动驾驶车辆感知能力的核心要素。
（1）神经网络加快自动驾驶感知算法发展，小模型向大模型迭代趋势明确
神经网络模型的应用驱动感知算法高速发展。早在上世纪70年代，学术院校和科研机构展开对自动驾驶技术的探索，早期的自动驾驶感知算法主要是基于传统计算机视觉技术，直到2010年之后随着深度学习技术的发展，神经网络被引入到自动驾驶感知算法中，自动驾驶汽车的感知效果有了质的提升。
应用于感知层面的神经网络模型可以分为两类，一类是以CNN、RNN为代表的小模型，另一类是Transformer大模型。
深度神经网络（DNN）又叫多层感知机神经网络，其中有三个基本类型的层：输入层、隐藏层（或者叫中间层，可以有多个）、输出层。不同层之间的感知机全连接，在推理时，前向（从输入层到隐藏层到输出层）传递信号得到推理结果。在学习时则将误差（真实值和推理值的偏差）反向传递（从输出层到隐藏层到输入层），实现对感知机参数（连接权重和阈值）的更新，直至找到使得误差最小的一组感知机参数。在自动驾驶感知模块中输入数据为图像，而图像具有高维数（对比时间序列通常只是一维向量），对其识别时需要设置大量输入神经元以及多个中间层，模型参数量大难以训练且消耗算力高，并可能带来过拟合的问题。
CNN卷积神经网络应运而生，本质上是在信息传入传统神经网络前先做一个特征的提取并进行数据降维，因此CNN图像处理高纬度向量的任务上更加高效。CNN能够高效率处理图像任务的关键在于其通过卷积层、池化层操作实现了降维，模型需要训练的参数量相比于DNN来说大幅降低，对硬件算力的要求也相对降低。
但是CNN仍然存在一定的缺陷，多次池化会丢失一些的有价值信息，忽略局部与整体之间的关联性。
在自动驾驶场景下，感知还需要时序的信息来完成目标跟踪以及视野盲区预测等感知任务。循环神经网络RNN与CNN一样都是传统神经网络的扩展，相比于CNN在空间上进行拓展，RNN是在时间上的扩展，可以用于描述时间上连续输出的状态。这意味着某一时刻网络的输出除了与当前时刻的输入相关，还与之前某一时刻或某几个时刻的输出相关。
Transformer模型的关键在于计算输入序列元素之间的关系权重，最早在NLP领域大放异彩，2020年起在CV领域开始得到广泛应用。Transformer成功的关键在于引入注意力（attention）机制。Transformer凭借优秀的长序列处理能力和更高的并行计算效率，2021年由特斯拉引入自动驾驶领域。Transformer与CNN相比最大的优势在于其泛化性更强。
（2）特征级融合逐步取代后融合，BEV+ Transformer为当前主流方案
自动驾驶感知模块通常配备多个传感器（甚至多种传感器）达到安全冗余和信息互补的作用，但不同传感器传递的信息存在相互冲突的可能性。举例而言，如果一个传感器识别到前方有行人要求汽车立即刹车，而另一传感器显示可以继续安全行驶，在这种情况下如果不对传感器信息进行融合，汽车就会“感到迷茫”，进而导致意外的发生。因此，在使用多种（个）传感器采集信息时必须进行信息交互、融合。
感知可粗略分为获取数据、提取特征、完成感知任务三个环节，按照信息融合发生的环节自动驾驶感知技术可以分为前融合、特征融合以及后融合。
前融合方案感知精度相比于后融合大幅提升，但对算法、车端算力要求大幅提升。
2.AI大模型的应用对自动驾驶领域所带来的好处
（1）城市NGP落地在即，AI大模型的应用驱动自动驾驶算法具备更强的泛化能力
自动驾驶向更高等级迈进，城市领航辅助驾驶落地在即。
城市场景具有高频+刚需特征，城市领航系统的成熟应用可使得驾驶体验拥有质的提升。而从高速场景拓展到城市场景，意味着车辆所遇到的长尾问题（或者说是Cornercase）大幅提升。因此，城市领航辅助驾驶的落地需求对自动驾驶模型的泛化能力提出更高的要求，同时考虑到商业化落地的成本约束，我们认为，应用AI大模型提高泛化能力+降低/控制车端硬件成本是自动驾驶算法演变的核心脉络。
（2）从特斯拉感知算法迭代历程看AI大模型对城市NGP的赋能方向
简单复盘特斯拉算法迭代历程：1）2018年之前：后融合策略，在每个视角下处理多个task，将单个图片检测得到的结果再进行融合。3）2020-2021：多个摄像头输入多个image，分别经过多个主干网络，抽取每个image特征，经过BEV transformer转换，特征投影到BEV视角，再完成很多个task，实现特征级概念的融合。4）2022：从BEV升级到占用网络，达到“伪激光雷达”的效果。总结来看，特斯拉从“第一原则性”角度出发，坚持纯视觉方案。从特斯拉算法迭代方向来看，追求泛化，通过视觉的方案刻画真实的物理世界。2020年8月马斯克发布推特称特斯拉正在重构自动驾驶底层算法，2021年7月特斯拉正式推送FSDBetAV9.0，通过重写感知算法让特斯拉只要用纯视觉就可以实现城市级别的完全自动驾驶；2022年11月特斯拉开始推送FSDBetAV11版本，进一步提升占用网络算法，在近距离障碍物召回和恶劣天气条件下的精度，Transformer空间分辨率提高了4倍。
3.AI大模型应用于自动驾驶中的前置条件
（1）条件一：具备相当数量的里程数据，因而自动标注+仿真平台环节将尤为重要
Transformer大模型量变引起质变需要1亿公里的里程数据。相比于CNN小模型来说，Transformer需要更大量的数据来训练模型。根据毫末智行CEO顾潍颢在毫末AIDAY上表示，训练出一个能输出高精度和准确度的自动驾驶大模型，自动驾驶测试里程数据需至少达到1亿公里。同时，训练Transformer大模型相比于CNN小模型来说所要求的数据颗粒度不同（如传感器配置、精度不同），因此在小模型时代所积累的数据存在部分无法用于大模型的训练。对于自动驾驶厂商而言，所积累的数据量、对数据的处理极大的影响自动驾驶模型的迭代速度。
自动驾驶训练所需要的真实数据来源主要包括采集车数据和众包数据。
其中，传感器采集得到的raw-data需进行标注后才可用于算法模型训练，自动标注工具可大幅提升数据处理速度。
国内厂商中小鹏、毫末智行等亦相继推出自动标注工具，在降低人工成本的同时，效率得到显著提升。根据小鹏科技日资料，小鹏推出的全自动标注系统将效率提升近45,000倍，以前2,000人年的标注量，现在16.7天可以完成。毫末智行在AIDay中表示毫末基于视觉自监督大模型，实现4DClip的100%自动标注，原先依靠的人工标注成本则降低98%。
除了真实场景数据外，仿真场景是弥补训练大模型数据不足问题的重要解决方式。目前仿真场景主要由游戏引擎生成，基于基础的现实世界数据保证仿真场景与真实场景之间的相似度，并依靠交通要素间的重新组合提高泛化能力。
英伟达自动驾驶仿真平台DRIVESim通过Replicator合成数据工具来缩小仿真数据与真实数据之间差异并提高场景泛化能力。
生成式AI有望推动仿真场景大幅提升泛化能力，帮助主机厂提升仿真场景数据的应用比例，从而提高自动驾驶模型的迭代速度、缩短开发周期。生成式AI有望在针对真实场景中的cornercase进行场景泛化的过程中取代人工，可以迅速泛化出大量的、与真实世界高拟合度的虚拟场景，进而提高自动驾驶模型的迭代速度。
（2）条件二：具备相当算力的云端训练平台，因而超算中心将成为主机厂必要基础设施
自动驾驶Transformer大模型应用对算力的需求来自于两个方面，分别是云端算力和车端算力。超算中心是自动驾驶整车厂重要的基础设施。
超算中心初始投入高，小鹏自动驾驶基础设施建设国内领先。根据IDC数据，主机厂及一级供应商对搭建人工智能计算中心的预算普遍超过1亿人民币，超过2亿人民币投入的主机厂占比超过20%；从超算中心的部署周期来看，通常需要3个月左右的时间。小鹏是国内最先布局超算中心的整车厂。2022年8月小鹏汽车成立自动驾驶AI智算中心“扶摇”，由小鹏和阿里联合出资打造。据小鹏汽车CEO何小鹏介绍，该中心具备60亿亿次浮点运算能力（60000TFLOPs），可将自动驾驶算法的模型训练时间提速170倍，并且未来还具备10~100倍的算力提升空间。
06
自动驾驶产业链
1.自动驾驶产业图谱
2.自动驾驶产业链关键环节分析
（1）芯片
1）CPU+ASIC方案有望成为未来主流架构，大算力芯片快速发展
自动驾驶芯片作为计算的载体，是自动驾驶实现的重要硬件支撑。在智能汽车快速发展带动下，汽车芯片结构由MCU进化至SoC。SoC是系统级别芯片，在MCU基础上增加了音频处理DSP、图像处理GPU、神经网络处理器NPU等计算单元，常用于ADAS、座舱IVI、域控制等功能复杂的领域。目前市场中主要有三种自动驾驶芯片SoC架构方案，从发展趋势来看，定制批量生产的低功耗、低成本的专用自动驾驶AI芯片（ASIC）将逐渐取代高功耗的GPU，CPU+ASIC方案有望成为未来主流架构。
随着自动驾驶等级提升，多传感器融合，感知数据处理量增加，同时上层软件性能持续迭代，应用功能不断丰富，汽车对算力的需求大幅提升，推动大算力芯片快速发展。
2）随着自动驾驶量产迈入深水区，国产芯片在智能驾驶域控制器领域的市场份额快速提升
大算力芯片产品陆续出现，市场竞争愈发激烈。英伟达OrinX系统级芯片算力设计为254TOPS；Mobileye发布面向L4/L5级自动驾驶芯片EyeQUltra，最高算力可达176TOPS；地平线发布的最新征程5芯片算力达128TOPS。当高算力不再稀缺，算力已不再成为决定芯片能力的唯一标准。对于车企来说，选用何种芯片，还需要综合考虑技术的稳定程度、易用程度、安全程度等。
随着自动驾驶量产迈入深水区，L2+智能辅助驾驶成为标配，从泊车、座舱域控到更高集成度的行泊一体、舱泊一体域控，智能驾驶域控制器市场迎来爆发式增长。国产芯片凭借低功耗、低成本、性能稳定、量产快等特点，在智能驾驶域控制器领域的市场份额快速提升。据高工智能汽车统计，2022年前三季度，以地平线、大华股份为代表的国产芯片厂商进入中国市场乘用车前装标配智能驾驶域控制器芯片份额CR5。
（2）传感器
传感器是自动驾驶感知层的核心硬件，主要利用车载摄像头、激光雷达、超声波雷达、毫米波雷达等对车辆周边的环境进行实时感知，获取周围物体的精确距离及轮廓信息。
从技术发展路径来看，自动驾驶主要分为视觉派和雷达派两大路线。视觉派以摄像头为主，辅以毫米波雷达、超声波雷达等传感器，总体成本较低，以特斯拉为典型代表。但由于摄像头对物体及其距离的识别高度依赖深度学习算法，因此视觉方案对算法的要求极高，需要庞大的训练数据来持续支持算法改进。雷达派以激光雷达为核心，并配合摄像头、毫米波雷达、超声波雷达等传感器，以强感知和低算法为特点，典型代表是Waymo。早期激光雷达成本较高，动辄上万美元的价格在一定程度上制约了方案推广，近年来在技术发展、量产规模提升、国产供应链切入等多种因素驱动下，目前整体价格已有所下降，越来越多的终端车厂导入激光雷达解决方案。
随着高级别自动驾驶渗透率不断提升，视觉路线和雷达路线的单车搭载传感器数量均较以往大幅增长，其中L3传感器数量将达到17-34颗，比L1增加一倍以上，传感器需求有望持续扩大。
（3）线控底盘
传统汽车底盘主要由传动系、行驶系、转向系和制动系四部分组成，这四部分相互连通、相辅相成。而线控底盘就是对汽车底盘信号的传导机制进行线控改造，以电信号传导替代机械信号传导，从而使其更加适用于自动驾驶车辆。具体来说，就是将驾驶员的操作命令传输给电子控制器，再由电子控制器将信号传输给相应的执行机构，最终由执行机构完成汽车转向、制动、驱动等各项功能。在这一过程中，线控结构替代了方向盘、刹车踏板与底盘之间的机械连接，将人力直接控制的整体式机械系统转变为操作端和设备端两个相互独立的部分，实现多来源电信号操作，使得线控底盘具备高精度、高安全性、高响应速度等优势。可以说，线控底盘是智能汽车实现L3及以上高阶自动驾驶的必要条件。
（4）高精度地图
高精度地图是面向自动驾驶汽车的一种地图数据范式，绝对位置精度接近1米，相对位置精度在厘米级别，能够实时、准确、全面地表达道路特征。高精地图信息包括道路信息、规则信息、实时信息三部分，其中道路信息由车道模型、道路部件和道路属性构成，为自动驾驶汽车提供决策基础；规则信息和实时信息则叠加于道路信息之上，获取驾驶行为限制和车联网相关数据，帮助车辆预判和调整操作策略。
受国内地图测绘政策限制，并非所有厂商都有资质能进行高精地图数据采集，测绘资格成为高精地图产业的重要壁垒。目前，拥有“导航电子地图制作（甲级）资质”的单位仅有二十余家，均为国内企事业单位，外国图商被完全排除在外。自身不具备资质的企业只能通过投资、合作等方式间接使用该测绘资质，例如吉利、东风等汽车厂商。由于高精地图关系到自动驾驶安全，一般来说，高精地图供应商一旦与整车厂形成封闭供应链，短时间内很难更换。除政策限制外，高精地图数据的采集和维护需要大量固定成本投入，使得行业进入壁垒较高，市场内呈现垄断格局态势。
（5）V2X
车联网（V2X）的概念源于物联网，即车辆物联网，是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与车、车与人、车与路、车与服务平台等之间的网络连接。V2X不是单纯的联网技术或智能产品应用，而是融合了网联化、智能化和服务新业态，具备跨界特征。
V2X主要有DSRC和C-V2X两个实现路线。DSRC由IEEE提出，发展自上世纪末，由欧美主导，经过二十多年发展，技术已相对成熟；C-V2X由3GPP提出，由中国主导，包括LTE-V2X和5GNR-V2X两种。目前，DSRC路线已基本被淘汰，C-V2X逐渐成为车联网主流技术。
C-V2X技术基于蜂窝网通信技术演进形成，通过直连通信和蜂窝通信两种通信接口，相互配合，彼此支撑，形成有效冗余，支持各类车联网应用。此外，C-V2X还具备未来可支持高级别自动驾驶的演进路线优势，即5G-V2X。目前，我国已经明确选择C-V2X技术路线作为车联网的直连通信技术。随着政策的密集出台和大力扶持，V2X产业环境逐渐成型，并在多场景得以应用。
07
自动驾驶相关公司
1.地平线
地平线是行业领先的高效能智能驾驶计算方案提供商。地平线成立于2015年，是行业领先的高效能智能驾驶计算方案提供商。作为推动智能驾驶在中国乘用车领域商业化应用的先行者，地平线致力于通过软硬结合的前瞻性技术理念，研发极致效能的硬件计算平台以及开放易用的软件开发工具，为智能汽车产业变革提供核心技术基础设施和开放繁荣的软件开发生态，为用户带来无与伦比的智能驾驶体验。
依托领先智能计算架构技术，打造底层开放平台。地平线是国内率先实现大规模前装量产的车载智能芯片公司，领跑ADAS一体机、智能座舱、智能驾驶（行泊一体）域控制器等细分市场。地平线通过在车载智能芯片与智能驾驶算法领域的前瞻探索与量产积累，现已构建起支撑全场景整车智能规模化落地的强劲实力，能够面向产业提供包含高性能汽车智能芯片、硬件参考设计、软件开发平台、参考算法与示例等在内的完整芯片解决方案。
软硬结合，极致效能，打造核心技术壁垒。软硬结合的本质是软硬件计算架构的深度结合。在大算力基础上，地平线凭借在软件协同优化方面的深厚积淀与持续探索，用算法定义芯片，并将芯片性能发挥到极致，大幅提升计算效率和计算灵活性。
规模化前装量产，领跑行业商业化落地。地平线征程芯片累计出货量已突破200万片，与超过20家车企签下超过70款车型的前装量产定点项目。2022年9月，地平线征程5芯片的全球首发量产车型“理想L8”上市，正式开启国产大算力芯片量产元年。同年，地平线先后与大众汽车集团达成深度战略合作，与东风日产启辰达成量产合作，意味着中国车载智能芯片企业已经走向国际市场。
构建开放生态，助力汽车智能化发展。地平线定位于Tier2，采用开放的合作模式，向行业合作伙伴提供底层芯片和芯片开发软件平台，帮助合作伙伴快速建立具有竞争力的自动驾驶软硬件系统。同时，地平线打造了开源的实时操作系统TogetherOS，并尝试向部分有能力的整车厂开放BPUIP授权，提供软件工具包、芯片参考设计和技术支持，助力部分车企开发自研芯片，提升差异化竞争能力，加快创新研发速度。
2.蘑菇车联
（1）蘑菇车联是自动驾驶全栈技术与运营服务提供商，率先落地“车路云一体化”方案。
蘑菇车联成立于2017年，是自动驾驶全栈技术与运营服务提供商。基于对政策的理解，对资本市场变化以及自动驾驶行业特性和商业化落地规律的把握，蘑菇车联采取“单车智能+车路协同”技术路线，以系统性思维打造了“车路云一体化”自动驾驶方案，实现技术与数据闭环，在自动驾驶行业竞争中形成先发优势。
率先提出并实践“车路云一体化”方案，引领技术创新。蘑菇车联应用融合感知、融合决策控制、高精地图、AI、仿真系统、云+边缘计算、实时大数据等前沿技术，将自动驾驶+车路协同+AI云平台三大板块深度融合，打破单车智能感知瓶颈，大幅提升L4级自动驾驶技术规模化应用的安全性，以满足不同场景、不同车型的需求，成为实现L4级自动驾驶规模落地的基础。同时，全栈自研也保证了公司在该领域的技术自主可控和持续迭代，并以规模化效率和成本优势，为商业化落地应用打下坚实基础。
（2）城市级自动驾驶落地项目积累大量数据与运营经验，形成商业化落地闭环，成就“行业黑马”
自动驾驶规模化商业化落地，成就“行业黑马”。当自动驾驶商业化落地成为主旋律，行业竞争焦点也转移于此。蘑菇车联充分考虑市场需求、应用成本、落地阻力等因素，遵循商业化落地的底层逻辑，选择从简单到复杂、从高毛利到常规场景的发展思路，覆盖车辆类型从特种车辆、商用车到公共服务乘用车，最后延伸至私家车。具体而言，短中长期盈利模型可以概括为三阶段：车路协同系统服务、自动驾驶车辆运营、自动驾驶数据运营服务。
基于这一发展战略，蘑菇车联陆续落地开放式5G商用智慧交通车路协同项目、衡阳城市级自动驾驶项目、云南大理车路协同自动驾驶智慧景区项目等10余个城市级项目，累计订单金额超过100亿元。其中，衡阳项目是典型代表。2021年，蘑菇车联与湖南省衡阳市政府达成“车路云一体化”战略合作，集合城市交通新基建、自动驾驶运营服务和城市智慧交通大脑，建成国内首个城市级自动驾驶落地项目。一系列落地建设经验和规模，积累了大量数据和运营经验，反哺技术研发和城市数字化建设，助力更多项目升级迭代，形成商业化落地闭环。同时，这些积累也赋予蘑菇车联从2G，到2B，再到2C的能力和成长空间，为其在自动驾驶未来竞争中脱颖而出奠定基础。
3.轻舟智航
（1）轻舟智航是全球前沿的自动驾驶通用解决方案提供商，打造“自动驾驶超级工厂”方法论
轻舟智航成立于2019年，是全球前沿的自动驾驶通用解决方案提供商。轻舟智航拥有轻、快、高效的自动驾驶团队，通过多年实践积累了全栈自研的核心技术体系，打造“自动驾驶超级工厂”底层研发系统，以数据驱动+效率提升为内核，以系统性运作、流水线开发为特点，以此增强自动驾驶技术的扩展性，进而实现自动驾驶的快速迭代与高效落地。
轻舟智航采取“双擎”发展战略。“双擎”即技术应用深度和广度，也是自动驾驶落地的两大核心能力。一方面，以公开道路L4级别自动驾驶能力为“动力引擎”，不断探索更多落地场景，驱动城市交通出行效率提升；另一方面，以自动驾驶前装量产规模化落地为“创新引擎”，借助更多装机量实现产品和技术的打磨。
（2）多元产品矩阵+差异化技术路线+商业化优势，构成轻舟智航的核心竞争力
多元产品矩阵，满足市场需求。在L4级自动驾驶领域，轻舟智航以智慧城市场景需求为导向，推出龙舟系列自动驾驶车及解决方案，应用于网约车、公交车及接驳车等场景。前装量产方面，推出高阶辅助驾驶方案“轻舟乘风”,可全国产配置，既可配置“一颗激光雷达”，也可纯视觉配置，以极致务实方案达到高性价比，并基于一套技术栈，满足多变车型和多类场景需求。
差异化技术路线，打造独特竞争力。数据方面，轻舟智航拥有海量L4级传感器数据和驾驶行为数据，有效提高前装量产能力上限；同时利用L4工具链优势，加速前装量产能力迭代。感知方面，超融合感知方案拥有领先的多传感器时序穿插融合技术，可极大提高感知精度和鲁棒性；PNC方面，基于独创的时空联合规划技术，打造高质量PNC方案，可灵活计算路径和速度，让车辆行车更聪明、效率更高效、体验更舒适。
构筑商业化壁垒，推动自动驾驶广泛落地。以Robobus作为落地场景的起点，通过小商业闭环积累大量数据，推动更大商业闭环的实现。并在Robobus领域开创新品类，联结居民区、交通枢纽和商业中心，利用“轨道交通+微循环”的高效模式，满足居民“最后三公里”的出行需求。同时，在Robotaxi领域不断进行技术测试和产品打磨，推动自动驾驶广泛落地。
4.知行科技
（1）知行科技专注于自动驾驶前装系统解决方案，是国内领先的具有全栈研发能力的公司
知行科技成立于2016年，是一家专注于自动驾驶领域前装系统解决方案的人工智能高科技公司。经过多年发展，知行科技在多传感器数据融合、决策规划、车辆动态控制等自动驾驶核心领域拥有核心算法，并拥有软硬件开发及整车系统集成验证能力，是国内领先的具有全栈自动驾驶研发能力的公司。
知行科技深度布局域控制器和智能摄像头两条产品线，完整覆盖L2及L2+市场需求。域控制器产品包括三个系列，其中iDCMid和iDCHigh是当前面向乘用车量产主推的产品系列，iDCMid已经获得多家车企定点，并进入量产阶段，iDCHigh预计在2024年实现量产。智能摄像头产品主要面向ADAS市场，提供更具性价比的方案，iFC产品已历经三次迭代。通过全面布局，知行科技已经实现高阶智能驾驶的全场景方案覆盖。在行车场景，知行科技已经覆盖了L2ADAS、高速NOA、城市NOA等功能，泊车场景也已经覆盖自主泊车、记忆泊车、代客泊车等功能。
（2）知行科技全栈自研行泊一体域控制器iDCMid，率先实现规模化量产
行泊一体，抢占主流乘用车市场。知行科技定位Tier1，在行泊一体架构的发展趋势下，提供性能更强、价格更优的域控产品。其自研的行泊一体域控制器iDCMid，基于一颗TDA4芯片开发，采用5V4R的感知硬件配置，可实现NOA（导航辅助驾驶）、360全景影像、HPA（记忆泊车）等功能，兼具性能、成本和工程落地的考量，凭借性能和成本优势，主攻主流乘用车市场。
全栈自研，打造卓越核心技术。知行科技的域控制器实现了全栈自研，它不依赖于任何特定的硬件平台，上层功能可以100%移植到全新硬件平台。为了实现这一目标，知行科技专门开发了一套灵活可靠的软件中间件，它支持实时操作系统RTOS（包含核间通信），HLOS（如Linux这种开源的操作系统），同时还可实现在大型的SOC中，多个核之间的可靠多核通讯。
需求导向，规模化量产有序推进。知行科技以市场需求为导向，通过轻量级方案（iDCMid）切入市场，再借助中低端车型走量，同时开发大算力方案（iDCHigh），向高端车型延伸，逐渐步入高阶自动驾驶。目前域控制器iDCMid已经正式量产下线，成为目前行业内少数已经量产的域控产品。
未来，知行科技将加快全场景智能驾驶的全面落地，在提高市场占有率的同时，进一步强化算法与平台能力，深化数据闭环，探索更多商业可能性。
5.德赛西威
德赛西威是国内汽车智能化领域的头部Tier1，深度绑定英伟达这一高算力芯片供应商资源，随着高阶自动驾驶落地对主芯片算力需求的提升，将进一步夯实其在自动驾驶域控制器领域的核心地位。公司2016年开始前瞻性布局自动驾驶领域业务，2022年实现25.7亿元营收，同比增长达83.07%，营收占比17.22%。目前公司已量产的自动驾驶域控制器包括IPU01至IPU04。其中，IPU01和IPU02主打高性价比方案，主要搭载于中低端车型，实现L1和L2级别的驾驶辅助功能。根据公司官方公众号，公司基于英伟达Xavier/Orin开发的IPU03和IPU04域控制器主打高算力、高性能，能够满足L2+的高阶自动驾驶需求，并且已经分别获得小鹏、理想等头部主机厂的量产支持，未来随着L2+智能车放量自动驾驶域控制器有望为公司持续贡献业绩增量。
6.经纬恒润
经纬恒润是国内唯一覆盖L4以下全域自动驾驶场景的智能驾驶龙头。公司智能驾驶产品覆盖L4级及以下自动驾驶场景，覆盖智能泊车、智能行车、安全预警三大领域。其中，公司ADAS系列产品前四代基本覆盖L2及以下所有自动驾驶场景（自适应巡航、交通拥堵辅助、自动紧急制动等），ADCU域控制器开始覆盖部分L2+/L3级自动驾驶场景（高速自动驾驶、交通拥堵自动驾驶等），HPC则可涵盖L4级自动驾驶场景（自主代客泊车等），目前仅应用于港口、园区等封闭式场景。除此之外，公司具备提供自动驾驶仿真测试服务，根据公司招股说明书，公司开发了深度覆盖测试需求的场景库，包括法规标准场景、功能覆盖场景、经验测试场景、事故和测试问题的极端测试场景等各类场景超过3万条，可以有效满足智能驾驶测试对不同路况场景的需要。
7.寒武纪
寒武纪是国内AI芯片龙头，2021年成立子公司行歌科技正式进军车载芯片领域。随着自动驾驶从小模型向大模型迭代，对车端推理和云端训练算力需求均大幅提升，公司将充分受益于这一行业趋势。根据寒武纪董事长陈天石博士在2022世界人工智能大会上的演讲，寒武纪行歌产品布局将覆盖L2+~L4全系列芯片组合，覆盖不同档位算力需求的计算平台。其中，SD5223是面向L2+自动驾驶市场的产品，最大算力超过16TOPS，单颗SOC可以实现行泊一体的功能，适配8MIFC/5V5R/10V5R等多产品形态。SD5226针对L4市场、支持车端训练产品，采用7nm制程，AI算力超过400TOPS，CPU最大算力超过300K+DMIPs。同时，行歌科技的自动驾驶芯片可以与寒武纪的云端训练产品形成协同。2022年公司云端产品线发展迅速，思元290、思元370等产品在包括阿里云在内的多家头部企业的成功实现规模化销售，并且，公司新一代云端训练芯片思元590正快速迭代，浮点运算能力较上一代290产品有较大提升。寒武纪高性能AI训练芯片负责处理车端收集的海量数据并进行复杂模型训练，再通过OTA推送到车端，通过车云协同，能够将车端的数据快速回传，实现AI模型的快速迭代升级。
08
自动驾驶发展趋势展望
1.商业化落地成为竞争关键
自动驾驶下半场竞争将进入加速期，商业化落地将成为竞争关键
目前，自动驾驶企业兼顾算法优化和量产落地，在技术研发同时，通过技术应用降维实现规模化量产，打通商业化落地路径，构建数据闭环，推动自动驾驶加速落地。当自动驾驶下半场来临，商业化落地将成为竞争关键。
自动驾驶商业化主要受场景标准化程度、技术成本优势、安全性能要求等因素影响。这就意味着，整体来说，高级别自动驾驶将遵循从封闭到半开放和开放、从专用到通用、从载物到载人的落地逻辑。
商用车方面，自动驾驶货车商业模式清晰，有望率先落地；末端物流刚需较强，有望带来实质性成本和效率优化；矿区、机场、园区等因场景特征优势，将成为高确定性的落地场景。乘用车方面，随着自动驾驶AI模型在云端深入应用，行泊一体的自动驾驶架构持续迭代，车端自动驾驶系统的综合成本大幅度降低，以重感知技术为主，主要依托视觉方案的智驾系统，将可以在中低算力车端平台上部署，这将使得高级别自动驾驶系统成为中端价位车型的标配。同时，用户体验也将从尝鲜转变为用户依赖。此外，国内Robotaxi落地进程和乘坐体验与市场预期基本相符，有望在2025年迎来成本拐点。
2.舱驾融合成为趋势
打通人、车、环境三方交互，提升驾乘体验，舱驾融合成为趋势
智能座舱和自动驾驶是汽车智能化的两个典型代表，直接影响汽车智能化体验。智能座舱是汽车与用户沟通和交流的载体，侧重于人车交互；自动驾驶则发挥汽车的基本功能，在行驶过程中实现车与环境的交互。而在交通环境中，驾驶行为是一个由人、车、环境三方参与并交互的过程。因此，如何打通三方交互，实现更好的驾乘体验，就显得尤为重要。
随着汽车智能化的发展，从国内外整车企业发布的新车来看，目前正在从分布式电子电器架构向域集中式控制器架构过渡。无论是传统汽车还是新能源汽车上，域集中式架构正越来越多地应用于量产车型。与此同时，采用更集中、更高算力的通用计算硬件，配合更丰富的软件进行整车控制，实现软件定义汽车，将给汽车行业带来显著改变。可以看到，汽车产业链核心零部件供应商、整车厂商、自动驾驶解决方案提供商等都在进行舱驾融合方面的研发。例如，在芯片领域，未来有望在同一芯片中完成智能座舱、智能驾驶、智慧泊车功能，进一步简化自动驾驶硬件体系，降低成本；在汽车域控架构方面，呈现域功能集中的趋势，这主要是由于自动驾驶和座舱芯片的芯片制程、设计方法、架构有很多相似之处，可以率先实现功能集中。
目前，车企所尝试的舱驾融合更多的是在软件和应用层面，例如可实现算力共享、感知共享、服务共享，智能座舱域控制器可支持智驾系统失效下的系统级安全冗余等。但真正要达到硬件芯片层面的融合，则面临更多挑战。一方面，舱驾融合或者更多域功能的集中，将导致软件复杂度大幅提升，软硬件解耦势在必行；另一方面，功能的集中会带来功能安全方面的问题，如何规避安全风险，需要进行芯片结构和生产过程优化。未来，随着自动驾驶基础设施越来越完善，算法进一步升级迭代，智能座舱和自动驾驶的边界将会变得愈发模糊。最终目的，是要形成体验更好、成本更低、可信赖的产品，进而重塑驾乘体验。
3.生态合作成为企业发展的重要能力
生态合作将成为自动驾驶企业实现外生增长的重要途径
当前，在自动驾驶技术发展驱动下，全球汽车行业供应链正在发生变革，整车厂、Tier1和Tier2厂商、互联网/科技巨头、解决方案提供商之间的动态变化正在不断重塑产业链。跨界布局和交流合作持续发生，各玩家之间的传统界限逐渐被打破，综合能力强的一方将主导未来的汽车产业。在激烈的市场竞争中，单一企业或某一群体已经无法持续高效地突破自动驾驶当下发展困境，自动驾驶相关企业想保持长远的发展，应注重企业之间的协调与合作关系，并与市场环境协同进化，建立适合自身发展的企业生态。
随着自动驾驶赛道相关企业合作加深，将形成一个统一的生态价值圈，通过生态圈撬动其它参与者的能力，形成正反馈，进而使这一系统持续创造价值。如此一来，与传统的链式结构相比，自动驾驶生态体系将形成一个更加柔性和多元的网状结构。在这一生态体系中，自动驾驶相关企业可通过资源共享、技术赋能、联合研发、运营共建、合资并购等模式实现共创，将自身优势发挥到极致，并吸收其他资源取长补短，实现协同发展。
在自动驾驶生态体系中，标杆企业将起到搭建生态平台，撬动产业其他参与者协同创造价值，实现优势融合与互补的作用。因此，对于自动驾驶相关企业来说，搭建生态价值平台，与生态伙伴合作共赢的能力变得愈发重要。具体来说，就是建立开放的生态模式，面向多元场景，推出具有特色的产品和功能，并将自动驾驶工具链解耦，使生态伙伴都能从中受益。例如，在芯片领域，地平线开放生态赋能合作伙伴，凝聚融合推动产品高效落地，同时加快产品研发；AWS、Asure、华为云面向汽车行业和自动驾驶领域提供解决方案，在安全合规的前提下，在自动驾驶研发数据驱动的每一个流程上，为车企提供开箱即用的便捷工具和安全合规的服务，帮助企业降本增效，加快自动驾驶技术的落地；蘑菇车联的AI云，具备海量设备连接和海量数据处理能力，提供开放的接入服务，与众多合作伙伴共建服务生态等。
