中信建投:智能驾驶2025年投资展望

全文3484字,阅读约需10分钟,帮我划重点

划重点

01中信建投证券推出智能驾驶2025年投资展望,展望自动驾驶领域的投资机遇。

02随着政策和产业快速应用影响,智能驾驶行业保持较高景气度,特斯拉、华为、小米等新势力车企智能化水平持续提升。

03预计到2025年,智能驾驶领域将实现稳增长扩内需政策发力,智驾蓄力成长拐点。

04自主品牌加速布局端到端,小鹏、华为、理想等进度领先,关注特斯拉FSD入华进展。

05此外,大模型在自动驾驶中普及,降低了接管次数,提升了消费者接受度。

以上内容由腾讯混元大模型生成,仅供参考

本文转载自微信公众号:中信建投证券研究
图片
重要提示:通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司(下称“中信建投”)客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制,若您并非中信建投客户中的机构类专业投资者,为控制投资风险,请您请取消关注,请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意,感谢您的理解与配合!
自动驾驶受政策和产业快速应用影响,呈现较高景气度并延续至今。随着产业进程不断推进,以特斯拉、华为、小米和新势力为首的车企智能化水平持续提升,带动其余车企跟进,行业一直保持较高景气度。
展望2025年,智能驾驶领域将有哪些投资机遇?中信建投证券汽车、人工智能及电子等研究团队推出【智能驾驶2025年投资展望】:
01 2025年投资策略报告:稳增长扩内需政策发力,智驾蓄力成长拐点
智能驾驶:智驾持续迭代下赋能品牌差异化,关注特斯拉FSD入华
城市智驾功能持续迭代,高阶智驾功能渗透率快速提升。根据高工智能汽车数据,9月NOA前装交付量破20万辆,相较1月交付量接近翻倍,从结构上看,中端车型中搭载率快速提升,15万以下市场仍有较大空间,今年1-9月,20万元以下价位高阶智驾搭载交付量同比增长近5倍,而销量占比达45%的15万元以下乘用车中接近70%没有配置任何ADAS功能。我们认为随着智驾技术方案收敛,高阶智驾功能仍将加速渗透,同时随着感知侧的纯视觉方案和算力侧舱驾融合方案成熟,基础ADAS方案成本降低,15万以下车型基础ADAS功能有望逐步普及。
图片
自主品牌加速布局端到端,小鹏、华为、理想进度领先。
华为:ADS 3.0 8月正式上线,实现了从车位到车位的物理端到端,具备全国范围内的高阶智能驾驶能力,在技术架构上,将GOD(识别通用障碍物)和BEV(统一坐标)合在一起,输出给一个端到端的网络(PDP网络)做决策和规划。
小鹏:已经实现端到端量产,预计在2025年在中国实现类L4级智驾体验,P7+及后续车型将不再区分Max和Pro版本,全系标配AI智驾。
理想:基于“端到端”+VLM的“车位到车位”功能,已开启全国门店的试驾车的推送,今年11月底全量AD Max用户都可以享受到“车位到车位”的有监督智能驾驶。
小米端到端全场景智能驾驶于11月16日开启定向邀请内测,12月底开启先锋版推送。
零跑全新产品B10计划于2025年上半年,在全新LEAP 3.5架构上配置以端到端大模型为基础的高速及城区的高阶智驾功能。
极氪正式发布浩瀚智驾2.0系统,极氪无图NZP将在今年年底推送给所有用户,车位到车位的领航智驾将在明年第二季度实现全量推送。
图片
密切关注特斯拉FSD入华进展,有望深远影响智驾竞争格局。今年9月初,特斯拉AI团队发布产品路线图,预计2025年第一季度在中国和欧洲推出完全自动驾驶(FSD),但仍有待监管批准。我们认为特斯拉FSD若进入中国将对当前智能驾驶领域的竞争格局产生深远影响:1)智能驾驶领域竞争加剧,特斯拉在自动驾驶技术方面的领先地位将迫使国内车企加大研发投入,以保持竞争力,若采用FSD授权模式,将对当前的智驾解决方案供应商产生巨大冲击;2)提升消费者接受度,特斯拉在国内有大量存量用户,推送FSD有望改变这部分存量用户的驾驶习惯,进而提升国内消费者对智能驾驶的接受度。
风险提示:
1、行业景气不及预期。2020年以来,汽车消费需求增长明显,新能源车渗透率快速提升。随着未来新能源扶持政策退坡,行业景气度或存在波动。
2、行业竞争格局恶化。汽车电动智能化趋势下,国内整车厂商和零部件供应商竞相布局,随着技术进步、新产能投放等供给要素变化,未来行业竞争或将加剧,整车和零部件企业的市场份额及盈利能力或将有所波动。
3、客户拓展及新项目量产进度不及预期。汽车电动智能化趋势下,现有整车和零部件供应链格局迎来重塑,获得新客户和新项目增量的零部件公司有望受益,而部分零部件公司市场份额可能受到影响。
报告来源
图片
证券研究报告名称:《2025年投资策略报告:稳增长扩内需政策发力,智驾蓄力成长拐点》
对外发布时间:2024年11月25日 
报告发布机构:中信建投证券股份有限公司 
本报告分析师:
程似骐 SAC 编号:S1440520070001
SFC 编号:BQR089
陶亦然 SAC 编号:S1440518060002
陈怀山 SAC 编号:S1440521110006
马博硕 SAC 编号:S144052105001
胡天贶 SAC 编号:S1440523070010
李粵皖 SAC 编号:S1440524070017
02 人工智能2025年投资策略报告:算力为基,自主可控大势所趋,Agent及B端应用崛起
自动驾驶:特斯拉预计于11月最后一周向非特斯拉车主发布FSD V13版本,该版本主要特点包括原生AI4输入和神经网络架构、模型大小扩大3倍、模型上下文长度扩大3倍、(训练)数据扩大4.2倍、训练计算量扩大5倍(通过Cortex训练集群实现)。同时与v12.5.4相比,v13必要干预的间隔里程增加了4倍。随着大模型在自动驾驶中普及,改变了此前规则定义下自动驾驶生硬的特点,目前体验更加类似于人类驾驶的感受,从而降低了接管次数。但是对于L4级无人驾驶来说,特斯拉的平均接管里程数相比于人类仍有较大差距,目前仅依靠单车智能尚无法完全实现自动驾驶,需要关注国内车路云建设。
自动驾驶
特斯拉算法进展:FSD V13即将发布 
FSD v12在算法层面实现端到端。马斯克称FSD v12是完全端到端。FSD v12完全是由神经网络训练而成,没有任何一行人工写的规则代码,即此次直播汽车所做出的判断完全都是由AI进行决策,并没有针对特定场景进行代码编写。马斯克称,控制是全自动驾驶最后一个难题,FSD Beta v12使用AI替代传统控制模块使得控制代码减少约 2 个数量级。特斯拉原先的自动驾驶算法HydraNets,也被为九头蛇网络,是将每一个任务划分为单独模块,虽然在工程学上对每一个模块进行优化,但却没法从全局提升汽车自动驾驶性能。端到端将感知、预测与规划集成在同一个网络流程中,将自动驾驶建模成一个神经网络驱动任务。端到端使得算法中的所有模块都直接服务于规划,使得最终汽车做出规划的效率提高,避免了模块分散导致的数据重复流转。
图片
特斯拉在最近一个月内推送了FSD V12.5.2版本,该版本在自动驾驶的接管率上有了显著的改进,据称接管率改进了3倍。这意味着在自动驾驶模式下,车辆需要人类驾驶员介入的频率大大降低了,提升了自动驾驶的可靠性和用户体验。特斯拉在FSD V12.5.2版本中上线了基于太阳镜的注意力检测能力。这一功能允许驾驶员在启用FSD辅助驾驶时佩戴墨镜,同时系统能够准确检测驾驶员的注意力状态,确保驾驶安全。特斯拉推送了智能召唤功能(Actual Smart Summon, ASS)。该功能使车辆能够实现自主泊车、在停车场内导航以及无人驾驶接送乘客等任务。车主可以仅使用手机,就能将他们的车辆从停车位召唤到附近的特定位置,进一步提升了自动驾驶的实用性和便捷性。此外,Autopilot/FSD团队的负责人Ashok Elluswamy称特斯拉还将推送Cybertruck车型的自动泊车功能,这对于Cybertruck这样的大型皮卡来说是一个重要的功能升级,有助于提升驾驶便利性和安全性。
图片
北京时间2024年10月11日,特斯拉举办了名为“RobotaxiDay”(无人驾驶出租车)的演示活动。整场活动一共展示了三个产品:Robotaxi、Robovan、TeslaBot,以及自动驾驶方面的新动态。无人驾驶出租车被命名为Cybercab,它的内部不仅没有方向盘,还没有脚踏板,外部也没有后视镜。车门像蝴蝶翅膀一样向上打开,车舱很小,只能容纳两名乘客。Cybercab没有传统的充电接口,因为它依赖于感应式(即无线)充电。特斯拉计划明年在德克萨斯州和加利福尼亚州推出全自动驾驶汽车,Cybercab将于2026年投产,最晚可能要到2027年。但是用户可以提前用Tesla现有车型体验到无人驾驶出租车。预计Cybercab运营成本将为每英里约0.2美元(约为0.125美元/公里),含税价格可能为每英里0.3或0.4美元(0.19或0.25美元/公里)。如果购买Cybercab,成本将低于30,000美元。
图片
2024年10月的最后一天,特斯拉AI团队在X上总结了当月进展,并发布了11月的产品路线图。过去一段时间,特斯拉高速公路上的端到端已随着12.5.6.1版本交付给约5万名客户,Cybertruck版本提升了响应速度。接下来的一段时间内,特斯拉计划向所有AI4硬件的用户全面推出端到端高速公路驾驶功能,包括提高停车平稳性、减少恶劣天气通知的烦扰以及其他安全改进功能;改进AI3硬件城市驾驶的v12.5.x模型;在欧洲、中国和世界其他地区发布真·智能召唤。
特斯拉还预计于11月最后一周向非特斯拉车主发布FSD V13版本。FSD V13版本主要特点包括,原生AI4输入和神经网络架构、模型大小扩大3倍、模型上下文长度扩大3倍、(训练)数据扩大4.2倍、训练计算量扩大5倍(通过Cortex训练集群实现),同时与v12.5.4相比,v13必要干预的间隔里程增加了4倍。