華泰預計，今年或是城市NOA（領航輔助駕駛）普及的元年，2023-2030年高級別輔助駕駛BOM成本的平均年降幅度爲11%。#A股緣何大跌？節後怎么走？##

近年來，無人駕駛發展駛入“快車道”，政策端傳出利好消息，工信部明確表示支持L3級及更高級別的自動駕駛功能商業化應用。$德賽西威(SZ002920)$$光庭信息(SZ301221)$$浙江世寶(SZ002703)$

同時，產業端也迎來利好，AI大模型或進一步加入無人駕駛的發展，具體來看AI從哪些方面賦能？

華泰證券在最新的報告中，對AI大模型賦能自動駕駛進行了詳細剖析，分析指出AI大模型的引入（自動標注、感知預測算法的快速迭代），從行業整體層面可以加速高級別輔助駕駛的量產落地。

其次，智能駕駛板塊後發者借助產業鏈優勢（雲端算力中心、通用开源模型的適配）與先發者在數據積累、模型迭代中的差距有望進一步縮小。

而受益於智能駕駛本土化的客觀需求、產業鏈各環節國內供應商產品性能的提升與下遊自主品牌的崛起，零部件國產替代趨勢顯著。 

總結來看，華泰認爲，今年或是城市NOA（領航輔助駕駛）普及的元年。當前旗艦車型高級別輔助駕駛BOM成本爲1.4萬元，預測2023-2030年高級別輔助駕駛BOM成本的平均年降幅度爲11%。

提升數據採集、數據標注的效率

海量的數據是無人駕駛的基礎，主要來自真實數據、虛擬仿真、影子模式，而下一步是則對數據進行識別、標注。

數據採集方面，華泰證券指出，大模型可以構建虛擬場景人工生成數據，補充現實中難以獲得/數據量不足的情形。

數據標注方面，華泰證券指出，人工標注成本高、效率低，自動標注是AI大模型賦能智能駕駛最直接的應用，能大幅降低數據標注的成本。

以特斯拉爲例，特斯拉FSD通過“多重軌跡重建”技術自動標注車輛行駛軌跡。目前在集群中運行12小時即可完成10000次行駛軌跡標注，取代500萬小時人工標注。通過機器的自我訓練，減少了人力標注成本高、效率低的問題。 

以Meta的SAM爲代表的圖像分割大模型的出現可大幅降低數據標注的成本，該模型是有史以來最大的分割數據集。

優化感知-決策-執行三階段算法

同樣以考特斯拉FSD爲例，華泰分析師黃樂平將自動駕駛模型算法按流程，分爲感知識別道路和道路上物體）、預測（預測周圍車輛和行人的行爲）、執行（控制車輛速度方向等行動）三個階段。 

特斯拉、新勢力等主要企業從幾年前开始採用基於Transformer的大模型等新技術，1）提高道路、物體的識別精准度；2）學習人類的駕駛習慣（影子模式），3)縮短決策所需要的時間，從而訓練模型更加“擬人”。 

1、感知層面：OccupancyNetwork、3D建模

華泰證券指出，特斯拉創新性的提出了佔用網絡（OccupancyNetwork）模型，直接將3D空間點格化，相較於之前在障礙物識別和行駛路徑預判方面有了明顯提升，具體來看：

2、預測層面：道路拓撲關系預測、障礙物預測

華泰證券指出，預測分兩種，一種是道路信息的預測，另一種是障礙物的預測。

3、決策層面：車端算力升級、模型計算效率優化，決策更加智能

決策的難點在於多方的交互與對路權的博弈，計算的效率是至關重要的。華泰證券表示：

目前業內普遍50-100毫秒之間完成一輪計算。受車端算力與計算效率的限制，目前決策層面的模型可分爲兩類：1）rulebase的模型（類似if程序，提前設定了某些情境下的反應機制）；2）特斯拉的交互搜索的模型（querybase的條件下可縮短單次計算時間至100微秒）。

推動車端/雲端算力升級與國產化

最後，受益於智能駕駛本土化的客觀需求、產業鏈各環節國內供應商產品性能的提升與下遊自主品牌的崛起，華泰證券認爲零部件國產替代趨勢顯著。

隨着大模型上車對車載算力需求的進一步提高，以及車載芯片制造商對芯片架構和技術的改進，車載芯片的算力有望持續上升。英偉達Thor芯片（2000TOPS）未來量產有望加速計算平台融合。

雲端方面，基礎設施算力升級加速算法迭代：

主機廠和自動駕駛技術开發商積極布局建設智算中心，以提高自身“雲上”競爭力。目前，主機廠特斯拉、小鵬、吉利，解決方案提供商毫末智行、商湯、百度布局建設了智算中心，用於訓練自動駕駛等大模型。隨着智能駕駛的逐步滲透，大模型或將成爲各公司的核心競爭力之一，爲匹配模型中大規模參數以及大數據量計算，智算中心的建設規模有望持續擴張。

華泰證券展望未來3-5年AI賦能智能駕駛如何重塑出行方式，預計今年或是城市NOA普及的元年，高級別輔助駕駛將呈現降本趨勢，2023-2030年高級別輔助駕駛BOM成本的平均年降幅度爲11%。

風險提示：本文中提及的相關個股基於公开數據整理，僅供參考！投資者應獨立決策並承擔投資風險。

本文作者可以追加內容哦 !