登录新浪财经APP 搜索【信披】查看更多考评等级
炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
FSD v13已向部分用户发布，特斯拉端到端算法持续迭代。根据特斯拉自动驾驶工作人员Ashok Elluswamy的推特信息披露，特斯拉FSD v13.2 已开始向有限的外部客户推出。而根据马斯克在推特上的表述，V13 在每次必要干预之间的英里数将比现在好5到10倍。特斯拉FSDv13版本的发布显示了公司端到端算法迭代速度，我们预计伴随着特斯拉数据和算力的持续积累，其算法将继续加速迭代，为自动驾驶带来更好的乘驾体验。
waymo周订单量突破10万单，商业化进度进一步加速。根据waymo官网信息披露，2024年公司商业化进展持续加速，截至2024年10月25日，waymo每周付费订单数超过了10万，这一数字比去年增长了十倍。自从公司今年年初在洛杉矶开始商业运营以来，近 30 万人加入了waymo的等待名单，已经在城市中进行了成千上万次的付费订单，平均评分为 4.7/5 星。最近在洛杉矶进行的一项调查显示，98%的乘客对waymo的服务感到满意，96%的人认为它很有用。公司发布了关于自动驾驶端到端多模态模型（EMMA）的研究论文，开始尝试端到端算法技术路径。同时，2024/10/25，公司完成了一轮超额认购的投资，总额为56亿美元，由Alphabet领投。我们预计，伴随着adas算法的进一步成熟和资金支持的到位，以waymo为代表的robotaxi有望进一步扩张其业务版图，商业化持续加速。
智能驾驶突破性进入端到端时代，算法+算力+数据飞轮驱动智能驾驶技术快速迭代。1）2024年3月，特斯拉在自动驾驶领域取得了重大飞跃，发布了FSD Beta v12.3更新。FSD Beta v12.3版本是完全基于端到端神经网络的解决方案，旨在模拟更自然、更人性化的驾驶。相比传统规控方案，端到端算法的优点在于无损的信息传递、完全由数据驱动、具备学习能力更具泛化性，因此成为了最新的主流技术方向。2）数据是自动驾驶训练的食粮，根据Tesla官方披露资料，自2024年FSDv12发布以来，FSD累计驾驶里程数的增长就进入了斜率更高的轨道，以更快的速度上行，而根据Tesla AI官方推特披露，截至2024/10/24，Tesla的车队现在在FSD监督下累计行驶距离已经超过20亿英里，其中超过50%是在V12上完成的。3）算力：算力是训练基础，没有大规模算力就没有优秀自动驾驶算法。算力是一切AI算法的基础，没有大规模算力就如巧妇难为无米之炊，天然抬高了智驾自研入场门槛。特斯拉算力规模已超6万张H100，预计到24年底将拥有接近9万张H100之巨的规模。算力储备成本巨大，对车企的资金及渠道能力提出挑战，利好实力雄厚的领军玩家。
建议关注：1）华为智车：、、、等；2）特斯拉产业链：、、等；3）国内自动驾驶产业链：、、、、、、、、等；4）算力：、、、、、等。
风险提示：技术迭代不及预期、经济下行超预期、行业竞争加剧。
01
FSD v13已向部分用户发布，特斯拉端到端加速迭代
FSD v13已向部分用户发布，有望将必要干预之间的里程数增加5-10倍。根据特斯拉自动驾驶工作人员Ashok Elluswamy的推特信息披露，特斯拉FSD v13.2 已开始向有限的外部客户推出。而根据马斯克在推特上的表述，V13 在每次必要干预之间的英里数将比现在好5到10倍。
V13版本升级了端到端驾驶网络的每个部分，包括：
l36 Hz，全分辨率 AI4 视频输入
l原生的 AI4 输入和神经网络架构
l4.2倍数据规模升级
l5倍训练计算量(由Cortex集群支持)
l减少2倍的光子到控制延迟
l城市道路和高速路上的速度记录
l一键从停车状态启动FSD(监督)
l综合的卸泊、倒车和泊车功能
l改进的避免碰撞奖励预测
l改进的摄像头清理功能
l重新设计的控制器以实现更流畅、更准确的跟踪
l3倍模型尺寸缩放
l3倍模型上下文长度缩放
l音频输入以更好地处理紧急车辆
l改进导航奖励预测
l改善停车场的假制动和减慢行车速度
l支持更多的目的地选项，包括停车、特定停车位、车道或车库
l地图和导航输入的高效表示
02
waymo周订单量突破10万单，商业化进度持续加速
Waymo每周付费订单量已超10万单，比去年增长了十倍。根据waymo官网信息披露，2024年公司商业化进展持续加速，截至2024年10月25日，公司已扩大了 Waymo One 服务区域，包括旧金山、洛杉矶和凤凰城。通过在奥斯汀和亚特兰大与 Uber 的扩展合作，公司将在 2025 年开始为这些城市的乘客提供服务。为了创造更加实用的体验，公司在凤凰城和旧金山开始了完全自动化的高速公路运营。这些努力使公司每周付费订单数超过了10万，这一数字比去年增长了十倍。
03
waymo周订单量突破10万单，商业化进度持续加速
3.1算法：从传统规控到端到端，ADAS算法迈入新时代
“端到端”是区别于传统自动驾驶路线的全新算法框架，自特斯拉将其落地后，已经成为自动驾驶当前最新主流框架。它和传统感知-规控算法的差别在于：
l传统自动驾驶算法采取模块化设计，包含感知、决策规划、执行控制三大模块，研究人员可以通过调试每个模块的参数来使车辆适应各种场景。
1）优点：可解释、可验证、易调试。因为每个模块都是相对独立的，所以当我们的车辆出现问题时我们可以回溯究竟是哪个模块出现了问题；在出现问题后，我们只需要在原有代码规则的基础上调整对应的参数即可。
2）缺点：传递过程中信息损耗、任务多且散导致低效、存在复合误差、规则难以穷尽导致构建和维护成本高。
l所谓端到端（End-to-End）就是信息一头进入一头输出，中间没有各个模块传输来传输去，一站式搞定。也就是基于统一的神经网络从原始传感器数据输入直接到控制指令输出的连续学习与决策过程，过程中不涉及任何显式的中间表示或人为设计的模块，不再需要工程师人为写无穷尽的代码了，除此之外；其另一个核心理念就是无损的信息传递。
1）优点：无损的信息传递、完全由数据驱动、具备学习能力更具泛化性。随着感知、决策规划端到端自动驾驶路径逐渐清晰，端到端为迈向L4无人驾驶提供了想象空间。
3.2数据：汽车行驶数据可反哺算法，形成数据飞轮的持续迭代
数据是自动驾驶训练的食粮。数据对于一切AI模型训练来说都是底层基础，对于自动驾驶算法训练来说尤其如此。通过大量的车辆行驶数据训练，算法才能够学会识别理解各种交通情况，提高决策的准确性和可靠性；数据的多样性和质量直接影响算法的泛化能力，使其能够在不同环境和条件下稳定工作，也使得算法可以适应不断变化的交通环境和规则，从而实现更高效、更安全的自动驾驶体验。
汽车行驶数据可以反哺智能驾驶算法，数据飞轮形成持续迭代。实车行驶数据一般在汽车实际驾驶过程中采集，理论上，出售后在路上实开的车辆越多，能够收集到的数据越多，这些数据就能过进一步反哺自动驾驶算法，使得算法本身获得持续迭代，形成持续的正循环。这样的数据飞轮，对自动驾驶厂商来说至关重要；可以说，没有大量数据用作训练，就不可能拥有优秀的自动驾驶算法。马斯克甚至认为，训练FSD这样的算法难度极高，需要“100亿公里以上的汽车数据”。
算力是一切AI算法的基础，没有大规模算力就如巧妇难为无米之炊，天然抬高了智驾自研入场门槛。对于一切算法而言，算力（更具体一点说，是计算用的GPU芯片）是底层计算基础，没有算力就无法训练，这是巧妇难为无米之炊的定律。又因为智能驾驶训练所需数据多为2D、3D图像及其他信号数据，所需要的存储空间及计算资源都消耗巨大，对于车企而言，这一算力成本无疑提高了前置成本，天然抬高了智驾算法自研的门槛。
建议关注：
1）华为智车：江淮汽车、赛力斯、长安汽车、北汽蓝谷等；2）特斯拉产业链：世运电路、三花智控、拓普集团等；3）国内自动驾驶产业链：德赛西威、万马科技、中科创达、经纬恒润、海天瑞声、万集科技、千方科技、金溢科技、鸿泉物联等；4）算力：寒武纪、海光信息、中科曙光、浪潮信息、神州数码、软通动力等。
技术迭代不及预期风险：若技术迭代不及预期，则对产业链相关公司会造成一定不利影响。
行业竞争加剧风险：若相关企业加快技术迭代和应用布局，整体行业竞争程度加剧，将会对目前行业内企业的增长产生威胁。
具体分析详见2024年12月14日发布的报告《海外智能驾驶持续放大招》
特别声明：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过微信形式制作的本资料仅面向国盛证券客户中的专业投资者。请勿对本资料进行任何形式的转发。若您非国盛证券客户中的专业投资者，为保证服务质量、控制投资风险，请取消关注，请勿订阅、接受或使用本资料中的任何信息。因本订阅号难以设置访问权限，若给您造成不便，烦请谅解！感谢您给予的理解和配合。
重要声明：本订阅号是国盛证券计算机团队设立的。本订阅号不是国盛计算机团队研究报告的发布平台。本订阅号所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自国盛证券研究所已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。
本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。