智能驾驶在20世纪70年代起步于科研机构，但研发进展较为缓慢。2000年，“自适应巡航控制系统（ACC）”功能得以实现，可根据交通状况的变化自动调整车速，维持安全车距。2012年后，“车道保持辅助系统”实现，其利用摄像头识别监测车道线，当到达两侧车道线的距离缩短时，车道保持辅助系统将给方向盘施加阻力以提示驾驶员。此时，人工智能算法和GPU芯片也开始加速研发，智能驾驶发展进入了加速阶段。
2015年前后，卷积神经网络在图像识别领域所向披靡，智能驾驶行业迎来第一波热潮，大量初创公司也在此时诞生。但数年的进展不及预期，使得行业再次进入低潮。2020年，伴随着新能源汽车销量爆发，智能驾驶再次获得资本市场的认可，行业迎来第二波热潮。但2022年后，由于持续亏损和对高阶智能驾驶进展的悲观，行业再次进入寒冬。现阶段，乘用车智能驾驶方案供应商融资情况相对冷淡。根据公开信息，2023年前三季度的自动驾驶行业融资总额仅为2022年的四分之一，且大多是物流或无人矿区自动驾驶企业进行的融资。
（二）智能驾驶发展现状
根据智能化程度的高低，智能驾驶可分为L1~L5五个级别（图表1）。
（三）我国智能驾驶市场渗透率
近年来，L2级智能驾驶正在快速渗透，乘联会数据显示，2023年我国新能源乘用车L2级及以上的辅助驾驶功能装车率已经达到55.3%，较2022年的约47%大幅增长，在售价20万~50万元的车型中渗透率已经超过85%，未来将进一步向低价车渗透。
二、AI驱动智能驾驶算法演进
（一）AI占比提升，技术路线趋于统一
智能驾驶算法由感知、决策和控制完成。前端的感知模块从传感器数据中解析交通环境和车辆状态，决策模块根据感知结果规划路径，并指导后端的控制系统控制车辆运动。
智能驾驶算法的发展和AI的发展路径较为一致。感知模块最早采用微分运算等传统算法。2015年，突破图像识别准确度的卷积神经网络算法（CNN）被采用。2020年，与ChatGPT底层原理相似的BEV（鸟瞰图视角）+Transformer大模型架构凭借更加优越的准确度和3D效果赢得业界认可。2022年，时序融合和占用网络（Occupancy）的引入进一步改进了算法效果，使得模型具备短时记忆，可以理解视频而不仅是图像，提升了障碍物识别能力。目前，BEV+Transformer+Occupancy架构已经被大部分头部厂商应用，各家算法架构相似，技术路线趋于统一。
越靠近前端，AI的应用比例越高。相比于感知端的AI化，中间的决策层对AI的应用也在加深，但目前仍采用人为规则和AI相结合的技术路线。以规则为主的路线具备可解释性，直接规定了车辆针对具体情况的处理方法，更好地保障行车安全，但无法对无穷的场景逐一规定，可能无法应对偶发场景。基于AI的路线则是在海量数据中自动学习最优策略，提供的驾驶体验更加自然，但AI的“黑箱”特性让算法设计者担心其可能发生安全问题。作为最后的控制端，由于需要为安全兜底，仍有诸多厂商采用PID（比例、积分和微分控制）、MPC（模型预测控制）等工业中的传统算法。
（二）特斯拉带动端到端趋势
2023年8月，特斯拉的端到端大模型FSDV12发布，即给模型输入传感器数据，直接输出驾驶决策，将上述的多个模块整合进一个大模型中。原架构可以将每个模块单独调整到最优，但并不意味着整个系统是最优状态，而端到端模型是针对系统整体优化，可以大幅度提高模型训练效率、减少人工干预、充分发挥大模型优势。由于不再需要逐条制定驾驶规则，FSDV12代码量从超30万行降低至数千行，且特斯拉CEO埃隆·马斯克表示每两周都会有重大更新。
相比之下，国内厂商主要在感知侧开始引入大模型，由于技术水平不足、安全性欠佳以及汽车电子架构不匹配等原因，在决策和控制端引入大模型的进度较慢。虽然引入端到端方案需要对原有模型进行大幅改动，但华为、新势力等厂商也在快速跟进端到端方案。
（三）无高精度地图趋势
高精度地图是高频更新的具备厘米精度道路特征的地图。2021年，采用华为智能驾驶方案的极狐阿尔法在上海某路段行驶的视频广为传播，彼时方案对高精度地图依赖大。但高精度地图由于成本等问题只能覆盖少数城市且更新不及时，包括华为在内的厂商都仿照特斯拉提出“重感知，轻地图”的技术方案，即舍弃了高精度地图，转而采用自带传感器和算法实时构建地图，并以自家量产车采集的城市道路数据构建众包地图（一种脱精版地图，非必须）作为辅助，目前无高精度地图趋势已较为确定。
三、智能化驱动硬件升级
（一）传感器方案
传感器直接影响感知信息的质量，目前广泛搭载的传感器有摄像头、毫米波雷达、激光雷达等。
摄像头方面，单摄像头方案足以实现基础L2功能（图表6）。为了实现L2+功能，车载摄像头数量大幅增加，目前主流摄像头方案为8~12个，其中，前视摄像头一般配置1~2个，环视和侧视摄像头以4+4个方案为主。常见车载摄像头像素在120万~200万，部分高端车型智能驾驶方案和纯视觉方案会采用更高像素和创新设计的摄像头，如华为ADS2.0采用了1个800万像素前视双目摄像头以及10个260万像素摄像头。
毫米波雷达方面，采用3个或5个毫米波雷达（1个前雷达+2个后角雷达+2个前角雷达）的L2级方案占比正在提升。目前，毫米波雷达的工艺正在从SiGe工艺向CMOS发展，以实现高集成度和低成本。此外，4D毫米波雷达也将用于提升智能驾驶性能，可以输出包含速度、方位角、俯仰角、距离4个维度的点云信息，并且点云密度大幅提升，可实现和激光雷达类似的空间感知能力。
激光雷达则是目前讨论较多的部件。特斯拉作为全球技术领军车企，认为车可以和人类一样依靠视觉实现驾驶，无需使用激光雷达。而为了弥补算法差距，国内L2+级企业通常搭配1~3个激光雷达。随着新能源汽车价格持续下降，部分厂商为了削减成本减少单车激光雷达数目，华为方案中激光雷达数目就从3个减少至1个，并引起了是否保留激光雷达的讨论。
从目前国内的新车型看，具备L2+级智能驾驶功能的新车型几乎均配备激光雷达，激光雷达厂商销售量也随之大幅上升。根据专家访谈，虽然纯视觉方案足以应对绝大部分驾驶场景，但遇到黑暗场景等偶发情形时效果不佳，激光雷达则是一个很好的安全冗余。同时，激光雷达价格已经大幅下降，从2021年的1万元/台降至目前的约2千元/台，速腾聚创等厂商更是在2024年4月推出千元级产品，未来通过芯片化和规模化可继续降低成本，中短期内激光雷达难以被替代。中金报告则指出，中低端车型趋向纯视觉路线，中高端车型仍将采用激光雷达。根据专家访谈，目前特斯拉正尝试利用4D毫米波雷达提升智能驾驶性能，长期看可能与激光雷达方案存在竞争。
对于激光雷达的技术路线，主雷达中短期内仍将以半固态方案为主，现有固态方案难以兼顾视场范围和成本。补盲雷达则可采用固态方案，但补盲雷达并不是刚需。目前激光雷达已经进入激烈竞争的阶段，速腾聚创、禾赛、华为以及图达通已占据大部分市场空间（图表7），短期内无法取得大量车型定点的公司将可能面临发展困境。
（二）电子电气架构的集中式趋势
燃油车电子元器件相对较少，采用分布式电子电气架构，每个ECU（电子控制单元）通常只负责控制一个单一的功能单元，例如发动机、刹车、车门等部件。随着智能车传感器不断增加，分布式架构难以应对数据量大幅增长，对实时性要求提高，持续升级困难等问题凸显。为此，分布式架构逐渐向中央集中式演进，先是由多个ECU合并成一个域控制器。未来，多个域控制器会继续融合，最终会形成1个中央计算平台+N个区域控制器的终极布局。
（三）架构和算法演进推动智能驾驶芯片高算力化
随着电子电气架构集中化和算法大模型化，高阶智能驾驶对智能驾驶芯片算力需求不断提升。先前大部分车型配备的芯片算力不超过10TOPS，而目前具备高速NOA的中高端车型普遍使用约100TOPS算力的芯片，城区NOA方案使用的BEV等算法则对算力要求更高，普遍采用200TOPS以上的算力芯片。随着智能驾驶技术的发展，智能驾驶芯片将走向更高算力。下一代英伟达芯片DRIVEThor单颗算力将达到2000TOPS，可能推动端到端模型的进步。
市场格局方面，特斯拉、英伟达、地平线和Mobileye占据了大部分市场（图表8）。低算力领域，Mobileye本处于领先地位，但由于系统封闭和迭代慢等原因，市场份额被其他厂商蚕食。大疆推出了基于德州仪器TDA4芯片的低成本L2方案，未来可能带动德州仪器芯片取得一定市场份额。国内厂商中地平线处于领先地位，凭借征程2和征程3等产品取得了一定的市场份额，产品搭载在比亚迪、广汽、长安等诸多车型中。
（四）数据中心建设
与ChatGPT相似，端到端模型的应用对驾驶数据和算力提出了更高的要求。2023年，特斯拉用于建设训练运算算力的预算超过了20亿美元，积累驾驶数据也将超过100亿英里。英伟达在2024年5月的业绩发布会上指出，其支持特斯拉将AI集群扩展到3.5万个H100GPU（价值超12亿美元），汽车将成为数据中心业务最大的垂直市场，在2024年有望贡献数十亿美元的收入。未来，智能驾驶也将推动数据中心等人工智能基础设施建设，为GPU、存储、光模块等带来更大市场。
四、L2+智能驾驶方案供应商现状
基础L2智能驾驶方案供应商包括博世、维宁尔、大陆、安波福、宏景智驾、福瑞泰克等，目前国内厂商正在加快替代海外厂商，但由于降价压力，目前行业内的净利率已普遍不足7%。L2+级智能驾驶方案供应商包括华为、Momenta、大疆等，也有诸多车企自研算法，包括特斯拉、小鹏、蔚来等。
根据专家访谈和公开资料，特斯拉智能驾驶是软硬件全自研，处于全球领先位置，端到端的大模型方案已商用落地，其余厂商都跟随特斯拉的算法方案。目前，其采用的纯视觉方案硬件成本约8千元，较低成本有利于方案大范围推广，未来可能引入4D毫米波雷达提升偶发场景应对能力。
小鹏、华为凭借大规模投入和长期的数据积累，属于国内的第一梯队，采用的激光雷达方案整体硬件成本达到2万~3万元，成本较高但可以应对更多偶发场景，正快速推广城区NOA。其中，华为的算法、中间件、操作系统、域控制器等软硬件全栈自研，技术深度优势明显，为客户提供的驾驶体验是国内最佳，一定程度上引领国内厂商技术发展方向。小鹏则数据积累较多，城区NOA落地进度最快，在硬件和算法的自研程度上也处于相对领先地位。2024年4月，IDC公布的测试结果体现出对华为和小鹏的认可（图表9）。
智能驾驶方案供应商Momenta凭借较强的算法能力，与上汽、比亚迪、丰田等车厂开展合作，方案在智己、仰望等车型中落地，其不强势的合作风格更容易受到车厂的青睐，具备较强的竞争力。
大疆也将智能驾驶板块拆分独立融资，利用其特色的双目算法推出了高性价比的纯视觉智能驾驶方案（成本为数千元），将与奇瑞汽车、东风等车厂开展合作，根据专家访谈，业内对大疆的技术和工程能力高度认可，认为其可能成长为头部厂商。
在其他车厂中，新势力水平处于靠前位置，理想汽车和智能驾驶方案供应商轻舟智航合作开发系统，同时也在为新车型自研智能驾驶系统，蔚来也在自研算法。极氪招募了部分前华为团队，在智能驾驶领域取得了一定进步。此外，长城（和元戎启行及毫末智行合作）、吉利（和福瑞泰克、亿咖通、知行科技等合作）等也在积极开发智能驾驶功能。
科技企业中，百度、商汤等具备较好的技术水平，但落地进度相对较慢。地平线等硬件厂商据悉也在开发智能驾驶方案，利用其硬件优势切入赛道。
整体上看，各厂商的算法框架和发展方向较为类似，总体而言沿着特斯拉方向前进。除华为外，L2+级智能驾驶的计算平台大都依赖于英伟达，技术端并没有体现出难以逾越的代差，竞争较为激烈，落地进度慢、现金储备不足的厂商可能逐步掉队。行业仍在等待一个更成熟的方案改变消费者的认知，特斯拉FSD入华也许会再次发挥“鲶鱼效应”，加速行业的发展。
五、几点建议
四是车企对智能驾驶芯片算力的要求不断提升，从长期看，国产化需求和智能驾驶渗透率的提升将给国内智能驾驶芯片厂商提供机会。