汽車自動駕駛產業鏈深度研究報告：市場空間比較與標的梳理

（報告出品方/作者：光大證券，倪昱婧、邵將、付天姿）

1、 自動駕駛產業鏈

2020 智慧電車蔚然成風；期間，特斯拉首次實現市值超越豐田/大眾，新勢力陸 續上市且實現市值翻番，大眾通過 MEB 平臺強勢宣告進軍電動車市場。

2021 百度與蘋果/小米等網際網路與消費電子巨頭紛紛公佈造車規劃，吉利/長城/ 廣汽等傳統車企逐一加碼智慧電動化，科技出行已成為市場關注焦點。

我們判斷，當前智慧電車市場呈現特斯拉與新勢力領跑，傳統車企快速轉型，互 聯網與消費電子巨頭加速進場的趨勢；主要由於 1）估值體系切換（特斯拉約 10x-20x PS、新勢力約 5x-10x PS vs. 傳統車企的估值中樞約 10x-15x PE）；2） 2C 端需求逐步釋放（我們預計 2021E 國內新能源乘用車銷量有望達 200+萬輛， 滲透率近 10%）；3）智慧電車涉及上游的電池、電子/通訊與軟體、中游的整 車製造、以及下游的網際網路生態，產業鏈延伸價值可期。

2、 自動駕駛推進路徑

我們預計，汽車電動化滲透率的擡升，有望帶動智慧化的加速推進。從系統分拆 來看，汽車自動駕駛主要分為 1）感知系統（包括以車載攝像頭為主導的視覺感 知與以鐳射雷達為主導的鐳射感知），結合 GPS/IMU/北斗等在內的導航系統， 收集車身周圍的實時資料；2）傳輸系統，通過元器件/V2X 等通訊裝置與通訊技 術，將相關資料傳輸至決策系統；3）決策系統，通過運用晶片、軟體/演算法、以 及高精地圖等，得出相應的路徑規劃與決策訊號；4）執行系統，通過接收感知 系統的資料、以及決策系統的決策訊號採取包括剎車/警示等在內的行車決策。

2.1、 全球仍處於 L2+級自動駕駛系統

從自動駕駛等級分類來看，工信部將自動駕駛系統分為六級（L0-L5 級）；其中， L3 級為有條件自動駕駛（在駕駛自動化系統啟用的情況下，可接管駕駛員完成 設計運行條件內的全部動態駕駛；但在不滿足設計運行條件的情況下，需向駕駛 員提出接管請求/無法自動達到最小風險狀態 vs. L4 級在不滿足設計運行條件 或接管無效的情況下，可自動達到最小風險狀態；L5 級為無設計運行條件限制）。 當前，市場規模量產的車型（新能源與傳統燃油車型）仍為 L2+級自動駕駛系統。

我們判斷，自動駕駛的推進受政策、感知系統（系統冗餘）、技術（晶片、軟體 /演算法與資料）、高精地圖、以及基礎設施（V2X）等多方因素的綜合影響。

政策層面

從全球主要國家的自動駕駛推進規劃、以及當前發展階段來看，均處於法律監管 不斷優化，實現在 2025 年前後達到 L4 級高度自動駕駛的目標；其中，1）美國 /中國/日本處於積極穩步推進狀態（均已開放道路測試）；2）歐盟則相對更偏 謹慎，當前允許開放道路測試的國家僅包括德國/瑞典/荷蘭/奧地利/比利時。

我們判斷，1）自動駕駛的安全責任方從駕駛員單一主體切換至包括主機廠等在 內的多方主體，疊加產業鏈較長（涉及硬體/軟體與零配件/整車的高度融合）且 尚處於技術孵化階段；因此，政策監管/法律法規的標準化與合理化對準入門檻、 技術推進、以及商業化落地等起到決定性作用。

2）各國政府基於自動駕駛系統的事故責任劃分尚未明確界定，是導致現階段全 球規模量產車型仍處於 L2+級系統的主要原因之一（2017 全球首款搭載 Ibeo 與 法雷奧合作的車規級 4 線 Scala 鐳射雷達車型奧迪 A8 正式量產，但受制於政策 監管等因素，導致具有 L3 功能的 Traffic Jam Pilot 無法釋放）。

3）自動駕駛以提高交通安全性/降低事故發生率為核心，涉及使用者與國家地理等 資料採集/資訊保護等，結合各國路況/駕駛習慣等差異性，我們預計各國或將各 自陸續出臺更具有針對性（符合各國特徵）的自動駕駛標準與監管要求，預計國 內在晶片與全棧軟體/演算法等領域具有核心優勢與競爭力的公司有望長期受益。

感知系統（系統冗餘）

我們判斷，1）L3 級及以上系統的核心在於增強安全性；2）對於感知系統而言， 系統冗餘可通過增強軟體/演算法的深度學習，或採用更多更全面的感測器（降低 資訊誤讀與系統故障率，提高資料採集的可靠性）；3）鐳射雷達在讀取物體信 息（包括探測距離/角度解析度等）方面優勢突出且無需深度學習演算法（可進一 步確認/補充其他感測器收集的資料），是自動駕駛系統推進的有效方式之一。

當前，鐳射雷達量產車型仍較為有限；主要受制於車規要求較高、技術尚未成熟、 規模量產能力較低、以及成本較高等方面的影響。我們預計，鐳射雷達正在從機 械式至半固態式再至固態式的方向快速推進；其中，相對更易符合車規要求的 MEMS/轉鏡等半固態式鐳射雷達即將交付，對應的規模量產與降本前景可期。

晶片算力、以及軟體/演算法

自動駕駛的技術核心在於硬體層的晶片、以及軟體層的演算法（資料）；其中，芯 片的資料處理速率（算力/功耗）是自動駕駛等級的主要參考指標之一。根據分 類，L3/L4/L5 級自動駕駛系統晶片的算力要求分別達 30+/200+/1,000+ TOPS。

我們認為造成當前規模量產車型尚處於 L2/L2+級系統的主要技術原因，包括 1） 現階段大部分車企仍採用 Mobileye EyeQ4 晶片（單顆晶片算力<10 TOPS）；2） Mobileye 提供基於底層資料的 CV 視覺演算法及其配套的 CVP 模組，部分主機廠 或無法獲取底層資料用於全棧軟體/演算法自研；3）當前主機廠的軟體/演算法能力 或仍相對偏落後（大眾 MEB ID3 海外版由於無法實現 FOTA 升級導致上市延遲）。

我們判斷，1）晶片處於快速迭代階段（2022E/2025E 英偉達 Orin/ Atlan 單顆 晶片算力將分別達 200 TOPS /1,000 TOPS）；2）L3-L5 級系統的應用場景更復 雜，感知系統（底層資料）、決策系統（晶片與軟體/演算法）、以及執行系統（零 配件/整車）的融合度要求更高，Mobileye 等供應商或向主機廠逐步開放其底層 資料，用於不同場景自動駕駛系統的共同研發（4Q21E Mobileye EyeQ5H 將向 主機廠提供晶片、以及軟體工具開發包 vs. EyeQ 1-4 為基於晶片、以及底層資料 /視覺演算法的打包產品）；3）主機廠基於軟體/演算法的研發投入不斷增強，預計 軟硬體技術升級驅動的部分 L3/L3+功能或將於 2022E-2023E 開始逐步兌現。

高精地圖

我們判斷，高精地圖是實現 L3 級及以上自動駕駛系統的另一不可或缺因素，主 要在於可以進一步增強系統冗餘的可靠性。高精地圖：1）可以提供包括車速限 制、以及道路曲率/坡度等特殊路段的資訊，用以彌補感測器無法提前採集的各 項資料；2）可以提供精度更高的靜態資訊、以及實時更新的動態資訊。

2016 年國內出臺《關於加強自動駕駛地圖生產測試與應用管理的通知》，明確 自動駕駛地圖（高精地圖）歸類於電子導航地圖；根據《測繪資質管理規定》， 高精地圖公司須滿足甲級電子導航地圖的測繪資質要求。

當前，國內高精地圖的瓶頸或主要在於，1）測繪高階人才仍處於稀缺狀態，具 備測繪資質牌照的企業數量或仍相對有限（截至 2020/10，國內僅 28 家企業具 備資質）；2）高精地圖涉及底圖製造、資料收集、以及資料分析處理等各項環 節，對應的生產平臺開發/裝置投入/人力與研發投入、以及後續更新/維護投入 等資金成本較高；3）現階段國內高精地圖的靜態資訊精度約 10-20cm（可滿足 L3 級及以上系統的 10-30cm 要求），但動態資訊更新頻率僅為分鐘級（僅滿足 半動態更新頻率標準 vs. L3 級及以上系統需達每秒動態更新頻率標準）。此外， 國內路況可採集資訊的精度與共享性標準（涉及國家地理安全等敏感性資訊）、 以及 GPS/V2X 的不同發展階段等，也會對高精地圖的推進起到決定性作用。

我們判斷，政策監管、技術瓶頸、以及 V2X 尚未落地等，或導致高精地圖仍以 國內廠商為主且需較長時間才有望實現規模化應用；其中，基於高精地圖產業鏈 佈局延伸（軟體/演算法+高精地圖）的國內主機廠/網際網路公司有望長期受益。

車路協同（V2X）

V2X（Vehicle-to-X 或 Vehicle-to-Everything）定義為車輛與外界資訊互動，涵 蓋車輛與車輛通訊（V2V，Vehicle-to-Vehicle）、車輛與基礎設施通訊（V2I， Vehicle-to-Infrastructure Communication）、以及車輛與行人通訊（V2P， Vehicle-to-Pedestrian）等。從技術路徑分類來看，V2X 包括 DSRC（專用短程 通訊）、以及 C-V2X（LTE-V2X 與 4G/5G-V2X 等蜂窩行動通訊）。

從 DSRC 與 C-V2X 之間的比較來看，C-V2X：1）在通訊距離/通訊範圍、可靠性 /抗干擾性、以及非視距效能等方面具有明顯優勢；2）可與現有的 4G/5G 蜂窩 網路複用（vs. DSRC 仍需新建大量路側單元 RSU 等），網路覆蓋成本相對更低 且利用率更高；3）基於 3GPP（3rd Generation Partnership Project，當前涵蓋全球七大行動通訊組織協會）制定的標準，C-V2X 在全球範圍內具備更佳的兼 容性並且可以反向相容 LTE-V2X，預計 C-V2X 是行業發展主要趨勢。

從全球 V2X 的推進情況來看，中國/美國分別於 2018 年/2020 年正式確定 C-V2X 為未來車聯網的發展路徑，日本/歐盟分別於 2019 年/2020 年開展有關 C-V2X 的試驗與測試。我們預計當前 C-V2X 推進的難點包括，1）DSRC 與 C-V2X 技術 路徑尚未最終統一（日本/歐盟仍處於 C-V2X 的試驗與測試階段）且 3GPP 定義 的通訊技術標準尚處於版本持續更新狀態；2）全球 5G 尚未全面普及且當前仍 以增強移動寬頻等業務為主（，5G 高網路速率/高可靠性/低延遲性等通訊優勢對應的 C-V2X 垂直應用尚處於技術驗證早期；3）V2X 所需涵蓋的路側單元/車載終端等、 以及各單元與基站之間或各單元相互之間的介面等基礎設施尚未完善。

我們判斷，1）C-V2X 是 L4/L5 級自動駕駛系統的核心環節之一；主要由於與攝 像頭/鐳射雷達等車載感測器相比，V2X 不易受極端天氣等影響、無需 深度依賴資料與學習演算法、以及可通過多車輛實時資訊融合用以補充盲點，擴大 感知範圍/增強可預測性與收集資訊的可靠性。2）C-V2X 或仍需較長時間實現規 模化技術落地；預 計隨著政策扶持、技術路徑/標準逐步統一、5G 滲透率擡升、以及基礎設施陸續 完善，V2X 有望助力 L4/L5 級自動駕駛系統的長期穩步推進。

2.2、 L3 級自動駕駛系統，是否可跨越？

根據工信部的定義，L3 級為有條件自動駕駛（在不滿足自動駕駛設計運行條件 的情況下，需向駕駛員提出接管請求 vs. L4 級及以上系統可自動達到最小風險 狀態）。但從實際操作角度來看，從系統自動駕駛至交由駕駛員全權接管存在時 間差；此外，鑑於駕駛員的不同反應速度，由系統切換至駕駛員的預留時間或仍 存爭議。根據國內多家機構的研究，預計 L3 級系統預留接管的安全時間約 7 秒。

我們判斷，1）自動駕駛以提高交通安全性/降低事故發生率為核心，其終極狀態 為 L4/L5 級自動駕駛系統（L3 級為過渡系統，其駕駛員接管標準制定與實際應 用情況等或仍待商榷且當前各國政府尚未界定自動駕駛系統的事故責任劃分）。 2）硬體方面，預計 4Q21E-2022E 光雷達開啟量產，晶片算力（組合晶片算力） 有望達 L4/L4+級標準。3）軟體方面，晶片供應商也將向主機廠逐步提供基礎軟 件包（用於不同場景下高度自動駕駛的共同研發）、疊加主機廠基於軟體/演算法 的研發投入不斷增強，預計智慧電動化將步入規模量產與快速迭代階段。

從發展趨勢來看，預計車企或放棄 L3 級自動駕駛系統的落地/量產目標（直接定 位至 L4 級及以上系統並進行相應的技術孵化與儲備）；已實現的部分 L3/L3+ 功能或嵌入其原有的 L2+級系統用於提升品牌/車型市場競爭力；待政策權責制 清晰、以及技術成熟/落地之後，直接切換至 L4/L4+級自動駕駛系統，帶動智慧 化下一階段的快速發展（其中，奧迪已取消 L3 量產計劃，博世無限延長 L3 量產時間，豐田/沃爾沃已放棄 L3 並直接定位至 L4，特斯拉已佈局 L5 功能等）。

3、 晶片

3.1、 晶片發展歷程

汽車自動駕駛採用 SoC（System-on-a-Chip）系統級晶片整合，包含完整的硬 件系統及其承載的嵌入式軟體，是多個具有特定功能的積體電路組合在一個晶片 上形成的系統或產品。SoC 涵蓋處理器、儲存器、介面控制模組、以及互聯總 線等；其中，處理器是體現晶片技術/效能高低的核心。按處理器分類來看，包 括 CPU/GPU/NPU、FGPA、以及 ASIC 等；其中，CPU/GPU/NPU 為通用型處 理器，分別用於邏輯控制/影象處理/深度學習；FGPA 為半定製型處理器，通過 可程式設計的開關控制電路結構（輸入不同程式碼連線相應電路），實現不同邏輯功能； ASIC 為全定製型處理器，針對使用者的演算法需求進行研發設計，具有更強專用性。

我們判斷，自動駕駛仍處於技術升級/快速迭代的過程；1）鑑於當前軟體/演算法 尚處於技術投入的早期，預計短期 SoC 或仍以 CPU/GPU 等通用型處理器為主、 以 ASIC 全定製型處理器為輔；2）雖然 ASIC 初期包括研發在內的投入較高、開 發與驗證週期較長，但鑑於其更高的專用性（算力/功耗等效能佔優）、更強的可靠性、以及基於指定演算法定向設計研發（減少不必要的硬體等），預計 ASIC 規模量產後的效能/成本更優於 FGPA，或為下階段自動駕駛晶片處理器的核心。

3.2、 晶片技術核心為設計

以特斯拉為例，晶片技術核心在於設計

當前特斯拉是全球唯一可以自研量產自動駕駛晶片、全棧自主軟體/演算法、以及 整車製造的車企；其中，特斯拉從 2016/2 開始建立晶片自研團隊，2019/4 發 布 FSD 晶片方案 HW3.0，預計 4Q21E 釋出 HW4.0（效能或為 HW3.0 的 3 倍）。

我們判斷，特斯拉也曾採購 Mobileye（2014 年 HW1）、以及與英偉達（2016 年 HW2.0/HW2.5）的晶片，預計其自研量產晶片的主要原因或在於 1）通過全 棧自研的軟體/演算法更合理設計晶片，改善效能並具有更強的晶片專用性（提高 算力/降低功耗 vs. HW2.5 實際應用或存約 30%算力損耗）；2）雙晶片（HW3.0 採用雙晶片 vs. Mobileye/英偉達為單晶片）增強冗餘安全性；3）降級成本。

我們判斷，自動駕駛晶片的核心在於改善效能（提高算力/降低功耗等）、增強 安全冗餘、以及降低成本；其中，技術的核心在於設計（在通用性、不同軟體/ 演算法對應的晶片有效算力與功耗等綜合性能、以及成本控制等方面獲取平衡，同 時通過組合設計進一步改善效能/增強冗餘）。

從晶片行業的發展趨勢來看，1）製作工藝向 7nm（甚至 5nm）推進（即將量 產的特斯拉 HW4.0/Mobileye EyeQ5/英偉達 Orin 均已達 7nm 工藝 vs. 華為也 已具備 7nm 工藝能力），預計製程工藝的改善有望在控制功率的同時也將大幅 提升算力；2）隨著智慧電動化滲透率擡升，晶片規模量產/成本控制前景可期； 3）鑑於 ASIC（全定製型處理器）規模量產後的效能/成本更優於 FGPA（半定製 型處理器），預計演算法固定後的 ASIC 或為下階段自動駕駛晶片處理器的核心。

特斯拉、以及全球主要晶片供應商的自動駕駛晶片分拆

a）特斯拉

特斯拉 FSD HW3.0 晶片包括 CPU/GPU/NPU*2 等通用型處理器、以及 ASIC 全 定製型處理器。其中，NPU（神經網路處理器）是特斯拉 HW3.0 的核心競爭力 （已獲取包括運算/資料處理等 4 項專利）；1）NPU 在分析影象資料方面具有 處理速度更高效/精準度更強等優勢（每個 NPU 涵蓋一個 96x96 MAC 資料矩陣， SRAM 儲存容量 32MB，工作速度在 2GHz vs. 英偉達/Mobileye 並未配置 NPU， 需通過軟體/演算法與深度學習等模擬 NPU，造成功率/算力損耗）；2）NPU 最大 程度的簡化控制邏輯與程式設計模型/控制流（僅保留 8 項指令集，僅需配置 4 個信 息即可完成一次運算），達到運算和功耗之間的有效平衡；3）NPU 採用資料循 環處理直至最優化得出指令的模式，改善安全性；4）NPU 雙處理器設計，是實 現進一步提高運行速度，同時控制芯片面積/簡化晶片佈線的最佳設計。

我們判斷，特斯拉的核心優勢在於可以根據全棧自研/軟體演算法，自主研發設計 並量產晶片，對應具有與軟體/演算法匹配度更高的晶片綜合性能（算力/功耗等）、 成本控制（複雜性下降）、以及冗餘/安全性（雙晶片設計），預計 NPU（神經 網路處理器）是決定其 FSD 晶片綜合性能（算力/功耗等）的核心因素。

b）英偉達

英偉達 Xavier 晶片包括 CPU/GPU 等通用型處理器、以及 ASIC 全定製型處理器， ASIC 包括深度學習加速器（DLA，與深度學習演算法高度耦合用於加速處理相關 資料）、以及可程式設計視覺加速器（PVA，用於視覺應用程式的效能優化）；其中， GPU（影象處理）為 Xavier 晶片的核心。對於即將量產的 Orin 晶片而言（預計 2022E 量產），其晶片架構與 Xavier 相似，但包括 CPU/GPU 處理器與 DLA/PVA 加速器等效能均有大幅提升（單顆 Orin 晶片算力為 Xavier 的近 7 倍）。

我們判斷，英偉達的核心在於 GPU，可實現多個超長流水線高效並行運算（在 大資料流/密集型資料處理等方面具有優勢），但功耗等也相應較高；具有高算 力/高功率等特徵且 GPU 通用型處理器基於不同軟體/演算法或存算力損耗等。

c）Mobileye

Mobileye EyeQ5 晶片包括 CPU 等通用型處理器、以及 ASIC 全定製型處理器； 其中，ASIC 包括計算機視覺演算法處理器（CVP，匹配 CV 演算法用於 2D/3D 場景 物體檢測與追蹤的描述/儲存/識別/理解等）、深度學習加速器（DLA，與深度學 習演算法高度耦合用於加速處理相關資料）、以及多執行緒加速器（MA，同時提供 多個執行執行緒用於加速資料處理）。

我們判斷，Mobileye 的核心在於 CVP，為 Mobileye 針對傳統視覺演算法定製化 設計，與其 CV 演算法的匹配度較高（可更大程度釋放晶片算力等效能/降低功耗）； 但鑑於其晶片設計缺少 GPU 等處理器，其晶片算力偏低/功耗也相應偏低。

d）華為

華為自動駕駛晶片昇騰 310（22TOPS，12nm 工藝）、以及昇騰 910（640TOPS， 7nm 工藝，尚未規模量產）均來自於華為基於 ARM（英國晶片架構公司，英偉 達擬收購）的自研達芬奇架構；其中，MDC210（48 TOPS）、MDC610（160 TOPS）、 MDC600（352TOPS，搭載於北汽極狐）、以及 MDC810（400+ TOPS）等均 為基於昇騰 310 的組合晶片算力，針對 L2-L5 不同等級的自動駕駛系統。

華為整合張量（3D Cube 多維資料）、向量（Vector 有方向的資料）、以及標 量（Scalar 無方向的資料）等多種計算單元，分別負責矩陣運算、基本和定製 類型運算、以及標量運算和程式迴圈控制等，可滿足不同場景下的資料精度要求。

我們判斷，華為的核心在於針對 AI 運算特徵進行設計，應用 3D cube 矩陣設計 （或需1 個週期即可完成 16*16*16 對應 4,096 次 MAC 矩陣運算 vs. 特斯拉的 HW3.0 NPU 採用 2D 矩陣設計，或需96 個週期才可完成 96*96 對應 9,216 次 MAC 矩陣運算），預計華為具有更高的 AI 算力效率與算力密度。

3.3、 晶片發展趨勢

我們判斷，1）晶片屬於典型的資本密集型行業，需要較高的包括工廠/裝置等在 內的資金投入、以及基於製造工藝/技術迭代更新等對應的較高持續性研發投入。 2）預計一代晶片的生命週期約 5-6 年（研發設計與認證週期合計約 3 年、規模 量產週期約 2-3 年 vs. 技術迭代），行業具有較高壁壘性（盈虧平衡週期或相 對滯後）。3）短期來看，參與者或增多（通過收購/整合、手機等產業鏈延伸、 以及以初創類公司等方式進軍市場），預計大部分主機廠或仍以外購的方式基於 其不同定位/需求與晶片供應商進行合作。4）長期來看，行業或高度集中，通過 手機等產業鏈延伸且又可提供基礎軟體包的 tier-1 晶片供應商有望長期受益。

當前除 Mobileye/英偉達、以及特斯拉（尚未外供）之外，其他晶片供應商分別 通過收購/整合、產業鏈延伸、以及以初創類公司等方式切入自動駕駛晶片賽道。

通過收購/整合進軍市場

英特爾從 2015 年至今已收購多家初創類科技公司；其中，2017 年以 153 億美 元全資收購 Mobileye。通過多輪收購/整合，當前英特爾已擁有相對完整的基於 自動駕駛晶片的供應鏈，涵蓋英特爾 CPU（中央處理器）、Movidius VPU（視 頻處理單元）、Altera FPGA（半定製型處理器）、以及 Mobileye EyeQ 系列芯 片（CPU+ASIC 全定製型處理器）等，可提供基於自動駕駛晶片的整套解決方案。

英偉達也於 2020 年以 70 億美元全資收購 Mellanox（擁有 InfiniBand互連技 術、疊加其乙太網，已被較廣泛應用於全球超大規模資料中心），有助於進一步 優化/增強英偉達資料中心負載量，提高效能與運營效率/降低成本。此外，當前 英偉達正在規劃收購日本軟硬集團旗下全資子公司 ARM（英國晶片架構公司， 蘋果/高通/華為等均基於 ARM 架構進行晶片設計），其收購成功性或仍待觀望。

我們判斷，行業巨頭可通過收購/整合等方式陸續進軍或進一步增強其在自動駕 駛晶片市場的競爭力，完善業務板塊佈局與產業鏈整合，帶動業務協同。

通過產業鏈延伸進軍市場

手機晶片與智慧座艙晶片在邏輯控制與通用類型資料運算、影象處理單元、以及 神經網路單元等技術領域存在相似之處；其中，智慧座艙晶片作為車載晶片還有 更高的基於晶片穩定性/可靠性/安全性等車規要求。自動駕駛晶片又在智慧座艙 晶片的基礎上，對晶片的設計與算力/功耗等有更高的技術要求。

作為全球手機晶片行業巨頭，高通已於 2014 年開始成功推出智慧座艙晶片；當 前，高通智慧座艙晶片已量產至第三代（包括驍龍 602A/驍龍 802A/驍龍 8155），全球 25 家主流車企約 20 家已採用高通驍龍數字座艙平 臺。此外，高通第四代智慧座艙晶片或採用 5nm 技術工藝，有望於 2022E 量產。

在自動駕駛晶片方面，高通也已於 2020 年推出 Snapdragon Ride 自動駕駛計算平臺，涉及安全系統級晶片、安全加速器、以及平臺開放式解決方案（可以與 主機廠自主研發的演算法相結合，具有更強的可擴展與可定製化等特徵）。其中， 高通研發的自動駕駛晶片或將採用 5nm 技術工藝（具有更佳的能耗比），可提 供 10TOPS-700TOPS 算力用於滿足 L2-L4/L5 級不同自動駕駛系統的需求，預 計 Snapdragon Ride 有望於 2022E 量產（2022E 長城與高通開展合作）。

我們判斷，1）行業巨頭也可通過產業鏈延伸（從手機晶片/智慧座艙晶片至自動 駕駛晶片延伸）的方式，切入市場；其中，預計華為與高通的發展路徑較為相似。 2）預計在手機晶片領域具有較強產業鏈優勢的 tier-1 晶片供應商或具有更強的 快速流片/規模量產/控制成本/技術迭代等優勢；其中，又可提供基礎軟體包助 力主機廠自主研發軟體/演算法的 tier-1 晶片供應商則具有更強的市場競爭力。

初創科技類等公司進軍市場

除了行業巨頭，國內也在自動駕駛晶片領域湧現一批優質的初創類科技公司，包 括地平線（2015/7）、以及黑芝麻（2017/1）等；其中，地平線是繼 Mobileye、 英偉達之後第三個實現前裝量產的晶片供應商，旗下自動駕駛晶片征程二搭載車 型已達 8 款（截至 2020/12，征程二出貨量已突破 10 萬），征程三也即將量產。

我們判斷，1）智慧電動化是行業包括高階至低端車企品牌在內的整體趨勢；2） 初創類科技公司與行業巨頭或仍在成本控制/技術迭代等方面存在差距；但鑑於 其可與主機廠深度繫結（提供晶片+軟體/演算法的全套自動駕駛解決方案），預計 仍有望通過其基於全產業鏈的佈局定位，在國內自主市場佔有優勢。

綜合而言，當前自動駕駛晶片市場呈現快速迭代、以及參與者增多的趨勢（主要 來自於收購/整合、產業鏈延伸、以及以初創類公司等方式進軍市場）。

我們判斷，軟體/演算法是各車企形成長期差異化競爭的核心；1）短期來看，主機 廠或基於其不同的軟體/演算法能力，與不同的晶片供應商開展合作（全棧自研軟 件/演算法 vs. 晶片供應商提供軟體工具開發包或全套自動駕駛解決方案）；2） 長期來看，預計在手機晶片等領域具有較強產業鏈優勢且又可提供基礎軟體包助 力主機廠自主研發軟體/演算法的 tier-1 晶片供應商或具有更強的市場競爭力。

3.4、 國內晶片發展情況

現階段，國內晶片供應商主要為華為、以及地平線/黑芝麻等。

我們判斷，1）自動駕駛晶片的技術核心在於設計（在通用性、不同軟體/演算法對 應的晶片有效算力與功耗等綜合性能、以及成本控制等方面獲取平衡，同時通過 組合設計進一步改善效能/增強冗餘）。2）預計華為與高通的發展路徑較為相似， 具有較強的晶片設計能力、以及基於手機晶片延伸至自動駕駛晶片的產業鏈優勢 （快速流片/規模量產/成本控制/技術迭代等長期前景可期）。3）預計地平線/ 黑芝麻等或通過與主機廠深度繫結（提供晶片+軟體/演算法全套方案）獲取競爭力。

鑑於當前華為的晶片採用 Fabless（無晶圓製造）設計模式，僅負責產業鏈中游 的晶片電路設計與銷售，其餘生產/測試/封裝等環節均外包。因此我們預計，當 前以華為為主的國內晶片供應商主要瓶頸並非在於設計等技術層面，而是在於如 何規模量產；其中，涉及上游的 EDA 軟體/ARM 架構、以及下游的光刻機。

a）EDA 軟體

EDA 是完成晶片設計方案輸入、處理、模擬、以及驗證的計算機軟體工具，主 要以 Synopsys、Cadence、以及 Mentor Graphics（已被西門子收購）三家美 國公司為主（合計約佔全球 70%+市佔率，約佔國內 90%+市佔率）；其中，華 為 EDA 也來自此三家美國公司，雖已買斷授權但仍或面臨無法更新迭代的風險。

當前國內 EDA 行業仍存研發/人才短缺、產品不完整、以及工藝相對落後等問題； 其中，華大九天作為國內 EDA 的領先企業，已在相關的資料處理軟體等領域取 得突破，有望逐步打破國外技術壟斷，提供專用 EDA 與一站式晶圓製造服務。 此外，FPGA（半定製化處理器）的設計流程與 CPU/GPU 等通用型處理器不同， 具有更強的自主可控權，預計國內也有望通過 FPGA 自主設計打破 EDA 壟斷。

b）ARM 架構

ARM（英國晶片架構公司）採用 32 位精簡指令集（RISC）處理器架構，可以非 常廣泛的運用於嵌入式系統設計，具有完整的生態鏈且可針對不同類型的體系結 構進行設計，蘋果/高通/三星/華為等均在此架構下完成晶片處理器的設計研發。

2020/9 英偉達正式提出計劃以 400 億美元全資收購日本軟硬集團旗下全資子公 司 ARM，預計其收購成功性或仍待觀望；此外，2021/4 ARM 正式釋出全新一代 Armv9 架構（不受美國相關條例約束），華為有望獲得 Armv9 架構永久使用權。

c）光刻機

晶片的製造核心在於光刻/蝕刻；其中，國內的中微半導體蝕刻機精度已可達 5nm 工藝。然而，在光刻機領域，全球主要企業為荷蘭 ASML（市佔率達 90%+）； 其中，ASML 光刻機的大部分原材料仍需全球採購且其核心技術仍在美國。

英偉達/Mobileye、以及特斯拉的下一代晶片（分別為 Orin /EyeQ5、以及 HW4.0， 預計 4Q21E-2022E 上市）均採用 7nm 工藝；此外，5nm 工藝也處於研發階段。 對比來看，華為昇騰 910（640TOPS，310W）也採用 7nm 工藝，同時公司也 具備 5nm 工藝能力（2020 與臺積電合作，釋出 5nm 麒麟 9000 5G 手機晶片）。

我們判斷，1）華為等國內晶片供應商的技術研發能力處於全球領先水平，其核 心難點或在於如何實現規模量產；其中，預計最大挑戰或來自於光刻機、其次為 EAD 軟體、最後為 ARM（英偉達收購仍需多方機構批准且或面臨反壟斷審查， 預計其收購成功性或仍待觀望）。2）在光刻機方面，預計華為或通過提前備貨、 以及向其他晶片供應商或有資質的供應商採購等方式彌補由於美國相關條例約 束導致的 7nm 無法自主量產等困境。在 EDA 方面，或通過加大國內 EDA 投入、 以及 FPGA 自主設計等方式，打破美國基於 EDA 的壟斷。

4、 軟體/演算法

4.1、 軟體/演算法是長期差異化的核心

我們判斷，全球晶片供應商或主要以 Mobileye/英偉達、高通、以及華為等為主； 在硬體效能差距縮小或逐步趨同的情況下，軟體/演算法是各車企形成長期差異化 競爭的核心（不同軟體/演算法對應的自動駕駛功能兌現性與使用者體驗的差異性）。

根據 McKinsey 測算，預計 2010-2030E 與軟體相關的整車價值佔比上升至 30% （vs. 與機械相關的佔比不斷下降）；各大車企加大軟體自研/合作已成趨勢。

從現階段來看，1）Waymo 與百度等跨越式車企（直接定位至 L4/L5 級自動駕 駛系統）、以及特斯拉與小鵬等漸進式新勢力車企（定位於 L2/L2+級逐步升級 至 L4/L5 級自動駕駛系統）均採用全棧自研軟體/演算法的模式；其中，特斯拉通 過自研量產晶片，具有軟體/演算法與晶片匹配度更高的綜合性能。2）傳統車企分 別通過成立子公司/部門、與全球軟硬體公司合作/收購等方式，加大軟體投入。

4.2、 軟體/演算法仍需與硬體高度匹配

我們判斷，除了晶片本身的工藝/效能差異之外，晶片是否能最大程度的釋放其 效能（高算力/低功耗），還取決於與軟體/演算法的匹配度（晶片的核心在於設計）。 從晶片 ASIC（全定製型處理器）與其對應的演算法分類來看，主要分為 1）視覺 類處理器與演算法、2）神經網路或深度學習類處理器與演算法、以及 3）資料類處 理器與演算法；其中，自動駕駛的核心在於視覺、以及神經網路或深度學習。

特斯拉

特斯拉的晶片應用 NPU（神經網路處理單元）或 NNA（神經網路加速器），是 基於神經網路的加速處理器，具有高效運行且可實現儲存/計算一體化等特徵； 結合與其高度匹配的特斯拉神經網路演算法（計算機視覺演算法與深度學習演算法融 合）通過影子模式（收集/標記資料，對比計算機模擬與實際駕駛員操作的差異 性）進行大量計算機自動訓練學習與升級應用，不斷完善其自動駕駛的行車決策 （其中，Dojo 系統定位 L4/L5，10^6TOPS 算力，適用於 3D+時間的 4D 場景）。

Mobileye/英偉達

1）在視覺方面，Mobileye 的晶片應用 CVP（計算機視覺處理器），結合其自 主研發的 CV（計算機視覺）演算法（vs. 英偉達的晶片應用類似 Mobileye CVP 的 PVA 處理器），Mobileye 或在此領域具有更佳的軟硬體匹配度；2）在深度 學習方面，Mobileye/英偉達的晶片應用 DLA（深度學習處理器）；其中，DLA 的設計結構與 DNN 演算法匹配（包括處理靜態任務的 CNN 卷積神經網路與處理 時間相關任務的 RNN/LSTM），採用端至端的模式（通過對輸入影象的歸一化 處理至不同卷積層對核心資料的提取/輸入，利用輸入至輸出大量對映演算法的學 習/處理，得出自動駕駛的行車決策），具有減少資料量/更高運行效率等特徵。

我們判斷，1）特斯拉神經網路學習的演算法與其晶片處理器高度匹配，核心在於 利用影子模式，實現系統的自動訓練學習與升級應用。Mobileye/英偉達深度學 習的演算法為 DNN（CNN 與 RNN/LSTM），核心在於通過輸入至輸出對映演算法學 習/處理（端至端的模式），得出系統的行車決策（不同卷積層對核心資料的提 取/輸入，具有更高的運行效率等）；其中，Mobileye 在視覺方面採用 CVP 處 理器+CV 演算法或相比於英偉達在此領域具有更高的軟硬體匹配度。2）軟體/演算法 與晶片的匹配度，是自動駕駛系統是否能更高效率釋放其效能的關鍵；其中，軟 件/演算法的核心在於人才與團隊、以及大量實際路況資料的採集與應用。

4.3、 軟體/演算法的核心在於團隊、以及資料

4.3.1、人才與團隊

軟體/演算法的核心之一在於人才與團隊，包括團隊組織架構的定位與清晰程度、 團隊的技術能力、以及團隊的執行力與穩定性。

組織架構

從 Waymo/百度、以及特斯拉的團隊架構分拆來看，1）Waymo 根據自動駕駛 產業鏈，具體分拆為基礎設施、視覺/感知、以及路徑規劃業務組等。

2）百度於 2019/12 對其團隊做了較大幅度調整，保留原有車聯網業務組（車載 OS 系統等）、新增智慧交通業務組（車路協同等基礎設施）、以及將智慧汽車 事業部（L3）與自動駕駛事業部（L4）重新分拆合併（L3 與 L4 技術線合併， L3 事業線的高精地圖分拆）並且對自動駕駛業務組進行擴充升級（當前，百度 自動駕駛業務組涵蓋智慧汽車業務部、智駕地圖業務部、以及自動駕駛技術部）。

3）特斯拉聚焦於軟體/演算法的技術層面，其團隊具體分拆為 AI 演算法、軟體整合 與驗證、以及底層程式碼業務組等（每組負責人均可向 CEO 馬斯克直接彙報）。

我們判斷，1）Waymo 與百度定位 L4/L5 級系統，其團隊架構更完整（涵蓋高 精地圖、以及車路協同等在內的基礎設施業務等）；其中，明確三種商業模式的 百度 Apollo（為主機廠提供自動駕駛技術解決方案、造車、以及共享無人車） 的定位更完整/更清晰（vs. Waymo 或面臨資料長尾效應風險）。2）由於特斯 拉定位 L2/L2+級（從 L2/L2+級漸進至 L4/L5 級），其團隊架構更聚焦於包括底 層程式碼與軟體/演算法等技術層面。3）新勢力與傳統車企均處於加大軟體/演算法投 入的階段；鑑於團隊陸續組建（期限較短），預計定位與清晰程度或仍待觀望（其 中，小鵬的團隊組建較早且具備全棧自研軟體/演算法能力，或處於相對領先位置）。

技術能力

從 Waymo/百度、特斯拉/新勢力、以及傳統車企的團隊負責人技術專業性分拆 來看，均具有相關領域的全球頂級教育與工作背景；1）Waymo/百度與特斯拉/ 新勢力的團隊核心負責人以電子/計算機等理科背景為主（vs. 大眾等傳統車企 或仍存以動力機械等工科背景為主的團隊負責人）；2）新勢力與傳統車企或更 多通過挖掘人才的方式確定團隊核心人員，並以此為基準搭建軟體/演算法團隊。

我們判斷，人才等對應的團隊技術專業能力與企業戰略規劃/激勵機制/企業文化 等高度相關；1）Waymo 與特斯拉更易吸引/培養矽谷頂尖人才（vs. 百度已將 部分美國研發業務遷至國內）；2）預計國內吸引軟體/演算法等相關人才的先後排 序分別為百度、新勢力、頭部民營背景傳統車企、以及國企/央企背景傳統車企。

執行力與穩定性

從 Waymo 與百度、以及特斯拉的團隊執行力與穩定性來看，均處於自動駕駛功 能優化/陸續兌現階段，但仍面臨較高的人才流動風險；其中，百度的人員流失 或與其團隊組織架構調整等相關。此外，從百度與特斯拉離職人員的去向來看， 大部分成為初創類公司的創始人/高管；其中，與百度相關的國內初創類公司包 括地平線/黑芝麻（晶片）、以及小馬智行/文遠知行（L4 系統 Robotaxi）等。

我們判斷，1）自動駕駛產業鏈仍處於發展早期且市場增長空間巨大，當前面臨 高階人才（尤其國內高階人才）短缺且行業參與者不斷增多的趨勢，預計人才/ 團隊的執行力與穩定性是決定公司自動駕駛系統是否可持續穩步推進的核心。2） 預計 Waymo/百度與特斯拉或通過吸引全新優質人才的方式，部分對衝原有團 隊人員的離職風險；鑑於新勢力與傳統車企的團隊陸續組建，預計其團隊執行力 /穩定性或仍待觀望（其中，蔚來與小鵬已面臨一輪軟體/演算法團隊的人員調整）。

4.3.2、資料長尾效應

軟體/演算法的核心之二在於資料（實測路況資料的積累）。

決策層（晶片與軟體/演算法）的路徑規劃需要大量實測路況資料的積累與驗證； 其中，特斯拉 NPU 對應的神經網路學習演算法、以及 Mobileye/英偉達等 DLA 深 度學習處理器對應的 DNN 演算法，均需在充分且完備的資料環境下才可分別達到 計算機自動訓練學習、以及深度學習的效果。

然而，由於人類行為符合正態分佈；由長尾效應（<=5%小概率事件）造成的極 端特殊場景資料或永遠無法捕捉完整，而這些資料或覆蓋部分交通事故場景。因 此，如何解決長尾效應，是攻克 L4/L5 級自動駕駛系統的非技術層面最大難題。

我們判斷，1）實驗室/模擬場景與真實場景存在差異（實驗室/模擬場景的演算法 有效性不等同於真實場景）；此外，演算法於不同國家/地區真實場景的應用效果 也或存在差異性。3）實測路況資料的積累是解決長尾效應的方式之一；當前， 特斯拉擁有絕對領先優勢、其次為百度（降維至 L2/L2+級與車企開展合作）， 預計傳統車企在陸續配置自動駕駛系統後的資料積累優勢也或將逐步顯現。

我們的觀點，軟體/演算法是各車企形成長期差異化競爭的核心；其中，軟體/演算法 的決定性因素包括，1）團隊組織架構的定位與清晰程度、團隊的技術能力、以 及團隊的執行力與穩定性，2）實測路況資料的積累。我們基於軟體/演算法（團隊 與資料）的綜合優先排序分別為百度、特斯拉、Waymo、新勢力（其中，小鵬 或相對領先）、頭部民營背景傳統車企、以及國企/央企背景傳統車企。

5、 產業鏈市場空間比較與標的梳理

5.1、 產業鏈市場空間比較

我們判斷，隨著智慧電動化的不斷推進，與軟體相關的整車價值佔比將不斷上升； 其中，由於越來越多車企或在智慧電動車領域採取直營、以及軟體包單獨分拆銷 售的模式，預計整車硬體售價取決於零配件成本、以及市場供求等，軟體包售價 取決於使用者差異化體驗、以及自動駕駛系統功能兌現性。 我們將產業鏈拆分為 1）汽車電子硬體市場、以及 2）汽車軟體市場。

汽車電子硬體市場

根據 McKinsey 測算，2020-2025E、以及 2020-2030E 汽車電子硬體市場規模 的年複合增速分別約 7.8%、以及 6.5%；其中，與 L3 級及以上自動駕駛系統相 關的汽車電子硬體（EDU/ECU 與感測器）年複合增速分別約 14.9%、以及 12.4%。

1）DCU/ECU（域控制器/電子控制單元）

預計 2020-2030E，DCU/ECU（域控制器/電子控制單元）的汽車電子硬體市場 佔比約 40%-45%；其中，與 L3 級及以上系統相關的 DCU/ECU 市場佔比擡升 （2025E/2030E 分別約 13.0%/15.6% vs. 2020 約 9.3%），對應 2020-2025E、 以及 2020-2030E 年複合增速分別約 15.5%、以及 12.2%。

2）感測器

預計 2020-2030E，感測器的汽車電子硬體市場佔比約 15%；其中，與 L3 級及 以上系統相關的感測器市場佔比擡升（2025E/2030E 分別約 8.4%/11.2% vs. 2020 約 6.3%），對應 2020-2025E、以及 2020-2030E 年複合增速分別約 14.0%、 以及 12.7%；其中，預計 2030E 鐳射雷達的市場空間或達 120 億美元。

軟體市場

汽車軟體涉及作業系統與中間層/應用層、車載/互聯/安全系統、以及 L3 級及以 上自動駕駛系統等。根據 McKinsey 測算，2020-2025E、以及 2020-2030E 汽 車軟體市場的年複合增速分別約 12.1%、以及 9.1%；其中，預計與 L3 級及以 上系統相關的軟體市場佔比擡升（2025E/2030E 均約 50%+ vs. 2020 約 40%+）， 對應 2020-2025E、以及 2020-2030E 年複合增速分別約 16.4%、以及 11.1%。

我們預計汽車下階段發展重心將緊密圍繞綠色+智慧兩大核心主題，自動駕駛系 統是帶動汽車產業鏈（電子硬體與軟體市場）穩步增長的核心驅動力；1）驅動 以演算法與使用者生態等為主的軟體市場規模/價值量佔比增加；2）驅動硬體效能與 冗餘要求增加，對應自動駕駛晶片與鐳射雷達等效能改善/硬體搭載數量增加。

我們預計軟體/演算法是決定使用者差異化體驗、以及自動駕駛系統功能兌現性的核 心；預計產業鏈最受益子行業分別為軟體/演算法、鐳射雷達、以及晶片/域控制器。

（本文僅供參考，不代表我們的任何投資建議。如需使用相關資訊，請參閱報告原文。）

精選報告來源：【未來智庫官網】。