全球资本市场表现 - 美国股票市场展现出强劲上涨动能 纳斯达克指数 标普500指数刷新历史高点 道琼斯指数逼近历史新高 [1] - 欧洲主要经济体股市(法国 英国 德国)同样徘徊在新高附近 以色列股市也创下新高 [1] - 科技板块成为全球市场普涨核心动力 美国科技公司贡献绝大多数市值增长 英伟达等巨头表现突出 [1] - 中国资本市场与美国科技板块存在联动效应 美国科技股表现能为中国科技概念注入活力 [1] 中国资本市场展望 - 上证指数与沪深300指数创下年内新高 走出4月份低谷 [3] - 下半年可能推出更大规模经济刺激政策 为市场注入新增长动能 [3] - 宏观政策支持叠加全球科技浪潮推动 中国资本市场有望迎来以科技为核心的"大年份" [3] - 科技进步是推动社会发展核心力量 中国在部分科技领域已实现弯道超车 [3] 中国科技行业投资机遇 芯片与半导体产业 - 芯片产业作为现代科技基石 中国在全产业链环节奋力追赶国际先进水平 [4] - 中科曙光与海光信息合并案例 形成涵盖CPU DPU 液冷存储 云计算等业务的"国家队" [4] - 摩尔线程 沐曦 壁仞等国产芯片设计公司崛起 市场竞争日趋激烈 [5] 固态电池 - 固态电池被视为下一代动力电池颠覆性技术 具备高能量密度 高安全性优势 [6] - 低空经济和新能源汽车发展为半固态/准固态电池提供应用舞台 [6] - 生产线设备商(如国轩高科)是稳健投资方向 为固态电池生产提供关键设备 [6] 车路云与自动驾驶 - 车路云协同发展模式(智能电动汽车 智能公路 云服务)是实现高级别自动驾驶关键 [7] - 美国自动驾驶出租车服务率先落地 预示领域从概念走向现实 [7] 其他新兴科技领域 - 人形机器人 深海经济 AI/AR眼镜 大模型等前沿科技代表创新最前沿 [8] 企业案例分析 小米集团 - 业务从手机制造扩展到物联网 智能汽车 互联网服务 构建"人车家一体化"生态 [9] - 小米汽车YU7订单表现超越预期 市值从发行价附近跃升至50港币以上 [9] 中芯国际与百济神州 - 中芯国际在A股市场具有稀缺性 但在香港市场面临台积电 三星等国际巨头竞争 [10] - 百济神州作为美国生物医药企业 通过国际合作模式(BD模式)迎来发展机遇 [11] 数字金融与基础设施 - 拉卡拉作为京东线下收款重要代理商 概念扎实 [12] - 恒生电子凭借金融基础设施建设积累和实际订单获取能力 构成数字时代基石 [12]

业务发展 - 四维图新2024年至2025年一季度新增360万套辅助驾驶产品定点，其中基础行车产品累计定点超300万套，舱泊产品新增定点60万套 [16][18] - 公司参股公司六分科技已形成完整的低空经济解决方案，包括高精度定位服务、低空飞行牌照、低空安全监管平台等内容，已在多个城市开始接洽 [4] - 公司与华为在花瓣地图开发平台及衍生的应用服务方面展开全面合作，提供数据、技术支持和运营服务 [7][55][70] - 数据合规业务2024年实现150%高速增长，2025年第一季度又增长100%以上，已成为智云板块核心支柱 [9][20][21] - 公司2028年营收目标为100亿元，智驾业务后期可能占总业务60%，芯片30%，其他10% [92] 财务表现 - 2024年公司智驾板块实现营收2.71亿元，较2023年下降28.08% [10][14] - 2024年杰发科技亏损1.72亿元，主要因汽车产业链竞争加剧导致芯片产品价格下滑及研发投入较大 [11] - 2024年存货中合同履约成本为4.1亿元，较2023年2.34亿元增长75%，主要源于车路云项目投入增加 [12] - 2024年股权激励股份支付费用为0.7亿元 [13] - 2024年公司归母净利润亏损10.95亿元，其中分拆脱表的子业务影响近4亿元 [39][86] 技术研发 - 公司基于高通8620及8650平台的智驾方案已在上海国际车展发布，目前商机积极跟进中 [21] - 高精地图对L3以上级别智驾是必不可少的功能组件，公司相关布局稳步推进中 [44] - 公司世界模型相关能力已逐步在体系内实现闭环应用，用于行为预测、轨迹生成等关键模块 [119] - 动态高精度地图更新周期行业领先水平可实现静态周级、动态分钟级 [62] - 公司与地平线在J6平台保持长期战略合作 [74] 行业竞争 - 行业内卷严重，OEM客户占有大部分利润，供应商需凭技术实力和供应链管理能力找到利润空间 [32] - 地理信息数据合规领域目前有2-3家具备甲导资质的友商 [72] - 公司通过外建生态、内提效率，力争成为行业内最早扭亏的头部公司之一 [51][110] - 两轮电动车市场每年销量约数千万辆，公司地图、导航、芯片等业务有望在该领域获得增长机遇 [97] 战略规划 - 公司定位是以智驾为龙头、提供极致性价比软硬一体解决方案的新型Tier 1 [98] - 未来将通过数据规模协同效应、参与标准制定与全栈自主可控，发展成为智能驾驶时代"数字基础设施"的领先建设者 [25] - 公司持续进行产品与业务聚焦、客户聚焦、组织聚焦的工作 [26][79] - 车路云业务正在北京亦庄和全国20个试点城市逐步落地，公司积极参与跟进 [68] - 四维智联已完成股改并有独立IPO计划 [99]

文章核心观点 行业从车企、行业政策、商业模式三个维度分析智能驾驶产业发展，阐述产业演进阶段、政策完善情况和商业落地模式，指出发展机遇与现存问题 [1] 产业演进 智能驾驶等级 - L2为辅助驾驶，含ACC自适应巡航和LKS车道保持居中辅助等功能；L2+及以上在L2基础上加入ALC拨杆变道，含高速NOA、城市NOA等功能；L3为自动辅助驾驶，城市NOA是L3最核心体验；L4为自动驾驶；L5为无人驾驶 [5][6] 智能驾驶技术路径 - 主要分为“单车智能”和“车路云协同”，双路线并行发展且相互促进；单车智能侧重单车感知、计算和决策，发展较成熟；车路云协同由车辆、道路和云控平台共同控制车辆，处于早期阶段 [6] 产业层面渗透率 - 2025年3月较2024年，整体智驾L2及以上渗透率从55.8%提升到60.2%，搭载车型销量同比增长47%；L2+及以上渗透率从13.5%提升到15.1%，搭载车型销量同比增长142%；20 - 30万价格带L2级以上及高速NOA和城市NOA结合渗透率最高 [8] 现存问题与新技术 - 智驾在城市NOA场景下复杂场景处理能力待提高；2024年端到端技术落地，2025年VLA大模型接力，部分车企七八月份量产上车 [9] 全行业智驾渗透率提升 - 预计2025年可实现高速NOA以及城区NOA功能的车辆销量同比增速接近300%，之后L3主要由比亚迪、理想等车企驱动 [10] 产业层面其他动态 - 特斯拉马斯克预计很快出现通用的、纯粹AI解决方案用于完全自动智能驾驶；小鹏汽车启动720亿参数自驾基模研发 [11][12] 制度完善 政策重心转变 - 政策由推动道路测试转向试点落地和实践应用，全国已有50余个省市发布实施细则，开放测试示范道路3.2万多公里，发放牌照超7700张 [13] 中美政策对比 - 中美最早将发展智能网联汽车作为国家战略，政策框架和演进阶段大体相同，目前前两阶段政策相对完善，未来重心是推广应用 [15] 单车智能路线政策 - 政策为智能驾驶车辆从试点测试到上路通行“松绑”，包括放开试点、载客运营和个人乘用车上路通行 [16][17] V2X与道路交通安全法修订 - L3准入未强制要求车辆支持V2X，但支持可获更高打分；道路交通安全法在修订中，有望2025年内发布含L3权责界定的版本 [18] 试点城市要求 - 试点城市需具备政策保障、基础设施和安全管理三方面条件 [19] 商业落地 联合体商业场景 - L3申报联合体包括车企、运营主体公司和地方政府，商业场景主要为出行服务公司提供车辆，目标是无人驾驶出租车市场 [20] 商业模式关注点 - 关注投放车辆数量、日接单量等细节，渐进式发展公司入局推动商业化能力发展 [20] L3准入情况 - 目前L3准入只能to B，商业化拓展需完善，第二批申报也是to B，小米事件为to C增加阻碍 [20] 重庆试点情况 - 长安在重庆申报，重庆部分区域全域开放用于L3商务运营和商业化试点，道路开放范围扩大 [21] 联合体申报要求 - 进行联合体申报的企业，车上路前当地政府需颁布自动驾驶管理条例 [21] 车路云协同政策 - 采用“扶持”基调，包括基础设施数字化融合、推动车载终端配备率提升和形成“投建运”新型商业模式 [22][23] Robotaxi成本测算 - 给出运营车辆及里程、人员薪酬、能耗及补能、车辆保养、保险费用等前提假设 [25]

文章核心观点 - 中国工程院院士邬贺铨指出，单车智能存在局限性，车路云协同是智能交通发展的关键方向，其核心在于数据处理与算力，但目前面临海量数据需求和巨大算力挑战，算力压缩是未来重点[1][2][3][5] - 为推进车路云一体化发展，需要在数据处理、智能体应用、网络建设（特别是V2X网络）等方面进行系统性升级与协同建设，并建议组建全国统一的V2X运营商以实现规模化、标准化部署[6][7] 单车智能的局限性与车路云协同的优势 - 单车智能在复杂路口、恶劣天气、交通标志不清等情况下难以发挥作用，且存在雷达距离有限、视觉盲区以及激光雷达成本较高等问题[1] - 车路云协同能够实现全天候运行，简化对车载传感器和雷达的要求，实现全局性感知，并将周边车辆和道路状况反馈至汽车，同时有利于城市交管部门全局掌控[1] 智能交通面临的数据挑战 - 训练L5级别自动驾驶模型需要170亿公里的数据，其中真实路侧数据至少需1亿公里[2] - 以100辆车7×24小时不间断行驶计算，采集1亿公里路侧数据需要3.7年[2] - 每辆车每秒由雷达、传感器产生的数据量约为1GB，经压缩后，一辆车行驶产生的数据传输量约为12GB[2] - 对于智能交通，每辆车至少需保留1GB数据，以图像数据为例，约为1亿token时延[2] - 在L4级别下，数据量可减少至20%—30%，L3级别可减少至10%—20%，但L3级别数据量仍高达1亿EB，成本高昂且难以获取极端长尾场景数据[2] - 目前大部分交通数据中，仅有1%来自真实道路，90%来自封闭道路，90%为仿真数据[2] - 为解决数据不足，可借助AI技术通过改变光照、视觉、材质，添加人为噪声、障碍等方式变换场景生成更多数据[2] - 交通数据标注成本较高，需开发基于AI的标注方法替代人工，但完全依赖AI生成数据存在弊端，原始数据至少应保留10%—20%[3] 智能交通面临的算力挑战 - 当前世界现有的算力水平难以满足智能交通的需求[1] - 智能驾驶对算力的需求与模型参数、训练数据成正比，与训练时长、GPU利用率成反比[3] - 训练时长过长会导致GPU出错影响效率，无法单纯依靠拉长训练时长来降低算力要求[3] - 每个城市建设的车联网城市云平台所需算力因智能驾驶程度及所支持的车辆数量而异[3] - 车端算力需求随自动驾驶级别提升而剧增：L2、L3、L4、L5级别车载算力最低要求分别为4—10Tops及更高，L5级别需达到1000Tops（每秒一千万亿次计算），目前尚无车辆能够支持如此高的算力[3] - 车端应用还需具备通信能力（支持车到车、车到路及车到网络通信）以及定位功能[4] 算力压缩的技术方向与解决方案 - 未来在自动驾驶领域应更加关注算力的压缩[1][5] - 可以借鉴DeepSeek等生成式AI的技术思路，如通过注意力机制简化计算过程，着重考虑主语与其他词、相连词以及主谓之间的关系以减少计算量[5] - 采用多头注意力多维度核算，多维度并行时先压缩再存储以提升计算效率[5] - 利用知识蒸馏技术，如同老师提取书籍精华，学生无须复杂训练，从而显著简化计算能力[5][6] - 仅有大模型不足以实现落地应用，需将其部署上云，方便用户使用并添加自身数据进行微调[6] - 智能体在智能驾驶中发挥重要作用，可将各类智能驾驶场景分解为多个具备记忆、任务分解、规划和使用工具能力的智能体，以推动大模型在特定场景中的应用[6] 网络建设与升级需求 - 已部署的5G高可靠、低时延网络需电信运营商进行改造升级以适配车联网[6] - 需建设运营商之间本地网的直连点，以解决以往互联存在的时延问题[6] - 传统5G网络无法为车联网提供充足的确定性和低时延保障，需在城市重要路口将5G网络升级至5G-A，确保确定性时延[6] - 除5G网络升级外，还需建设涵盖边缘计算、车联网城市云以及RSU等的路侧网络，需各方协同建设，可利用运营商已有的局域网、城域网和广域网能力[7] - 目前国家有20个城市试点V2X网络建设，但各城市单独建设存在标准不统一、碎片化、缺乏规模化以及成本高等问题[7] 关于V2X网络建设的建议与效益 - 建议组建全国性的统一V2X运营商，由电信运营商、汽车企业、金融机构、交通企业、市政公司等共同构成，负责全国车联网投资建设，实现统一标准、规模部署和集中运营[7] - 经测算，分两期建设V2X网络，总投资约4000亿元（不包含运营商对现有5G网络的改造投资）[7] - 完成投资后，可实现2G以上公路（约56万公里）全覆盖，完成主要城市路口改造，支持L3级智能驾驶能力，使城市通行效率提升30%，降低交通事故发生率80%[7]