报告行业投资评级 - 报告未明确给出行业投资评级 [1][2][3][4][6][7][8][9][10][11][12][13][15][16][18][19][20][22][23][24][25][26][27][29][30][32][33][35][37][38][40][41][42][44][45][46][47][49][50][52][53][54][55][56][58][59][61][62][63][65][66][67][68][70][71][73][74][75][76][79][80][81][82][83][84][85][86][87][89][90][92][93][95][96][97][99][100][101][103][104][106][107][109][112][113][114][115][116][117][118][120][121][124][125][126][127][128][129] 报告核心观点 - 保时捷工程集团通过构建一个云连接、人工智能赋能的实时生态系统，旨在彻底改变汽车开发流程，显著缩短“上车时间” [24][58][113] - 该生态系统连接车辆边缘设备、云端数据湖和本地训练资源，形成一个从数据收集、实时验证、可扩展训练到边缘部署的端到端、一致的开发循环 [26][27][59][114] - 应用该生态系统解决了三大现实挑战：1) 通过信号基础模型将海量原始数据转换为可搜索的场景数据库；2) 通过AI校准将高动态驾驶下的GPS定位精度从5-10米提升至约1-2米；3) 通过AI代理驱动的诊断将初步假设时间从数小时缩短至数分钟 [61][80][96][100][116][117][118] 公司概况与能力 - 保时捷工程集团是保时捷股份公司的全资子公司，成立于1931年，在全球13个地点拥有约1,700名员工 [8][10][11] - 公司专注于未来智能网联汽车的技术开发，提供全面的车辆及系统开发服务，涵盖完整车辆集成、连接性、人工智能、高度自动化驾驶、电动出行、E/E架构及底盘系统等领域 [9][12][13][15][16][18][19][22][23] - 公司拥有国际化的工程网络，分布在德国、意大利、捷克、罗马尼亚、中国和美国，专注于市场特定功能、驾驶员辅助系统、高度自动化驾驶、大数据、人工智能、V2X测试、电动出行及软件集成等数字技术开发 [4][11] 开发现状与挑战 - 传统的以控制器为中心、离线录音、手动数据传输和配置的开发工作流程，导致迭代周期长、工作强度高、可重复性低 [25] - 在车队规模测试中，数据难以管理，结果难以比较，研究想法长期停留在实验室环境，缺乏实地测试的最终信心 [25] 云连接AI生态系统架构 - 核心开发循环分为三步：1) 在车辆中执行与收集数据；2) 在云端/数据中心进行分析与优化；3) 将更新后的模型部署回车辆 [26][27] - 技术组件包括：1) 边缘设备：如搭载NVIDIA Jetson的定制硬件平台“CarDataBox”，作为数据源和AI应用载体；2) 云资源：如Azure IoT Hub、数据湖、可扩展处理平台；3) 本地资源：如NVIDIA DGX系统用于高性能模型训练 [29][30][33][37][38][40][45][47][55] - 系统支持远程边缘设备应用部署，工程师可通过云端的容器注册表更新应用和模型权重，实现分钟级车内评估与更新 [41][42][58] - 数据处理在云端通过Kubernetes、NVIDIA B200等进行，支持从数据湖管理、小型模型训练/推理到大型模型训练的全流程 [49][50] - 本地NVIDIA DGX平台（B200）提供深度学习工作负载调度、模型训练与部署、实验追踪及LLM推理等能力 [55][56] 生态系统应用与效益 - **效率提升**：生态系统实现了直接车内评估与分钟级更新、统一的全球AI模型生命周期管理、车队规模的操作与评估，并支持与车辆架构无关的软件开发 [58][59] - **用例一：信号基础模型** - **挑战**：海量未标注的信号记录，难以查找、比较和量化罕见或安全关键事件 [66] - **方案**：利用时间序列基础模型和大型语言模型，将驾驶场景时间序列数据编码为“嵌入”向量，在潜在空间中进行聚类，从而将原始录音转换为可搜索的场景数据库 [67][68][73][74][75] - **应用**：支持相似场景搜索、自然语言描述场景以及生成类似场景信号 [76][79] - **效益**：实现更快的根本原因分析、扩展测试覆盖率，并形成从部署到优化的闭环改进 [80][81][82][83] - **用例二：AI校准的赛车GPS** - **挑战**：高动态驾驶降低GPS精度，道路汽车GPS噪声导致±5-10米误差，且经典GPS修正方法无效 [85][86] - **方案**：利用LSTM模型，融合车辆传感器序列信号（如IMU数据），直接预测并纠正GPS位置误差 [89][93] - **效益**：实现约95%的误差减少，将GPS精度从5-10米提升至约1-2米（均方根误差约为1.4米），并在保时捷911等车型上得到赛道验证 [96][97] - **用例三：AI代理驱动的车辆数据分析（解码舰队）** - **挑战**：车辆数据量大、形式多，诊断信息关系模糊，特定领域分析需要高强度投入 [100][101] - **方案**：采用针对开发车队协议的大型协议Transformer-Decoder模型，构建高度自动化的模块化AI工作流程和多代理专家系统（如ADAS代理、底盘代理、电池代理）进行细粒度诊断 [101][103][104][106][107] - **效益**：将形成初步假设的时间从数小时缩短至数分钟，减少对稀缺专家知识的依赖，并能高效处理大量数据、清晰展示信息与因果关系 [109][118]