报告行业投资评级 - 投资评级：看好丨维持 [11] 报告核心观点 - 智能驾驶技术正成为汽车行业创新的主要推动力，当前处于L2向L3过渡阶段，中国乘用车市场L2级及以上高阶智驾系统装车率持续提升，2023年具备组合辅助驾驶功能的智能网联乘用车销量达995.3万辆，渗透率47.3% [7][23][28] - 车路云一体化是我国主导的智能驾驶解决方案，有望在政策扶持下迎来新一轮建设周期，带动路侧设施、车载终端、云端服务等产业链发展 [4][8][10] - 短期路侧建设有望加速，中长期运营服务市场空间广阔，预计2030年中国车路协同市场规模达4960亿元 [4][10][87] 智能驾驶发展趋势 - 2023年中国自动驾驶市场规模超3300亿元，预计保持20%以上增速，2025年1-8月中国燃油及新能源乘用车L2级及以上高阶智驾系统装车率均超50%，新能源乘用车L2+装车率达25.5% [28][30] - 自动驾驶应用场景多样化，已在矿山港口、低速配送、干线物流、公共交通等领域实现商业化应用，2023年以来华为、小鹏、比亚迪等车企推动技术规模化落地 [33][38] 车路云一体化技术路径 - 智能驾驶分为车路云一体化和单车智能两条路径，单车智能对高端车载芯片要求高，国产智驾SoC芯片占比不足20%，英伟达Thor芯片算力达2000TOPS，大幅领先国产水平 [8][40][45][47] - 我国主导的C-V2X通信技术已成为车联网首选方案，支持V2V、V2I、V2P、V2N等多种场景，相比DSRC技术具有更低部署成本和更高可扩展性 [50][53] 政策支持与试点进展 - 2024年7月五部委联合确定20个城市为车路云一体化应用试点城市，包括北京、上海、重庆等，已启动项目招标，武汉示范项目投资额达170亿元 [56][61][62][64] - 截至2024年7月，全国建设17个国家级测试区、7个车联网先导区，开放测试道路超32000公里，发放测试牌照超7700张，路侧单元部署超8700套 [57][59] 产业链投资机会 - 路侧单元（RSU）市场空间广阔，按道路公里测算约300亿元，按路口测算达720-1440亿元，RSU通信范围500米，单价约2万元 [90][92][94] - 车载单元（OBU）前装市场有望放量，2023年乘用车C-V2X前装率约1.2%，规模超27万辆，预计2026-2027年前装率突破9%，市场空间约60亿元 [100][101][105] - 长期运营服务市场空间巨大，按20%渗透率和每车年费1000-7200元测算，中性估计市场空间达1000-7200亿元 [102][106]

市场增长与规模 - 汽车AI芯片全球市场规模预计从2024年的138亿美元增长至2029年的343亿美元，年复合增长率高达20.45% [2] - 市场增长主要受自动驾驶渗透率提升、ADAS系统功能复杂化、智能座舱与多模态人机交互系统需求驱动 [3] - 自动驾驶是主要市场推动力，尤其在L2+及L3级别量产路径逐步明朗的背景下，主机厂将AI能力作为核心卖点 [4] 技术发展趋势 - AI芯片从通用计算向异构架构转型，ASIC与可重构架构（如RISC-V+NPU）成为新趋势，以满足车载场景对低延迟与低功耗的要求 [4] - 芯片供应商正由硬件厂商转向平台提供商，集成感知算法、工具链、数据管理能力，形成闭环生态 [4] - 未来几年单芯片算力有望达到2000TOPS，存算一体架构兴起可支持1000+TOPS/W的超高能效比，打破传统冯・诺依曼架构瓶颈 [6] - 边缘计算与云端协同成为重要趋势，车端AI芯片可实现200ms内实时决策，并与云端形成“数据采集-模型优化-OTA升级”闭环，将L4级自动驾驶模型迭代周期缩短至2周 [7] 市场竞争格局 - 英伟达和高通等跨国巨头占据全球市场较多份额，2023年英伟达Orin芯片累计装车量超过500万辆 [5] - 高通的SA8155P座舱芯片在高端车型中的渗透率达到40% [5] - 北美市场聚焦自动驾驶技术，欧洲市场则积极推进车路协同（C-V2X），带动V2X专用AI芯片需求激增 [7] 商业模式创新 - AI芯片商业模式正从传统“硬件销售”转向“算力即服务”（CaaS） [8] - 特斯拉FSD芯片订阅制用户超数百万，通过订阅方式获取自动驾驶功能 [8] - 英伟达DRIVE AV软件授权收入占比提升，实现了商业模式的多元化 [8] 未来竞争核心与发展方向 - 企业核心竞争力构建需聚焦“算力赛道”，建立“通用算力平台+专用加速模块”的技术路线 [9] - 生态构建是成功关键，需打造“芯片-算法-数据”闭环，通过与车企、零部件供应商、软件开发商紧密合作实现技术快速迭代 [9] - 市场布局需深耕细分场景，满足不同客户需求，通过精准定位提高市场份额和客户满意度 [9] - 汽车AI芯片发展是技术迭代、产业生态与商业模式的重塑，需以场景定义产品，以生态构建壁垒 [10]

核心观点 - 英伟达驾驶芯片在乘用车驾驶域控中占比53.5% 同比显著提升25.4个百分点 [1][3] - 乘用车L2级以上功能渗透率达29.7% 同比提升13个百分点 [4] - 激光雷达渗透率10% 华为以47%市占率领先市场 [3][4] 行业动态 - Waymo获美国纽约市首个自动驾驶汽车测试许可 [2] - 文远知行发布端到端辅助驾驶解决方案 预计2025年内量产上车 [2] - 禾赛获得丰田汽车激光雷达定点 2026年开启量产 [2] - 小马智行正式启动上海浦东自动驾驶出行服务 [2] 传感器渗透率 - 前视摄像头渗透率67.6% 其中800万像素占比39.7%同比提升22个百分点 [3][4] - 前向毫米波雷达渗透率57.4% 同比提升5个百分点 [4] - 激光雷达渗透率9.7% 同比提升2个百分点 [4] 域控制器发展 - 自动驾驶域控制器渗透率30.9% 同比提升13.1个百分点 [4] - 驾驶域控渗透率31% 英伟达占比53.5%居首 地平线/特斯拉FSD/华为分别占10.4%/9.4%/11.6% [1][3] 智能座舱配置 - 10寸以上中控屏渗透率85.2% 同比提升1个百分点 [4] - HUD渗透率19.4% 同比提升3个百分点 [4] - 智能座舱域控制器渗透率40.8% 同比提升9个百分点 [4] 智能网联功能 - OTA渗透率76.8% 同比提升2个百分点 [4] - T-BOX渗透率69.0% 同比下降7个百分点 [4] 供应商格局 - 激光雷达市场华为占47% 禾赛科技29% 速腾聚创20% 图达通4.7% [3] - 新一代智己LS6搭载速腾聚创520线超级激光雷达 [2] - 地平线HSD迎升级 首搭奇瑞星途E05车型 [2]

纯GPU在自动驾驶中的应用与局限性 - 纯GPU可实现低级别自动驾驶，但存在延迟、功耗和效率等明显短板，难以满足L3及以上级别需求 [4][6] - 早期测试案例显示，基于英伟达GTX1080GPU的方案在60公里/小时车速下，80毫秒延迟导致车辆前进1.33米，存在安全隐患 [5] - 特斯拉早期采用NVIDIA PX2 GPU，后转向自研NPU（FSD芯片）以优化能效 [6] GPU、NPU、TPU的架构与原理对比 - GPU设计初衷为图形渲染，以英伟达GTX1080为例，含2560个流处理器，但执行神经网络计算时30%-40%硬件资源闲置 [8][9] - NPU专为神经网络设计，如华为昇腾310B含2048个MAC单元，数据流转路径比GPU减少60%以上 [10][14] - TPU采用脉动阵列架构（如TPU v2的512x512阵列），数据复用率比GPU高3倍以上，专为TensorFlow优化 [12][28] 自动驾驶芯片的混合架构设计 - 英伟达Thor芯片同时集成GPU和NPU，NPU处理YOLOv8模型单帧图像耗时5毫秒，GPU处理100万点云数据耗时3毫秒，协同效率提升40% [32][33] - 混合架构降低硬件成本25%，减少50%电路板空间占用，并保留GPU以兼容传统算法（如SLAM），节省18个月适配时间 [33][34] 能效与成本数据对比 - NPU能效显著优于GPU：华为昇腾310B能效比2.75TOPS/W，是英伟达Jetson AGX Xavier（1.07TOPS/W）的2.5倍 [36] - 特斯拉FSD芯片NPU部分能效比5.76TOPS/W，相同算力下功耗仅为纯GPU方案的1/4.8 [36] - 量产10万台时，NPU单位研发成本30美元/台，GPU为80美元/台；144TOPS算力下，NPU方案硬件成本仅为纯GPU方案的12.5% [37] 技术发展趋势 - 纯GPU方案在L4级自动驾驶中面临瓶颈：处理5-10GB/秒数据需多颗GPU协同，功耗达320W，使电动车续航减少30% [6] - 未来主流方案为NPU+GPU混合架构，兼顾神经网络处理效率与通用计算兼容性，综合优化延迟、能耗及成本 [40]