纪要涉及的行业或公司 * **行业**：智能驾驶（自动驾驶）行业 [1] * **公司**： * **英伟达 (NVIDIA)**：发布开源大模型Alpaca (Apache Maestro)，旨在构建软硬件一体化生态 [1][2][4] * **主机厂/车企**：蔚来、小鹏、理想、比亚迪、奔驰、通用、上汽、广汽、奇瑞、吉利、宝马、奥迪、大众、福特、捷豹路虎等 [3][6][14][15][17][18][19] * **芯片厂商**：高通、德州仪器 (TI)、地平线、黑芝麻 [7][15] * **算法/方案供应商**：Momenta、大疆、卓玉、青州、千里科技等 [1][7][17][18] * **Robotaxi公司**：Waymo、特斯拉 [13] * **其他**：华为 [15] 纪要提到的核心观点和论据 * **英伟达Alpaca模型的技术特点与性能** * 模型为多模态视频语言动作模型，输入多摄像头视频和传感器信息，输出自然语言因果推理链和未来轨迹点 [2] * 采用结构化标注协议和FlowMatting技术优化轨迹生成，降低推理时延 [1][2] * 在复杂路口等长尾数据集上性能提升12% [1][2] * 封闭道路越界率从17%降至11% [1][2] * 危险近距离交汇场景危险率从4%降至3% [1][2] * 在RTS6,000架构下整体耗时99毫秒，满足车规级100毫秒闭环要求 [2] * 在服务器A100芯片上推理延迟约125毫秒，在实车SOR Ultra 750 TOPS芯片上延迟约60毫秒（约16帧） [8] * **英伟达的战略意图与生态影响** * 通过开源Alpaca模型，构建从数据标注、模型选择到工程化优化的软硬件一体化生态系统，推动其芯片广泛落地 [1][4] * 生态模式类似于安卓与苹果的竞争关系 [1][4] * 基于英伟达生态的主机厂可加速方案上车，但需支付许可费和一次性开发费 [1][6] * 对国内自研厂商（如蔚来、小鹏、理想）影响较小，主要因国内场景差异及英伟达本地化工程不足，但可借鉴其思路 [1][6][7] * 对与高通等合作的第三方算法厂商（如卓玉、青州）构成利空，市场空间可能被挤压 [1][7] * 开源版本参数较小（如7B、3B、5B），主要用于展示范式，大规模闭源版本仍由英伟达掌握 [9] * **面临的挑战与成本** * 数据标注成本高昂，需要大量人工标注 [2][5] * 工程复杂度高，需进行参数裁剪、蒸馏及算力协同优化 [2][5] * **2026年智能驾驶技术发展趋势** * 2026年是从少数头部企业向行业普及的关键拐点，重点在于工程化优化和数据训练闭环 [1][10] * 世界模型与VLA/VA架构结合将成为许多企业的选择，并逐步渗透至低价位车型 [1][12] * 将催生新功能，如拍照找车、复杂语音控车、托管驾驶等 [12] * **主要车企与技术供应商动态** * **Waymo**：自研芯片BMC已完成流片，与上汽合作车型预计2026年第三季度推出 [3][14] * **比亚迪**：自研芯片预计2026年第四季度流片，将搭载于后续新车型，并计划升级B系列平台至猛犸塔方案 [3][15] * **奇瑞**：2026年按猎鹰战略推出车型，基本不再自研，旗下各品牌平台采用不同供应商方案（如高通、大疆、地平线、Momenta） [17] * **吉利**：低端车型由吉利研究院主导，中高端车型主要依靠千里科技，极氪保持独立开发 [17] * **外资车企**：奔驰、通用等绑定英伟达生态的企业，其高端智驾落地有望因OpenMA生态开源而加速 [3][19] * **竞争格局与技术水平对比** * 英伟达模型目前在美国表现相当于特斯拉FSD V12水平，要达到V13水平需7-8个月迭代周期 [21] * 在国内，要达到小鹏VLA 2.0水平至少需要一年时间，因长尾场景更复杂、标注要求更高 [21] * 高通在座舱领域强势，但算法支持有限，需绑定算法供应商以提供有竞争力的解决方案 [7] * **其他重要进展** * **特斯拉FSD入华**：已被允许在中国训练，处于合规云采购完成阶段，预计2026年Q2或Q3有大版本推出，但效果可能不及FSD V14 [23] * **L4/Robotaxi**：实现理想中的L4级别自动驾驶仍需长时间运营迭代，长尾场景挑战仍存 [13] 其他重要但是可能被忽略的内容 * **芯片平台拓展外资客户的关键窗口期**：2026年是关键窗口期，若某平台芯片能成功量产并通过外资主机厂严格认证，2027年有望吸引更多外资品牌使用 [20] * **数据采集与标注的核心地位**：对于开展Robotaxi业务，数据采集后的标注是核心操作，是最重要的一环 [22] * **奥特曼模型影响的差异性**：该模型对海外车厂更友好，因提供完整解决方案；对国内领先的车厂影响相对较小 [24] * **未来模型表现的依赖性**：奥特曼模型未来表现取决于用户贡献，但在国内生态中，涉及隐私的高质量数据难以开源共享，成果未必能普惠 [25] * **技术架构演进路径**：2024年理想提出双模型架构，2025年8-9月左右各大厂商转向纯VLA架构，2026年将是VLA加世界模型版本的重要年份 [11]

核心观点 - 英伟达第二财季营收及每股利润略超预期 但营收增速创两年新低 第三季度指引未包含中国数据中心业务收入 引发市场对AI投资增速放缓的担忧 导致股价下跌并拖累美股期货 [1][2][3] - 公司面临中国市场政策限制 本土替代加速 全球客户支出调整及供应链瓶颈等多重挑战 增长动能明显减弱 [4][5] - 股价承压背景下推出大规模股票回购计划 但估值逻辑面临考验 行业可能从粗放扩张转向精细化运营 [6][7][8] 财务表现 - 第二财季营收467亿美元 同比增长56% 略高于市场预期的462亿美元 调整后每股利润1.05美元 高于1.01美元的预期 [2] - 营收增速56%为2023年AI热潮爆发以来最低水平 较此前70%以上增速大幅回落 [2] - 数据中心部门营收411亿美元 同比增长56% 略低于413亿美元的预期 占总营收比重从去年同期88%微降至88% [2] - 游戏业务收入42.9亿美元 高于38亿美元预期 同比增长13% 汽车业务销售额5.86亿美元 同比下滑7% [2] 业绩指引 - 第三季度销售额指引约为540亿美元 与华尔街平均预期持平 但远低于部分分析师600亿美元的乐观预判 [3] - 明确表示该指引未包含中国数据中心业务收入 即不考虑对华H20芯片潜在销售收入 [3] 中国市场挑战 - 美国政府允许出口H20芯片 但政策红利未转化为实际收入 出口许可审批进展缓慢 目前仅有少数中国客户获得采购资格 [4] - 美国政府计划对中国出口芯片收取15%销售额分成 可能引发诉讼风险 增加成本并损害竞争地位 [4] - 公司预计最终有20亿至50亿美元H20芯片运往中国 但具体落地时间存疑 [4] - 中国本土AI芯片替代加速 华为昇腾910B等产品性能逼近英伟达A100且成本低30% [4] - 中国AI算力国产化率从2023年12%提升至35% 预计2026年突破50% [4] 全球业务制约 - 大型云服务提供商占数据中心业务50% 已完成首轮AI基础设施采购 更侧重优化现有算力利用率 [5] - 核心客户Meta 微软本季度AI相关资本支出增速明显放缓 [5] - 新一代Blackwell芯片销售额环比增长17% 但占数据中心收入比例从5月70%降至65% [5] - 依赖台积电3nm制程 产能爬坡滞后导致高端芯片交付周期延长至52周 [5] - 供应链多元化计划短期内难以摆脱对台积电依赖 [5] 市场反应与资本运作 - 盘后股价下跌3% 纳斯达克100指数期货下跌0.4% 标普500指数尾盘回落 [7] - 新增600亿美元股票回购计划 叠加此前剩余147亿美元 总回购规模达747亿美元 [7] - 当前市盈率约34倍 低于五年均值36倍 但投资者对高增长-高估值容忍度接近极限 [7] - 今年以来股价上涨35% 市值突破4万亿美元 [7] 行业影响 - 业绩表现对美股大盘具有风向标意义 可能影响全球股市超级牛市走势 [8] - AI芯片市场增速可能从2023年120%降至2025年65% [8] - 行业从算力军备竞赛向精细化运营转型 客户更关注算力利用率与成本控制 [8]

核心观点 - 华为通过系统级创新策略弥补单芯片制程差距 包括集群计算 算法优化和Chiplet技术应用 实现算力竞争力 [1][3][7] - 公司依托人才长期投入和开放生态协作 构建底层技术核心竞争力 [9][10] 技术战略 - 采用"叠加和集群"方法连接多芯片协同工作 昇腾910B芯片通过自研CCE通信协议构建高效集群 支持盘古大模型训练 [3] - 谷歌TPU v4集群案例证明并行任务领域可通过规模效应弥补单芯片性能差距 成功训练5400亿参数PaLM模型 [3] - 运用"用数学补物理"理念 通过稀疏计算 模型量化和剪枝技术降低硬件依赖 MindSpore框架使AI训练计算需求降低30%以上 [4] - Chiplet技术将大芯片拆解为多功能芯粒 采用异构集成和先进封装实现系统级性能突破 规避单一制程限制 [7][8] 应用案例 - 天津港无人化码头部署数百块昇腾芯片组成计算集群 实时处理海量传感器数据指挥无人设备 [4] - AMD采用模块化设计和Chiplet技术实现逆袭 2020年EPYC处理器占据全球服务器市场约15%份额 [5] 研发投入 - 过去十年研发投入超过1.2万亿元 拥有约11.4万名研发人员 [9] - 通过"天才少年"计划 高校合作和实战培养机制汇聚顶尖人才 深度参与芯片架构设计 [10] 生态建设 - 开放战略整合全球资源 昇腾芯片与PyTorch等主流框架兼容 Atlas平台实现软硬件深度协同 [4] - 在高速SerDes 先进封装互连设计 信号完整性仿真等底层技术领域持续投入 [8] 技术挑战 - 集群计算存在能耗 成本和通信瓶颈问题 [10] - 单线程性能要求高的科学计算场景中集群优势受限 [10]