正文
智能驾驶日新月异的技术进步、车企源源不断地资金投入和资源倾斜也宣告着其之于整车厂的战略意义。往后展望，我们认为智能驾驶有望带来新一轮颠覆式行业变革，成为下一阶段车企竞争的重要抓手，前瞻地跟踪及判断各家车企智驾能力及进步潜力成为我们识别整车Winner愈发重要的议题。
在过去几年持续的智驾跟踪和研究中，我们一直在思考的问题是：智能驾驶路径快速变化、持续升级迭代，技术升级路径是否已经固化？是否还有发生路径选择带来弯道超车的可能性？随着AI技术、计算能力迅速发展，依赖于大模型及规模算力的端到端路径的天花板显著提升，
我们认为各家企业在技术路径上的选择或开始趋于一致，智能驾驶算法路径呈现收敛趋势。
从未来竞争要素来看，我们认为车企智驾能力的竞争主要集中在算法领先性、数据闭环能力及云端算力资源。算法
是智能驾驶系统的“大脑”，它决定了车辆如何感知环境、理解路况以及做出决策；不同的算法设计和优化程度直接影响车辆对复杂场景的识别准确率、决策的合理性以及反应速度。
数据闭环
是智能驾驶系统持续优化的关键环节，通过实际驾驶数据/仿真数据才能不断训练和优化算法模型，使其更好地适应各种复杂路况，解决长尾“Coner case”问题；数据闭环的有效性取决于数据质量、数量以及数据分布。
算力资源
是模型持续训练及优化的基础建设，强大的算力可以支持更复杂的算法模型，完成更高效的迭代。
从前瞻跟踪的角度来看，算法是车企智驾竞争的基础及赋能智驾后续迭代的重要前提。
从终局来看，由于人才流动技术也会随之流动，在智驾中持续投入、对人才具备吸引力的公司在算法能力或将趋同，但在进阶过程中，算法迭代的速度与代际差依然是拉开各家车企智驾体验的关键因素。结合当前智能驾驶渗透情况及车企智驾能力的差异，我们认为算法上的布局、进展、能力及潜力依然会是1-2年内各家车企智驾能力拉开显著差异的重要跟踪变量，本篇报告的第二部分也将着重介绍智驾算法迭代路径及当前车企布局及进展。
此外，我们认为
智驾体验拐点的寻找是对智驾技术能力分析、评估车企竞争力的关键；
进一步地，我们需要确定可持续跟踪和比较的变量，以建立一个长期有效的评估及跟踪体系。为什么寻找拐点如此重要呢？我们认为智能驾驶技术达到体验拐点时，消费者才会真正将其视为购车的核心关注点，并愿意为之付费，标志着智能驾驶从技术驱动向市场驱动的转变。一旦到达体验拐点，车企将能够凭借其在智能驾驶领域的领先享受由此带来超额销量、利润增长及资本市场的估值溢价；本篇报告的第三部分将着重介绍智能驾驶拐点的研究思路、跟踪变量及当前领先车企的智能驾驶的数据表现。
二、智能驾驶算法：从规控走向端到端，行业智驾算法路径或开始趋于收敛
智能驾驶系统演进历程可概括为两个关键时代：规则主导时代和端到端时代。
规则主导时代主要通过感知复刻现实场景，模仿人类驾驶员行为，这一时期又可细分为四个阶段：2017年以前，智能驾驶技术主要依赖于“2D+CNN”的感知框架；2017-2019年特斯拉引入了多任务学习神经网络架构“2D+HydraNet”，但此时仍处于小模型时代；2020-2021年，特斯拉提出了“BEV+Transformer”感知架构，并自此进入大模型时代；2022年特斯拉提出占用网络，增强对于物体高度信息的感知，解决了对于异形障碍物识别的问题。2023年，特斯拉提出了模块一体化的端到端大模型。端到端时代主要通过大量数据的强化学习，让模型学会不同场景下如何驾驶；目前国内自动驾驶架构向端到端演进大致可以分为分段式端到端、VLM、VLA和世界模型四个阶段。
2017-2019年特斯拉构建多任务学习神经网络架构 HydraNet，并采用后融合方式进行特征融合。
研发中的效率问题促使特斯拉进一步探索和开发能够提高任务处理效率的多任务学习网络，其中最具特色的为多任务学习网络架构HydraNet。这个被称为“九头蛇网络”的HydraNet允许自动驾驶系统在同一时间高效地执行多种视觉识别任务，比如车道线检测、行人识别与追踪、交通信号灯识别等，而不是像以前的技术那样只能处理单一的检测任务，这种多任务并行处理的能力，显著提升了自动驾驶系统的性能。在特征融合的方式上，特斯拉采用将感知结果综合起来的后融合策略，需要人工对数据进行标注。
2020-2021年“BEV + Transformer”实现“脱高精度地图”，引领行业新路径，大模型时代来临。
