Robotaxi是L4自动驾驶的重要落地场景。作为智能驾驶系列报告的第三篇,本文围绕Robotaxi,重点探讨市场关注的四大问题: 1)Robotaxi对技术栈有何特殊要求,当前技术的成熟度怎样?2)Robotaxi的单位经济(UE)模型怎样计算,未来提升空间如何?3)从政策和企业的视角,Robotaxi的落地进行到哪一步了?4)如何看待Robotaxi的投资逻辑?
摘要
Robotaxi对技术栈有何特殊要求,当前技术的成熟度怎样? Robotaxi模式成立的核心在于由系统自动化完成驾驶、基本无需人工干预,其技术栈的要求既与城市NOA追求的强泛化能力、高度拟人化的智能驾驶模型一致,又需要满足安全性和冗余性。当前,Robotaxi已展示出明显的技术进步,但提升空间仍在。中金研究认为Transformer、端到端、多模态和世界模型等人工智能前沿进展或有用武之地,有望加速智能驾驶能力的升阶。
Robotaxi的单位经济(UE)模型怎样计算,未来提升空间如何? 作为一种客运服务,Robotaxi主要按行驶里程收费;成本端,Robotaxi企业需承担车辆的折旧、安全员成本、电费、停车费和保险费等成本,其中收入、折旧、安全员成本是影响Robotaxi UE模型的三个重要因素。Robotaxi商业模式多元,分为重资产和轻资产等不同形态,但在早期其UE模型通常都为亏损状态,未来改善则需持续关注技术、政策和车队数量等层面的变化。
从政策和企业的视角,Robotaxi的落地进行到哪一步了? 中国Robotaxi正逐渐进入从研发测试到商用部署的过渡期,国家和地方多项政策助力行业健康发展,海外的相关政策法规亦在不断推进。从企业的视角,中美各个头部的Robotaxi企业正在持续拓展商业版图,当前来看其体量相对有限,所处阶段为道路测试到商业化运营不等。
如何看待Robotaxi的投资逻辑? Robotaxi行业的长远发展依赖于技术、商业化和政策三个要素形成正循环。在正循环中,Robotaxi的UE水平逐渐改善,企业有意愿投放更多车辆,而车队规模的扩大可以持续摊薄前期研发成本,企业盈利改善,推动行业走向健康可持续的发展。但在正循环形成前,Robotaxi企业或承担一段时间的亏损。中金研究认为,资金实力、数据闭环、软硬一体和技术创新能力等是Robotaxi企业现阶段的关键竞争要素。
风险
技术探索进程缓慢;商业化受阻;行业竞争加剧;政策进展不及预期。
正文
问题1:Robotaxi对技术栈有何特殊要求,当前技术的成熟度怎样? 当前:Robotaxi要求系统的泛化、拟人和冗余,现有技术栈仍有进步空间
Robotaxi是L4自动驾驶重要的商业化落地场景,其模式成立的核心在于系统自动化完成驾驶、基本无需人工干预,是人工智能技术发展到一定高度后的产物。 站在自动驾驶企业的角度,要达成系统自动化驾驶的目标,至少需要满足2个条件:
1)系统的能力足以实现自动化驾驶,从C端乘客的视角,其愿意选乘Robotaxi,基本要求是Robotaxi在安全、舒适、高效等维度上和传统模式持平、甚至超过传统模式,这就涉及到系统本身的能力问题,属于本章讨论的技术范畴;2)实现的方式是具有性价比的、符合市场商业逻辑的,如此自动驾驶企业方能可持续发展、C端乘客支付的价格方有下降空间,这就涉及到单位经济(UE)模型的问题,将在下一章详细讨论。
具体拆分安全、舒适、高效等维度,他们在技术上意味着:1)安全: 系统能够避免或者减少酒驾、注意力不集中和反应慢等情况,但是系统有出故障的概率、神经网络本身也是一个概率模型,Robotaxi需要做到即使软件和硬件失效,也能保证最底线的安全;
2)舒适: 系统需要高度拟人化,像人类驾驶员一样处理各种场景,减少急刹和顿挫;3)高效: 要求Robotaxi能达到一定的行驶速度,给予乘客自由选择路线和上下车地点的灵活度,能够妥善应对Corner case(长尾场景)和他车交互博弈,而非单纯地停车等待。
图表1:智能驾驶系统的升阶,对硬件和软件能力提出更高的要求
资料来源:清华大学车辆与运载学院,毫末智行公众号,九章智驾,中金公司研究部
由此可见,Robotaxi对技术栈的要求,与当前城市NOA所追求的强泛化能力、高度拟人化的智能驾驶模型是一致的,而由于基本没有人工干预,Robotaxi需要将这些维度推到极致,并满足安全性和冗余性。
所以,在Robotaxi的技术栈中,一方面可以看到更高的神经网络渗透率、更复杂的模型架构、更多的精细化模型积累乃至更大的模型规模,而另一方面其在感知上会有更多传感器(如激光雷达)和高精度地图冗余,在决策上通常增加规则代码兜底,以增加技术栈的冗余性。在系列报告第一篇[1]中,中金研究将这些要求总结为“完备性”和“冗余性”。
近年在国内外各类L4的路测和示范运营中,Robotaxi已经展示出明显的技术进步,行驶整体平稳,能较好地完成转弯、变道和礼让行人,在极端天气、早晚高峰、城中村等复杂场景中也有不错表现。
但是同时, 中金研究认为当前的技术水平也有进一步提升的空间, 例如部分长尾场景(道路上出现编织袋)和突发情况(道路临时改道)的处理尚不完美,行驶策略偏保守(遇到他车可能直接刹停而非博弈),灵活性有待增强(网约车场景下,驾驶员可以灵活选择路线和接客地点,但Robotaxi目前暂未实现),安全性(含网络安全)需要持续强化。
中金研究认为,这些问题的存在,或意味着整个自动驾驶行业仍然要朝着模型/算法的泛化性、拟人性和安全性等方向继续前进。
图表2:当前Robotaxi技术栈能做到的和仍有提升空间的领域
注:各家企业Robotaxi的技术水平不同,图中所列能力仍有提升空间的领域为根据公开资料提到的案例总结,并非适用所有Robotaxi企业 资料来源:文远知行官网,百度Apollo公众号,小马智行官网,侠客岛,虎嗅,中金公司研究部 未来:人工智能前沿进展有望助力Robotaxi技术栈的完善
回归技术栈的视角,经过多年的发展,以Robotaxi为代表的智能驾驶技术栈已有较多的沉淀,经典的技术栈通常为模块化的架构,感知、预测、决策和控制各司其职,AI模型在各个模块中有不同程度的渗透。在经典的技术栈下,智能驾驶的部分难题已经得到较好的解决, 例如BEV + Transformer较好地解决了感知模块的向量空间搭建问题,AI模型在规控模块的引入能较显著地提升乘坐的舒适感、将智能驾驶的能力带入到更为复杂的场景中。
然而,智能驾驶技术仍有难题有待攻克:
► 感知: Corner case的感知是主要的难点之一,如道路上奇形怪状的长尾障碍物、特别极端的天气和道路临时变道等。感知是智能驾驶技术栈的第一道“关卡”,如果感知模块出现漏检误检,那么后续模块或会承担较大的压力。
► 预测: 首先是交互,动态障碍物的未来轨迹不仅和自身有关,还和其与其他动态障碍物的交互有关,复杂场景的预测通常涉及对多主体交互的建模。其次是Corner case,即各类长尾障碍物未来的轨迹预测。
► 决策: 感知和预测模块输出的结果带有概率值,决策模块本质上需要在一个不确定的环境下工作(当然,利用高精度地图可以一定程度上环节感知结果的不确定性)。在复杂的场景下,如何像熟练的人类驾驶员一样和其他车辆去博弈和交互,如何更加拟人的处理各类复杂工况乃至Corner case(如大雪天的形式),如何让自动驾驶决策的乘坐体感和人驾模式一致,是决策模块面临的主要难点。
► 控制: 控制更多是工程和数学问题,但在Robotaxi的场景下,硬件的调校、软硬件的耦合或会影响控制的精度,并最终影响到实际的驾驶效果。
面对上述技术栈难题,中金研究认为大模型等人工智能前沿进展在未来或有用武之地,有望助力智能驾驶能力的升阶。具体而言,Transformer、端到端、多模态和世界模型是几类值得关注的前沿进展。
Transformer架构 是大模型的基石,擅长建模远距离关系,可以接受Prompt形式的学习方法,能够有效关联多种模态的信息并合成为统一形式的信号,性能通常随参数量的扩大而大幅提升,除了感知领域外,也正逐渐被应用于预测和决策领域。端到端 将独立的算法模块纳入完全可微的统一模型框架,特征空间可在模型的各个部分完整传播,更彻底的数据驱动成为可能。多模态 嫁接大语言模型已涌现的上下文学习、零样本学习、逻辑推理、常识判断等能力,是提升智能驾驶技术栈泛化能力的潜在路径(此前的方法通常是实车采集/仿真构建Corner case,然后将数据用于AI模型的进一步训练)。世界模型 通过让模型基于历史信息预测未来驾驶环境的演变,构建了一种更高效的学习海量智能驾驶数据的先验分布的训练方式,有潜力成为智能驾驶领域的Foundation model。[2]
事实上, 中金研究看到不少Robotaxi企业已经开始应用大模型的思想,来强化自身技术栈的能力。 在2024年Apollo Day上,百度发布了支持L4级自动驾驶的大模型Apollo ADFM,基于大模型技术重构自动驾驶,采用隐式传递、联合训练的端到端思想,感知和决策的模型属性和数据驱动显著增强,公司公开表示该技术可以兼顾安全性和泛化性,安全性有望高于人类驾驶员10倍以上[3]。
当前,不少L4 Robotaxi企业都开始在技术栈中应用transformer、端到端乃至语言模块Prompt的思想,技术栈能力获得大模型的赋能,中金研究认为这或许有望加速L4 Robotaxi技术水平的成熟。
2024年2月,OpenAI发布视频生成模型Sora,展现出世界模型的诸多特点,市场较为关注Sora在自动驾驶领域的应用前景。 考虑到自动驾驶对于安全性具有严格的要求,而Sora在部分案例中对基本物理交互的把握仍有不准确之处,中金研究认为当前Sora还较难直接用于车端的自动驾驶。
短期来看, Sora有望应用于自动驾驶仿真,基于实车采集的视频微调生成新的验证场景,或生成新的合成数据用于自动驾驶模型的训练。
中长期来看, 中金研究看好以Sora为代表的世界模型的潜力,构建了一种更高效的学习海量智能驾驶数据的先验分布的训练方式,有潜力成为智能驾驶领域的Foundation model,海外智能驾驶龙头特斯拉亦曾在CVPR 2023公开分享在相关路线上的探索和长远愿景。
图表3:经典的智能驾驶软件技术栈
注:本图仅为经典的智能驾驶软件技术栈,为中金公司研究部根据文献和其他公开资料整理,业界当前实际使用的技术栈可能会有所差别 资料来源:《无人驾驶原理与实践》(机械工业出版社,2018年),《自动驾驶技术概论》(清华大学出版社,2019年),《自动驾驶汽车环境感知》(清华大学出版社,2020年),《自动驾驶汽车定位技术》(清华大学出版社,2019年),《自动驾驶决策与控制》(清华大学出版社,2019年),《自动驾驶汽车平台技术基础》(清华大学出版社,2019年),《Self-driving cars: a survey》by Claudine Badue, Ranik Guidolini, etc., Waymo,特斯拉AI Day,小鹏官网,轻舟智航官网,CSDN,焉知汽车,九章智驾,智车Robot,中金公司研究部
图表4:智能驾驶大模型概览
资料来源:A. Vaswani, N. Shazeer, et al., "Attention is All You Need", 2017,Y. Hu, J. Yang, et al., “Planning-oriented Autonomous Driving”, 2023,C. Li, Z. Gan, et al., “Multimodal Foundation Models: From Specialists to General-Purpose Assistants”, 2023,X. Wang, Z. Zhu, et al., “DriveDreamer: Towards Real-world-driven World Models for Autonomous Driving”, 2023,A. Kirillov, E. Mintun, et al., “Segment Anything”, 2023,中金公司研究部
图表5:Sora等世界模型在自动驾驶领域的应用前景
资料来源:OpenAI官网,特斯拉AI Day,中金公司研究部 问题2:Robotaxi的单位经济(UE)模型怎样计算,未来提升空间如何? 在本章,中金研究将尝试梳理Robotaxi单位经济(UE)模型的计算框架,分析影响其UE模型的主要因素,梳理未来UE模型的提升空间,从而从商业的视角探讨,为了用有性价比的方式实现自动驾驶,还需要从哪些方面来努力。(详细UE模型测算请详见报告)
在收入端, 作为一种客运服务,Robotaxi主要按照行驶的公里数收取打车费;在成本端, Robotaxi企业需要承担车辆的折旧、电费、停车费和保险费等,同时为了帮助Robotaxi在困难场景脱困,通常还需要在车上或者远程部署一定数量的安全员进行监督,因此Robotaxi企业还会付出安全员成本。
收入、折旧、安全员成本是影响Robotaxi UE模型的三个重要因素, 中金研究具体分析如下:
► 收入: 影响因子包括每日接单量、每单平均里程、每公里单价等,这些因素和Robotaxi本身的技术水平和乘坐体验、消费者的接受程度、政策允许运营的范围以及Robotaxi车队数量等密切相关。中金研究认为未来的提升路径包括:1)打磨和完善Robotaxi的技术栈能力,提升安全、舒适、高效等属性,提高消费者的接受程度;2)政策允许Robotaxi运营的区域逐渐拓展;3)Robotaxi企业提高在区域内的车辆铺设数量,使车队达到一定的密度,缩短乘客所需等待的时间,形成规模优势和网络效应。
► 折旧: 与普通的车辆不同,Robotaxi增加了激光雷达、摄像头、车端推理芯片等自动驾驶套件,此外出于安全性和冗余性的考虑,Robotaxi通常使用高精度地图,且会在线控、传感器和域控等层面设置冗余,以上均会使得Robotaxi的车辆成本比普通车辆更高,从而带来更高的折旧成本。在未来,中金研究认为改善的路径包括:1)由后装车变为前装车,这既关乎车辆运行的稳定性,也关系到成本。
2)增强车队数量,形成规模效应,从而在向主机厂购买裸车时有更大的议价空间;3)软件能力提升,降低硬件配置要求,例如激光雷达数量从6个降为3个、从必须使用机械式雷达到半固态雷达也能适配等;4)激光雷达等零部件本身的降本,NOA智能驾驶的普及带动各类零部件使用量的提升、推动价格下降,中金研究认为L4 Robotaxi也将受益于这一降本趋势。
► 安全员成本: 根据交通运输部于2023年12月发布的《自动驾驶汽车运输安全服务指南(试行)》,从事出租车客运的完全自动驾驶汽车,远程安全员人车比不得低于1:3[4]。在未来,随着算法能力的进步、泛化性提升,Robotaxi所需安全员帮助的场景或逐渐减少;而技术的持续进步,也有望为政策放宽人车比要求提供更多的信心。
综上可以看出,Robotaxi UE模型在早期通常为亏损状态,而未来的改善需要持续关注技术、政策和车队数量等层面的变化。同时,以上因素之间也会发生相互影响,如单车UE的改善会提高Robotaxi企业增加车队数量的意愿,而增加车队数量本身将改善单车UE。根据ARK Invest的研究,随着自动驾驶的规模化落地,乘用车的单英里成本有望下降至0.25美元。
值得注意的是,上面中金研究讨论的仅为Robotaxi企业自持车队这一种商业模式,属于重资产模式。事实上,智能驾驶企业也在尝试更多元的商业模式,如第三方持有资产模式(轻资产)、C端消费者持有资产模式(轻资产)和合资公司模式等,在这些模式下,Robotaxi的UE模型或将有所改变。
但是,不论采用何种商业模式,中金研究认为Robotaxi UE的核心仍然将是围绕技术、政策和车队数量等方面,提升收入水平、降低现有成本。
图表6:Robotaxi典型商业模式示意
注:主机厂和自动驾驶企业可能为同一家企业,如特斯拉 资料来源:特斯拉公告/AI Day,百度Apollo公众号,小马智行公众号,中金公司研究部 问题3:从政策和企业的视角,Robotaxi的落地进行到哪一步了? 政策视角:国家和地方多项政策助力Robotaxi行业健康发展
国内情况
整体来看,我国Robotaxi已从研发测试逐渐进入商用部署的过渡期, 围绕智能网联车、自动驾驶功能实现等方面,政府先后出台一系列支持与规范性质的政策和法规。支持层面,鼓励特定场景示范应用、允许开放试点、积极完善软硬件配套;规范层面,约束智能网联车的事前准入、事中管理与事后权责划分。此外,现阶段政策也在探讨自动驾驶交通事故的权责划分,部分城市进入试点探索阶段。
2024年6月,我国首批确定由9个汽车生产企业和9个使用主体组成的联合体,将在北京等7个城市展开智能网联汽车准入和上路通行试点。 中金研究认为,试点将支撑相关法律法规与技术标准的修订,完善智能网联汽车生产准入与道路交通安全体系,推动自动驾驶的落地。
在各个城市,相关政策亦陆续出台,逐渐扩大试点范围,助力智能网联体系发展。 根据工信部数据,截至2023年年底,全国共建设17个国家级测试示范区、7个车联网先导区、16个智慧城市与智能网联汽车协同发展试点城市。根据央视网[5],截至2024年4月底,我国共开放智能网联汽车测试道路29,000多公里,发放测试示范牌照6,800多张,道路测试总里程超过8,800万公里。下面,中金研究按照城市维度对自动驾驶相关政策进行梳理:
► 北京: 2022年4月底,北京市智能网联汽车政策先行区率先发布首批“无人化示范应用道路测试”通知书,来自百度和小马智行的14辆无人化乘用车获准上路测试[6]。截至2024年3月,北京高级别自动驾驶示范区累计为29家测试车企发放了道路测试的牌照,自动驾驶测试的里程超过2,500万公里[7],覆盖通州、顺义、亦庄、大兴等多个地区。2024年7月,北京发布《北京市自动驾驶汽车条例(征求意见稿)》,强调安全员需按国家有关规定配备,明确了交通事故的责任认定 (车辆在自动驾驶系统功能激活状态下发生道路交通事故造成人身伤亡、财产损失的,属于自动驾驶汽车一方责任的,由车辆所有人、管理人承担赔偿责任 )。
► 上海: 2018年以来,上海分阶段、分批次开放自动驾驶测试道路,打造了嘉定、临港、奉贤、金桥等四个示范区。截至2024年3月,上海已有32家企业、794辆车获得自动驾驶道路测试、示范应用、示范运营牌照,累计测试里程约2,290万公里,覆盖浦东新区、嘉定等行政区,测试总时长约122万小时[8]。2024年3月,上海将金桥经济技术开发区全域及浦东申江路、沪南公路、两港公路等道路开放为自动驾驶测试道路[9]。
► 广州: 2018年,广州允许部分自动驾驶企业“先行先试”,Robotaxi上路广州。2024年2月,广州推出《广州市智能网联汽车创新发展条例(征求意见稿)》。至2024年7月, 广州已累计开放827条自动驾驶测试道路,单向里程约1,666公里,涉及南沙区、黄埔区等6个行政区,已有15家企业在广州开展不同级别的道路测试和L3/L4高级别测试活动,文远知行、小马智行、百度阿波罗、滴滴等自动驾驶企业或自营或与广州公交集团、祺宸科技等运营商合作,投入超180台自动驾驶车辆 开展示范运营和商业化示范应用[10]。
► 深圳: 2022年,深圳率先为智能网联汽车立法,出台《深圳经济特区智能网联汽车管理条例》。2023年7月,深圳发放了全国首张L3高快速路测试号牌(比亚迪);同年8月,深圳发布智能网联汽车10项地方标准。截至2024年5月,深圳全市累计开放测试示范道路944公里,覆盖南山区、宝安区等多个行政区,累计向19家企业349辆智能网联汽车发放道路测试及示范应用通知书1,037张[11]。
► 武汉: 截至2023年底,武汉全市累计开放测试道路里程已突破3,378.73公里(单向里程),覆盖12个行政区,辐射面积约3,000平方公里,触达人口超770万,开放里程和开放区域数量全国领先[12]。
► 其他城市: 此外,长沙、杭州、南京等地亦在积极推进Robotaxi落地:2020年4月,长沙Robotaxi服务向民众全面开放,运营范围约130平方公里[13];2024年5月,《杭州市智能网联车辆测试与应用促进条例》正式施行[14];南京在江宁开发区、秦淮白下高新区、建邺区科技生态岛、溧水开发区等多地打造智能网联汽车应用场景[15]。
图表7:各个城市的自动驾驶测试与运营区域展示(部分)
注:1)本图仅为对智能驾驶运营区域的示意;2)上海市智能驾驶运营范围图只选取上海市南汇新城至浦东机场路段无驾驶智能网联汽车示范路段情况,不代表全市智能驾驶运营范围;3)深圳市智能驾驶运营范围图为2018年第一批试点情况,不代表当前情况;4)杭州市智能驾驶运营范围图仅列举上城区情况,不代表全市智能驾驶运营范围;5)长沙市与武汉市智能驾驶运营范围图只列举萝卜快跑7月份运营范围地图,不代表全市所有品牌智能驾驶运营范围。 资料来源:亦庄新城公众号,北京顺义公众号,上海交通公众号,上城发布公众号,深圳梦公众号,广州市智能网联汽车示范区运营中心,广东省智能网联汽车创新中心,萝卜快跑APP,中金公司研究部
海外情况
海外市场围绕自动驾驶的政策制定亦在稳步前进。 2012年,美国内华达州为谷歌自动驾驶汽车发放了全球第一张测试牌照[16]。2017年,德国通过《道路交通法(第八修正案)》,成为为自动驾驶立法的国家[17]。同年,德国还发布了全球首份针对自动驾驶的伦理指南,确立了自动驾驶的20条伦理准则[18]。2021年,德国通过《自动驾驶法》,首次对L3以上级别的自动驾驶汽车进行规制[19]。2023年,日本《道路运输车辆法》修正案正式生效,允许L4级自动驾驶车辆在日本公路上行驶[20]。
整体来看,美国推进自动驾驶的布局时间线相对更长,经历了多轮迭代。 2016年起,美国交通部就连续发布Automated Vehicles(AV)1.0~4.0及自动驾驶综合计划(AVCP),对自动驾驶产业进行顶层指引,并以五年规划为蓝图制定智能交通发展战略,探索自动驾驶商业化落地的政策配套。
美国各个地区的具体落地进程有所差异,但Robotaxi运营版图总体保持扩张趋势。 目前,亚特兰大、达拉斯、休斯敦、迈阿密、西雅图、波士顿、匹兹堡等多个城市已经开始无人驾驶汽车载客试点运营。凤凰城、旧金山、洛杉矶等城市已准许Robotaxi收费运营。将视角转向加州这一特定案例,美国加州车辆管理局(DMV)及公共事务委员会(CPUC)逐年推进对加州自动驾驶道路测试和商业化应用政策的探索,目前已有多家企业获得自动驾驶测试和部署许可。 自2022年起,加州以旧金山为试点尝试Robotaxi落地的可能,并于2023年8月首次放开全时段、全区域、主驾无人的Robotaxi商业化运营。
企业视角:头部Robotaxi企业落地情况梳理
近年,Robotaxi车队规模不断扩容,里程与出行订单量增长,但和传统出行行业相比,整体体量仍相对有限。当前,一线城市仍是国内头部Robotaxi企业布局的重点,而考虑到武汉、长沙等城市对自动驾驶的支持力度,中金研究认为未来其他城市也有望成为Robotaxi落地的重要区域。硬件设施层面,实现前装量产的企业仍为少数,更多前装量产的车型正在研发过程中。商业模式上,多数Robotaxi企业选择按照出行服务的方式定价;运营时段上,萝卜快跑是为数不多尝试实践24x7运营的企业(在武汉)[21]。
下面,中金研究对部分头部Robotaxi企业的经营情况和最新进展做简单梳理:
文远知行
文远知行成立于2017年,为L4级自动驾驶公司。当前,文远知行产品矩阵分为L4和L2+/L3两部分,L4级产品覆盖网约车、公交车、货运、环卫等多种场景,包括自动驾驶出租车、自动驾驶小巴、自动驾驶货运车和自动驾驶环卫车;L2+/L3级主要为高阶智能驾驶产品。文远知行是同时拥有中国、美国、阿联酋、新加坡四地自动驾驶牌照的自动驾驶公司。[22]
文远在Robotaxi上与广汽、日产等OEM合作,搭载全栈式软硬件解决方案。 2019年,公司于广州开放自动驾驶出租车服务,打造了全国首支落地一线城市的Robotaxi车队。2022年,文远知行突破公开道路上自动驾驶里程数1,000万公里。2023年6月,公司获批在北京开展Robotaxi纯无人示范应用,2023年11月获批在北京开展纯无人商业化收费运营。[23]
小马智行
小马智行成立于2016年末,拥有Robotaxi、Robotruck和POV三大业务板块,产品覆盖L2+至L4级智能驾驶。2018年12月,公司推出国内首个自动驾驶出行服务PonyPilot,旨在通过自营或合作运营L4级车队为公众提供出行服务。[24]
当前,小马智行自动驾驶出行服务覆盖北京(亦庄、大兴机场)、上海(嘉定)、广州(南沙)、深圳(前海、宝安、南山), 目前公司在北京、广州为乘客提供全无人驾驶车辆服务,在上海和深圳提供“主驾位无人”的无人驾驶车辆服务。截至2024年5月,小马智行已累积超过3300万公里自动驾驶路测里程,其中无人化自动驾驶测试里程超300万公里。[25]
与丰田紧密合作,布局Robotaxi前装量产。 2024年4月25日,小马智行、丰田中国、广汽丰田于北京车展宣布三方合资公司将完成注册,公司规划第一期将向中国市场投放千台规模的铂智4X自动驾驶车辆,产线下线后无缝接入小马智行Robotaxi运营平台,在国内一线城市开展规模化的全无人驾驶出行服务。[26]
百度
百度对自动驾驶的布局可以追溯到2017年发布的Apollo计划,其自动驾驶产品萝卜快跑首发于2021年[27]。发展至今,萝卜快跑实现了较广的落地规模和商业化运营, 已获武汉、北京等11座城市无人驾驶测试牌照,其中武汉、北京等地可以公开收费运营。根据Create 2024,萝卜快跑在武汉的车队规模预计在2024年突破1,000台[28]。
据雷峰网[29],以萝卜快跑第五代无人车为例,该款车型成本为48万元,基于北汽极狐阿尔法T纯电车型定制而成。同时,百度也在与江铃集打造下一代成本更低的前装量产车型颐驰06[30], 搭载40余个不同类型的传感器(根据禾赛科技公告[31],其主激光雷达为禾赛独家供应,单车搭载4颗超高清远距激光雷达 AT128),双芯片配置,整车价格约为20万元。
AutoX
AutoX成立于2016年,公司的Robotaxi产品现已获北京、上海、广州、深圳等地无人驾驶测试牌照,并在上海、深圳等城市公开收费运营。 公司第五代Robotaxi车型与克莱斯勒合作,原厂支持车规级冗余线控,搭载50枚传感器,车辆控制单元算力达2,200TOPS。[32]
Waymo
Waymo成立于2016年,其前身是Google于2009年开始的自动驾驶项目,目前主要提供L4级别的自动驾驶平台(Waymo Driver),商业模式包含提供Robotaxi服务(Waymo One)和无人驾驶货物运输服务(Waymo Via)。当前,Waymo One已获批在凤凰城、旧金山等地收费运营,行驶速度最高可达65英里/小时,加州交通管理局不对车队规模不设上限[33],且公司在旧金山等地为24x7运营。 Waymo One包含捷豹I-PACE等车型[34],同时正与极氪合作前装量产的Robotaxi车型。截至2023年12月,Waymo在现实和模拟环境中行驶的里程总计约200亿英里(其中公共道路上行驶了约2,000万公里)[35]。
图表8:自动驾驶公司的配套硬件及供应商总结
资料来源:小马智行官网/公众号,文远知行官网/公众号,百度Apollo官网/公众号,AutoX官网/公众号,Waymo官网,江铃集团,禾赛科技公众号,NVIDIA英伟达企业解决方案,基石资本,汽车之心,广州南沙发布,汽车之家,车东西,量子位,智能车参考,雷锋网,中金公司研究部 图表9:自动驾驶公司2024年商业化落地亮点事件汇总
资料来源:文远知行公众号,小马智行公众号,商务部国际商报,浦东发布公众号,Waymo官网,中金公司研究部 问题4:如何看待Robotaxi的投资逻辑? 在本文前三章, 中金研究围绕技术、商业化(UE)和政策这三个影响Robotaxi行业的重点因素进行了详细分析。事实上, 中金研究认为Robotaxi行业的长远发展正依赖于这三个要素形成的正循环:
1)Robotaxi企业的技术达到一定水平后,政策开放部分区域进行测试和示范应用;2)在实地测试和应用的过程中,Robotaxi企业积累更多数据,用于训练和完善算法;3)随着技术能力提升,安全、舒适、高效属性得到验证,为进一步的政策支持提供更多的信心。
4)政策允许Robotaxi在更大范围内运营,Robotaxi企业的车队规模进一步扩大。在这个正向循环中,Robotaxi的UE水平逐渐改善,企业有意愿投放更多车辆,而车队规模的扩大可以持续摊薄前期高额的研发成本,企业盈利改善,最终推动整个行业实现健康、可持续的发展。
图表10:政策、商业化和技术三要素构成正循环,共同影响Robotaxi行业的长远发展
资料来源:中金公司研究部 当前,中金研究看到Robotaxi企业在技术和商业化层面取得了一定进步,政策也支持行业健康发展;但是,三大因素本身是一个循环往复、渐进向前的过程,行业发展需要更多的时间、需要长期主义。
而如果要加速正循环的运转,通常是其中有一个因素首先获得突破进展(中金研究认为这个因素更有可能是技术),然后推动其他两个因素的前进,从而形成正向飞轮。
中金研究认为,要实现这个目标,当前行业仍有一定的进步空间;而在飞轮完全运转之前,Robotaxi企业或会承担一段时间的亏损。
基于上述判断, 中金研究尝试总结现阶段Robotaxi企业的关键竞争要素[36]:
► 资金实力: Robotaxi技术的进步离不开人才和算力,背后的支撑是资金;车队数量达到一定规模前,Robotaxi通常由企业自持,形成资金占用;行业飞轮形成前,Robotaxi企业或承担一段时间的亏损;交通事故的责任由Robotaxi企业承担。以上因素均使得,Robotaxi企业需要较强资金实力的支撑,而这背后就看企业是否有其他盈利业务造血,是否有较强的融资能力,或是否有较多的现金储备。同时, 中金研究认为自动驾驶企业在封闭、低速等场景率先实现商业化落地,获得一定的利润支撑,也是可行的路径。 例如,在近年广州路测中,中金研究就可以看到微循环交通等低速场景的自动驾驶应用占比提升;而在港口、矿山等场景,自动驾驶亦在持续落地当中。
► 数据闭环: 神经网络在自动驾驶技术栈中的渗透率提升,需喂入大量训练数据;随着AI大模型探索的深入,模型参数量或进一步提升,要求Robotaxi企业搭建成熟的数据引擎和工具链。中金研究认为,自动驾驶企业数据闭环能力的强弱,将与其车队数量、产品丰富度、模型架构和工程能力等直接挂钩。
► 软硬一体: 车型的调校和适配、车辆硬件的稳定性以及电子电气架构均与自动驾驶的能力紧密相关。对于聚焦算法的智能驾驶企业,与车企的深度合作甚至是绑定较为关键,因为前装车涉及车企的合作意愿,包括车企是否愿意重新设计整个底层架构、是否愿意深度开放各个接口等等。此外,中金研究也建议关注芯片和软件深度耦合的趋势。
► 技术创新能力: Robotaxi技术仍有进步空间,当前技术栈尚未实现收敛,秉持长期主义并能够快速革新是重要的软实力。中金研究认为,技术创新能力一方面需要高素质的软硬件工程师,另一方面也与研发团队灵魂人物以及整个公司文化和管理激励机制密不可分。
图表11:广州路测中,自动驾驶小巴等占比提升
资料来源:广州市智能网联汽车示范区运营中心,广东省智能网联汽车创新中心,中金公司研究部 图表12:自动驾驶方案提供商有望获得更高的产业价值
注:参考ARK Invest对于2030年的预测资料来源:ARK Invest,中金公司研究部 最后,给定行业正循环形成, 中金研究建议关注以下细分赛道的投资机会:
► 自动驾驶解决方案提供商: 根据ARK Invest的测算,到2030年,自动驾驶平台解决方案提供商有望获得更高的产业价值。中金研究建议从资金实力、数据闭环、软硬一体和技术创新等维度评估各个自动驾驶解决方案提供商,并关注其中头部企业的投资机会。
► 主机厂: 建议关注在自动驾驶领域布局较为领先的头部主机厂。基于全栈自研和车队规模,头部主机厂往往能通过庞大的真实世界数据构筑真实世界AI,向软件驱动的AI科技公司演进,中金研究建议关注这些主机厂在Robotaxi领域的布局和进展。
► 硬件产业链: 自动驾驶在硬件层面需要域控制器、冗余线控、激光雷达、推理芯片等硬件的支持,建议关注Robotaxi行业起量后对相关赛道硬件厂商业绩的带动。
[1]请详见我们于2024年1月29日发布的报告《探微智驾(一):拆解智能驾驶技术栈》
[2]关于智能驾驶大模型的更多分析,请详见我们于2024年1月31日发布的报告《探微智驾(二):AI大模型浪潮赋能智能驾驶》
[3]资料来源:https://mp.weixin.qq.com/s/dJDCFRWZLq0aAhhf8xWM_w
[4]资料来源:https://xxgk.mot.gov.cn/2020/jigou/ysfws/202312/t20231205_3962490.html
[5]资料来源:https://mp.weixin.qq.com/s/ySyyxz9cKeD4uveyyz_ijw
[6]资料来源:https://kfqgw.beijing.gov.cn/zwgkkfq/ztzl/cxfbqdkfq/wqhgkfq/wqhg2022/wqhg2022n4y/202204/t20220429_2696369.html
[7]资料来源:https://new.qq.com/rain/a/20240315A041X900/
[8]资料来源:https://mp.weixin.qq.com/s/yJR21gxN-dYvO3akIZtD1w
[9]资料来源:https://www.shio.gov.cn/TrueCMS/shxwbgs/ywts/content/0afc17f1-69ba-4f5e-b933-def729d973f1.htm
[10]资料来源:https://jtj.gz.gov.cn/gkmlpt/content/9/9744/post_9744164.html#14313
[11]资料来源:https://mp.weixin.qq.com/s/Xxv5c1glkZG9-IiKIb7ldw
[12]资料来源:https://3g.wuhan.gov.cn/sy/whyw/202405/t20240531_2410344.shtml
[13]资料来源:https://mp.weixin.qq.com/s/7VTbnr7Gv4NVieL399t01w
[14]资料来源:https://www.hzrd.gov.cn/art/2024/4/25/art_1229690462_19702.html
[15]资料来源:https://mp.weixin.qq.com/s/l_Vx1uPzbxdBe1RKySOLZw
[16]资料来源:https://edition.cnn.com/2012/05/07/tech/nevada-driveless-car/index.html
[17]资料来源:https://www.springerprofessional.de/automatisiertes-fahren/unternehmen---institutionen/bundestag-beschliesst-gesetz-zum-autonomen-fahren/12193302
[18]资料来源:https://mp.weixin.qq.com/s/_qgrigNeXypW-EdzAuLrMQ
[19]资料来源:https://mp.weixin.qq.com/s/_qgrigNeXypW-EdzAuLrMQ
[20]资料来源:http://www.news.cn/asia/2023-05/22/c_1129637695.htm
[21]资料来源:https://mp.weixin.qq.com/s/FLmlojPSQycOXvION8_YYw
[22]资料来源:https://mp.weixin.qq.com/s/GUnVNM4SV2C6H3vZ7A-EBw
[23]资料来源:https://mp.weixin.qq.com/s/DW8Ta7kRYxvl0TkWBT9X5g、https://mp.weixin.qq.com/s/sodSZFfT5kazAn-pAB2oVA、https://mp.weixin.qq.com/s/hd0T47umF_7UjrywnRtaeg、https://mp.weixin.qq.com/s/KILpjU6TjFhpwN-CgelM_g
[24]资料来源:https://mp.weixin.qq.com/s/amHdZZrBtXJQ13eHySD1NQ
[25]资料来源:https://mp.weixin.qq.com/s/5k7mODy94vZCoOgtCLpYdg、https://mp.weixin.qq.com/s/HZSn9YNV-oq8ZWEWZX1fnA
[26]资料来源:https://mp.weixin.qq.com/s/j5b0nzCLDd-rhaiu_nPJpQ
[27]资料来源:https://mp.weixin.qq.com/s/dgVAWFzOgTm5Dd1XIwcMgQ、https://mp.weixin.qq.com/s/dJDCFRWZLq0aAhhf8xWM_w
[28]资料来源:https://mp.weixin.qq.com/s/QyFKud4d4L69lDiQS5u-vQ
[29]资料来源:https://mp.weixin.qq.com/s/MbCpSUO5L43lUYSF2PXkoA
[30]资料来源:https://mp.weixin.qq.com/s/WDbEUPr9EofqyAMRj_ruDQ
[31]资料来源:https://mp.weixin.qq.com/s/WDbEUPr9EofqyAMRj_ruDQ
[32]资料来源:https://mp.weixin.qq.com/s/GIpqL3RcNlRggTBIfhZu2g、https://mp.weixin.qq.com/s/IwVI2v8EstPJJHISCvxAHg、https://mp.weixin.qq.com/s/o47TOORP0mWirAvGov-Xqg、https://mp.weixin.qq.com/s/ycwlPptEpSyM9VU68zxgVQ、https://mp.weixin.qq.com/s/lb09tiX4PBeGh_OAVFGXiA
[33]资料来源:https://mp.weixin.qq.com/s/K2dlHzsCBODkqAEjoc_Bow
[34]资料来源:https://mp.weixin.qq.com/s/QT0NmtQ_FWJT8VnEd_ktmQ
[35]资料来源:https://mp.weixin.qq.com/s/r7Asbu83-sFo99ummAOUSw
[36]关于整个智能驾驶行业竞争要素的更多分析,请详见我们于2024年1月31日发布的报告《探微智驾(二):AI大模型浪潮赋能智能驾驶》
编辑/Jeffrey
Robotaxi是L4自動駕駛的重要落地場景。作爲智能駕駛系列報告的第三篇,本文圍繞Robotaxi,重點探討市場關注的四大問題: 1)Robotaxi對技術棧有何特殊要求,當前技術的成熟度怎樣?2)Robotaxi的單位經濟(UE)模型怎樣計算,未來提升空間如何?3)從政策和企業的視角,Robotaxi的落地進行到哪一步了?4)如何看待Robotaxi的投資邏輯?
摘要
Robotaxi對技術棧有何特殊要求,當前技術的成熟度怎樣? Robotaxi模式成立的核心在於由系統自動化完成駕駛、基本無需人工干預,其技術棧的要求既與城市NOA追求的強泛化能力、高度擬人化的智能駕駛模型一致,又需要滿足安全性和冗餘性。當前,Robotaxi已展示出明顯的技術進步,但提升空間仍在。中金研究認爲Transformer、端到端、多模態和世界模型等人工智能前沿進展或有用武之地,有望加速智能駕駛能力的升階。
Robotaxi的單位經濟(UE)模型怎樣計算,未來提升空間如何? 作爲一種客運服務,Robotaxi主要按行駛里程收費;成本端,Robotaxi企業需承擔車輛的折舊、安全員成本、電費、停車費和保險費等成本,其中收入、折舊、安全員成本是影響Robotaxi UE模型的三個重要因素。Robotaxi商業模式多元,分爲重資產和輕資產等不同形態,但在早期其UE模型通常都爲虧損狀態,未來改善則需持續關注技術、政策和車隊數量等層面的變化。
從政策和企業的視角,Robotaxi的落地進行到哪一步了? 中國Robotaxi正逐漸進入從研發測試到商用部署的過渡期,國家和地方多項政策助力行業健康發展,海外的相關政策法規亦在不斷推進。從企業的視角,中美各個頭部的Robotaxi企業正在持續拓展商業版圖,當前來看其體量相對有限,所處階段爲道路測試到商業化運營不等。
如何看待Robotaxi的投資邏輯? Robotaxi行業的長遠發展依賴於技術、商業化和政策三個要素形成正循環。在正循環中,Robotaxi的UE水平逐漸改善,企業有意願投放更多車輛,而車隊規模的擴大可以持續攤薄前期研發成本,企業盈利改善,推動行業走向健康可持續的發展。但在正循環形成前,Robotaxi企業或承擔一段時間的虧損。中金研究認爲,資金實力、數據閉環、軟硬一體和技術創新能力等是Robotaxi企業現階段的關鍵競爭要素。
風險
技術探索進程緩慢;商業化受阻;行業競爭加劇;政策進展不及預期。
正文
問題1:Robotaxi對技術棧有何特殊要求,當前技術的成熟度怎樣? 當前:Robotaxi要求系統的泛化、擬人和冗餘,現有技術棧仍有進步空間
Robotaxi是L4自動駕駛重要的商業化落地場景,其模式成立的核心在於系統自動化完成駕駛、基本無需人工干預,是人工智能技術發展到一定高度後的產物。 站在自動駕駛企業的角度,要達成系統自動化駕駛的目標,至少需要滿足2個條件:
1)系統的能力足以實現自動化駕駛,從C端乘客的視角,其願意選乘Robotaxi,基本要求是Robotaxi在安全、舒適、高效等維度上和傳統模式持平、甚至超過傳統模式,這就涉及到系統本身的能力問題,屬於本章討論的技術範疇;2)實現的方式是具有性價比的、符合市場商業邏輯的,如此自動駕駛企業方能可持續發展、C端乘客支付的價格方有下降空間,這就涉及到單位經濟(UE)模型的問題,將在下一章詳細討論。
具體拆分安全、舒適、高效等維度,他們在技術上意味着:1)安全: 系統能夠避免或者減少酒駕、注意力不集中和反應慢等情況,但是系統有出故障的概率、神經網絡本身也是一個概率模型,Robotaxi需要做到即使軟件和硬件失效,也能保證最底線的安全;
2)舒適: 系統需要高度擬人化,像人類駕駛員一樣處理各種場景,減少急剎和頓挫;3)高效: 要求Robotaxi能達到一定的行駛速度,給予乘客自由選擇路線和上下車地點的靈活度,能夠妥善應對Corner case(長尾場景)和他車交互博弈,而非單純地停車等待。
圖表1:智能駕駛系統的升階,對硬件和軟件能力提出更高的要求
資料來源:清華大學車輛與運載學院,毫末智行公衆號,九章智駕,中金公司研究部
由此可見,Robotaxi對技術棧的要求,與當前城市NOA所追求的強泛化能力、高度擬人化的智能駕駛模型是一致的,而由於基本沒有人工干預,Robotaxi需要將這些維度推到極致,並滿足安全性和冗餘性。
所以,在Robotaxi的技術棧中,一方面可以看到更高的神經網絡滲透率、更復雜的模型架構、更多的精細化模型積累乃至更大的模型規模,而另一方面其在感知上會有更多傳感器(如激光雷達)和高精度地圖冗餘,在決策上通常增加規則代碼兜底,以增加技術棧的冗餘性。在系列報告第一篇[1]中,中金研究將這些要求總結爲“完備性”和“冗餘性”。
近年在國內外各類L4的路測和示範運營中,Robotaxi已經展示出明顯的技術進步,行駛整體平穩,能較好地完成轉彎、變道和禮讓行人,在極端天氣、早晚高峰、城中村等複雜場景中也有不錯表現。
但是同時, 中金研究認爲當前的技術水平也有進一步提升的空間, 例如部分長尾場景(道路上出現編織袋)和突發情況(道路臨時改道)的處理尚不完美,行駛策略偏保守(遇到他車可能直接剎停而非博弈),靈活性有待增強(網約車場景下,駕駛員可以靈活選擇路線和接客地點,但Robotaxi目前暫未實現),安全性(含網絡安全)需要持續強化。
中金研究認爲,這些問題的存在,或意味着整個自動駕駛行業仍然要朝着模型/算法的泛化性、擬人性和安全性等方向繼續前進。
圖表2:當前Robotaxi技術棧能做到的和仍有提升空間的領域
注:各家企業Robotaxi的技術水平不同,圖中所列能力仍有提升空間的領域爲根據公開資料提到的案例總結,並非適用所有Robotaxi企業 資料來源:文遠知行官網,百度Apollo公衆號,小馬智行官網,俠客島,虎嗅,中金公司研究部 未來:人工智能前沿進展有望助力Robotaxi技術棧的完善
回歸技術棧的視角,經過多年的發展,以Robotaxi爲代表的智能駕駛技術棧已有較多的沉澱,經典的技術棧通常爲模塊化的架構,感知、預測、決策和控制各司其職,AI模型在各個模塊中有不同程度的滲透。在經典的技術棧下,智能駕駛的部分難題已經得到較好的解決, 例如BEV + Transformer較好地解決了感知模塊的向量空間搭建問題,AI模型在規控模塊的引入能較顯著地提升乘坐的舒適感、將智能駕駛的能力帶入到更爲複雜的場景中。
然而,智能駕駛技術仍有難題有待攻克:
► 感知: Corner case的感知是主要的難點之一,如道路上奇形怪狀的長尾障礙物、特別極端的天氣和道路臨時變道等。感知是智能駕駛技術棧的第一道“關卡”,如果感知模塊出現漏檢誤檢,那麼後續模塊或會承擔較大的壓力。
► 預測: 首先是交互,動態障礙物的未來軌跡不僅和自身有關,還和其與其他動態障礙物的交互有關,複雜場景的預測通常涉及對多主體交互的建模。其次是Corner case,即各類長尾障礙物未來的軌跡預測。
► 決策: 感知和預測模塊輸出的結果帶有概率值,決策模塊本質上需要在一個不確定的環境下工作(當然,利用高精度地圖可以一定程度上環節感知結果的不確定性)。在複雜的場景下,如何像熟練的人類駕駛員一樣和其他車輛去博弈和交互,如何更加擬人的處理各類複雜工況乃至Corner case(如大雪天的形式),如何讓自動駕駛決策的乘坐體感和人駕模式一致,是決策模塊面臨的主要難點。
► 控制: 控制更多是工程和數學問題,但在Robotaxi的場景下,硬件的調校、軟硬件的耦合或會影響控制的精度,並最終影響到實際的駕駛效果。
面對上述技術棧難題,中金研究認爲大模型等人工智能前沿進展在未來或有用武之地,有望助力智能駕駛能力的升階。具體而言,Transformer、端到端、多模態和世界模型是幾類值得關注的前沿進展。
Transformer架構 是大模型的基石,擅長建模遠距離關係,可以接受Prompt形式的學習方法,能夠有效關聯多種模態的信息併合成爲統一形式的信號,性能通常隨參數量的擴大而大幅提升,除了感知領域外,也正逐漸被應用於預測和決策領域。端到端 將獨立的算法模塊納入完全可微的統一模型框架,特徵空間可在模型的各個部分完整傳播,更徹底的數據驅動成爲可能。多模態 嫁接大語言模型已湧現的上下文學習、零樣本學習、邏輯推理、常識判斷等能力,是提升智能駕駛技術棧泛化能力的潛在路徑(此前的方法通常是實車採集/仿真構建Corner case,然後將數據用於AI模型的進一步訓練)。世界模型 通過讓模型基於歷史信息預測未來駕駛環境的演變,構建了一種更高效的學習海量智能駕駛數據的先驗分佈的訓練方式,有潛力成爲智能駕駛領域的Foundation model。[2]
事實上, 中金研究看到不少Robotaxi企業已經開始應用大模型的思想,來強化自身技術棧的能力。 在2024年Apollo Day上,百度發佈了支持L4級自動駕駛的大模型Apollo ADFM,基於大模型技術重構自動駕駛,採用隱式傳遞、聯合訓練的端到端思想,感知和決策的模型屬性和數據驅動顯著增強,公司公開表示該技術可以兼顧安全性和泛化性,安全性有望高於人類駕駛員10倍以上[3]。
當前,不少L4 Robotaxi企業都開始在技術棧中應用transformer、端到端乃至語言模塊Prompt的思想,技術棧能力獲得大模型的賦能,中金研究認爲這或許有望加速L4 Robotaxi技術水平的成熟。
2024年2月,OpenAI發佈視頻生成模型Sora,展現出世界模型的諸多特點,市場較爲關注Sora在自動駕駛領域的應用前景。 考慮到自動駕駛對於安全性具有嚴格的要求,而Sora在部分案例中對基本物理交互的把握仍有不準確之處,中金研究認爲當前Sora還較難直接用於車端的自動駕駛。
短期來看, Sora有望應用於自動駕駛仿真,基於實車採集的視頻微調生成新的驗證場景,或生成新的合成數據用於自動駕駛模型的訓練。
中長期來看, 中金研究看好以Sora爲代表的世界模型的潛力,構建了一種更高效的學習海量智能駕駛數據的先驗分佈的訓練方式,有潛力成爲智能駕駛領域的Foundation model,海外智能駕駛龍頭特斯拉亦曾在CVPR 2023公開分享在相關路線上的探索和長遠願景。
圖表3:經典的智能駕駛軟件技術棧
注:本圖僅爲經典的智能駕駛軟件技術棧,爲中金公司研究部根據文獻和其他公開資料整理,業界當前實際使用的技術棧可能會有所差別 資料來源:《無人駕駛原理與實踐》(機械工業出版社,2018年),《自動駕駛技術概論》(清華大學出版社,2019年),《自動駕駛汽車環境感知》(清華大學出版社,2020年),《自動駕駛汽車定位技術》(清華大學出版社,2019年),《自動駕駛決策與控制》(清華大學出版社,2019年),《自動駕駛汽車平台技術基礎》(清華大學出版社,2019年),《Self-driving cars: a survey》by Claudine Badue, Ranik Guidolini, etc., Waymo,特斯拉AI Day,小鵬官網,輕舟智航官網,CSDN,焉知汽車,九章智駕,智車Robot,中金公司研究部
圖表4:智能駕駛大模型概覽
資料來源:A. Vaswani, N. Shazeer, et al., "Attention is All You Need", 2017,Y. Hu, J. Yang, et al., “Planning-oriented Autonomous Driving”, 2023,C. Li, Z. Gan, et al., “Multimodal Foundation Models: From Specialists to General-Purpose Assistants”, 2023,X. Wang, Z. Zhu, et al., “DriveDreamer: Towards Real-world-driven World Models for Autonomous Driving”, 2023,A. Kirillov, E. Mintun, et al., “Segment Anything”, 2023,中金公司研究部
圖表5:Sora等世界模型在自動駕駛領域的應用前景
資料來源:OpenAI官網,特斯拉AI Day,中金公司研究部 問題2:Robotaxi的單位經濟(UE)模型怎樣計算,未來提升空間如何? 在本章,中金研究將嘗試梳理Robotaxi單位經濟(UE)模型的計算框架,分析影響其UE模型的主要因素,梳理未來UE模型的提升空間,從而從商業的視角探討,爲了用有性價比的方式實現自動駕駛,還需要從哪些方面來努力。(詳細UE模型測算請詳見報告)
在收入端, 作爲一種客運服務,Robotaxi主要按照行駛的公里數收取打車費;在成本端, Robotaxi企業需要承擔車輛的折舊、電費、停車費和保險費等,同時爲了幫助Robotaxi在困難場景脫困,通常還需要在車上或者遠程部署一定數量的安全員進行監督,因此Robotaxi企業還會付出安全員成本。
收入、折舊、安全員成本是影響Robotaxi UE模型的三個重要因素, 中金研究具體分析如下:
► 收入: 影響因子包括每日接單量、每單平均里程、每公里單價等,這些因素和Robotaxi本身的技術水平和乘坐體驗、消費者的接受程度、政策允許運營的範圍以及Robotaxi車隊數量等密切相關。中金研究認爲未來的提升路徑包括:1)打磨和完善Robotaxi的技術棧能力,提升安全、舒適、高效等屬性,提高消費者的接受程度;2)政策允許Robotaxi運營的區域逐漸拓展;3)Robotaxi企業提高在區域內的車輛鋪設數量,使車隊達到一定的密度,縮短乘客所需等待的時間,形成規模優勢和網絡效應。
► 折舊: 與普通的車輛不同,Robotaxi增加了激光雷達、攝像頭、車端推理芯片等自動駕駛套件,此外出於安全性和冗餘性的考慮,Robotaxi通常使用高精度地圖,且會在線控、傳感器和域控等層面設置冗餘,以上均會使得Robotaxi的車輛成本比普通車輛更高,從而帶來更高的折舊成本。在未來,中金研究認爲改善的路徑包括:1)由後裝車變爲前裝車,這既關乎車輛運行的穩定性,也關係到成本。
2)增強車隊數量,形成規模效應,從而在向主機廠購買裸車時有更大的議價空間;3)軟件能力提升,降低硬件配置要求,例如激光雷達數量從6個降爲3個、從必須使用機械式雷達到半固態雷達也能適配等;4)激光雷達等零部件本身的降本,NOA智能駕駛的普及帶動各類零部件使用量的提升、推動價格下降,中金研究認爲L4 Robotaxi也將受益於這一降本趨勢。
► 安全員成本: 根據交通運輸部於2023年12月發佈的《自動駕駛汽車運輸安全服務指南(試行)》,從事出租車客運的完全自動駕駛汽車,遠程安全員人車比不得低於1:3[4]。在未來,隨着算法能力的進步、泛化性提升,Robotaxi所需安全員幫助的場景或逐漸減少;而技術的持續進步,也有望爲政策放寬人車比要求提供更多的信心。
綜上可以看出,Robotaxi UE模型在早期通常爲虧損狀態,而未來的改善需要持續關注技術、政策和車隊數量等層面的變化。同時,以上因素之間也會發生相互影響,如單車UE的改善會提高Robotaxi企業增加車隊數量的意願,而增加車隊數量本身將改善單車UE。根據ARK Invest的研究,隨着自動駕駛的規模化落地,乘用車的單英里成本有望下降至0.25美元。
值得注意的是,上面中金研究討論的僅爲Robotaxi企業自持車隊這一種商業模式,屬於重資產模式。事實上,智能駕駛企業也在嘗試更多元的商業模式,如第三方持有資產模式(輕資產)、C端消費者持有資產模式(輕資產)和合資公司模式等,在這些模式下,Robotaxi的UE模型或將有所改變。
但是,不論採用何種商業模式,中金研究認爲Robotaxi UE的核心仍然將是圍繞技術、政策和車隊數量等方面,提升收入水平、降低現有成本。
圖表6:Robotaxi典型商業模式示意
注:主機廠和自動駕駛企業可能爲同一家企業,如特斯拉 資料來源:特斯拉公告/AI Day,百度Apollo公衆號,小馬智行公衆號,中金公司研究部 問題3:從政策和企業的視角,Robotaxi的落地進行到哪一步了? 政策視角:國家和地方多項政策助力Robotaxi行業健康發展
國內情況
整體來看,我國Robotaxi已從研發測試逐漸進入商用部署的過渡期, 圍繞智能網聯車、自動駕駛功能實現等方面,政府先後出臺一系列支持與規範性質的政策和法規。支持層面,鼓勵特定場景示範應用、允許開放試點、積極完善軟硬件配套;規範層面,約束智能網聯車的事前准入、事中管理與事後權責劃分。此外,現階段政策也在探討自動駕駛交通事故的權責劃分,部分城市進入試點探索階段。
2024年6月,我國首批確定由9個汽車生產企業和9個使用主體組成的聯合體,將在北京等7個城市展開智能網聯汽車准入和上路通行試點。 中金研究認爲,試點將支撐相關法律法規與技術標準的修訂,完善智能網聯汽車生產准入與道路交通安全體系,推動自動駕駛的落地。
在各個城市,相關政策亦陸續出臺,逐漸擴大試點範圍,助力智能網聯體系發展。 根據工信部數據,截至2023年年底,全國共建設17個國家級測試示範區、7個車聯網先導區、16個智慧城市與智能網聯汽車協同發展試點城市。根據央視網[5],截至2024年4月底,我國共開放智能網聯汽車測試道路29,000多公里,發放測試示範牌照6,800多張,道路測試總里程超過8,800萬公里。下面,中金研究按照城市維度對自動駕駛相關政策進行梳理:
► 北京: 2022年4月底,北京市智能網聯汽車政策先行區率先發布首批“無人化示範應用道路測試”通知書,來自百度和小馬智行的14輛無人化乘用車獲准上路測試[6]。截至2024年3月,北京高級別自動駕駛示範區累計爲29家測試車企發放了道路測試的牌照,自動駕駛測試的里程超過2,500萬公里[7],覆蓋通州、順義、亦莊、大興等多個地區。2024年7月,北京發佈《北京市自動駕駛汽車條例(徵求意見稿)》,強調安全員需按國家有關規定配備,明確了交通事故的責任認定 (車輛在自動駕駛系統功能激活狀態下發生道路交通事故造成人身傷亡、財產損失的,屬於自動駕駛汽車一方責任的,由車輛所有人、管理人承擔賠償責任 )。
► 上海: 2018年以來,上海分階段、分批次開放自動駕駛測試道路,打造了嘉定、臨港、奉賢、金橋等四個示範區。截至2024年3月,上海已有32家企業、794輛車獲得自動駕駛道路測試、示範應用、示範運營牌照,累計測試里程約2,290萬公里,覆蓋浦東新區、嘉定等行政區,測試總時長約122萬小時[8]。2024年3月,上海將金橋經濟技術開發區全域及浦東申江路、滬南公路、兩港公路等道路開放爲自動駕駛測試道路[9]。
► 廣州: 2018年,廣州允許部分自動駕駛企業“先行先試”,Robotaxi上路廣州。2024年2月,廣州推出《廣州市智能網聯汽車創新發展條例(徵求意見稿)》。至2024年7月, 廣州已累計開放827條自動駕駛測試道路,單向里程約1,666公里,涉及南沙區、黃埔區等6個行政區,已有15家企業在廣州開展不同級別的道路測試和L3/L4高級別測試活動,文遠知行、小馬智行、百度阿波羅、滴滴等自動駕駛企業或自營或與廣州公交集團、祺宸科技等運營商合作,投入超180臺自動駕駛車輛 開展示範運營和商業化示範應用[10]。
► 深圳: 2022年,深圳率先爲智能網聯汽車立法,出臺《深圳經濟特區智能網聯汽車管理條例》。2023年7月,深圳發放了全國首張L3高快速路測試號牌(比亞迪);同年8月,深圳發佈智能網聯汽車10項地方標準。截至2024年5月,深圳全市累計開放測試示範道路944公里,覆蓋南山區、寶安區等多個行政區,累計向19家企業349輛智能網聯汽車發放道路測試及示範應用通知書1,037張[11]。
► 武漢: 截至2023年底,武漢全市累計開放測試道路里程已突破3,378.73公里(單向里程),覆蓋12個行政區,輻射面積約3,000平方公里,觸達人口超770萬,開放里程和開放區域數量全國領先[12]。
► 其他城市: 此外,長沙、杭州、南京等地亦在積極推進Robotaxi落地:2020年4月,長沙Robotaxi服務向民衆全面開放,運營範圍約130平方公里[13];2024年5月,《杭州市智能網聯車輛測試與應用促進條例》正式施行[14];南京在江寧開發區、秦淮白下高新區、建鄴區科技生態島、溧水開發區等多地打造智能網聯汽車應用場景[15]。
圖表7:各個城市的自動駕駛測試與運營區域展示(部分)
注:1)本圖僅爲對智能駕駛運營區域的示意;2)上海市智能駕駛運營範圍圖只選取上海市南匯新城至浦東機場路段無駕駛智能網聯汽車示範路段情況,不代表全市智能駕駛運營範圍;3)深圳市智能駕駛運營範圍圖爲2018年第一批試點情況,不代表當前情況;4)杭州市智能駕駛運營範圍圖僅列舉上城區情況,不代表全市智能駕駛運營範圍;5)長沙市與武漢市智能駕駛運營範圍圖只列舉蘿蔔快跑7月份運營範圍地圖,不代表全市所有品牌智能駕駛運營範圍。 資料來源:亦莊新城公衆號,北京順義公衆號,上海交通公衆號,上城發佈公衆號,深圳夢公衆號,廣州市智能網聯汽車示範區運營中心,廣東省智能網聯汽車創新中心,蘿蔔快跑APP,中金公司研究部
海外情況
海外市場圍繞自動駕駛的政策制定亦在穩步前進。 2012年,美國內華達州爲谷歌自動駕駛汽車發放了全球第一張測試牌照[16]。2017年,德國通過《道路交通法(第八修正案)》,成爲爲自動駕駛立法的國家[17]。同年,德國還發布了全球首份針對自動駕駛的倫理指南,確立了自動駕駛的20條倫理準則[18]。2021年,德國通過《自動駕駛法》,首次對L3以上級別的自動駕駛汽車進行規制[19]。2023年,日本《道路運輸車輛法》修正案正式生效,允許L4級自動駕駛車輛在日本公路上行駛[20]。
整體來看,美國推進自動駕駛的佈局時間線相對更長,經歷了多輪迭代。 2016年起,美國交通部就連續發佈Automated Vehicles(AV)1.0~4.0及自動駕駛綜合計劃(AVCP),對自動駕駛產業進行頂層指引,並以五年規劃爲藍圖制定智能交通發展戰略,探索自動駕駛商業化落地的政策配套。
美國各個地區的具體落地進程有所差異,但Robotaxi運營版圖總體保持擴張趨勢。 目前,亞特蘭大、達拉斯、休斯敦、邁阿密、西雅圖、波士頓、匹茲堡等多個城市已經開始無人駕駛汽車載客試點運營。鳳凰城、舊金山、洛杉磯等城市已准許Robotaxi收費運營。將視角轉向加州這一特定案例,美國加州車輛管理局(DMV)及公共事務委員會(CPUC)逐年推進對加州自動駕駛道路測試和商業化應用政策的探索,目前已有多家企業獲得自動駕駛測試和部署許可。 自2022年起,加州以舊金山爲試點嘗試Robotaxi落地的可能,並於2023年8月首次放開全時段、全區域、主駕無人的Robotaxi商業化運營。
企業視角:頭部Robotaxi企業落地情況梳理
近年,Robotaxi車隊規模不斷擴容,里程與出行訂單量增長,但和傳統出行行業相比,整體體量仍相對有限。當前,一線城市仍是國內頭部Robotaxi企業佈局的重點,而考慮到武漢、長沙等城市對自動駕駛的支持力度,中金研究認爲未來其他城市也有望成爲Robotaxi落地的重要區域。硬件設施層面,實現前裝量產的企業仍爲少數,更多前裝量產的車型正在研發過程中。商業模式上,多數Robotaxi企業選擇按照出行服務的方式定價;運營時段上,蘿蔔快跑是爲數不多嘗試實踐24x7運營的企業(在武漢)[21]。
下面,中金研究對部分頭部Robotaxi企業的經營情況和最新進展做簡單梳理:
文遠知行
文遠知行成立於2017年,爲L4級自動駕駛公司。當前,文遠知行產品矩陣分爲L4和L2+/L3兩部分,L4級產品覆蓋網約車、公交車、貨運、環衛等多種場景,包括自動駕駛出租車、自動駕駛小巴、自動駕駛貨運車和自動駕駛環衛車;L2+/L3級主要爲高階智能駕駛產品。文遠知行是同時擁有中國、美國、阿聯酋、新加坡四地自動駕駛牌照的自動駕駛公司。[22]
文遠在Robotaxi上與廣汽、日產等OEM合作,搭載全棧式軟硬件解決方案。 2019年,公司於廣州開放自動駕駛出租車服務,打造了全國首支落地一線城市的Robotaxi車隊。2022年,文遠知行突破公開道路上自動駕駛里程數1,000萬公里。2023年6月,公司獲批在北京開展Robotaxi純無人示範應用,2023年11月獲批在北京開展純無人商業化收費運營。[23]
小馬智行
小馬智行成立於2016年末,擁有Robotaxi、Robotruck和POV三大業務板塊,產品覆蓋L2+至L4級智能駕駛。2018年12月,公司推出國內首個自動駕駛出行服務PonyPilot,旨在通過自營或合作運營L4級車隊爲公衆提供出行服務。[24]
當前,小馬智行自動駕駛出行服務覆蓋北京(亦莊、大興機場)、上海(嘉定)、廣州(南沙)、深圳(前海、寶安、南山), 目前公司在北京、廣州爲乘客提供全無人駕駛車輛服務,在上海和深圳提供“主駕位無人”的無人駕駛車輛服務。截至2024年5月,小馬智行已累積超過3300萬公里自動駕駛路測里程,其中無人化自動駕駛測試里程超300萬公里。[25]
與豐田緊密合作,佈局Robotaxi前裝量產。 2024年4月25日,小馬智行、豐田中國、廣汽豐田於北京車展宣佈三方合資公司將完成註冊,公司規劃第一期將向中國市場投放千臺規模的鉑智4X自動駕駛車輛,產線下線後無縫接入小馬智行Robotaxi運營平台,在國內一線城市開展規模化的全無人駕駛出行服務。[26]
百度
百度對自動駕駛的佈局可以追溯到2017年發佈的Apollo計劃,其自動駕駛產品蘿蔔快跑首發於2021年[27]。發展至今,蘿蔔快跑實現了較廣的落地規模和商業化運營, 已獲武漢、北京等11座城市無人駕駛測試牌照,其中武漢、北京等地可以公開收費運營。根據Create 2024,蘿蔔快跑在武漢的車隊規模預計在2024年突破1,000臺[28]。
據雷峯網[29],以蘿蔔快跑第五代無人車爲例,該款車型成本爲48萬元,基於北汽極狐阿爾法T純電車型定製而成。同時,百度也在與江鈴集打造下一代成本更低的前裝量產車型頤馳06[30], 搭載40餘個不同類型的傳感器(根據禾賽科技公告[31],其主激光雷達爲禾賽獨家供應,單車搭載4顆超高清遠距激光雷達 AT128),雙芯片配置,整車價格約爲20萬元。
AutoX
AutoX成立於2016年,公司的Robotaxi產品現已獲北京、上海、廣州、深圳等地無人駕駛測試牌照,並在上海、深圳等城市公開收費運營。 公司第五代Robotaxi車型與克萊斯勒合作,原廠支持車規級冗餘線控,搭載50枚傳感器,車輛控制單元算力達2,200TOPS。[32]
Waymo
Waymo成立於2016年,其前身是Google於2009年開始的自動駕駛項目,目前主要提供L4級別的自動駕駛平台(Waymo Driver),商業模式包含提供Robotaxi服務(Waymo One)和無人駕駛貨物運輸服務(Waymo Via)。當前,Waymo One已獲批在鳳凰城、舊金山等地收費運營,行駛速度最高可達65英里/小時,加州交通管理局不對車隊規模不設上限[33],且公司在舊金山等地爲24x7運營。 Waymo One包含捷豹I-PACE等車型[34],同時正與極氪合作前裝量產的Robotaxi車型。截至2023年12月,Waymo在現實和模擬環境中行駛的里程總計約200億英里(其中公共道路上行駛了約2,000萬公里)[35]。
圖表8:自動駕駛公司的配套硬件及供應商總結
資料來源:小馬智行官網/公衆號,文遠知行官網/公衆號,百度Apollo官網/公衆號,AutoX官網/公衆號,Waymo官網,江鈴集團,禾賽科技公衆號,NVIDIA英偉達企業解決方案,基石資本,汽車之心,廣州南沙發布,汽車之家,車東西,量子位,智能車參考,雷鋒網,中金公司研究部 圖表9:自動駕駛公司2024年商業化落地亮點事件彙總
資料來源:文遠知行公衆號,小馬智行公衆號,商務部國際商報,浦東發佈公衆號,Waymo官網,中金公司研究部 問題4:如何看待Robotaxi的投資邏輯? 在本文前三章, 中金研究圍繞技術、商業化(UE)和政策這三個影響Robotaxi行業的重點因素進行了詳細分析。事實上, 中金研究認爲Robotaxi行業的長遠發展正依賴於這三個要素形成的正循環:
1)Robotaxi企業的技術達到一定水平後,政策開放部分區域進行測試和示範應用;2)在實地測試和應用的過程中,Robotaxi企業積累更多數據,用於訓練和完善算法;3)隨着技術能力提升,安全、舒適、高效屬性得到驗證,爲進一步的政策支持提供更多的信心。
4)政策允許Robotaxi在更大範圍內運營,Robotaxi企業的車隊規模進一步擴大。在這個正向循環中,Robotaxi的UE水平逐漸改善,企業有意願投放更多車輛,而車隊規模的擴大可以持續攤薄前期高額的研發成本,企業盈利改善,最終推動整個行業實現健康、可持續的發展。
圖表10:政策、商業化和技術三要素構成正循環,共同影響Robotaxi行業的長遠發展
資料來源:中金公司研究部 當前,中金研究看到Robotaxi企業在技術和商業化層面取得了一定進步,政策也支持行業健康發展;但是,三大因素本身是一個循環往復、漸進向前的過程,行業發展需要更多的時間、需要長期主義。
而如果要加速正循環的運轉,通常是其中有一個因素首先獲得突破進展(中金研究認爲這個因素更有可能是技術),然後推動其他兩個因素的前進,從而形成正向飛輪。
中金研究認爲,要實現這個目標,當前行業仍有一定的進步空間;而在飛輪完全運轉之前,Robotaxi企業或會承擔一段時間的虧損。
基於上述判斷, 中金研究嘗試總結現階段Robotaxi企業的關鍵競爭要素[36]:
► 資金實力: Robotaxi技術的進步離不開人才和算力,背後的支撐是資金;車隊數量達到一定規模前,Robotaxi通常由企業自持,形成資金佔用;行業飛輪形成前,Robotaxi企業或承擔一段時間的虧損;交通事故的責任由Robotaxi企業承擔。以上因素均使得,Robotaxi企業需要較強資金實力的支撐,而這背後就看企業是否有其他盈利業務造血,是否有較強的融資能力,或是否有較多的現金儲備。同時, 中金研究認爲自動駕駛企業在封閉、低速等場景率先實現商業化落地,獲得一定的利潤支撐,也是可行的路徑。 例如,在近年廣州路測中,中金研究就可以看到微循環交通等低速場景的自動駕駛應用佔比提升;而在港口、礦山等場景,自動駕駛亦在持續落地當中。
► 數據閉環: 神經網絡在自動駕駛技術棧中的滲透率提升,需喂入大量訓練數據;隨着AI大模型探索的深入,模型參數量或進一步提升,要求Robotaxi企業搭建成熟的數據引擎和工具鏈。中金研究認爲,自動駕駛企業數據閉環能力的強弱,將與其車隊數量、產品豐富度、模型架構和工程能力等直接掛鉤。
► 軟硬一體: 車型的調校和適配、車輛硬件的穩定性以及電子電氣架構均與自動駕駛的能力緊密相關。對於聚焦算法的智能駕駛企業,與車企的深度合作甚至是綁定較爲關鍵,因爲前裝車涉及車企的合作意願,包括車企是否願意重新設計整個底層架構、是否願意深度開放各個接口等等。此外,中金研究也建議關注芯片和軟件深度耦合的趨勢。
► 技術創新能力: Robotaxi技術仍有進步空間,當前技術棧尚未實現收斂,秉持長期主義並能夠快速革新是重要的軟實力。中金研究認爲,技術創新能力一方面需要高素質的軟硬件工程師,另一方面也與研發團隊靈魂人物以及整個公司文化和管理激勵機制密不可分。
圖表11:廣州路測中,自動駕駛小巴等佔比提升
資料來源:廣州市智能網聯汽車示範區運營中心,廣東省智能網聯汽車創新中心,中金公司研究部 圖表12:自動駕駛方案提供商有望獲得更高的產業價值
注:參考ARK Invest對於2030年的預測資料來源:ARK Invest,中金公司研究部 最後,給定行業正循環形成, 中金研究建議關注以下細分賽道的投資機會:
► 自動駕駛解決方案提供商: 根據ARK Invest的測算,到2030年,自動駕駛平台解決方案提供商有望獲得更高的產業價值。中金研究建議從資金實力、數據閉環、軟硬一體和技術創新等維度評估各個自動駕駛解決方案提供商,並關注其中頭部企業的投資機會。
► 主機廠: 建議關注在自動駕駛領域佈局較爲領先的頭部主機廠。基於全棧自研和車隊規模,頭部主機廠往往能通過龐大的真實世界數據構築真實世界AI,向軟件驅動的AI科技公司演進,中金研究建議關注這些主機廠在Robotaxi領域的佈局和進展。
► 硬件產業鏈: 自動駕駛在硬件層面需要域控制器、冗餘線控、激光雷達、推理芯片等硬件的支持,建議關注Robotaxi行業起量後對相關賽道硬件廠商業績的帶動。
[1]請詳見我們於2024年1月29日發佈的報告《探微智駕(一):拆解智能駕駛技術棧》
[2]關於智能駕駛大模型的更多分析,請詳見我們於2024年1月31日發佈的報告《探微智駕(二):AI大模型浪潮賦能智能駕駛》
[3]資料來源:https://mp.weixin.qq.com/s/dJDCFRWZLq0aAhhf8xWM_w
[4]資料來源:https://xxgk.mot.gov.cn/2020/jigou/ysfws/202312/t20231205_3962490.html
[5]資料來源:https://mp.weixin.qq.com/s/ySyyxz9cKeD4uveyyz_ijw
[6]資料來源:https://kfqgw.beijing.gov.cn/zwgkkfq/ztzl/cxfbqdkfq/wqhgkfq/wqhg2022/wqhg2022n4y/202204/t20220429_2696369.html
[7]資料來源:https://new.qq.com/rain/a/20240315A041X900/
[8]資料來源:https://mp.weixin.qq.com/s/yJR21gxN-dYvO3akIZtD1w
[9]資料來源:https://www.shio.gov.cn/TrueCMS/shxwbgs/ywts/content/0afc17f1-69ba-4f5e-b933-def729d973f1.htm
[10]資料來源:https://jtj.gz.gov.cn/gkmlpt/content/9/9744/post_9744164.html#14313
[11]資料來源:https://mp.weixin.qq.com/s/Xxv5c1glkZG9-IiKIb7ldw
[12]資料來源:https://3g.wuhan.gov.cn/sy/whyw/202405/t20240531_2410344.shtml
[13]資料來源:https://mp.weixin.qq.com/s/7VTbnr7Gv4NVieL399t01w
[14]資料來源:https://www.hzrd.gov.cn/art/2024/4/25/art_1229690462_19702.html
[15]資料來源:https://mp.weixin.qq.com/s/l_Vx1uPzbxdBe1RKySOLZw
[16]資料來源:https://edition.cnn.com/2012/05/07/tech/nevada-driveless-car/index.html
[17]資料來源:https://www.springerprofessional.de/automatisiertes-fahren/unternehmen---institutionen/bundestag-beschliesst-gesetz-zum-autonomen-fahren/12193302
[18]資料來源:https://mp.weixin.qq.com/s/_qgrigNeXypW-EdzAuLrMQ
[19]資料來源:https://mp.weixin.qq.com/s/_qgrigNeXypW-EdzAuLrMQ
[20]資料來源:http://www.news.cn/asia/2023-05/22/c_1129637695.htm
[21]資料來源:https://mp.weixin.qq.com/s/FLmlojPSQycOXvION8_YYw
[22]資料來源:https://mp.weixin.qq.com/s/GUnVNM4SV2C6H3vZ7A-EBw
[23]資料來源:https://mp.weixin.qq.com/s/DW8Ta7kRYxvl0TkWBT9X5g、https://mp.weixin.qq.com/s/sodSZFfT5kazAn-pAB2oVA、https://mp.weixin.qq.com/s/hd0T47umF_7UjrywnRtaeg、https://mp.weixin.qq.com/s/KILpjU6TjFhpwN-CgelM_g
[24]資料來源:https://mp.weixin.qq.com/s/amHdZZrBtXJQ13eHySD1NQ
[25]資料來源:https://mp.weixin.qq.com/s/5k7mODy94vZCoOgtCLpYdg、https://mp.weixin.qq.com/s/HZSn9YNV-oq8ZWEWZX1fnA
[26]資料來源:https://mp.weixin.qq.com/s/j5b0nzCLDd-rhaiu_nPJpQ
[27]資料來源:https://mp.weixin.qq.com/s/dgVAWFzOgTm5Dd1XIwcMgQ、https://mp.weixin.qq.com/s/dJDCFRWZLq0aAhhf8xWM_w
[28]資料來源:https://mp.weixin.qq.com/s/QyFKud4d4L69lDiQS5u-vQ
[29]資料來源:https://mp.weixin.qq.com/s/MbCpSUO5L43lUYSF2PXkoA
[30]資料來源:https://mp.weixin.qq.com/s/WDbEUPr9EofqyAMRj_ruDQ
[31]資料來源:https://mp.weixin.qq.com/s/WDbEUPr9EofqyAMRj_ruDQ
[32]資料來源:https://mp.weixin.qq.com/s/GIpqL3RcNlRggTBIfhZu2g、https://mp.weixin.qq.com/s/IwVI2v8EstPJJHISCvxAHg、https://mp.weixin.qq.com/s/o47TOORP0mWirAvGov-Xqg、https://mp.weixin.qq.com/s/ycwlPptEpSyM9VU68zxgVQ、https://mp.weixin.qq.com/s/lb09tiX4PBeGh_OAVFGXiA
[33]資料來源:https://mp.weixin.qq.com/s/K2dlHzsCBODkqAEjoc_Bow
[34]資料來源:https://mp.weixin.qq.com/s/QT0NmtQ_FWJT8VnEd_ktmQ
[35]資料來源:https://mp.weixin.qq.com/s/r7Asbu83-sFo99ummAOUSw
[36]關於整個智能駕駛行業競爭要素的更多分析,請詳見我們於2024年1月31日發佈的報告《探微智駕(二):AI大模型浪潮賦能智能駕駛》
編輯/Jeffrey