AI大模型如何加速无人驾驶发展？

华泰预计，今年或是城市NOA（领航辅助驾驶）普及的元年，2023-2030年高级别辅助驾驶BOM成本的平均年降幅度为11%。#A股缘何大跌？节后怎么走？##

近年来，无人驾驶发展驶入“快车道”，政策端传出利好消息，工信部明确表示支持L3级及更高级别的自动驾驶功能商业化应用。$德赛西威(SZ002920)$$光庭信息(SZ301221)$$浙江世宝(SZ002703)$

同时，产业端也迎来利好，AI大模型或进一步加入无人驾驶的发展，具体来看AI从哪些方面赋能？

华泰证券在最新的报告中，对AI大模型赋能自动驾驶进行了详细剖析，分析指出AI大模型的引入（自动标注、感知预测算法的快速迭代），从行业整体层面可以加速高级别辅助驾驶的量产落地。

其次，智能驾驶板块后发者借助产业链优势（云端算力中心、通用开源模型的适配）与先发者在数据积累、模型迭代中的差距有望进一步缩小。

而受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，零部件国产替代趋势显著。 

总结来看，华泰认为，今年或是城市NOA（领航辅助驾驶）普及的元年。当前旗舰车型高级别辅助驾驶BOM成本为1.4万元，预测2023-2030年高级别辅助驾驶BOM成本的平均年降幅度为11%。

提升数据采集、数据标注的效率

海量的数据是无人驾驶的基础，主要来自真实数据、虚拟仿真、影子模式，而下一步是则对数据进行识别、标注。

数据采集方面，华泰证券指出，大模型可以构建虚拟场景人工生成数据，补充现实中难以获得/数据量不足的情形。

数据标注方面，华泰证券指出，人工标注成本高、效率低，自动标注是AI大模型赋能智能驾驶最直接的应用，能大幅降低数据标注的成本。

以特斯拉为例，特斯拉FSD通过“多重轨迹重建”技术自动标注车辆行驶轨迹。目前在集群中运行12小时即可完成10000次行驶轨迹标注，取代500万小时人工标注。通过机器的自我训练，减少了人力标注成本高、效率低的问题。 

以Meta的SAM为代表的图像分割大模型的出现可大幅降低数据标注的成本，该模型是有史以来最大的分割数据集。

优化感知-决策-执行三阶段算法

同样以考特斯拉FSD为例，华泰分析师黄乐平将自动驾驶模型算法按流程，分为感知识别道路和道路上物体）、预测（预测周围车辆和行人的行为）、执行（控制车辆速度方向等行动）三个阶段。 

特斯拉、新势力等主要企业从几年前开始采用基于Transformer的大模型等新技术，1）提高道路、物体的识别精准度；2）学习人类的驾驶习惯（影子模式），3)缩短决策所需要的时间，从而训练模型更加“拟人”。 

1、感知层面：OccupancyNetwork、3D建模

华泰证券指出，特斯拉创新性的提出了占用网络（OccupancyNetwork）模型，直接将3D空间点格化，相较于之前在障碍物识别和行驶路径预判方面有了明显提升，具体来看：

2、预测层面：道路拓扑关系预测、障碍物预测

华泰证券指出，预测分两种，一种是道路信息的预测，另一种是障碍物的预测。

3、决策层面：车端算力升级、模型计算效率优化，决策更加智能

决策的难点在于多方的交互与对路权的博弈，计算的效率是至关重要的。华泰证券表示：

目前业内普遍50-100毫秒之间完成一轮计算。受车端算力与计算效率的限制，目前决策层面的模型可分为两类：1）rulebase的模型（类似if程序，提前设定了某些情境下的反应机制）；2）特斯拉的交互搜索的模型（querybase的条件下可缩短单次计算时间至100微秒）。

推动车端/云端算力升级与国产化

最后，受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，华泰证券认为零部件国产替代趋势显著。

随着大模型上车对车载算力需求的进一步提高，以及车载芯片制造商对芯片架构和技术的改进，车载芯片的算力有望持续上升。英伟达Thor芯片（2000TOPS）未来量产有望加速计算平台融合。

云端方面，基础设施算力升级加速算法迭代：

主机厂和自动驾驶技术开发商积极布局建设智算中心，以提高自身“云上”竞争力。目前，主机厂特斯拉、小鹏、吉利，解决方案提供商毫末智行、商汤、百度布局建设了智算中心，用于训练自动驾驶等大模型。随着智能驾驶的逐步渗透，大模型或将成为各公司的核心竞争力之一，为匹配模型中大规模参数以及大数据量计算，智算中心的建设规模有望持续扩张。

华泰证券展望未来3-5年AI赋能智能驾驶如何重塑出行方式，预计今年或是城市NOA普及的元年，高级别辅助驾驶将呈现降本趋势，2023-2030年高级别辅助驾驶BOM成本的平均年降幅度为11%。

风险提示：本文中提及的相关个股基于公开数据整理，仅供参考！投资者应独立决策并承担投资风险。