特斯拉的FSD时刻

特斯拉的FSD时刻 特斯拉的FSD时刻。V12.3端对端NN重塑FSD。FSD用户的累计行驶里程从V11扩大推送后加速提升，V12推送后开始指数级提升，到今年4月已超10亿英里，特斯拉FSD迎来奇点时刻。FSD V12.3的推送实现端到端NN，HW4.0大幅提升算力，不再进行识别和标记，摆脱人为规控规则编码，大幅提高自动驾驶感知决策能力。 AI赋能，加速Robotaxi。马斯克称Robotaxi将于今年8月8日落地，近期特斯拉启动了全球范围内的人员调整，自动驾驶预计将获得资源倾斜，大模型加持提升城市NOA感知能力、泛化能力，加速无图城市NOA落地，AI赋能，加速Robotaxi，特斯拉自动驾驶今年累计投资预计超100亿美元。数据鸿沟和算力要求，构成超算的核心壁垒。任何模型的训练都依赖于数量巨大、质量可控的训练数据，而特斯拉FSD自推出以来累计运行超过了10亿英里，为特斯拉训练模型提供了充足的数据。同时，大模型训数据需要强大的算力，特斯拉领先的超算中心，Robotaxi落地路径持续催化值得期待。 无图城市NOA重新定义智能汽车。特斯拉FSD引领“Transformer+BEV”、“Occupancy、Lane算法”、“自动标注”、“超算中心建设”，实现路径收敛。华为ADS 2.0 OTA新增不依赖高精地图的城区智驾领航辅助，问界全系车型实现了全国都能开、有路就能开的City NCA。支持城市道路(主干路/次干路/支路等)、国道、县道、乡道等公开道路,可用路段高达99%，用户体验提升带来渗透率拐点快速提高。 投资建议：智能汽车三条投资主线： ① 域控制器：德赛西威，华阳集团，科博达。 ②线控底盘：伯特利，保隆科技。③智能整车：赛力斯，理想汽车，小鹏汽车。 风险提示：智能汽车渗透率提升不及预期，国产替代不及预期，技术路线变更风险。 核心逻辑 01 02 03 04 05 特斯拉FSD：V12.3端对端NN重塑FSD •2024年3月，特斯拉先后推出FSD（Beta）12.3.2、12.3.2.1以及最新的FSD（Supervised）12.3.3版本。相比较于FSD 11，FSD v12创新性地采用了端对端的神经网络技术（端对端NN），可以更好地理解和处理复杂驾驶环境，减少驾驶人员的干预，提高自动驾驶的精确度和自动化度。 •FSD v12中采用端到端NN（以前是AI感知+软件规控），大模型仅需输入视频进行学习，而无需单独编码，更灵活更轻代码。感知-决策-执行是FSD的基本流程，在v11中，感知阶段需要通过视觉方式/雷达方式获取周围物体信息并识别和标识分类，决策阶段则依赖于事先认为编写好的控制规则。但是v12采用了端对端NN技术，感知阶段不再需要识别和标识，决策阶段也不需要事先人为编写控制规则，只需要输入大量视频交给NN学习，就能分辨出在不同情况下需要做什么，这使得特斯拉在FSD V12中减少了100倍代码，使其更轻便、更灵活，同时在没有网络连接的情况下仍能在不熟悉的地形上工作。 •V12同时兼容HW3.0和4.0，感知力和算力大幅提升。v12在北美的已经适配装备HW4.0的model S、3、X和Y，在中国地区目前只有ModelY可以升级到HW4.0。从3.30号推送以来，截至4.9号，v12.3.3累计安装量达5780。目前，v12同时适配HW3.0和4.0。相比HW3.0,HW4.0在算力、摄像头数量和清晰度等方面具有大幅度的提升。摄像头为8个，算力提升5倍，素有摄像头像素由120万提升至500万。 特斯拉FSD：累计里程指数级增长超10亿英里，剑指百亿公里 行业深度报告 图：截至2024年4月6日，FSD用户的累计行驶里程已超10亿英里，23年8月后加速上行（系v11扩大推送规模） 新版Autopark不依赖USS，“Tap to Park”大幅提升用户体验感 行业深度报告 新版的Autopark基于与FSD v12相同的NN技术，不再依赖USS：自2022年特斯拉放弃USS而改用摄像头以来，未装备USS的新特斯拉的Autopark和Summon功能给用户带来的体验感远不如装备USS的车辆。在今年3月21号推出的FSD v11.4.9的更新中，特斯来推出了新版的Autopark，并在之后的v12.3版本中沿用。在技术层面，与旧版不同，新版的Autopark使用了与FSD v12相同的NN技术，底层技术优于旧版，相比旧版有较大的提升，大幅度提升了泊车系统的视觉效果和自动泊车能力。 显著改进视觉效果和自动泊车功能，“Tap to Park”一键泊车降低人为干预需要。之前版本的Autopark具有两大主要缺陷：1）很难检测停车位并将其显示在屏幕上，而且一次只能显示一个停车位。2）停车速度通常非常慢，如果周围有其他车辆，几乎很难完成自动泊车。而新的Autopark基于NN技术，显著改善了这两个问题，停车速度更快，不仅可以在显示屏上勾勒出停车位，还可以同时显示各种停车位-包括平行空间。此外，这次升级，特斯拉真正实现了一键泊车（Tap to Park），当驾驶员选择好停车位后，点击“开始按钮”，特斯拉的车辆能够安全地倒车进入停车位，驾驶人员只需要保持关注并随时准备在必要时取消自动停车操作即可，大幅度降低了人为干预需要、提升用户体验。图新版Autopark不再需要驾驶员操作方向盘。自动泊车功能图新版Autopark视觉体验感显著强于旧版Autopark HW4.0芯片算力大幅提升 •芯片改用更先进制程：HW4.0 FSD芯片采用三星7nm工艺，HW3.0为三星14nm工艺，新的自动驾驶芯片性能将是现款自动驾驶芯片的5倍左右，这里的性能或为综合能耗/算力参数，或为单片算力（那么新平台总算力很可能达到500TOPS）。 •摄像头或升级：摄像头数量或从9个减少到8个，但是摄像头的清晰度从120万像素提升到500像素，这使得HW4.0具有比3.0更强的感知能力，最远探测距离可达424米，扫除盲区和死角。•预留雷达接口，但model Y目前未配备雷达：HW 4.0预留了装备雷达的空间，但是model Y在出厂时并不具备雷达功能，这可能与特斯拉更 加偏好视觉方案、降低车辆出厂成本等因素有关，同时也为用户提供了一定的选择空间。•CPU内核数量提升66.67%，FSD Computer 2数量增加到3个。CPU方面，HW4.0由3.0的12核，提升到了20核，内核数量提升66.67%。计 算平台方面，虽然HW4.0仍然采用的是FSD Computer 2，但是数量却增加到了3个。•目前，海外HW4.0已经支持model 3、X、Y和S。国内，特斯拉为了应对竞争压力，开放了model Y的升级，并且是“加料不加价”。 表：HW3.0和HW 4.0关键参数对比 行业深度报告HW5.0：或搭载第二代3nm N3P工艺芯片，摄像头或加入加热镜头元件等 •HW5.0或搭载第二代3nm N3P工艺芯片：与N3E相比，N3P的晶体管密度更高，从而提高了性能的同时降低了功耗。N3P性能比N3E高5%，同时光学尺寸缩小了2%，从而晶体管密度达到1.04倍。据Digitimes报道，特斯拉已向台积电第二代3nm N3P工艺芯片下达了异常大的订单，如果此消息属实，HW5.0的性能将比HW4.0具有显著地提升。 •摄像头工艺再提升，加入加热镜头元件、水滴排斥涂层和光圈控制技术。1）加热镜头元件：三星开发的“Weather Proof”摄像头配备了8MP传感器，并采用了一种巧妙的镜头加热系统，能在不到一分钟内融化覆盖在镜头上的冰雪。2）水滴排斥涂层：新型摄像头配备了防水涂层，可以防止水滴停留在镜头上，添加了防水涂层，以防止水滴停留在镜头上，这种涂层耐划痕和损伤，耐用性是现有解决方案的6倍。3）光圈控制技术（IRIS）：三星开发的摄像头模块引入了光圈控制技术，允许摄像头根据不同的光照条件和自动驾驶需求动态调整进光量，优化图像质量和传感器性能。 特斯拉的FSD时刻01 02 03 04 05 Robotaxi：8月8日落地路径Roadmap持续催化 马斯克称Robotaxi将于今年8月8日落地，近期特斯拉启动了全球范围内的人员调整，自动驾驶预计将获得资源倾斜，落地路径Roadmap持续催化值得期待。 •乘坐Robataxi的综合成本：我们将消费者乘坐Robataxi的综合成本划分成货币成本、安全成本、和其他成本。其中货币成本主要指打车费，安全成本则是消费者乘坐Robataxi所承担的比传统出租车更大的安全风险，以及由此造成的乘客可能成本（如健康损失、医疗费用），其他成本则主要包括时间成本等（Robataxi可能因为速度或错误选择匝道进入等导致平均速度相对慢）等。 •综合成本降低是规模化落地的关键：Robotaxi面临的竞争对手是传统的出租车行业，其商业模式要想跑得通，就要从传统出租车Uber等公司抢客，客观需要其具有相对低的综合成本吸引顾客。Robataxi每公里货币成本已经显著下降，当前更重要的或是降低安全成本。 •自驾技术进步是降低综合成本的核心，规模落地依赖L4/L5技术，目前或局限于部分城市的部分区域路段。目前，国内外都存在Robotaxi的训练，但是仅局限于部分城市部分区域。在这一层级上，L3层级的自动驾驶技术可以满足需求。但是为了规模化推广，意味着自动驾驶技术要能适应更复杂的驾驶环境、降低综合成本，L4则是必须的。基于此，我们认为马斯克在8.8落地的Robotaxi或将局限于部分城市的部分区域，规模化落地仍有待自动驾驶技术向L4/L5方向进一步发展。 •外部条件：监管政策宽松和有关法律完善。 行业深度报告AI赋能，加速Robotaxi，特斯拉自动驾驶今年累计投资预计超100亿美元 •超算需巨额资金投入，马斯克预计特斯拉今年在有关领域累计投资超100亿美元。在今年1月27日，马斯克在推特上表示，Dojo目前的算力进相当于1万个英伟达H100，如果想在AI领域具备竞争力，那么目前需要每年投入数十亿美元。随后在4月6号，马斯克再发言，表示特斯拉在训练计算、数据管道和视频存储方面的累计投资将在今年超过100亿美元。AI赋能，加速Robotaxi。 •数据鸿沟和算力要求，构成超算的核心壁垒。首先，任何模型的训练都依赖于数量巨大、质量可控的训练数据，而特斯拉FSD自推出以来累计运行超过了10亿英里，这位特斯拉训练模型提供了充足的训练数据。其次，算力方面，大模型训数据需要强大的算力，特斯拉目前可能拥有3万-3.5万颗英伟达H100芯片，而下一代的Gork可能需要10万颗H100，如果按照单价4.5万美元/颗，那么10万颗H100总价值高达45亿美元，相当于300多亿人民币。 AI赋能，加速Robotaxi，无图全城城市NOA加速 •华为ADS 2.0问世后，城市NOA的竞争愈发向着无图化、全城市可用的方向发展。华为的ADS 2.0首次搭载在华为问界M5上，相比与ADS 1.0,ADS 2.0结合道路拓扑推理网络（RCR）和华为的先进算法,实现了不依赖于高精地图的高速、城区高阶智能驾驶功能。小鹏汽车宣布面向智驾经验用户即刻推送无限XNGP智能辅助驾驶功能，号称“不限城市、不限路线，有导航的地方就能用”。 理想、比亚迪、华为、小鹏等智驾头部车企将自动驾驶放在优先发展战略地位，我们认为原因如下： •智能驾驶的技术路径逐渐收敛，后发力者技术上具备后发优势。特斯拉的智能驾驶技术路线已得到成功验证，我们看到，当前时点，“Transformer+BEV感知大模型”、“Occupancy、Lane算法”、“自动标注”、“超算建设”等成为共识。从中长期看，纯视觉与激光雷达路线之争逐渐走向“折中”方案、“不依赖高精地图”有望降低智能驾驶软硬件BOM成本。 我们认为在未来大模型将继续赋能自动驾驶。 •端到端算法有望提升规控准确性、大模型蒸馏训练小模型减少计算资源消耗、生成式AI提供高质量