如何看待理想汽车在AI的布局？

证券研究报告 |报告要点 2024年12月25日，理想汽车发布2024 AI Talk。李想在理想AI Talk中，表明理想汽车将AI作为未来的核心战略。理想汽车的AI发展过程，主要分为三个阶段：增强能力阶段、成为助手阶段 、 硅基家人 （Agent） 阶段 。 我们预计公司2024-2026年营业收入分别为1473/2054/2800亿元 ， 同比增速分别为19.0%/39.4%/36.3%， 归母净利润分别为85.3/142.4/237.2亿元，同比增速分别为-27.1%/67.0%/66.6%，EPS分别为4.02/6.71/11.18元/股，3年CAGR为40.6%。维持“买入”评级。 |分析师及联系人 高登 于健 SAC：S0590523110004 理想汽车-W(02015) 如何看待理想汽车在AI的布局？ 行 业：投资评级：当前价格： 基本数据 总股本/流通股本(百万股) 流通市值(百万港元) 每股净资产(元) 资产负债率(%) 一年内最高/最低(港元) 股价相对走势 理想汽车-W 40% 10% -20% -50% 2024/1 相关报告 1、《理想汽车-W（02015）：理想汽车11月交付数据点评：端到端加速推送，高阶车型占比提升》2024.12.03 2、《理想汽车-W（02015）：理想汽车10月交付数据点评：交付能力升级，端到端加速推送》2024.11.07 扫码查看更多 请务必阅读报告末页的重要声明 kUhUdVjYmUdWnPmMtRrNaQbPbRnPnNoMmRlOrRqRiNnNpR9PoPoPxNtQqRxNpMnQ 1.如何看待理想汽车在AI的布局？ 李想在理想AITalk中，表明理想汽车将AI作为未来的核心战略。李想认为，未来的理想汽车要做的不仅仅是汽车的智能化，而是人工智能的汽车化。理想汽车将通过自研的基座大模型，将理想同学和高阶智能驾驶作为实现空间智能的主要方式，拓展智能商业和智能工业，同时为“硅基家人”这一命题做充分准备。 理想汽车的AI发展过程，主要分为三个阶段：增强能力阶段、成为助手阶段、硅基家人（Agent）阶段。增强能力阶段，更注重于辅助性工作，尚无法对结果负责；成为助手阶段，即可以接收多个连续任务，同时可以为结果负责；硅基家人阶段，不再需要接收指令和任务，即可以完成对应的工作。 图表1：理想未来希望转换汽车的用途 图表2：理想未来希望打通物理世界和数字世界 复盘智能手机的发展历程，用户体验成为智能化渗透率提升的核心变量。2010年苹果发布iPhone4，iPhone4首次采用了“玻璃+不锈钢+玻璃”的结构，“三明治结构”的设计使得iPhone4外观更加方正、整齐，四角圆润过渡；硬件上，前视摄像头、A4芯片、后摄像头像素升级等是iPhone4升级的主要改变；同时，iOS正式发布，软件定义能力和生态打通成为iPhone4成功的又一主要因素。总结来看，iPhone4通过结构创新、硬件升级和软件生态的配合，充分满足用户体验，开启智能机的浪潮。智能机对传统手机的替换本质是用户体验的替换。AI发展过程中，需要进入“Agent阶段”，体验升级带来用户体验的转变才会进入“iPhone 4时刻”。理想汽车当前加速布局AI，希望在智能驾驶、空间智能等多维度提前获得“门票”。 图表3：iPhone手机历代产品尺寸图 图表4：iPhone4结构拆解图 1.1智能驾驶：端到端+VLM实现L3，世界模型探索L4 从理想汽车关于AI布局的三阶段来看，增强能力阶段、成为助手阶段、Agent阶段分别对应智能驾驶中的L3/L4/L5功能。理想汽车当前版本采用端到端+VLM的双模型架构，预计2025年完成L3智能驾驶功能的上车。未来，理想汽车有望将视觉语言模型VLM部署到车端芯片，让自动驾驶具备了应对未知场景的逻辑思考能力，通过更强的认知和思考能力实现L4智能驾驶。 图表5：AI发展阶段与智能驾驶级别对应关系 当前车端模型：端到端+VLM模型是L3主要解决方案。在计算过程中，端到端大模型输入数据为传感器信息，输出结果为规划路线结果，在评价过程中难以确定模型学习的准确性，即目前仍处在探索端到端大模型能力上限的阶段。理想汽车补充VLM模型，通过收集rule-based成果，让端到端大模型有“参考答案”。VLM模型架构与rule-based车端落地方式基本一致，将过去研发人员完成的规则制定装入模型中，成为端到端大模型的“参考答案”。整体架构来看，双系统设计类似于人类大脑的慢速和快速思维过程，类似于使用“参考答案”实现功能，可以有效地适应各种复杂的驾驶场景。 图表6：多个大模型引入帮助端到端大模型实现更好的效果 图表7：VLM模型将过去的Rule-based方案打包后放入模型 L3到L4升级的过程中，对MPI要求更高，模型升级路径或放弃Learning by Watching的模式。目前处于L3到L4升级的关键节点。其中，MPI数据的优化（Miles Per Intervention，每两次人工干预之间行驶的平均里程数）成为技术迭代的核心参数指标，当下MPI仍处200km以下水平，仍需要较长的优化过程。MPI的提升本质是安全性的提升，在正常运行环境下需要保证接管次数的下降和执行效率的提升，同时极端环境中仍需要保持稳定。对应路径来看，当下仍采用Learning by Watching的方式，即模仿人类行为完成驾驶的高阶动作。Learning by Watching存在几个缺陷：（1）以行为为导向的学习模式，无法深入理解人类驾驶员思考和习惯，单纯的行为模仿或无法形成逻辑和数据的闭环。（2）目前传感器数据无法达到人类对驾驶的判断，包括听觉、平衡性感知等。（3）Corner Case存在无限性，长尾数据无法充分识别并建立对应的场景机制，车辆的思考能力是面对长尾数据的主要解决方式。（4）人类对智能驾驶的需求是要超越人类的驾驶能力，而非简单模仿，同时要求智能驾驶在更复杂的场景中实现更好的效果。 图表8：人类驾驶与现有自动驾驶系统之间的关系 Learning byPracticing或成为后续主要迭代方向，到L4车辆或具备“智能体”的能力。Learning by Practicing中，生成式的视觉模型是构建世界模型主要方法，通过模型预测生成视觉方式完成车辆世界认知构建，并具备预测生成能力。车辆具备对未来预测的能力和判断能力，在准确性提升后保持高阶功能的安全性。 图表9：DriveDreamer世界模型 图表10：DriveDreamer世界模型整体框架 世界认知模型：Learning by Practicing主要训练方向，或成为实现L4的主要解决方案。原始图像空间中学习世界模型并不适合自动驾驶，（1）交通灯、标识牌很容易在预测图像中被遗漏；（2）数据转化需要较长的时间和过程。世界模型将世界建模与模仿学习相结合，作为辅助任务实现数据集中样本复杂度的降低。同时，世界认知模型通过分解的世界模型和奖励函数来丰富静态数据集的标签，通过动态规划优化标签。世界认知模型可以认为是端到端大模型的“教材”，用标准化的内容帮助大模型完成世界认知和数据信息的构建，成为智能驾驶端到端大模型迭代的核心一环。同时在未来Learning by Practicing的训练模式中，通过世界模型提高模型的认知能力或成为实现L4智能驾驶的关键。 图表11：世界认知模型可以实现更好的帮助端到端大模型认知世界 1.2空间智能：Mind GPT 3.0即将发布，理想同学多端应用 从理想规划的AI三阶段来看，增强能力阶段、成为助手阶段分别对应ChatGPT的3.0和4.0版本，ChatGPT尚未达到Agent阶段。复盘Chat GPT的发展历程来看，2018年ChatGPT 1.0首发，基于5000万篇文章进行训练，参数规模1.17亿，可以生成有一定质量的文本；2019年ChatGPT2.0发布，参数规模15亿，能够捕捉更复杂的语言模式和结构；2020年ChatGPT3.0发布，参数规模1750亿，能够捕捉到语言中的细微模式和复杂的结构，在语言任务中表现出色，能够处理包括文本生成、翻译、摘要、问答等在内的多种语言任务，具备“增强能力”的特征。ChatGPT4.0预计将在语言理解的深度上实现新的突破，能够更准确地捕捉语言的细微差别，包括语境、语义和情感等复杂性。从行业进展来看，ChatGPT 3.0发布带动了谷歌、百度、英伟达、Meta等优质科技企业推动自然语言大模型发展。 图表12：ChatGPT3.0后，自然语言大模型进入蓬勃发展阶段 理想汽车Mind GPT多次迭代，目前预训练数据规模已达到10万亿Token级别，与ChatGPT2.0接近。理想Mind GPT共经历了三代。（1）第一代：2023年4月，Mind GPT1.0发布。2023年底随着OTA 5.0上车，是最早的车端语言大模型。（2）第二代：2024年中Mind GPT 2.0发布，模型效果、训练效率和推理效率均有提升。模型架构上调整为MoE（混合专家模型）加Transformer的结构，模型规模翻倍但推理成本与Mind GPT 1.0基本保持一致。（3）第三代：Mind GPT 3.0。Mind GPT 3.0强化了语言模型。未来，Mind GPT将有望从语音、视觉、语言等多模态实现融合，能够理解不同的模态，在一个模型内完成从感知到认知再到表达的完整能力。 图表13：理想Mind GPT经历多次升级 智能座舱：语言交互类大模型加速上车，充分补充语料库和自然语言处理能力。理想同学扩展至手机端，具备知识问答、看世界、思考过程的能力，在空间智能领域和语料库积累上逐步追赶华为、小米等手机厂商。 图表14：理想Mind GPT 3.0架构 1.3智能拓展：智能工业和智能商业有望持续扩张 智能工业：理想全栈自研了智能制造系统、视觉算法、设备、质量预测模型等，驱动提高制造效率，快速迭代生产技术，达成更高生产效率和产品质量。以理想智能工厂为例，通过Li-MOS系统，理想汽车的生产系统与销售系统实现了紧密集成。当系统接收到销售端的多车型整车订单及中长期预测后，便会自动排产，生成精确到工位、细化到排序的整车生产计划，并通过LI-SCM系统自动向供应商发送物料采购计划。 从需求到采购订单全过程无需任何人为干预，在保证物料齐套的同时，大幅度提高业务效率，MRP准确率达到100%。理想汽车工厂完成生产销量提升、产能稳定性升级，同时缩减新建产能的时间和成本。 图表15：理想汽车工厂生产线 图表16：理想汽车工厂整车组装生产线 智能商业：理想通过大模型技术与商业领域数据和知识的深度结合，构建了一批具备零售、营销、客服、金融反欺诈、财经分析等能力的AI助手。 从目前理想AI的进展来看，2025年或全面进入增强能力阶段。理想空间智能、智能驾驶即将进入增强能力阶段，同时智能工业有望为理想后续销量增长提供生产保证，智能商业有望打开合作版图和合作空间。 图表17：理想在AI布局目前进展 2.面对AI，理想的机遇与挑战几何？ 影响AI能力的三要素主要包括数据规模、算力规模、模型能力，我们将从这三个方面观察理想汽车在不同发展阶段需要的战略资源，以及面向不同竞争对手，可能遇到的机遇与挑战。Learning by Watching阶段，AI模型三要素中数据规模是影响模型结果的主要变量。Learning by Practicing阶段，由于世界模型需要更强的覆盖面和认知能力，意味着车企需要更强的开发能力和模型设计能力。第一阶段，车企需要完成算力、数据等基础能力建设，第二阶段，核心人才储备成为AI车企主要竞争方向。同时，参考智能驾驶研发体系，在数据规模、算力规模、人才储备等核心要素快速扩张过程中，研发支出或成为主要财务指标，同时盈利能力、经营性活动现金流、Capex等财务数据同样具有参考意义。 图表18：AI