AI+汽车智能化系列之十一：以地平线为例，探究第三方智驾供应商核心竞争力

汽车行业证券分析师：黄细里执业编号：S0600520010001联系邮箱：huanxl@dwzq.com.cn联系电话：021-60199790 2025年5月8日 核心结论 ◼看好头部第三方智驾供应商突破机遇：智驾平权需求+性能追赶/量产验证共同驱动。➢第三方智驾供应商或成为二三线车企智驾平权最优方案：展望终局，我们认为头部车企与头 部智驾供应商都有望依托智能驾驶领域的积累拓展至具身智能大赛道，头部智驾供应商或成为二三线车企智驾平权最优方案，预计头部智驾供应商的潜在市场份额为全部新车销量的50%左右。 ➢理解本轮智能化对国产芯片端影响：智驾平权是主线，系统降本是暗线。车企竞争加剧/智驾方案内卷的大背景下【全栈自研】成为车企当下考虑的次要因素，我们认为城市级别NOA的智驾平权正在加速到来。车企对于功能上车的思路永远兼顾性能和成本，目前看即将落地的基于国产芯片的智驾方案或为当下高阶智驾方案的成本最优解。◼如何衡量国产芯片的比较优势？ ➢英伟达凭借Orin系列智驾芯片在当下高阶智驾市场独领鳌头，据我们观察国产芯片供应商经 过近五年的追赶在产品性能、量产验证、客户获取多个维度开始比肩英伟达◼如何看待第三方芯片供应商的核心价值？ ➢先发的重要性：智驾芯片普遍需要三年以上研发制造周期，同时具备持续迭代能力的芯片设 计厂商才能实现芯片性能的成本的平衡。 ➢设计制造成本视角：据我们测算，7nm智驾芯片在出货150万片时全生命周期制造成本打平直接采购成熟芯片方案（以直接购买OrinX芯片的成本来衡量），故对于车企来说自研芯片需要兼具大出货量及芯片快速迭代能力，给车企提出很高的要求。➢算法视角：以“BEV+Transformer”为核心的“重感知、轻地图”的智驾算法思路被验证 且大规模应用，对于Tier1而言路径选择带来的风险大大减小，强化学习提供新的“解题思路”，智驾供应商包袱更轻更容易跟上前沿技术 核心结论 ◼国产芯片龙头【地平线机器人】的再思考： ➢进入产品迭代及商业模式升维新周期：地平线进入产品迭代（J2/J3/J5->J6系列）及商业模式升维（高阶智驾系统HSD即将落地）新周期，在中高阶智驾芯片落地进度、高阶算法上车进度方面领跑国内芯片供应商，同时能力比肩同比国际芯片供应商。 ➢软硬结合，稀缺性表象下的核心竞争力：公司是国内目前仅有的具备高阶智驾芯片设计及高阶智驾算法的供应商，卡位智驾产业链最具备话语权的两端，基因来自创始人余凯博士从公司成立之初即制定的软硬一体商业模式。在智驾渗透率快速提升、主机厂都在比拼高阶智驾上车速度的现在，软硬一体的商业模式由于能够实现NPU与算子的最优适配能够实现智驾芯片性能利用最大化，更易满足车企智驾高阶化+智驾方案降本的诉求。 ◼风险提示：智能驾驶相关技术迭代/产业政策出台低于预期，华为/小鹏等头部车企新车销量低于预期。 一、看好国产智驾芯片历史性突破机遇 二、地平线基本面梳理：十年造就国产芯龙头 三、风险提示 一、看好国产智驾芯片历史性突破机遇 1.1如何定位国产芯片的终局价值？ 软件定义汽车，车企能力边界外溢 ➢电动化时代E/E架构的迭代给车企能力外拓提供底层基础：集中式的分布架构让车企有能力掌握软件的研发权，造车的能力圈从传统油车时代的供应链整合跃迁到车辆核心功能定义。 ➢智能化时代格外强调软硬一体的适配，给车企很强的自研芯片动机，同时想从理论利润率最高的微笑曲线两端（芯片+算法）攫取利润——思考：终局来看智驾供应商处于怎样的行业地位？ 智能化展望：车企加速收敛，规模为王 ➢电动化上半场（2020-2024年）：➢比亚迪一家独大，特斯拉占据核心市场，华为智选/理想占据高端市场。其他车企并没有显著跑出。➢单一车型爆款程度比油车更爆款。➢车企的盈亏平衡点比油车更高 ◼智能化下半场（2025-2030年）： ➢持续快速迭代-车企格局加速收敛-规模为王。➢类似于智能手机格局，我们预计CR6国内集中度或挑战80%。➢单一车型爆款程度比电车更爆。➢车企的盈亏平衡点比电车更高。 终局的一种思考：最优秀车企+最优秀供应商 理解本轮智能化对芯片端影响：智驾平权是主线 ◼智驾平权给智驾供应商带来历史性机会，车企竞争加剧/智驾方案内卷的大背景下【全栈自研】成为车企当下考虑的次要因素；智驾平权仅是开始，2026年我们认为会迎来城市NOA大规模普及的真正智驾平权时代。 理解本轮智能化对芯片端影响：系统降本是暗线 ◼车企对于功能上车的思路永远兼顾性能和成本，算法升级/芯片迭代/传感器简化都为降本的思路，目前看2025年下半年上车的基于地平线J6P的智驾方案或为当下高阶智驾方案的成本最优解。2023年前主流方案2024年主流方案2025年及以后潜在方案 1.2如何衡量国产芯片的比较优势？ 英伟达跑出来的原因——恰逢其时 （◼需求侧：新势力车企亟需通过智驾打响品牌价值，小鹏P7与理想L9上车英伟达为行业打了样板 ◼供给侧：英伟达OrinX作为GPGPU芯片具备极高的通用性，同时算力上限较高（新势力为了防止算力受限最先使用两块以上英伟达OrinX，算法迭代至今一块OrinX基本就可以实现城区NOA），支持智驾算法从CNN向Transformer大模型路径迭代。 国产芯片的历史性机遇：量产验证 ◼对比英伟达和国产芯片龙头地平线的核心车型配套时间：英伟达和国产芯片的产品验证期错位2~3年（英伟达-小鹏-2020年，地平线-理想-2022年，黑芝麻-吉利-2023年），2022年英伟达率先走入产品迭代周期（Xavier->OrinX），国产芯片和英伟达在2025年后正式进入同层次竞争阶段。国产芯片经过五年的追赶在量产验证和客户获取维度逐步打平英伟达。 国产芯片的历史性机遇：性能追赶 ◼对比英伟达、特斯拉芯片、国产芯片供应商的产品性能：2025年国产芯片供应商地平线/黑芝麻均实现了一轮产品升级迭代，具备了中阶、高阶芯片的供应能力。（智驾芯片的性能比较维度可以参考AI算力、CPU算力、内存带宽等等） 国产芯片的历史性机遇：需求爆发 ◼国产芯片成为智驾平权的最大公约数：2025年多个自主车企发布智驾平权方案，从目前已有信息来看几乎所有的自主车企都将国产芯片作为主流方案选择，【国产芯+算法供应商+Tier1+车企】的智驾方案合作模式成为主流，国产芯片供应商步入一轮需求井喷期。 国产芯片的历史性机遇：ASIC VS. GPGPU （◆英伟达的芯片都是GPGPU（没有NPU，用GPU做AI加速），其他的智驾芯片都为专为智驾特制的ASIC芯片（用GPU做AI加速）。◆NPU可以理解为定制化的GPU，用于满足特定的AI计算效果，是ASIC芯片效率更优的核心原因➢通常我们认为使用GPGPU作为智驾核心芯片，只能发挥出其30%的性能；SemiAnalysis指出，特斯拉HW3.0的实际有效算力（针对特定算法）相当于300+ TOPS的通用GPU GPU：多个可以同时计算的乘加单元进行AI计算，中间结果流回缓存 NPU：使用特殊结构来避免中间结果流回缓存提高效率 1.3如何看待第三方芯片供应商的核心价值？ 芯片造时视角：芯片制造起码需要三年积累 ◼芯片的开发是持久战，定义之初就要保证符合下一代智驾算法的迭代方向。 芯片成本视角：规模+迭代能力是关键 ◼芯片制造成本视角，车企想通过自研来节省利润必须满足以下条件：1）具备足够大的自供销量（至少50万片）；2）芯片具备很好的迭代能力（如果只造一颗芯片，很难实现经济性） 算法视角：从“样板间”到“引领时代” ◼时代背景：智驾算法收敛，给与第三方芯片自研真正的时代机遇。以“BEV+Transformer”为核心的“重感知、轻地图”的智驾算法思路被验证且大规模应用，对于Tier1而言路径选择带来的风险大大减小（车企如果方向选择失误尚有补救空间，但是Tier1很难有二次机会）。对于供应商而言，在现有算法框架下处理好性能和成本的平衡是核心思路。 ◼地平线将最新的智驾算法HSD形容为“样板间”，不仅要出售、还要“秀肌肉”。和车企在智驾方面的思路不同，地平线作为供应商更需要考虑性能和效率的平衡，即解决Scale out和Scale up的问题：地平线选择了【端到端+少部分规则算法安全兜底】来兼顾性能上限和泛化性。据测算，地平线的HSD较较传统轨迹，类人性提升50%，路口通行效率提升67%、城区场景覆盖100%。 算法视角：强化学习提供新的解题思路 ◼模仿学习虽然是目前智能驾驶模型的主流，但仍旧存在如下问题：分布漂移、符合误差、因果混淆与学习捷径、轨迹不满足环境约束等。简而言之，模仿学习无法突破人类司机的上限。 ◼不同于特斯拉提出的“模仿学习”模式的智驾模型训练思路，业内部分公司提出强化学习的智驾模型训练方法，一派如小马智行，完全使用强化学习、通过搭建世界模型生成仿真数据的形式进行模型训练；一派如地平线、商汤、Waymo、理想等，使用模型学习和强化学习混合的技术来推升智能驾驶模型性能上限。 算法视角：强化学习提供新的解题思路 ◼强化学习在智能驾驶方面的使用在之前的制约之一来自于世界模型搭建的好坏与奖励模型该如何制定，对于开发者来说首先要解决如何获得驾驶领域决策推理过程的数据问题（这种数据采集成本高昂且需要大量人工标注），然后解决负责驾驶场景下奖励模型的设定问题。 ◼目前来看，在运动规划中单独应用强化学习还是比较困难，因此主要用于特定场景的特定任务如车道保持、交叉口穿越、车道变化等长尾问题。 算法视角：强化学习提供新的解题思路 ◼地平线多篇论文提出了多种的强化学习应用方法。 ➢1）RAD，基于3DGS的闭环强化学习SOTA：建立了基于3DGS的闭环RL训练范式（感知预训练->规划预训练->强化后训练），为了加速强化学习训练的收敛，将动作解耦成横向动作和纵向动作两部分，通过设定部分运动假设、设定有限时间范围有效降低动作空间维度，加速训练的收敛。 ➢2）AlphaDrive,针对决策规划的VLM的强化学习和推理训练框架，首次将基于GRPO的强化学习和规划推理引入基于大模型的自动驾驶任务 论文结论： 纯模仿学习碰撞率高但偏差率低，纯强化学习碰撞率低但偏差率高，二者在1:4的比例下实现最佳平衡，即碰撞率和偏差率都相对较低 软硬结合视角：稀缺性表象下的核心竞争力 ◼历史上软件与硬件的合作形式多样，但唯一不变的是软硬结合。地平线的软硬一体战略源于其对智能驾驶本质的理解:智驾不仅是算法或硬件的竞争而是计算系统整体效率的较量。 ◼余凯博士在发布会上强调，智能驾驶是“有史以来最复杂的单一任务计算系统”。 ➢1）在硬件层面，地平线自研BPU架构，针对深度神经网络优化，相比通用GPU(如英伟达)具有更高的算力效率比。例如，征程6P在560TOPS算力下，功耗仅为30-40W，远低于同级别GPU的100W+功耗。这种效率优势使HSD在经济型车型中也能实现高性能智驾功能，推动普惠化普及。➢2）在软件层面，地平线构建了从感知到决策的全栈算法体系。其Vision Mamba模型通过状态空间模型(SSM)替代传统Transformer，降低计算复杂度，同时保持高精度。➢3）此外，地平线引入强化学习优化“慢思考”算法，利用超3万个场景数据集和1000万公里回灌数据，持续提升系统鲁棒性。◼软硬一体战略的最终体现，是HSD系统的全栈开发能力。从芯片设计到算法优化再到系统集成，地平线掌控整个技术链条，确保性能、成本和量产效率的全局优化。这种全栈能力使HSD在安全性、稳定性和用户体验上达到行业领先水平。 软硬结合视角：稀缺性表象下的核心竞争力 ◼软硬一体才是核心竞争力 ◆特斯拉FSD算法和芯片结合的思路： ➢1）算法分工成子网络：特斯拉FSD算法由较小的专用子网络组成，每个子网络都专用于自动驾驶的特定方面或功能（如识别交通信号、检测跟踪移动物体等等）；➢2）子网络通过Hydranet算法缝合：保证系统既可以整