自动驾驶：十大辩论

21.00来源：公司数据，华泰研究估计超重TP (Local代码货币) 评级SAC编号S0570523020002purdyho@htsc.comSFC编号ASI353+(852) 3658 6000 1(Maintain)买 主题 股票推荐公司小马人工智能公司 PONY US分析师朴迪·何 这份报告必须与报告末尾的重要披露和分析师认证一起阅读。小马智行：商业化与盈利能力正轨；重申买入风险：激烈的市场竞争、监管不确定性以及AI采用速度低于市场预期。本报告基于公开信息提及未上市或未覆盖的公司。这并不构成投资建议或研究团队的覆盖。我们相信小马智行将在2025年实现单车经济性（UE）盈亏平衡，在2028年实现集团层面盈亏平衡，并且我们对其在Robotaxi行业的竞争优势仍然持乐观态度。在上海车展上，该公司展示了其第七代自动驾驶系统（Robotaxi），该系统具有BOM成本降低70%的特点，所有硬件现在均为汽车级。小马智行的Robotaxi服务收入在2025年第一季度同比增长超过200%，一线城市的车费收入增长800%，表明规模化商业化正在成熟。公司预计Robotaxi车队规模将在年底达到1000辆，得益于更快的OEM交付。小马智行继续在核心中国城市扩展Robotaxi商业化，并在3月份 Launch 了北京南站至亦庄（北京东南郊区）之间的首批付费Robotaxi服务。此外，小马智行已与腾讯形成战略合作伙伴关系，旨在通过将小马智行的Robotaxi叫车服务整合到微信和腾讯地图中，加速Robotaxi的部署。为了展示对公司长期前景的信心，联合创始人于5月14日将他们的锁定期延长了540天。我们强调，小马智行的L4自动驾驶与大多数OEM（例如比亚迪、理想汽车、李汽车、特斯拉）采用的L2驾驶员辅助系统有根本区别，因为小马智行利用模拟和强化学习来构建其L4自动驾驶系统，而Waymo也采用了这项技术。重申买入。 自动驾驶：十大辩论..............................................................................................................4内容这份报告必须与报告末尾的重要披露和分析师认证一起阅读。风险...................................................................................................................................................................19 Q1) L2与L4：有何不同？...........................................................................................................4Q2) 激光雷达对L4绝对必要，还是仅靠摄像头即可？.............................................5Q3) 端到端自动驾驶方法是否足够安全？.......................................................6Q4) 变压器（LLM）架构正在取代深度学习？......................................................................7Q5) L4乘用车：是否合理？...................................................................................9Q6) 传统OEM能否实现L4能力？ ......................................................................................10Q7) 为什么自动驾驶出租车仅限特定区域运营？瓶颈在哪里？.............................................12Q8) 自动驾驶出租车是否有足够需求，使其成为可行的商业模式？...................................13Q9) 自动驾驶出租车将完全取代人类出租车司机，还是共存？.................................13Q10) 最终谁将赢得自动驾驶竞赛？ ......................................................................13Pony.ai：商业化与盈利进程顺利；重申买入评级...................................................15 自动驾驶：十大辩论Q1) L2与L4：有什么区别？这份报告必须与报告末尾的重要披露和分析师认证一起阅读。这里是最常出现的十大辩论：我们在设计原则、安全要求和运营障碍方面看到了L2驾驶辅助和L4自动驾驶之间的根本区别。近期的小米事件突显了L2和L4之间的关键差异。两者的技术能力和安全责任差异显著。L2根本上将驾驶责任置于人类，仅作为“辅助”。L4旨在所有情况下实现完全自主。监管机构通过要求OEM厂商澄清其广告，以避免辅助驾驶与完全自主之间的混淆。这标志着在认识到OEM产品与真实自动驾驶出租车能力差异上的一个转折点。安全要求：L2依赖驾驶员作为主要控制器，系统提供辅助支持。这提供了固有的安全冗余，因为如果系统出现故障，驾驶员可以介入。然而，L4完全去除了人为因素。系统必须自主执行驾驶任务，使得严格的安全规程至关重要。L4系统必须持续改进，追求“零事故”率，这对于商业可行性至关重要。最后，负债也是一个重要的考虑因素。对于L3以下的车辆，驾驶员负责安全。对于L3及以上，操作员承担责任。1. L2与L4：有什么区别？ 2. LiDAR对于L4来说是绝对必要的，还是我们可以仅依赖摄像头？ 3.端到端的自动驾驶方法是否足够安全？ 4. 变压器（LLM）架构是否正在取代深度学习？ 5. 乘用车的L4是否合理？ 6. 传统OEM能否实现L4能力？ 7. 为什么自动驾驶出租车仅在有限区域运营？瓶颈在哪里？ 8. 自动驾驶出租车是否有足够的需求使其成为可行的商业模式？ 9. 自动驾驶出租车将完全取代人类出租车司机，还是会共存？ 10. 最终谁将在自动驾驶竞赛中获胜？设计原则：L2系统优先提升人类驾驶体验，并增强舒适性、安全性与便利性。而L4则专注于完全无人操作。这要求一个严格、标准化的框架和显著的硬件冗余（传感器模态协同计算平台），以确保在各种条件下，尤其是边缘情况，独立于人类输入的安全性和效率。运营挑战：在密集的城市环境中，如果没有有效的应急预案，L4级故障可能扰乱交通并造成安全隐患。因此，L4系统必须能够在系统异常或极端条件下立即进入安全、受控状态，例如小马智行的紧急路边停车和安全标记部署。自动驾驶行业正处于一个关键节点，有望革新交通，同时应对技术和战略挑战复杂的局面。我们考察了关键辩论，包括乘用车L4自动驾驶的必要性、最佳传感器配置（激光雷达与以摄像头为中心的对比）、端到端方法的安全影响，以及决定长期市场领导地位的竞争动态。 4 来源：中国政府，华泰研究在传感器使用和感知方面，我们相信传感器的“多样性和冗余性”对于满足L4级别的严格安全要求至关重要。Waymo、小马智行和WeRide的自动驾驶出租车采用了包含摄像头、毫米波雷达和激光雷达的多模态传感器套件，每个类型都有多个单元，体现了“多样性和冗余性”的原则。这一概念是在2017年GTC中国期间，Jensen Huang在Purdy Ho的自动驾驶演讲之后强调的。她展示了一张幻灯片，说明了摄像头、雷达和激光雷达的功能，并将之类比为人类的感官：眼睛用于视觉，耳朵（雷达）用于探测黑暗或恶劣天气下的障碍物（通过信号反射），以及结合多种感官来创建三维理解（激光雷达）。多种传感器类型（多样性）和重叠覆盖在传感器故障时 提供冗余，并通过传感器融合提高整体环境感知能力。Q2) LiDAR是L4绝对必要，还是我们可以仅依赖摄像头？ 图3：自动驾驶：0-5级来源：中国政府，华泰研究这份报告必须与报告末尾的重要披露和分析师认证一起阅读。来源：小马智行官方网站，小马智行招股说明书，华泰研究 是。 5 6源：小马智行招股说明书，Waymo官方网站，华泰研究图4：自动驾驶汽车多模态传感器配置（以Pony.ai和Waymo为例）这份报告必须与报告末尾的重要披露和分析师认证一起阅读。Q3) 自主驾驶的端到端方法是否足够安全？对L2是，但不够L4。相比之下，仅由摄像头收集的数据容易受到光照和天气限制的影响而损坏。使用这些受损数据进行端到端模型的训练很可能导致“垃圾进，垃圾出”，从而产生幻觉和不可接受的风险。尽管如此，特斯拉所倡导的纯视觉方法，在我们看来，仅适用于L2（ADAS）。此外，鉴于LLM本质上是一个黑盒，因此不可能追溯错误的原因。尽管端到端方法已被证明有前景，尤其是在L2（高级驾驶辅助系统）中，但我们对它目前是否适用于L4自动驾驶仍有所保留，主要原因是安全问题。我们相信它本身尚未达到L4所需的安全标准，因此，我们更倾向于采用结合可解释人工智能技术、传感器融合和鲁棒验证方法的方法，以实现L4所需的安全水平。例如，特斯拉为其完全自动驾驶（FSD）系统采用的端到端方法展示了自动驾驶领域的进步，但我们认为由于缺乏冗余性和可解释性，它仍不足以实现L4自动驾驶。尽管如此，其出租车部署已被允许，且即将到来。原因在于特斯拉符合联邦机动车安全标准（FMVSS）的豁免资格，因为它们的网络出租车（预计将于2026年推出）没有方向盘/踏板，并且在最近的NHTSA更新中被归类为“研究原型”用于商业部署。然而，特斯拉目前正使用经过改装的Model Y车辆（配备传统操控系统）在其奥斯汀的初步出租车试点中。特斯拉获得了德克萨斯州交通部门的法律许可，计划在奥斯汀部署10-20辆自动驾驶的Model Y，这些车辆可以在受限地理边界（地理围栏）内为乘客提供付费乘车服务。请注意，这些车辆由特斯拉员工实时监控，并在车辆遇到意外情况时进行干预。 Q4) 变压器（LLM）架构正在取代深度学习吗？深度学习整合和处理来自不同传感器的各种数据流（传感器融合）的能力，使其非常适合感知任务，能够使系统快速准确地识别和分类车辆周围环境中的物体，而不是依赖模糊的预测或仅仅检测它们的轮廓。精确的物体识别对于安全可靠的自动驾驶至关重要，深度学习模型可以提供所需的精度。因此，我们认为深度学习仍然是自动驾驶汽车感知的更合适选择，而不是简单地被 Transformer 模型所取代。来源：艾瑞咨询、严志汽车、佐思产研微信公众号、华泰研究不，基础模型增强（而非替代）深度学习。它们具有独特的优势，并且最适合自动驾驶中的不同任务。存在一种误解，认为深度学习已经过时，而转换器模型（或LLM）正在完全取代深度学习。然而，我们相信它们具有各自独特的优势，并且最适合自动驾驶中的不同任务。然而，路径规划需要实时决策。大型语言模型（尤其是大型模型）在计算上可能很昂贵，可能会阻碍它们快速应对变化条件的能力。路径规划也是一个安全关键的任务，但大型语言模型容易产生幻觉，并生成不正确或无意义的输出，如果单独使用，在驾驶场景中可能会产生严重后果。毕竟，大型语言模型本质上是黑匣子，因此不透明。这种缺乏可解释性会对安全认证和调试造成问题。我们可以在高斯分布中构建自动驾驶挑战。前95%的问题已经基本解决，但剩下的5%，被称为边缘案例，代表着最显著的障碍。实现L4需要强大的边缘案例处理能力。Waymo和Pony.ai等自动驾驶出租车运营商通过使用生成式AI和强化学习来合成边缘案例。他们还采用基础世界模型