中国汽车：人工智能……迟早……AI掌控方向盘 Zhongguo qiche: rengong zhineng……zhude zhaoju……AI zhongkong fangshangpan

中国汽车：人工智能...迟早...AI掌舵 这份报告是全球系列报告的一部分，我们的分析师在人工智能全面集成和商业化后的2030年代初对未来其所在行业的展望进行了探讨。在全球范围内关于人工智能的研究中，存在两种主要的思想流派。 “提前”阵营普遍认为，人工智能现在是他们所在行业的变革者。而“滞后”阵营则认为，人工智能将是一个变革性的力量……只是还不是现在。在这个系列中，每位分析师都在阐述他们对本行业人工智能颠覆发生的时间和性质的看法，以及这将对当前的估值意味着什么。我们认为自己属于“提前”阵营。 李恩尼，CFA+852 2123 2606 李恩妮。lee@bernsteinsg.com 徐 Ethan+852 2123 2634 ethan.xu@bernsteinsg.com +852-2123-2634 Ethan.Xu@BernsteinsG.com 人工智能有潜力在汽车价值链的多个环节中产生实质性提升。通过加速自动驾驶开发、提高制造生产力、优化售后服务和移动服务机会等，最终推动利润提升或降低成本曲线。从广义上讲，我们认为这种影响可能会比预期更快地实现，因为其潜在效应已经显现，并且人工智能的发展正在加速。同时，某些领域——如与老旧内燃机平台相关的零部件供应商和像出租车这样的传统共享移动服务提供商——可能会看到利润池的加速侵蚀。这些领域已经受到电动汽车动力总成转型和打车平台崛起的压力，而人工智能可能会加快这种颠覆的步伐。 自动驾驶是AI转型汽车应用中最为明显的一项，通过提高数据效率、推广到新场景以及训练和验证的可扩展性，其进步速度正在加快。当前浪潮由大型基础模型、VLA增强的端到端驾驶模型以及能够以较低边际成本实现高保真模拟长尾边缘案例的世界模型驱动。在架构上，基于云的基础模型越来越多地整合世界模型进行模拟和场景生成，而较小的、精炼的VLA增强端到端模型在车辆上运行，形成一个紧密的反馈循环。领先的原始设备制造商和自动驾驶汽车玩家正在趋向这种设计，以更快地扩展能力、降低成本并朝着更高的自主性迈进，正如大众汽车的例子所示。盖亚2.0（由斯蒂芬·赖特曼负责）全球模型，据称有效验证里程提高了约10倍，同时每公里成本降低了70%。 中国现在在智能驾驶的采用上位居前列随着L2+和L2++的采纳率迅速上升，已有几家厂商同时瞄准L4级别。到2025年，约28%的中国销售的乘用车提供了高速公路和/或城市NOA功能，电动汽车的渗透率上升至52%，而25万元人民币以上的电动汽车渗透率超过80%。以小鹏为例，它推出了GX，这是一款定位为“L4就绪”的旗舰级SUV。随着这些AI系统继续提升安全性和稳健性，从高级L2+/L2++向L3及以上级别的过渡可能比预期更快，这将支持更快的监管批准和自动驾驶出租车业务的扩展，正如Pony.ai等玩家的快速增长所证明的那样。，并降低成本曲线。Pony.ai已指导实现3倍增长。（未涵盖）2026年机器人出租车收入，在广州（2025年11月）和深圳（2026年2月）实现单边经济平衡后。 伯恩斯坦股票行情表 投资意义 我们对2026年该行业的展望保持谨慎。预计补贴减少和电动汽车购买税率上涨5%将减缓市场势头。这继2024-2025年强劲需求向前推移和高比较基数之后，同时宏观逆风和消费者情绪低迷持续存在。行业可能还将面临来自材料成本通胀的下行压力。我们预计行业批发量将达到28-29百万台，同比下降4-8%。我们预测国内零售需求为21-22百万台，同比下降5-9%。出口应继续成为增长动力，达到6.5-7百万台，同比增长10-20%。 电动汽车的长期行业增长前景仍然稳固，尽管电动汽车在中国的转型已进入大众普及阶段，但我们预测2026年国内电动汽车销量增长率约为5-10%，推动电动汽车渗透率达到61%。我们认为国内市场竞争将保持激烈，海外市场作为战略增长机会的重要性日益增加。对于我们电动汽车的评级，我们评估如下。比亚迪和小米表现突出，并且XPeng、理想汽车和蔚来市值在我们的传统中国OEM覆盖范围内，我们评级吉利超越、长城、广汽和上汽表现良好. 详情 相关研究亮点： 2026年3月19日 - 科技未来：VLA作为自动驾驶的下一个AI前沿 2026年3月9日 - 恒大汽车：VLA 2.0在ADAS能力方面实现大幅提升 —— 广州试驾体会 5 二月 2026 年 -中国智能驾驶芯片追踪器（2025年第四季度）：NOA渗透率达到37%，环比增长5ppt，L2++市场份额超越L2+ 2026年1月27日 - 运动革命：自动驾驶和无人驾驶出租车 2025年10月8日 - 移动革命：自动驾驶汽车的关键要素 2025年10月2日 - 中国未来之星：ADAS采用中的选择和挖掘策略 2025年4月27日 - 中国自动驾驶之旅要点：开启商业化之路 2025年3月13日 - 科技未来：从愿景到可行性——中国在美印支半岛的自动驾驶出租车机遇 人工智能旨在尽快而非迟延地增强汽车价值链。 人工智能有望通过加速自动驾驶发展、提高制造生产力、优化售后服务和移动服务机会等方式，实质性提升汽车产业链的多个环节，最终推动利润率提升或降低成本曲线。我们认为这种影响可能会比预期来得更快，因为其潜在效应已经显现，而人工智能的发展也在持续加速。与此同时，某些领域——例如与遗产内燃机平台相关的零部件供应商以及像出租车这样的传统共享出行提供商——可能会看到利润池加速侵蚀。这些环节原本就面临电动汽车动力总成转型和打车平台的崛起所带来的压力，而人工智能很可能会加快这一颠覆步伐。展品1-展品2) 展览1：在我们看来，人工智能有潜力成为增强汽车价值链多个环节的强大力量，而且这种力量将会很快显现，因为其潜在影响已经显现，而人工智能的发展也在持续加速。 在产品层面，ADAS和自动驾驶功能正迅速成为中国汽车消费者的“必备属性”，人工智能加速性能提升和功能融合。终端架构的转变——由VLA模型增强——以及人工智能模拟在训练和验证中的应用日益增长，正在显著改善用户体验。与此同时，智能驾驶舱正在迅速演变，以LLM支持的语音助手和多功能界面（例如，理想汽车的童学助手和小米的小爱同学）提升可用性和个性化。因此，汽车正越来越多地从“终极驾驶机器”重新定位为软件定义的“第二生活空间”或“移动之家”，正如理想汽车所倡导的。一些原始设备制造商（OEMs）通过拓展到更广泛的生态系统——特别是小米，它将智能手机、车辆和家电连接起来，比亚迪（BYD）和广汽（GAC）等企业也在与家电制造商合作，加深家居与汽车融合。 关于产品和架构设计人工智能加速设计周期，优化工程（例如安全、重量）和成本限制，以及美学需求，从而支持更快的研发周期，支持更高的模型更新频率。在制造业，人工智能正在被部署来提高质量控制，预测设备故障，降低停机时间，支持更低的缺陷率和更高的利用率。领先的原始设备制造商（OEMs）也在进行投资。类人形和机器人自动化反映了一种观点，即在未来，人工智能赋能的机器人将越来越多地替代低技能劳动力，并在结构上提高工厂效率。 为了销售和售后服务尽管汽车销售仍预期依赖于人工互动，但人工智能已经通过数据驱动的客户互动、预测性维护、更高效的服务等方式重塑了经销商的运营。与车辆使用和驾驶行为相关的保险产品也可能随着实时数据和基于人工智能的风险评估的日益普及而演变。 在更广泛的流动性上人工智能正在加速自动驾驶出租车的发展，既提高了安全性和单位经济效益，但对传统共享出行企业如出租车运营商和车队所有者构成了更直接的威胁。人工智能并非消除车队所有权，而是通过将价值转向软件、数据和运营优化来颠覆现有商业模式。同时，人工智能促进了更高效的路线规划、调度和动态定价，提高了装载率并减少了空驶里程。尽管在特定用例中自动驾驶出租车可能会逐渐降低对个人汽车拥有的增量需求，但在中短期内，它们更有可能补充而不是完全取代私人车辆。 展出 2：与此同时，某些领域——例如与旧式ICE平台挂钩的零部件供应商和像出租车这样的传统共享出行提供商——可能会经历利润池的加速侵蚀；这些细分领域已经受到电动车动力系统转型和叫车平台兴起的压力，而人工智能可能会加快这一破坏的速度。 人工智能正在通过强化端到端模型和世界模型来加速自动驾驶技术的发展。 人工智能通过以下三个方面加速了自动驾驶的发展：1）使数据收集和使用更加高效；2）提升模型在新的场景下的泛化能力；3）在较低的单位成本下实现训练和验证的扩展规模。在本节中，我们关注AI如何增强端到端（E2E）驾驶模型和世界模型，以及它们如何在整体上协同工作。 基于基础模型栈。 关键自主驾驶发展制约因素尽管取得了进步，但仍存在一些固有的限制： 1.数据规模和边界情况稀缺。高品质、多样化的驾驶数据——尤其是长尾场景——成本高昂且难以收集。因此，模型反复遇到常见的日常场景，额外数据带来的回报递减，而罕见但安全至关重要的案例却代表不足。 2.因果混淆纯粹观察性模型往往难以从数据中区分行为的真正原因。例如，当一辆车在路口停车时，一个简单的模型可能无法明确区分它是因红灯、行人还是其他车辆减速而停下的。 3.模仿限制经典端到端模型仅通过模仿训练，在很大程度上继承了它们所看到的数据的质量和偏差。如果它们只模仿人类驾驶员或传统堆栈，那么它们很难系统地超越那种性能，尤其是在分布变化的情况下。 4.黑盒推理与可解释性。许多深度模型在输出最终行为时，对其做出决定的内部过程洞察有限。这使得调试失败变得困难，并复杂化了安全论证和利益相关者信任问题。 最新的AI发展，包括视觉-语言-行动（“VLA”）模型、大规模基础模型和世界模型，旨在通过提高语义理解、实现复杂场景中的推理以及扩展基于模拟的训练和验证，来减轻这些限制。 堆栈概述：策略模型 vs 基础模型 vs 世界模型 对于直觉，可以将现代自动驾驶人工智能堆栈视为三个概念层： 1.车辆端“端到端”模型：部署在车辆上的延迟关键模型，该模型接收车载传感器输入并输出轨迹或控制指令（端到端模型）。 2.基础模型：大型、云训练模型那些从大量多模态数据集中学习通用驾驶表示并支持许多任务（感知、预测、规划辅助、场景分析、语言界面）的系统。车辆端策略（即端到端模型）通常从这些模型中提炼知识。 3.全球模型：一个学习环境潜在表示并预测其随时间和不同操作演变的方式的模型，例如通过AI生成的模拟。世界模型通常在云端训练和运行，并常常作为更广泛驾驶基础模型的核心组件嵌入其中。 在实践中，主要玩家将这些层结合起来：训练并持续改进云规模的底层模型（包括世界模型组件）；然后部署更小的、蒸馏式的端到端策略到车辆中，以实现实时控制。 从基于规则的管道到端到端学习 早期的自动驾驶系统以基于规则的管道为主：分别的感知、预测和规划模块，通过成行成行的代码，由手工编写的逻辑和启发式算法连接在一起。这使得行为可解释，但同时也脆弱且难以跨城市和边缘情况扩展。 端到端模型通过直接从数据中学习从原始传感器数据到驾驶决策的映射来改变这一点。开发者不再手动编码规则，而是提供大量驾驶日志，模型学习将视觉上下文、其他代理的行为和适当行动连接起来的统计模式。与纯粹基于规则的系统相比，端到端方法可以更好地捕捉细微的线索并适应复杂、不可预见的情况，尤其是在大规模训练时。 从LLMs到VLA模型 大型语言模型（“LLM”）表明，单个大规模训练的模型可以执行许多任务并以灵活的方式推理。然而，驾驶本质上是视觉和物理的，而不是纯粹文本的。仅仅依靠三维场景的文本抽象会丢弃大量对于安全控制所需细粒度信息。 这种激励式视觉-语言-行动（VLA）模型：联合处理图像或视频、语言，有时还有行动或轨迹的架构。在驾驶场景中，一种VLA风格的模型可以摄取摄像头帧，可选地映射上下文和语言指令，并输出行动或计划轨迹，无需强迫一切通过纯文本机制。这样可以保留更多真实场景结构，同时还能受益于推理能力。 \"物理AI\"这个术语通常用来描述从抽象符号智能到在现实世界中的物体、代理、运动和物理约束中运