汽車行業(yè)專題研究報(bào)告

汽車行業(yè)專題研究報(bào)告1.技術(shù)+政策+新品周期，新一輪智能化有望加速1.1.2014-2016純視覺(jué)方案崛起推動(dòng)ADAS功能普及在21世紀(jì)前的汽車百年歷史中，從定速巡航系統(tǒng)（CCS）->車身動(dòng)態(tài)穩(wěn)定系統(tǒng)（ABS/ESC）->自適應(yīng)巡航系統(tǒng)（ACC，通過(guò)毫米波雷達(dá)），產(chǎn)業(yè)一直在努力讓更多的技術(shù)來(lái)幫助司機(jī)更加輕松、安全的操控汽車。但早期的設(shè)計(jì)更多的采用機(jī)械式，直到2008年Mobileye的橫空出世，通過(guò)成熟的純視覺(jué)方案先后實(shí)現(xiàn)了車道偏離預(yù)警（LDW，2008年）、自動(dòng)緊急制動(dòng)（AEB，2009年）、前方碰撞預(yù)警（FCW，2010年）、自適應(yīng)巡航系統(tǒng)（ACC，2013年）等多項(xiàng)ADAS功能。單顆攝像頭+芯片的技術(shù)架構(gòu)大幅降低了系統(tǒng)的生產(chǎn)成本，同時(shí)具備完善的功能應(yīng)用，因此隨著2013年純視覺(jué)ACC功能的推出，Mobileye的芯片開(kāi)始受到各大主流中高端汽車品牌的青睞，幾乎成為各家唯一的ADAS方案商，出貨量大幅攀升，成功的推動(dòng)ADAS功能的普及。根據(jù)美國(guó)SAE的分級(jí)，將自動(dòng)駕駛分為L(zhǎng)1-L5級(jí)別。Mobileye領(lǐng)銜的純視覺(jué)方案成為L(zhǎng)2級(jí)別及以下自動(dòng)駕駛方案的首選，特斯拉的S/X車型自動(dòng)駕駛方案也是采用其EQ3芯片，推動(dòng)了整套系統(tǒng)的快速普及。在ADAS系統(tǒng)的感知、決策、執(zhí)行三大環(huán)節(jié)中，感知由Mobileye完成，高質(zhì)量的傳感器信息大幅降低了決策環(huán)節(jié)的難度，并且也加速了執(zhí)行環(huán)節(jié)的電控國(guó)產(chǎn)替代需求：制動(dòng)（ABS/ESC），轉(zhuǎn)向（EPS電動(dòng)助力轉(zhuǎn)向）。1.2.2020-2022特斯拉FSD推動(dòng)整車E/E架構(gòu)升級(jí)2019年特斯拉發(fā)布ModelY車型，相較于2017年發(fā)布的Model3車型其最大的變化來(lái)自于整車電子電器（E/E）架構(gòu)，從過(guò)去的分布式架構(gòu)開(kāi)始向域集中架構(gòu)轉(zhuǎn)變，這也符合博世公司提出的電子電器架構(gòu)變革的技術(shù)方向。通過(guò)E/E架構(gòu)的變化，特斯拉有效地解決了分布式之前的算力不足，難以支持OTA升級(jí)等多種問(wèn)題，并且推出了基于自研芯片的AutoPilotHW3.0的新一代FSD自動(dòng)駕駛系統(tǒng)。在汽車智能化功能不斷升級(jí)所帶來(lái)的算力需求下，各家車企也開(kāi)始向著集中式電子電器架構(gòu)的方式演進(jìn)。英偉達(dá)先后推出的大算力AI芯片Xaiver(30TOPS)/Orin（256TOPS）很好地滿足了不斷增長(zhǎng)的算力需求，并且提供一套完善的算子庫(kù)+開(kāi)發(fā)工具鏈，取代Mobileye成為域集中架構(gòu)下眾多車企的首選?；贏I芯片的自動(dòng)駕駛域控制器成為產(chǎn)業(yè)鏈價(jià)值量增加最大的新產(chǎn)品。此外，由于新能源+操控需求帶來(lái)的價(jià)值新增量（線控制動(dòng)+線控轉(zhuǎn)向+空氣懸掛）以及智能座艙新增量（座艙域控制器+HUD+音響功放）等均成為這一輪智能化變革中重要的產(chǎn)業(yè)趨勢(shì)。1.3.新一輪技術(shù)+政策+新品周期，共同推動(dòng)高級(jí)別自動(dòng)駕駛落地成本+政策壓力，智能化產(chǎn)業(yè)節(jié)奏放緩。不同于L2或者L2.5級(jí)別自動(dòng)駕駛方案，高級(jí)別自動(dòng)駕駛方案對(duì)于感知要求更高，除特斯拉之外，各家車企均采用激光雷達(dá)+毫米波+攝像頭等多種傳感器融合方案支持相關(guān)算法，這也帶來(lái)了成本端的大幅增加。同時(shí)，國(guó)內(nèi)目前沒(méi)有清晰的界定L3級(jí)別自動(dòng)駕駛權(quán)責(zé)認(rèn)定的法律法規(guī)，成本+政策導(dǎo)致車企和消費(fèi)者對(duì)于L3級(jí)別自動(dòng)駕駛的需求下降，智能化從L2->L3升級(jí)的節(jié)奏放緩。特斯拉借助AI大模型推出全新感知方案，有效降低成本。隨著AI大模型技術(shù)的發(fā)展，特斯拉率先采用了基于TransFormer大模型的BEV+占用網(wǎng)絡(luò)感知算法，提升了環(huán)境建模的效率，成為目前主流車企下一代智能化的主要架構(gòu)。通過(guò)這套感知架構(gòu)能夠減少對(duì)于激光雷達(dá)等高成本傳感器的依賴，有效降低系統(tǒng)成本，減輕車企及消費(fèi)者的負(fù)擔(dān)。海內(nèi)外政策準(zhǔn)備加速，有望明確L3級(jí)別自動(dòng)駕駛責(zé)任劃分。近年來(lái)從國(guó)家部委到地方政府對(duì)高級(jí)別自動(dòng)駕駛發(fā)布了一系列政策和法規(guī)，從基礎(chǔ)建設(shè)、測(cè)試標(biāo)準(zhǔn)、數(shù)據(jù)安全、高精地圖、商業(yè)運(yùn)營(yíng)等方面進(jìn)行完善。2023年，美國(guó)內(nèi)華達(dá)州和加州先后批準(zhǔn)了奔馳L3級(jí)別自動(dòng)駕駛功能的上路運(yùn)行，對(duì)于責(zé)任進(jìn)行了清晰的劃分，國(guó)內(nèi)相關(guān)的政策法規(guī)也有望加速落地，明確L3級(jí)別自動(dòng)駕駛功能的責(zé)任劃分。城市NOA（約等于L3級(jí)別自動(dòng)駕駛）功能成為產(chǎn)業(yè)智能化主要發(fā)力方向。2023年是智能化新車上市密集窗口期，基于目前產(chǎn)業(yè)跟蹤，我們預(yù)計(jì)這波新車特征或是：1）符合L3智能化法規(guī)標(biāo)準(zhǔn)；2）城市自動(dòng)駕駛（城市NOA）落地使用；3）成本下行至30萬(wàn)元以下，激光雷達(dá)不是必要條件。車企進(jìn)展初步排序：第一梯隊(duì)領(lǐng)先（特斯拉/小鵬汽車/華為合作伙伴），第二梯隊(duì)快速跟進(jìn)（理想/蔚來(lái)/比亞迪/長(zhǎng)城/吉利/長(zhǎng)安/廣汽/上汽等）。2.AI大模型加持，端到端感知方案實(shí)現(xiàn)降本增效2.1.CHATGPT橫空出世，AIGC推動(dòng)全新產(chǎn)業(yè)革命2.1.1.AIGC實(shí)現(xiàn)多模態(tài)輸入輸出，有望開(kāi)創(chuàng)全新應(yīng)用場(chǎng)景CHATGPT為代表，AIGC基于訓(xùn)練數(shù)據(jù)生成各類內(nèi)容。AIGC（GenerativeAI，生成式AI）是一種人工智能相關(guān)的技術(shù)，它可以使用訓(xùn)練數(shù)據(jù)來(lái)生成新的內(nèi)容，包括文本、圖像、音頻和視頻等。當(dāng)下最為火熱的CHATGPT（chatGenerativePre-trainedTransformer）就是AIGC的一種，作為基于大規(guī)模預(yù)訓(xùn)練語(yǔ)言模型的對(duì)話系統(tǒng)，具備極強(qiáng)的自然語(yǔ)言處理能力，能夠應(yīng)用到各類文字語(yǔ)言任務(wù)中。多模態(tài)輸入輸出技術(shù)逐步成熟，AIGC有望開(kāi)創(chuàng)更多應(yīng)用場(chǎng)景。隨著自然語(yǔ)言生成技術(shù)以及AI大模型的成熟，AIGC逐步受到市場(chǎng)的關(guān)注。因?yàn)镻rompt以及Diffusion等技術(shù)對(duì)模型泛化能力以及多模態(tài)輸出能力的提升，目前已經(jīng)能夠生成文字、圖片、音頻、代碼等多類型的內(nèi)容，多模態(tài)大模型輸入輸出能力的逐步完善，有望使得其在除了文字領(lǐng)域之外開(kāi)創(chuàng)更多新的應(yīng)用場(chǎng)景。2.1.2.技術(shù)架構(gòu)+參數(shù)規(guī)模持續(xù)迭代，大模型表現(xiàn)能力不斷提升大模型參數(shù)規(guī)模不斷增長(zhǎng)，推動(dòng)AIGC技術(shù)升級(jí)。AIGC技術(shù)發(fā)展的背后是大模型（FoundationModels）技術(shù)的持續(xù)迭代。從2017年TransFormer結(jié)構(gòu)的提出，加速了深度學(xué)習(xí)模型的參數(shù)學(xué)習(xí)能力。從ResNet系列開(kāi)始參數(shù)規(guī)模不斷增長(zhǎng)，以GPT（GenerativePre-trainedTransformer）系列大模型為例：1）GPT1參數(shù)量達(dá)到1.17億的規(guī)模，25億的單詞量；2）GPT-2參數(shù)量達(dá)到15億的規(guī)模，其中數(shù)據(jù)來(lái)自互聯(lián)網(wǎng)，使用了800萬(wàn)在Reddit被鏈接過(guò)的網(wǎng)頁(yè)數(shù)據(jù)，清洗后的語(yǔ)料數(shù)據(jù)約40GB；3）GPT-3參數(shù)規(guī)模達(dá)到1750億；4）ChatGPT參數(shù)量達(dá)到萬(wàn)億級(jí)別。在參數(shù)量上，每一代均比前一代產(chǎn)品有了數(shù)量級(jí)的飛躍，同時(shí)也帶來(lái)了模型性能的快速提升。參數(shù)量破億，預(yù)訓(xùn)練大模型效果。大模型指的是具有非常大的參數(shù)數(shù)量的人工神經(jīng)網(wǎng)絡(luò)模型，在深度學(xué)習(xí)領(lǐng)域，通常指具備數(shù)億到萬(wàn)億參數(shù)的模型，這些模型通常需要在大規(guī)模的數(shù)據(jù)集上面進(jìn)行訓(xùn)練，并且需要使用大量的計(jì)算資源進(jìn)行優(yōu)化。2018年Google和OpenAI先后推出的BERT(BidirectionalEncoderRepresentationsfromTransformers)以及GPT（GenerativePre-trainedTransformer）模型都是突破億級(jí)別參數(shù)量的自然語(yǔ)言處理模型，具備非常好的數(shù)據(jù)處理效果，并且分別代表了“預(yù)訓(xùn)練+微調(diào)”（Pre-Train+Fintung）和“預(yù)訓(xùn)練+提示”（Pre-Train+Prompt）兩種技術(shù)路線。在確立了以TransFormer為主要技術(shù)架構(gòu)方向后，大模型的發(fā)展開(kāi)始逐步進(jìn)入加速階段，隨著模型參數(shù)量的增長(zhǎng)，帶來(lái)的處理效果也不斷提升。2019年，OpenAI繼續(xù)推出15億參數(shù)的GPT-2，能夠生成連貫的文本段落，做到初步的閱讀理解、機(jī)器翻譯等。緊接著，英偉達(dá)推出了83億參數(shù)的Megatron-LM，谷歌推出了110億參數(shù)的T5，微軟推出了170億參數(shù)的圖靈Turing-NLG；2020年，OpenAI推出了超大規(guī)模語(yǔ)言訓(xùn)練模型GPT-3，其參數(shù)達(dá)到了1750億，在兩年左右的時(shí)間實(shí)現(xiàn)了模型規(guī)模從億級(jí)到上千億級(jí)的突破，并能夠?qū)崿F(xiàn)作詩(shī)、聊天、生成代碼等功能；2021年，谷歌推出的SwitchTransformer模型以高達(dá)1.6萬(wàn)億的參數(shù)量成為史上首個(gè)萬(wàn)億級(jí)語(yǔ)言模型；同年12月，谷歌還推出了1.2萬(wàn)億參數(shù)的通用稀疏語(yǔ)言模型GLaM，在7項(xiàng)小樣本學(xué)習(xí)領(lǐng)域的性能超過(guò)GPT-3；2022年，StabilityAI發(fā)布的文字到圖像的創(chuàng)新模型Diffusion，以及OpenAI推出的ChatGPT，ChatGPT是由效果比GPT3更強(qiáng)大的GPT-3.5系列模型提供支持。2.2.深度學(xué)習(xí)+強(qiáng)化學(xué)習(xí)，推動(dòng)大模型成為NLP重要驅(qū)動(dòng)力2.2.1.憑借歷史數(shù)據(jù)提取特征，機(jī)器學(xué)習(xí)成為AI發(fā)展重要方向模擬人類思維方式，AI開(kāi)發(fā)面向具體領(lǐng)域。人工智能（ArtificialIntelligence,AI）是一種能夠模擬人類智能和思維過(guò)程的技術(shù)，旨在開(kāi)發(fā)能夠自主學(xué)習(xí)、推理、理解、規(guī)劃、感知和適應(yīng)的智能系統(tǒng)。作為計(jì)算機(jī)科學(xué)的一個(gè)分支，它出現(xiàn)于20世紀(jì)50年代，初始時(shí)候的目標(biāo)主要有兩個(gè)：1）通過(guò)在計(jì)算機(jī)上建模和模擬來(lái)研究人類智能；2）通過(guò)像人類一樣解決復(fù)雜問(wèn)題從而使得計(jì)算機(jī)更加有用。因?yàn)锳I系統(tǒng)的復(fù)雜性，研究人員階段性地放棄了通用AI的研發(fā)，轉(zhuǎn)而開(kāi)始研究面向感知、推理、記憶、語(yǔ)言、運(yùn)動(dòng)等具體領(lǐng)域的AI模型。AI領(lǐng)域獨(dú)立學(xué)科，機(jī)器學(xué)習(xí)著力自行習(xí)得智能。機(jī)器學(xué)習(xí)從20世紀(jì)80年代開(kāi)始，作為人工智能內(nèi)部一個(gè)獨(dú)立的學(xué)科領(lǐng)域快速發(fā)展。它能幫助機(jī)器從現(xiàn)有的復(fù)雜歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律（提取特征），以預(yù)測(cè)未來(lái)的行為結(jié)果和趨勢(shì)。機(jī)器學(xué)習(xí)的出現(xiàn)，使得人工智能的工作重心從人工賦予機(jī)器智能向機(jī)器自行習(xí)得智能方向轉(zhuǎn)變。對(duì)于機(jī)器學(xué)習(xí)本身，分為有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)三大類型。它通過(guò)數(shù)據(jù)獲取、預(yù)處理、特征提取、特征選擇、推理、預(yù)測(cè)、識(shí)別這幾個(gè)步驟完成相應(yīng)的工作。監(jiān)督學(xué)習(xí)：給算法一個(gè)數(shù)據(jù)集，并且給定正確答案。機(jī)器通過(guò)數(shù)據(jù)來(lái)學(xué)習(xí)正確答案的計(jì)算方法。無(wú)監(jiān)督學(xué)習(xí)：給定的數(shù)據(jù)集沒(méi)有“正確答案”，所有的數(shù)據(jù)都是一樣的。無(wú)監(jiān)督學(xué)習(xí)的任務(wù)是從給定的數(shù)據(jù)集中，挖掘出潛在的結(jié)構(gòu)。強(qiáng)化學(xué)習(xí)：由智能體（Agent）、環(huán)境（Environment）、狀態(tài)（State）、動(dòng)作（Action）、獎(jiǎng)勵(lì)（Reward）組成。智能體執(zhí)行了某個(gè)動(dòng)作后，環(huán)境將會(huì)轉(zhuǎn)換到一個(gè)新的狀態(tài)，對(duì)于該新的狀態(tài)環(huán)境會(huì)給出獎(jiǎng)勵(lì)信號(hào)（正獎(jiǎng)勵(lì)或者負(fù)獎(jiǎng)勵(lì)）。隨后，智能體根據(jù)新的狀態(tài)和環(huán)境反饋的獎(jiǎng)勵(lì)，按照一定的策略執(zhí)行新的動(dòng)作。2.2.2.機(jī)器學(xué)習(xí)->深度學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)+海量數(shù)據(jù)提升學(xué)習(xí)效率免除特征工程工作，深度學(xué)習(xí)實(shí)現(xiàn)端到端解決方案。深度學(xué)習(xí)（DeepLearning）是機(jī)器學(xué)習(xí)中的一個(gè)分支，從2006年開(kāi)始被提出之后，促使人工智能產(chǎn)業(yè)有了革命性的突破。與傳統(tǒng)機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)去掉了特征提?。ㄌ卣鞴こ蹋┎糠值墓ぷ?，著力于實(shí)現(xiàn)端到端的解決方案，讓算法自動(dòng)完成特征工程的內(nèi)容，此后進(jìn)行模型訓(xùn)練，開(kāi)發(fā)者只需要關(guān)注參數(shù)優(yōu)化便能夠獲取效果比較好的模型。模擬人類神經(jīng)元傳導(dǎo)，感知機(jī)成為神經(jīng)網(wǎng)絡(luò)基礎(chǔ)單元。深度學(xué)習(xí)的成型依賴于神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)技術(shù)最初基于感知機(jī)的提出—感知機(jī)是最古老的機(jī)器學(xué)習(xí)分類算法之一，在1957年就已經(jīng)被提出了，感知機(jī)通過(guò)模擬人類神經(jīng)元傳導(dǎo)的機(jī)制進(jìn)行輸入輸出處理，通過(guò)z=w*x+b來(lái)劃分?jǐn)?shù)據(jù)集，并且模擬人類神經(jīng)元激活過(guò)程來(lái)決定最終輸出的內(nèi)容。感知機(jī)層層嵌套，搭建深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)完成在感知機(jī)的基礎(chǔ)上，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)。一個(gè)標(biāo)準(zhǔn)的前饋神經(jīng)網(wǎng)絡(luò)（FNN）至少由三層結(jié)構(gòu)，輸入層、隱藏層和輸出層來(lái)構(gòu)成：1）輸入層，主要的作用是對(duì)特征矩陣進(jìn)行輸入，每個(gè)神經(jīng)元上都是一個(gè)特征向量；2）隱藏層，主要作用是用于讓算法進(jìn)行學(xué)習(xí)的網(wǎng)絡(luò)層級(jí)，數(shù)據(jù)在隱藏層中間逐層傳遞，本質(zhì)是一個(gè)感知器嵌套的過(guò)程。隱藏層中上層的每個(gè)神經(jīng)元，都與下層中的每個(gè)神經(jīng)元相連，因此隱藏層的結(jié)構(gòu)隨著神經(jīng)元的變多可以變得非常復(fù)雜；3）輸出層，主要用于輸出分類、回歸等預(yù)測(cè)結(jié)果。多層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)復(fù)雜函數(shù)逼近，深度模型實(shí)現(xiàn)“特征學(xué)習(xí)”功能。深度學(xué)習(xí)在標(biāo)準(zhǔn)FNN前饋神經(jīng)網(wǎng)絡(luò)上，參考人類的多層信息處理系統(tǒng)，通過(guò)更多層的神經(jīng)網(wǎng)絡(luò)傳遞來(lái)構(gòu)建更加抽象的特征表達(dá)。不同于普通前饋神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜函數(shù)的表示能力有限，深度學(xué)習(xí)可以通過(guò)多層神經(jīng)網(wǎng)絡(luò)的疊加架構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，并展現(xiàn)了強(qiáng)大的從大樣本中集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力，最終利用“深度模型”這一手段來(lái)實(shí)現(xiàn)“特征學(xué)習(xí)”的目的。2.2.3.專注人類邏輯思維模式，NLP成為AI重要應(yīng)用領(lǐng)域人類邏輯以語(yǔ)言形式為主，NLP成為AI研究重要領(lǐng)域。因?yàn)橥ㄓ肁I系統(tǒng)的復(fù)雜性，研究人員的主要精力放在專用領(lǐng)域AI的開(kāi)發(fā)上。人類的邏輯思維以語(yǔ)言為形式，絕大多數(shù)知識(shí)也是以語(yǔ)言的形式記載和流傳，因此NLP（NaturalLanguageProcessing）自然語(yǔ)言處理，成為專用AI最為重要的研究領(lǐng)域。人類希望通過(guò)發(fā)展NLP來(lái)進(jìn)一步了解人類自身的語(yǔ)言能力和智能機(jī)制。同時(shí)，自然語(yǔ)言因?yàn)槠淦缌x性、進(jìn)化性、非規(guī)范性、主觀性、知識(shí)性等多方面的特點(diǎn)，給自然語(yǔ)言處理帶來(lái)了極大的挑戰(zhàn)。NLU解決語(yǔ)言理解問(wèn)題，NLG解決語(yǔ)言生成問(wèn)題。NLP分為NLU（自然語(yǔ)言理解）和NLG（自然語(yǔ)言生成）兩個(gè)部分。其中：1）NLU是所有支持機(jī)器理解文本內(nèi)容的方法模型或任務(wù)的總稱，包括分詞，詞性標(biāo)注，句法分析，文本分類/聚類，信息抽取/自動(dòng)摘要等任務(wù)，核心目的是準(zhǔn)確識(shí)別用戶的意圖；2）NLG是一種自動(dòng)將結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為人類可讀文本的軟件過(guò)程，核心的目的是能夠?qū)崿F(xiàn)大規(guī)模的產(chǎn)生個(gè)性化內(nèi)容，幫助人類洞察數(shù)據(jù)，讓數(shù)據(jù)更容易理解，加速內(nèi)容生產(chǎn)等。深度學(xué)習(xí)推動(dòng)NLP發(fā)展。隨著人工智能技術(shù)的發(fā)展，NLP也經(jīng)歷了三次迭代：1）基于規(guī)則的方法：通過(guò)總結(jié)規(guī)律來(lái)判斷自然語(yǔ)言的意圖；2）基于統(tǒng)計(jì)的方法：對(duì)語(yǔ)言信息進(jìn)行統(tǒng)計(jì)和分析，并從中挖掘出語(yǔ)義特征；3）基于深度學(xué)習(xí)的方法：代表方法有CNN（卷積神經(jīng)網(wǎng)絡(luò)）、RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）、LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）、TransFormer等。2.2.4.大規(guī)模無(wú)監(jiān)督訓(xùn)練技術(shù)應(yīng)用，推動(dòng)LLM成為NLP中重要構(gòu)成早期深度學(xué)習(xí)模型受限于特征抽取器能力，任務(wù)效果不夠突出。在2017年之前，NLP的核心技術(shù)主要是深度學(xué)習(xí)模型，通過(guò)大量的改進(jìn)LSTM模型及少量的改進(jìn)CNN模型作為典型的特征抽取器，以SequencetoSequence+Attention作為各種具體任務(wù)典型的總體技術(shù)框架。在以上核心技術(shù)的加持下，NLP的主要研究方向，就是如何有效的增加模型層深或者模型參數(shù)容量。但是，基于CNN和LSTM的特征抽取器，表達(dá)能力不夠強(qiáng)，不能在大數(shù)據(jù)中有效地吸收相關(guān)的知識(shí)，因此整體的任務(wù)效果并不突出。2017年谷歌團(tuán)隊(duì)發(fā)布論文《TransFormerisallyouneed》提出TransFormer結(jié)構(gòu)，此后基于TransFormer結(jié)構(gòu)的LLM（LargeLanguageModel）語(yǔ)言大模型Bert/GPT先后發(fā)布，使得NLP的特征抽取器逐步從LSTM/CNN統(tǒng)一到Transformer上。其中，Bert通過(guò)“雙向語(yǔ)言模型預(yù)訓(xùn)練+應(yīng)用Fine-tuning”模式，主要針對(duì)自然語(yǔ)言理解類任務(wù)；GPT通過(guò)“自回歸語(yǔ)言模型+Zero/FewShotPrompt”模式，主要針對(duì)自然語(yǔ)言生成類任務(wù)。TransFormer模型強(qiáng)大的特征提取能力，Bert和GPT相關(guān)模型不再通過(guò)大量的標(biāo)注后數(shù)據(jù)來(lái)生成模型，而是通過(guò)大量的非標(biāo)注數(shù)據(jù)（如維基百科），通過(guò)預(yù)訓(xùn)練提取相關(guān)的數(shù)據(jù)特征屬性，這種學(xué)習(xí)方式是無(wú)監(jiān)督的模型。在微調(diào)階段繼續(xù)使用預(yù)訓(xùn)練好的模型參數(shù)，采用自身標(biāo)注數(shù)據(jù)在此基礎(chǔ)上完成最后一步的監(jiān)督學(xué)習(xí)。2.3.TransFormer架構(gòu)提升學(xué)習(xí)效率，推動(dòng)大數(shù)據(jù)預(yù)訓(xùn)練成為可能2.3.1.CNN（卷積神經(jīng)網(wǎng)絡(luò)）提取數(shù)據(jù)特征，適用靜態(tài)圖像識(shí)別+分割在深度學(xué)習(xí)早期發(fā)展的過(guò)程中，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，簡(jiǎn)稱CNN）是推動(dòng)深度學(xué)習(xí)能力發(fā)展的主要?jiǎng)恿?，特別是在圖像識(shí)別領(lǐng)域。CNN的核心是通過(guò)合理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)有效的降低神經(jīng)網(wǎng)絡(luò)中的參數(shù)個(gè)數(shù)：1）卷積層中每一個(gè)節(jié)點(diǎn)的輸入只是上層神經(jīng)網(wǎng)絡(luò)的一小塊，通過(guò)卷積層會(huì)使得矩陣變的更深；2）池化層不會(huì)改變矩陣的深度，但是可以縮小矩陣的大小，主要功能就是逐步減小表征空間的尺寸從而減小參數(shù)量和網(wǎng)絡(luò)中的計(jì)算復(fù)雜度；3）全連接層通過(guò)連接所有輸出層的特征信息，并對(duì)這些信息進(jìn)行匯總整理完成輸出。模擬人類感知過(guò)程，通過(guò)局部信息抽象特征。在傳統(tǒng)的圖像處理過(guò)程中，通過(guò)經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，需要讀取整幅圖像作為神經(jīng)網(wǎng)絡(luò)的輸入（全連接的方式），當(dāng)圖像尺寸越大，則連接的參數(shù)會(huì)變得很多，從而導(dǎo)致計(jì)算量非常大。CNN的連接方式模擬人類對(duì)外界的感知，從局部向全局進(jìn)行擴(kuò)散，在圖像中局部范圍內(nèi)的像素聯(lián)系較為緊密，而距離較遠(yuǎn)的像素則相關(guān)性較弱，因此CNN的核心原理就是：對(duì)局部信息進(jìn)行感知，抽象出特征，并在更高層將局部的信息綜合起來(lái)得到全局信息，從而降低神經(jīng)網(wǎng)絡(luò)中的參數(shù)數(shù)目。基于CNN的基礎(chǔ)假設(shè)（人類的視覺(jué)總是關(guān)注視線內(nèi)特征最為明顯的點(diǎn)），因此在機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)應(yīng)用中，它主要應(yīng)用在圖像識(shí)別中較多。2.3.2.RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）解決全局記憶，完成Seq2Seq問(wèn)題增加時(shí)序關(guān)系，賦予RNN記憶能力。不同于CNN的架構(gòu)，循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，簡(jiǎn)稱RNN）指在全連接神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了對(duì)于前后時(shí)序上的關(guān)系，可以更加好的處理機(jī)器翻譯等與時(shí)序相關(guān)的問(wèn)題。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型中，從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節(jié)點(diǎn)是無(wú)連接的，這種結(jié)構(gòu)對(duì)于一些問(wèn)題無(wú)能為力，比如預(yù)測(cè)下個(gè)單詞是什么，而RNN的本質(zhì)是：像人一樣擁有記憶的能力。在RNN的循環(huán)結(jié)構(gòu)中，每一步輸出的結(jié)果，會(huì)作為下一步的新的輸入，也就是上一個(gè)時(shí)刻的網(wǎng)絡(luò)狀態(tài)將會(huì)作用（影響）到下一個(gè)時(shí)刻的網(wǎng)絡(luò)狀態(tài)，表明RNN和序列數(shù)據(jù)密切相關(guān)，從而對(duì)于數(shù)據(jù)具備一定的記憶能力（雖然可能隨著序列增加導(dǎo)致前面部分特征不斷遺忘）。同時(shí)，對(duì)于RNN來(lái)說(shuō)并不是每一個(gè)步驟都需要有輸出，這樣可以實(shí)現(xiàn)SequencetoSequence這樣的不對(duì)稱輸入和輸出關(guān)系，用來(lái)解決機(jī)器翻譯等問(wèn)題。RNN結(jié)構(gòu)雖然具備記憶能力，但是因?yàn)樽陨斫Y(jié)構(gòu)的原因，每個(gè)時(shí)間序列中采用相同的參數(shù)，對(duì)于序列中出現(xiàn)的所有信息都會(huì)嘗試記住，這樣導(dǎo)致不同重要性的信息具備同樣的權(quán)重值。在RNN的基礎(chǔ)上，LSTM（LongShortTermMemory）模型被提出，它的核心思想就是：設(shè)計(jì)一個(gè)記憶細(xì)胞，通過(guò)遺忘門、更新門、輸入門、輸出門等結(jié)構(gòu)互相配合，可以選擇性的記憶重要信息，過(guò)濾掉噪音信息，減輕記憶負(fù)擔(dān)。2.3.3.TransFormer并行計(jì)算加速學(xué)習(xí)效率，成為重要特征提取器2017年Google實(shí)驗(yàn)室發(fā)布論文《AttentionIsAllYouNeed》，基于Encoder-Decoder架構(gòu)，由Attention的機(jī)制來(lái)實(shí)現(xiàn)TransFormer模塊。相較于原來(lái)的CNN/RNN模型結(jié)構(gòu)，解決了輸入和輸出的長(zhǎng)期依賴問(wèn)題，并且擁有并行計(jì)算的能力，大幅度減少了計(jì)算資源的消耗，后續(xù)進(jìn)一步提出的Self-Attention機(jī)制，讓源序列和目標(biāo)序列做了“自關(guān)聯(lián)”，Muti-HeadAttention模塊使得Encoder端具備并行計(jì)算能力。注意力機(jī)制給予不同權(quán)重，輸出結(jié)果參考輸入信息。傳統(tǒng)的Encoder-Decoder機(jī)制（用于實(shí)現(xiàn)SeqtoSeq任務(wù)），所有的輸入最終匯聚成唯一的語(yǔ)義編碼C，并且作為Decoder的唯一輸入，這樣對(duì)于Decoder輸出時(shí)，所有的輸入貢獻(xiàn)度權(quán)重是一樣。在引入注意力（Attention）機(jī)制之后，對(duì)于不同的輸出會(huì)分配不同的語(yǔ)義編碼C，對(duì)不同的輸出給予不同的輸入權(quán)重，從而讓系統(tǒng)從眾多的輸入信息中選擇出對(duì)當(dāng)前任務(wù)目標(biāo)更為關(guān)鍵的信息，將注意力放在上面。Attention機(jī)制中，語(yǔ)義編碼C的權(quán)重計(jì)算取決于輸入X和輸出Y兩者所有的元素之間，但是自注意力機(jī)制（Self-Attention）的權(quán)重計(jì)算無(wú)關(guān)輸出相關(guān)元素，只是輸入相關(guān)元素之間的Attention機(jī)制。對(duì)于Self-Attention來(lái)說(shuō)，從輸入到輸出過(guò)程中，對(duì)于Q/K/V三個(gè)向量的生成可以看作Wq/Wk/Wv三個(gè)向量的點(diǎn)積。最終的輸出可以看作Q/K/V三個(gè)向量矩陣的點(diǎn)積結(jié)果，因此整個(gè)Self-Attention的計(jì)算過(guò)程可以通過(guò)并行矩陣計(jì)算進(jìn)行實(shí)現(xiàn)，很大程度上提升了深度學(xué)習(xí)的計(jì)算效率。自注意力機(jī)制在Self-Attention機(jī)制上進(jìn)化出了（Multi-HeadSelfAttention）多頭注意力機(jī)制，通過(guò)這個(gè)結(jié)構(gòu)（雙頭或者更多頭）可以提高注意力機(jī)制的空間分辨度，從更多的維度對(duì)數(shù)據(jù)特征進(jìn)行提取，因此也在TransFormer模型結(jié)構(gòu)中得到應(yīng)用?；诙囝^注意力機(jī)制、Encoder-Decoder等架構(gòu)搭建的TransFormer模型，能夠很好的完成對(duì)于大量數(shù)據(jù)的特征提取和內(nèi)容生成，相較于RNN網(wǎng)絡(luò)結(jié)構(gòu)，它沒(méi)有時(shí)序上順序依賴，無(wú)需逐步遞歸才能獲取全局視野，同時(shí)并行計(jì)算的優(yōu)勢(shì)也提升了系統(tǒng)的計(jì)算效率，因此取代了CNN/RNN成為NLP中最為重要的特征抽取器。2.3.4.預(yù)訓(xùn)練大模型問(wèn)世，生成式技術(shù)路線成為主要趨勢(shì)基于TransFormer特征提取器，NLP發(fā)展出兩類大參數(shù)預(yù)訓(xùn)練（Pre-Trained）語(yǔ)言模型，BERT和GPT，其中BERT(BidirectionalEncoderRepresentationfromTransformers)的實(shí)質(zhì)是采用TransFormer模型的Encoder結(jié)構(gòu)，通過(guò)“填空題”的方式來(lái)完成預(yù)訓(xùn)練，它的優(yōu)點(diǎn)包括：1）預(yù)訓(xùn)練模型，泛化能力較強(qiáng)；2）端到端模型，無(wú)需調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)；3）基于TransFormer，可以實(shí)現(xiàn)快速并行；4）雙向模型，可以結(jié)合上下文進(jìn)行訓(xùn)練。采用Encoder結(jié)構(gòu)，通過(guò)掩碼進(jìn)行預(yù)訓(xùn)練。Bert模型在2018年由谷歌實(shí)驗(yàn)室提出，在11項(xiàng)NLP任務(wù)中均取得SOTA（state-of-the-art）結(jié)果，因此Bert以及預(yù)訓(xùn)練模型獲得了廣泛的關(guān)注。Bert采用的是Encoder層的結(jié)構(gòu)，通過(guò)自編碼（Auto-Encoding）的方式，能夠同時(shí)獲取到上下文的信息，通過(guò)掩碼（Masked）來(lái)對(duì)模型進(jìn)行預(yù)訓(xùn)練，遮掩掉部分有效數(shù)據(jù)，訓(xùn)練模型的預(yù)測(cè)能力，并且對(duì)訓(xùn)練完成后的模型通過(guò)微調(diào)（Fine-Tunning）的方式來(lái)對(duì)最終的下游任務(wù)進(jìn)行適應(yīng)。谷歌官方為Bert發(fā)布了兩個(gè)版本，Bert_Base&Bert_Large。其中，Bert_Base：L=12，H=768，A=12，TotalParameters=110M；Bert_Large：L=24，H=1024，A=16，TotalParameters=340M。L為神經(jīng)網(wǎng)絡(luò)的層數(shù)即深度，H代表輸出的維度，A表示Multi-HeadAttention中Head的數(shù)量，兩者參數(shù)分別是1.1億和3.4億，屬于初代大模型范疇。除了BERT之外，OPENAI推出了GPT（GenerativePre-Training）模型，它是基于單向的TransFormer的解碼器模型，GPT模型中，輸入的序列首先被通過(guò)一個(gè)嵌入層轉(zhuǎn)換成向量表示，然后輸入到Transformer解碼器中，每個(gè)解碼器層都由多個(gè)注意力頭和前饋神經(jīng)網(wǎng)絡(luò)組成，用于逐步生成下一個(gè)詞語(yǔ)的概率分布。最初的GPT模型，也是通過(guò)預(yù)訓(xùn)練+微調(diào)的方式來(lái)解決下游任務(wù)。初代GPT具備12層神經(jīng)網(wǎng)絡(luò)，每層具備12個(gè)Head，詞編碼長(zhǎng)度為768，模型參數(shù)約為1.17億。2018年剛剛推出的時(shí)候，GPT的自然語(yǔ)言處理能力弱于Bert，Bert主要面對(duì)自然語(yǔ)言理解任務(wù)，然后完成自然語(yǔ)言生成任務(wù)，GPT跳過(guò)自然語(yǔ)言理解任務(wù)，直接面向自然語(yǔ)言生成任務(wù)，但隨著大模型參數(shù)和數(shù)據(jù)的不斷增長(zhǎng)，GPT的技術(shù)路線開(kāi)始“量變引起質(zhì)變”，GPT所代表的生成式大模型逐步成為主流的技術(shù)路線。大模型的生成能力持續(xù)提升，結(jié)合前文提到的多模態(tài)的輸入和輸出能力，不僅僅在NLP領(lǐng)域，大模型在圖像處理、語(yǔ)言處理、視頻處理等多個(gè)維度的應(yīng)用在不斷的加強(qiáng)，也有望給整個(gè)汽車智能化趨勢(shì)進(jìn)一步賦能。2.4.TransFormer+BEV，加速推動(dòng)L3智能駕駛落地2.4.1.模塊化&端到端，智能駕駛兩大算法框架智能駕駛算法的框架主要有兩大類：1）模塊化智能駕駛算法方案；2）端到端的解決方案。截至2022年，業(yè)界采用最多的自動(dòng)駕駛架構(gòu)還是模塊化自動(dòng)駕駛系統(tǒng)，它的優(yōu)點(diǎn)是整個(gè)架構(gòu)非常簡(jiǎn)潔，通過(guò)感知層、決策規(guī)劃層和執(zhí)行控制層三層來(lái)解決整個(gè)系統(tǒng)的感知、決策和執(zhí)行工作。同時(shí)，每一層還可以細(xì)分成不同的模塊和子模塊，這樣對(duì)于每個(gè)模塊的輸出結(jié)果可以單獨(dú)進(jìn)行監(jiān)控。在自動(dòng)駕駛開(kāi)發(fā)過(guò)程中，不同的子模塊可以交由不同的團(tuán)隊(duì)來(lái)并行開(kāi)發(fā)，有效提升開(kāi)發(fā)效率。但是缺點(diǎn)就是系統(tǒng)非常復(fù)雜和龐大，需要人工設(shè)計(jì)所有的模塊，并且受困于算力所限，無(wú)法對(duì)所有的子模塊都采用深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行升級(jí)。因此對(duì)于模塊化自動(dòng)駕駛系統(tǒng)，可能用很少的精力就能夠解決大部分的自動(dòng)駕駛場(chǎng)景，但是少部分的CornerCase會(huì)耗費(fèi)大量的精力去進(jìn)行一一的標(biāo)準(zhǔn)解決。另一種自動(dòng)駕駛的系統(tǒng)方案是端到端（EndtoEnd），核心就是車輛把采集到的信息（圖像數(shù)據(jù)、點(diǎn)云數(shù)據(jù)等）直接送入統(tǒng)一的深度學(xué)習(xí)網(wǎng)絡(luò)，經(jīng)過(guò)其處理之后直接輸出自動(dòng)駕駛汽車的駕駛命令（方向盤轉(zhuǎn)角、方向盤轉(zhuǎn)速、車速等）。相較于模塊化的系統(tǒng)，它設(shè)計(jì)難度低+硬件成本小，易于獲得不同場(chǎng)景下的泛化性，但是是一個(gè)完全的黑盒，不具備解釋分析性，可靠性和靈活性較差，工程師無(wú)法對(duì)其進(jìn)行系統(tǒng)化的解釋分析，從而難以保障系統(tǒng)的安全。2.4.2.借助TransFormer模型，特斯拉感知系統(tǒng)全面升級(jí)實(shí)時(shí)建圖完成環(huán)境搭建，協(xié)助車輛進(jìn)行決策。作為純視覺(jué)方案的代表企業(yè)，特斯拉為了更好的通過(guò)攝像頭來(lái)了解其所處環(huán)境，并且擺脫高精度地圖頻繁更新帶來(lái)的較高維護(hù)成本，希望通過(guò)實(shí)時(shí)建圖的方式來(lái)完成周圍環(huán)境的搭建，幫助車輛更好的進(jìn)行決策。在2021年AIDay上，特斯拉發(fā)布了BEV（Bird’sEyeView）+TransFormer算法，將攝像頭的二維圖像空間（包含景深信息）通過(guò)TransFormer模型轉(zhuǎn)換成向量空間，使得多傳感器（攝像頭、毫米波雷達(dá)等）的信號(hào)輸入能夠轉(zhuǎn)換到統(tǒng)一的俯視角度進(jìn)行處理。統(tǒng)一俯視視角共享圖像特征，提升算法開(kāi)發(fā)效率。在這樣的一個(gè)統(tǒng)一的俯視視角下具備很多的優(yōu)勢(shì)：1）解決多傳感器融合問(wèn)題，方便下游任務(wù)共享圖像特征；2）在BEV視角下沒(méi)有物體變形問(wèn)題，使得模型集中精力解決分類問(wèn)題；3）融合多個(gè)視角解決遮擋問(wèn)題和物體重疊問(wèn)題。同時(shí)，BEV能夠把傳統(tǒng)感知方案中3D目標(biāo)檢測(cè)、障礙物實(shí)例分割、車道線分割、軌跡預(yù)測(cè)等多項(xiàng)任務(wù)在一個(gè)算法框架內(nèi)實(shí)現(xiàn)，大幅的減少人力需求，提升算法開(kāi)發(fā)效率，可以說(shuō)在感知算法的層面實(shí)現(xiàn)了端到端的架構(gòu)開(kāi)發(fā)。BEV（2D）->占用網(wǎng)絡(luò)（3D），全面提升感知效率。BEV算法通過(guò)TransFormer實(shí)現(xiàn)了多傳感器二維空間特征往向量空間融合的過(guò)程，但是整個(gè)BEV鳥(niǎo)瞰圖是一個(gè)2D圖像，缺少高度信息，無(wú)法真實(shí)的反映出物體在3D空間實(shí)際的占用體積是多少，即使識(shí)別也是通過(guò)矩形框進(jìn)行標(biāo)記，這種方式會(huì)導(dǎo)致細(xì)節(jié)的損失。為了解決上述問(wèn)題，特斯拉在2022年AIDay上發(fā)布OccupancyNetworks(占用網(wǎng)絡(luò))，它核心思想是把3D空間分為大小一致的Gridcell，然后判斷每個(gè)Cell是否被占用，它是BEV網(wǎng)絡(luò)在高度方向進(jìn)行了進(jìn)一步的擴(kuò)展。這種算法帶來(lái)幾個(gè)優(yōu)點(diǎn)：1）實(shí)現(xiàn)了BEV從2D->3D的優(yōu)化；2）有效的解決了垂直高度上不同立方體的空間占用情況；3）可以實(shí)時(shí)預(yù)測(cè)被遮擋物體的狀態(tài)；4）10ms內(nèi)可以完成計(jì)算，處理頻率很高；5）解決了目標(biāo)檢測(cè)的長(zhǎng)尾問(wèn)題，即使某些物體不存在于訓(xùn)練集中，但是因?yàn)樗惴ū旧磉M(jìn)行的是空間占用的檢測(cè)，不進(jìn)行目標(biāo)檢測(cè)，因此從根本上避免了這個(gè)問(wèn)題。參考語(yǔ)言大模型架構(gòu)，7500萬(wàn)參數(shù)生成矢量地圖。特斯拉FSD算法在矢量地圖生成過(guò)程中也采用了TransFormerDecoder算法，把車道相關(guān)信息包括車道節(jié)點(diǎn)位置、屬性（起點(diǎn)，中間點(diǎn)，終點(diǎn)等）、分叉點(diǎn)、匯合點(diǎn)，以及車道樣條曲線幾何參數(shù)進(jìn)行編碼，做成類似語(yǔ)言模型中單詞token的編碼，然后利用時(shí)序處理辦法進(jìn)行處理，從而獲得車道線之間的拓?fù)溥B接關(guān)系，在這個(gè)基礎(chǔ)上進(jìn)行行駛路徑規(guī)劃，整個(gè)矢量地圖生成過(guò)程中涉及到7500萬(wàn)個(gè)參數(shù)。3.海內(nèi)外政策逐步完善，有望加速實(shí)現(xiàn)突破3.1.搶占自動(dòng)駕駛“智高點(diǎn)”，各國(guó)加速相關(guān)法規(guī)政策布局汽車產(chǎn)業(yè)發(fā)達(dá)國(guó)家高度重視自動(dòng)駕駛政策布局。自動(dòng)駕駛技術(shù)處于科技應(yīng)用和產(chǎn)業(yè)創(chuàng)新的最前沿，主要汽車制造大國(guó)如中國(guó)、美國(guó)、德國(guó)、日本和韓國(guó)等正在積極出臺(tái)法規(guī)政策以推進(jìn)自動(dòng)駕駛商業(yè)化部署。目前針對(duì)自動(dòng)駕駛出臺(tái)的政策可分為四大類：一、優(yōu)先開(kāi)展城市智能網(wǎng)聯(lián)汽車道路測(cè)試，探索構(gòu)建高級(jí)別智能駕駛車輛標(biāo)準(zhǔn)與規(guī)則，例如我國(guó)在部分城市地區(qū)建立智能網(wǎng)聯(lián)汽車測(cè)試區(qū)與劃定測(cè)試道路；二、強(qiáng)調(diào)機(jī)動(dòng)車強(qiáng)制安全標(biāo)準(zhǔn)，推動(dòng)自動(dòng)駕駛汽車結(jié)構(gòu)性升級(jí)，例如美國(guó)調(diào)整車輛強(qiáng)制標(biāo)準(zhǔn)等措施，以安全防護(hù)能力為準(zhǔn)則促進(jìn)汽車安全性能提升；三、修訂《道路交通法》等法律，明確高級(jí)別自動(dòng)駕駛中的責(zé)任義務(wù)，例如德國(guó)、日本等修訂《道路交通法》等頂層法律，推動(dòng)高級(jí)別自動(dòng)駕駛的責(zé)任劃分與依法應(yīng)用；四、開(kāi)展小批量自動(dòng)駕駛汽車認(rèn)證，探索自動(dòng)駕駛車輛注冊(cè)與銷售規(guī)則，例如歐盟允許成員國(guó)在特定區(qū)域特定場(chǎng)景下開(kāi)展無(wú)人駕駛車輛的注冊(cè)與銷售，推動(dòng)相關(guān)法規(guī)與技術(shù)規(guī)范的創(chuàng)新。目前海內(nèi)外高級(jí)別自動(dòng)駕駛政策落地正在同步加速。根據(jù)我們不完全的統(tǒng)計(jì)，僅2023年我國(guó)就有超過(guò)17條以上直接面向高級(jí)別智能駕駛相關(guān)的政策法規(guī)發(fā)布，其中上海地區(qū)占據(jù)了絕對(duì)的數(shù)量?jī)?yōu)勢(shì)。工信部、經(jīng)信委、交通委等部門紛紛出面牽頭制定相關(guān)的政策法規(guī)，自動(dòng)駕駛政策體系不斷完善。2023年6月，美國(guó)加州機(jī)動(dòng)車管理局（DMV）批準(zhǔn)了奔馳L3級(jí)別自動(dòng)駕駛系統(tǒng)的上路行駛申請(qǐng)，今年1月，內(nèi)華達(dá)州已經(jīng)批準(zhǔn)了相關(guān)的系統(tǒng)上路行駛申請(qǐng)。國(guó)內(nèi)外監(jiān)管部門共同發(fā)力，有望推動(dòng)L3級(jí)別自動(dòng)駕駛盡快落地量產(chǎn)。3.2.國(guó)內(nèi)：中央+地方協(xié)同完善政策，道路測(cè)試+數(shù)據(jù)安全并舉央地協(xié)力持續(xù)完善自動(dòng)駕駛法律法規(guī)體系。2021年7月，工業(yè)和信息化部、公安部、交通運(yùn)輸部聯(lián)合發(fā)布《智能網(wǎng)聯(lián)汽車道路測(cè)試與示范應(yīng)用管理規(guī)范(試行)》允許在充分開(kāi)展道路測(cè)試的基礎(chǔ)上開(kāi)展載人載物示范應(yīng)用；2022年9月工信部發(fā)布的《國(guó)家車聯(lián)網(wǎng)產(chǎn)業(yè)標(biāo)準(zhǔn)體系建設(shè)指南（智能網(wǎng)聯(lián)汽車）（2022年版）》提出，到2025年要制修訂100項(xiàng)以上智能網(wǎng)聯(lián)汽車相關(guān)標(biāo)準(zhǔn)。國(guó)家層面的大力推動(dòng)得到地方政府的積極響應(yīng)，2022年8月深圳發(fā)布國(guó)內(nèi)首部關(guān)于智能網(wǎng)聯(lián)汽車管理的法規(guī)《深圳經(jīng)濟(jì)特區(qū)智能網(wǎng)聯(lián)汽車管理?xiàng)l例》，2023年3月上海浦東實(shí)施全國(guó)首部“智能網(wǎng)聯(lián)”地方性法規(guī)《上海市浦東新區(qū)促進(jìn)無(wú)駕駛?cè)酥悄芫W(wǎng)聯(lián)汽車創(chuàng)新應(yīng)用規(guī)定實(shí)施細(xì)則》，無(wú)錫、陽(yáng)泉、德清、成都等地也積極出臺(tái)地方政策持續(xù)完善自動(dòng)駕駛汽車監(jiān)管體系，目前全國(guó)已有50多個(gè)省市出臺(tái)智能網(wǎng)聯(lián)汽車測(cè)試規(guī)定。自動(dòng)駕駛道路測(cè)試先行，加速推動(dòng)商業(yè)化落地。2021年4月，《北京市智能網(wǎng)聯(lián)汽車政策先行區(qū)總體實(shí)施方案》指出，北京將正式開(kāi)放高速公路場(chǎng)景，開(kāi)展自動(dòng)駕駛測(cè)試，同年10月北京正式開(kāi)放無(wú)人化測(cè)試場(chǎng)景，首批向百度、小馬智行兩家企業(yè)頒發(fā)無(wú)人化道路測(cè)試通知書，在經(jīng)開(kāi)區(qū)20平方公里范圍內(nèi)、共100多公里城市道路上開(kāi)展無(wú)人化測(cè)試。2022年以來(lái)，上海、武漢、杭州等地陸續(xù)出臺(tái)法規(guī)對(duì)智能網(wǎng)聯(lián)車輛測(cè)試明確監(jiān)管要求，截至2023年5月全國(guó)累計(jì)發(fā)放道路測(cè)試和示范應(yīng)用牌照超過(guò)2000張，開(kāi)放測(cè)試道路超過(guò)10000公里，測(cè)試總里程超過(guò)4000萬(wàn)公里。測(cè)試規(guī)模的累積推動(dòng)自動(dòng)駕駛從測(cè)試示范邁入商業(yè)化探索。北京、上海、廣州、深圳等10余個(gè)城市已經(jīng)允許自動(dòng)駕駛汽車在特定區(qū)域、特定時(shí)段從事出租汽車、城市公共汽（電）車等商業(yè)化試運(yùn)營(yíng)，且應(yīng)用規(guī)模不斷擴(kuò)大。國(guó)內(nèi)自動(dòng)駕駛數(shù)據(jù)合規(guī)趨嚴(yán)。2022年8月30日國(guó)家自然資源部《關(guān)于促進(jìn)智能網(wǎng)聯(lián)汽車發(fā)展維護(hù)測(cè)繪地理信息安全的通知》要求高精地圖的測(cè)繪和制圖僅能由國(guó)家頒發(fā)導(dǎo)航電子地圖制作甲級(jí)測(cè)繪資質(zhì)的企業(yè)合法操作。2023年5月12日北京市高級(jí)別自動(dòng)駕駛示范區(qū)工作辦公室正式發(fā)布《北京市智能網(wǎng)聯(lián)汽車政策先行區(qū)數(shù)據(jù)安全管理辦法（試行）》，這是全國(guó)首個(gè)自動(dòng)駕駛示范區(qū)數(shù)據(jù)安全管理辦法，詳細(xì)梳理了重點(diǎn)數(shù)據(jù)類型的合規(guī)風(fēng)險(xiǎn)，要求在地理信息安全方面，嚴(yán)格把關(guān)相應(yīng)資質(zhì)、技術(shù)保護(hù)與境內(nèi)范圍等要求。2021年5月特斯拉宣布在中國(guó)建立數(shù)據(jù)中心，實(shí)現(xiàn)數(shù)據(jù)存儲(chǔ)本地化，眾多跨國(guó)車企陸續(xù)在中國(guó)建立數(shù)據(jù)中心，數(shù)據(jù)本土化成大勢(shì)所趨。3.3.海外：加快構(gòu)建規(guī)范自動(dòng)駕駛發(fā)展的政策法規(guī)框架美國(guó)強(qiáng)調(diào)機(jī)動(dòng)車安全標(biāo)準(zhǔn)，加快調(diào)整監(jiān)管政策。2021年6月美國(guó)國(guó)家公路交通安全管理局（NHTSA）要求配備L2級(jí)別高級(jí)輔助駕駛系統(tǒng)(ADAS)或L3-L5級(jí)別自動(dòng)駕駛系統(tǒng)（ADS）車輛的制造商和運(yùn)營(yíng)商，需要提交涉及車輛碰撞事故的報(bào)告。2022年3月NHTSA出臺(tái)了首個(gè)針對(duì)無(wú)人駕駛車輛的乘客安全技術(shù)規(guī)定，強(qiáng)調(diào)自動(dòng)駕駛車輛必須提供與人類駕駛傳統(tǒng)車輛同等水平的乘員保護(hù)能力。截至2023年5月，美國(guó)本土已有40個(gè)州出臺(tái)了自動(dòng)駕駛相關(guān)法規(guī)政策。2023年5月，美國(guó)加州通過(guò)奔馳L3級(jí)別自動(dòng)駕駛系統(tǒng)上路申請(qǐng)。歐盟立法開(kāi)展小批量無(wú)人駕駛車輛的型式認(rèn)證。2022年7月歐盟強(qiáng)制普及新車輔助駕駛功能，法規(guī)要求汽車制造商在新認(rèn)證車型上強(qiáng)制配備包括6項(xiàng)ADAS功能在內(nèi)的30種安全功能。同年8月，歐盟發(fā)布自動(dòng)駕駛車輛型式認(rèn)證法規(guī)，系全球首個(gè)允許成員國(guó)批準(zhǔn)注冊(cè)和銷售高級(jí)別自動(dòng)駕駛車輛的技術(shù)法規(guī)，目前此法規(guī)只適用于歐盟范圍內(nèi)小批量的車輛型式認(rèn)證，大批量的車輛型式認(rèn)證已納入歐盟委員會(huì)的工作計(jì)劃中，預(yù)計(jì)在2024年7月之前完成。德國(guó)英國(guó)加快完善自動(dòng)駕駛頂層法律。2021年5月德國(guó)正式通過(guò)全球首部《自動(dòng)駕駛法》，為自動(dòng)駕駛車輛上路提供合規(guī)保障，自2022年開(kāi)始德國(guó)允許具有高級(jí)別自動(dòng)駕駛車輛在德國(guó)的公共道路上和指定區(qū)域內(nèi)行駛。在《自動(dòng)駕駛法》框架下，德國(guó)奔馳獲得德國(guó)聯(lián)邦汽車運(yùn)輸管理局允許其銷售L3級(jí)自動(dòng)駕駛汽車的許可，為奔馳自動(dòng)駕駛技術(shù)全球推廣奠定基礎(chǔ)。2022年8月，英國(guó)政府發(fā)布《網(wǎng)聯(lián)和自動(dòng)化出行2025：英國(guó)實(shí)現(xiàn)自動(dòng)駕駛汽車的收益》，提出了政府在2025年之前促使自動(dòng)駕駛車輛更廣泛地的普及，制定新的自動(dòng)駕駛立法框架。報(bào)告還提出政府將向議會(huì)提出新立法，以明確在現(xiàn)行法律基礎(chǔ)上規(guī)定制造商需要對(duì)自動(dòng)駕駛車輛的行為負(fù)責(zé)。日韓加速推動(dòng)自動(dòng)駕駛商業(yè)化落地。2019年5月，日本通過(guò)新的《道路交通法》，允許L3級(jí)自動(dòng)駕駛車輛上路；次年10月，日本警察廳公布的《道路交通法》修正案允許L4級(jí)別自動(dòng)駕駛車輛上路，于2023年4月1日起正式實(shí)施。2022年9月，韓國(guó)政府公布《移動(dòng)創(chuàng)新路線圖》制定自動(dòng)駕駛普及“三步走”計(jì)劃，即到年底成為繼日本和德國(guó)后，第三個(gè)允許L3級(jí)（有條件自動(dòng)化）自動(dòng)駕駛汽車上路的國(guó)家；到2025年實(shí)現(xiàn)L4級(jí)（高度自動(dòng)駕駛）自動(dòng)駕駛巴士、擺渡車商業(yè)化；到2027年推出L4級(jí)乘用車。持續(xù)更迭自動(dòng)駕駛政策法規(guī)已經(jīng)成為促進(jìn)自動(dòng)駕駛技術(shù)落地的重要舉措。國(guó)內(nèi)有條件（L3級(jí)別）自動(dòng)駕駛技術(shù)商業(yè)化落地的主要難點(diǎn)在于相關(guān)責(zé)任定義的缺失，在實(shí)際操作中較難界定駕駛員和車企的責(zé)任。2021年3月，公安部發(fā)布《道路交通安全法(修訂建議稿)》首次從法律上對(duì)自動(dòng)駕駛汽車的道路測(cè)試、通行以及違法和事故責(zé)任分擔(dān)等進(jìn)行了規(guī)定，盡管2021年4月《道路交通安全法》并未體現(xiàn)上述規(guī)定，但是修訂意見(jiàn)稿的發(fā)布已經(jīng)體現(xiàn)了我國(guó)對(duì)推動(dòng)自動(dòng)駕駛實(shí)際落地采取的積極行動(dòng)。目前我國(guó)中央+地方國(guó)內(nèi)相關(guān)的政策法規(guī)逐步完善，明確L3級(jí)別自動(dòng)駕駛功能的責(zé)任劃分，在限定工況下責(zé)任由提供自動(dòng)駕駛功能的車企或者第三方供應(yīng)商承擔(dān)。清晰的責(zé)任認(rèn)定劃分能夠有效的區(qū)分車企在智能化維度的能力邊界，有望推動(dòng)智能化行業(yè)進(jìn)程。4.新技術(shù)方向確認(rèn)，產(chǎn)品周期加速助推智能化純視覺(jué)方案具備成本優(yōu)勢(shì)，多傳感器融合用于長(zhǎng)尾場(chǎng)景。在之前的智能化進(jìn)程中，車企主要分為以特斯拉為代表的純視覺(jué)方案，和其它車企所采用的多傳感器融合方案，相較來(lái)說(shuō)基于純視覺(jué)的方案在成本維度具備更好的優(yōu)勢(shì)，但是因?yàn)閷?duì)于CornerCase或者長(zhǎng)尾場(chǎng)景的擔(dān)心，使得絕大多數(shù)車企依然采用激光雷達(dá)+毫米波雷達(dá)+攝像頭方案來(lái)實(shí)現(xiàn)高級(jí)別自動(dòng)駕駛功能。全新架構(gòu)FSD版本開(kāi)始推送，改善多種自動(dòng)駕駛場(chǎng)景。特斯拉FSDV11.4.1版本在2023年5月面向北美用戶開(kāi)始推送。根據(jù)馬斯克的透露，這次的改動(dòng)在架構(gòu)上有了非常大的變化，應(yīng)該是采用了基于BEV+TransFormer+OccupancyNetwork的方案。感知能力在城市街道場(chǎng)景+36%、交叉場(chǎng)景+44%、合并場(chǎng)景+27%、轉(zhuǎn)彎場(chǎng)景+16%。特斯拉引領(lǐng)技術(shù)方向，高級(jí)別自動(dòng)駕駛方案有望實(shí)現(xiàn)降本。特斯拉全新的自動(dòng)駕駛架構(gòu)一經(jīng)推出，迅速獲得業(yè)界各家企業(yè)的認(rèn)可，國(guó)內(nèi)主流車企包括理想、小鵬、賽力斯、比亞迪等車企都紛紛采用BEV+TransFormer的方式對(duì)全新一代自動(dòng)駕駛感知方案進(jìn)行建模。理想汽車和賽力斯（華為ADS2.0）均采用了占用網(wǎng)絡(luò)的技術(shù)，在算法架構(gòu)上全面向特斯拉看齊，雖然基于安全考慮，目前推出的城市NOA功能都搭配了激光雷達(dá)作為冗余感知配置，但隨著算法的成熟，有望降低對(duì)于激光雷達(dá)的依賴，大幅降低整套系統(tǒng)的成本，進(jìn)一步推動(dòng)高級(jí)別自動(dòng)駕駛滲透率的提升。新一輪產(chǎn)品周期窗口，城市NOA助推智能化功能加速。根據(jù)我們的統(tǒng)計(jì)數(shù)據(jù)，2023年H2以及2024年是車企智能化新車加速投放的窗口期，其中城市NOA（類L3級(jí)別自動(dòng)駕駛）功能成為區(qū)分車企智能化的關(guān)鍵能力，隨著政策法規(guī)的落地，有望加速推動(dòng)汽車智能化行業(yè)的發(fā)展。（本文僅供參考，不代表我們的任何投資建議。）汽車行業(yè)專題報(bào)告：汽車輕量化勢(shì)不可擋，一體化壓鑄東風(fēng)已至1.政策指引+電動(dòng)化持續(xù)滲透，汽車輕量化發(fā)展加速1.1.機(jī)動(dòng)車是大氣污染重要來(lái)源，發(fā)展汽車輕量化實(shí)現(xiàn)節(jié)能減排刻不容緩機(jī)動(dòng)車保有量持續(xù)增長(zhǎng)，2022年達(dá)4.17億輛，其中汽車占比76.5%。據(jù)公安部統(tǒng)計(jì)，2022年全國(guó)機(jī)動(dòng)車保有量達(dá)4.17億輛，其中汽車為3.19億輛，同比+5.6%，每年以約2000萬(wàn)輛的速度增長(zhǎng)；機(jī)動(dòng)車駕駛?cè)藬?shù)達(dá)5.02億，其中汽車駕駛?cè)藬?shù)為4.64億。此外，2022年全國(guó)有84個(gè)城市的汽車保有量超過(guò)百萬(wàn)輛，同比增加5個(gè)城市，39個(gè)城市超200萬(wàn)輛，21個(gè)城市超300萬(wàn)輛，其中北京、成都、重慶、上海超過(guò)500萬(wàn)輛，蘇州、鄭州、西安、武漢超過(guò)400萬(wàn)輛。高汽車保有量使得尾氣排放對(duì)環(huán)境污染嚴(yán)重。機(jī)動(dòng)車成為重要大氣污染源，碳減排目標(biāo)下汽車低碳化發(fā)展刻不容緩。根據(jù)中國(guó)政府網(wǎng)發(fā)布的《第二次全國(guó)污染源普查公報(bào)》，2017年全國(guó)大氣氮氧化物排放量1785.22萬(wàn)噸，顆粒物排放量1684.05萬(wàn)噸，揮發(fā)性有機(jī)物排放量1017.45萬(wàn)噸。2017年統(tǒng)計(jì)匯總機(jī)動(dòng)車保有量2.67億輛，其排放氮氧化物595.14萬(wàn)噸、顆粒物9.58萬(wàn)噸、揮發(fā)性有機(jī)物196.28萬(wàn)噸，分別占全國(guó)比重為0.57%、33.34%、19.29%。對(duì)此，《節(jié)能與新能源汽車技術(shù)路線圖2.0》提出，我國(guó)汽車技術(shù)發(fā)展的總體目標(biāo)之一為汽車產(chǎn)業(yè)碳排放總量先于國(guó)家碳減排承諾于2028年左右提前達(dá)到峰值，到2035年排放總量較峰值下降20%以上，汽車減排、低碳化發(fā)展迫在眉睫。我國(guó)機(jī)動(dòng)車污染排放減排速度放緩，汽車節(jié)能減排進(jìn)入攻堅(jiān)期。近年來(lái)隨著我國(guó)污染治理政策持續(xù)大力推進(jìn)，全國(guó)機(jī)動(dòng)車四項(xiàng)污染物排放量持續(xù)降低，2017年全國(guó)機(jī)動(dòng)車保有量3.10億輛，四項(xiàng)污染物排放總量為4359.7萬(wàn)噸；2021年全國(guó)機(jī)動(dòng)車保有量增長(zhǎng)至3.95億輛，與此同時(shí)，四項(xiàng)污染物排放總量降至1557.7萬(wàn)噸，年均降速達(dá)22.7%。這“一升一降”背后彰顯了我國(guó)污染防治頗具成效。然而，盡管從總量上看全國(guó)機(jī)動(dòng)車四項(xiàng)污染物排放量持續(xù)下降，減排速度卻有所放緩，2018-2021年排放量分別同比-6.8%、-59.1%、-4.3%、-2.2%，汽車節(jié)能減排進(jìn)入攻堅(jiān)期。汽車整車重量與燃油消耗顯著相關(guān)，汽車輕量化節(jié)能減排效果顯著。汽車輕量化就是在保證汽車的強(qiáng)度和安全性能的前提下，盡可能地降低汽車的整備質(zhì)量，從而提高汽車的動(dòng)力性，減少燃料消耗，降低排氣污染。世界鋁業(yè)協(xié)會(huì)的報(bào)告指出，汽車整車重量降低10%，燃油效率可提高6%-8%。大眾汽車研究認(rèn)為，汽車整備重量每減少100千克，每公里二氧化碳排放可減少8-11g，百公里油耗可降低0.3-0.5升。因此，在當(dāng)前汽車減排壓力日益增大的背景下，汽車輕量化對(duì)于節(jié)約能源、減少排放、實(shí)現(xiàn)可持續(xù)發(fā)展戰(zhàn)略具有十分積極的意義。1.2.燃油車減耗目標(biāo)高，整車減重可有效提升燃油效率燃油車油耗持續(xù)降低，但減耗目標(biāo)下仍壓力重重。根據(jù)《節(jié)能與新能源汽車技術(shù)路線圖2.0》，得益于高壓縮比（12-13）+米勒循環(huán)+變排量附件+低摩擦技術(shù)等先進(jìn)節(jié)能技術(shù)的大量應(yīng)用，汽油機(jī)熱效率逐步靠近40%（國(guó)際先進(jìn)水平），全國(guó)乘用車（含新能源汽車）油耗、傳統(tǒng)能源乘用車油耗均持續(xù)下降，2019年分別為5.56、6.46L/100km。同時(shí)技術(shù)路線圖提出，考慮到節(jié)能技術(shù)進(jìn)步和綜合工況切換的影響，至2025年乘用車（含新能源汽車）油耗、傳統(tǒng)能源乘用車油耗目標(biāo)分別為4.6、5.6L/100km，2035年分別為2.0、4.0L/100km，減耗壓力重重。輕量化成為燃油車發(fā)展重點(diǎn)方向，2025年燃油乘用車整車輕量化系數(shù)降幅目標(biāo)為10%。在燃油車減耗目標(biāo)下，大力發(fā)展汽車輕量化技術(shù)、持續(xù)構(gòu)建汽車輕量化技術(shù)開(kāi)發(fā)和應(yīng)用體系變得至關(guān)重要?！豆?jié)能與新能源汽車技術(shù)路線圖2.0》摒棄以整車裝備質(zhì)量和輕質(zhì)材料用量為衡量標(biāo)準(zhǔn)的傳統(tǒng)做法，引入整車輕量化系數(shù)等作為衡量整車輕量化水平的依據(jù)，并提出2025年、2030年、2035年我國(guó)燃油乘用車整車輕量化系數(shù)需分別降低10%、18%、25%，載貨車、牽引車和客車分別降低5%、10%、15%。1.3.電動(dòng)車三電系統(tǒng)重量大，提升續(xù)航里程需求推動(dòng)輕量化發(fā)展2022年新能源汽車滲透率同比快速提升，全國(guó)新能源汽車保有量大幅增長(zhǎng)至1310萬(wàn)輛。據(jù)公安部統(tǒng)計(jì)，2022年全國(guó)新能源汽車保有量達(dá)1310萬(wàn)輛，占汽車總量的4.10%，扣除報(bào)廢注銷量比2021年增加526萬(wàn)輛，增長(zhǎng)67.13%。其中，純電動(dòng)汽車保有量1045萬(wàn)輛，占新能源汽車總量的79.78%。2022年全國(guó)新注冊(cè)登記新能源汽車535萬(wàn)輛，占新注冊(cè)登記汽車總量的23.05%，與上年相比增加240萬(wàn)輛，增長(zhǎng)81.48%。新注冊(cè)登記新能源汽車數(shù)量從2018年的107萬(wàn)輛到2022年的535萬(wàn)輛，呈高速增長(zhǎng)態(tài)勢(shì)。與燃油車相比，新能源汽車減重需求更為迫切：1）新能源車整車質(zhì)量高于傳統(tǒng)燃油車。與燃油車配備發(fā)動(dòng)機(jī)、變速箱不同，新能源汽車動(dòng)力來(lái)源于電池、電驅(qū)、以及電控三大系統(tǒng)，合計(jì)占整車質(zhì)量的30-40%。在現(xiàn)有電池密度水平下，新能源汽車的動(dòng)力系統(tǒng)質(zhì)量顯著高于燃油車。尤其是圍著網(wǎng)聯(lián)化、智能化不斷推進(jìn)，未來(lái)搭載相關(guān)配置后，整車質(zhì)量將進(jìn)一步提升。2）新能源汽車?yán)m(xù)航里程為用戶核心關(guān)切，降低整車質(zhì)量提升續(xù)航能力將進(jìn)一步增強(qiáng)新能源汽車競(jìng)爭(zhēng)力。一般而言，新能源汽車?yán)m(xù)航里程取決于電池容量、電機(jī)效率、溫度、工況等多種因素影響。盡管當(dāng)前新推出車型續(xù)航里程有所增加，然而實(shí)際行駛續(xù)航里程往往與官方公布的有較大差距，甚至在冬季出現(xiàn)續(xù)航減半的現(xiàn)象，這嚴(yán)重影響了消費(fèi)者的購(gòu)買決策。而國(guó)家新能源汽車技術(shù)創(chuàng)新中心研究表明，降低整車質(zhì)量能顯著提升續(xù)航里程，整車重量每降低10kg，續(xù)航里程可增加約2.5km。因此，中國(guó)汽車工程學(xué)會(huì)提出到2025年、2030年、2035年純電動(dòng)乘用車輕量化系數(shù)分別降低15%、25%、35%。2.材料、結(jié)構(gòu)、工藝輕量化為汽車減重三大著手點(diǎn)為滿足汽車輕量化壓鑄的技術(shù)需求，目前行業(yè)內(nèi)主要在材料、結(jié)構(gòu)設(shè)計(jì)、工藝三方面進(jìn)行突破，根據(jù)產(chǎn)業(yè)前沿技術(shù)：1）材料輕量化：選用結(jié)構(gòu)強(qiáng)度有保障的、密度相對(duì)低的材料代替?zhèn)鹘y(tǒng)的鋼材料，包括高強(qiáng)度鋼、鋁合金、鎂合金、碳纖維等材料。從而通過(guò)降低材料密度和用量實(shí)現(xiàn)整車減重。從減重效果來(lái)看，碳纖維最好；從成本來(lái)看，高強(qiáng)度鋼較低。2）結(jié)構(gòu)輕量化。在不影響車身基本狀態(tài)的情況下，通過(guò)采用先進(jìn)的優(yōu)化設(shè)計(jì)方法和技術(shù)手段，優(yōu)化車身結(jié)構(gòu)參數(shù)，去除零部件冗余部分的同時(shí)實(shí)現(xiàn)壁化、中空化、小型化、復(fù)合化，從而提高材料利用率。通過(guò)合理的結(jié)構(gòu)設(shè)計(jì)減少材料用量實(shí)現(xiàn)輕量化。根據(jù)設(shè)計(jì)變量及優(yōu)化問(wèn)題類型的不同，結(jié)構(gòu)輕量化可分為拓?fù)鋬?yōu)化、尺寸優(yōu)化、形狀優(yōu)化、形貌優(yōu)化四種。一般而言，采用新材料和新工藝會(huì)使得開(kāi)發(fā)成本大幅增加，而結(jié)構(gòu)優(yōu)化由于未采用新的材料，實(shí)現(xiàn)減重的同時(shí)能降低成本，是車身輕量化最常用的方法之一。3）工藝輕量化。激光拼焊技術(shù)是汽車廠商最常用的方法，其原理是采用不等厚度軋制板，通過(guò)計(jì)算機(jī)實(shí)時(shí)控制和調(diào)整軋輥的間距，以獲得沿軋制方向上按預(yù)先定制的厚度連續(xù)變化的板料。此外還有液壓成形、熱成形；輥壓成形技術(shù)；低（差）壓鑄造成型技術(shù)以及各種汽車輕量化連接技術(shù)等。值得一提的是，特斯拉推出的一體化壓鑄技術(shù)則在制造工藝端和材料端引領(lǐng)革新。2.1.材料輕量化：高強(qiáng)度鋼為當(dāng)前主流，鋁合金增量可期在三大輕量化手段中，材料輕量化是基礎(chǔ)。在采用輕量化材料的基礎(chǔ)上，通過(guò)優(yōu)化結(jié)構(gòu)、升級(jí)工藝等方式，實(shí)現(xiàn)整車減重。因此在輕量化材料發(fā)展方面，《節(jié)能與新能源汽車技術(shù)路線圖2.0》指出，我國(guó)自主輕量化技術(shù)開(kāi)發(fā)和應(yīng)用體系的構(gòu)建，近期以完善高強(qiáng)度鋼應(yīng)用為體系重點(diǎn)，中期以形成輕質(zhì)合金應(yīng)用體系為方向，遠(yuǎn)期形成多材料混合應(yīng)用體系為目標(biāo)。2.1.1.高強(qiáng)度鋼：屈服強(qiáng)度和抗拉強(qiáng)度高，當(dāng)前應(yīng)用最為廣泛高強(qiáng)度鋼板屈服強(qiáng)度、抗拉強(qiáng)度高。按照國(guó)際鋼鐵協(xié)會(huì)USL-AB項(xiàng)目，可將鋼種按其力學(xué)性能進(jìn)行分類，分為低強(qiáng)鋼（軟鋼）、高強(qiáng)鋼以及超高強(qiáng)鋼。低強(qiáng)鋼的抗拉強(qiáng)度Rm（σb）<270MPa，屈服強(qiáng)度Re（σs）<210MPa；超高強(qiáng)鋼的抗拉強(qiáng)度Rm（σb）>700MPa，屈服強(qiáng)度Re（σs）>550MPa；高強(qiáng)鋼的力學(xué)指標(biāo)介于這兩者之間。其中，低強(qiáng)度鋼分為IF鋼和軟鋼；普通高強(qiáng)度鋼分為碳錳鋼、BH鋼、高強(qiáng)度IF鋼和HSLA鋼等；先進(jìn)高強(qiáng)度鋼（AHSS）包括雙相鋼（DP鋼）、相變誘發(fā)塑性鋼（TRIP鋼）、復(fù)相鋼（CP鋼）和馬氏體鋼（MS鋼）等。整車中鋼材用量大，占整車自重55-60%。據(jù)汽車材料網(wǎng)，以現(xiàn)代轎車用材為例，按照重量換算，鋼材占汽車自重的55%-60%，鑄鐵占5%-12%，有色金屬占6%-10%，塑料占8%-12%，橡膠占4%，玻璃占3%，其他材料（油漆、各種液體等）占6%-12%?？梢?jiàn)鋼材在汽車中用量較大，高強(qiáng)度鋼板的應(yīng)用能減輕沖壓件的重量，節(jié)省能源和降低沖壓產(chǎn)品成本。用于汽車零件的高強(qiáng)度鋼板，其抗拉強(qiáng)度可以達(dá)到600-800MPa，而相應(yīng)的普通冷軋軟鋼板的抗拉強(qiáng)度只有300MPa。目前，全球最大的鋼鐵公司Acelor開(kāi)發(fā)了熱沖壓成形鋼板USIBOR1500。該鋼板為鍍鋅板，鍍層質(zhì)量為120-160g/m2，淬火后力學(xué)特性明顯，強(qiáng)度值可達(dá)到1600MPa。根據(jù)AEE汽車技術(shù)平臺(tái)，高強(qiáng)度鋼可以應(yīng)用于汽車面板、車體框架以及底盤等多個(gè)部位：1）汽車面板：車頂、車門等部件要求具有變形剛度和抗凹陷性，主要使用抗拉強(qiáng)度為340-390MPa的烘烤硬化鋼板（BH鋼板）。BH鋼板的屈服強(qiáng)度在烘烤涂漆時(shí)升高，可在不損失成形性的前提下，提高抗凹陷性，減薄鋼板?，F(xiàn)在有的車型已使用440MPa級(jí)BH型高強(qiáng)度鋼板。新馬自達(dá)2的車身結(jié)構(gòu)中就使用了440、590、780和980Mpa級(jí)別的高強(qiáng)度鋼板和超高強(qiáng)度鋼板。2）車體框架：隨著正面撞擊、側(cè)面撞擊的撞擊安全性標(biāo)準(zhǔn)的提高，結(jié)構(gòu)件、加強(qiáng)件等主要使用590MPa級(jí)高強(qiáng)度鋼板，也有廠家使用780MPa級(jí)、980MPa級(jí)高強(qiáng)度鋼板。有些廠家甚至采用將390MPa、440MPa級(jí)高強(qiáng)度鋼板沖壓成形后，對(duì)強(qiáng)化部分進(jìn)行高頻加熱和淬火，以使部件局部抗拉強(qiáng)度達(dá)到1200MPa，并在沖壓加熱鋼板的同時(shí)進(jìn)行冷卻，以使部件整體抗拉強(qiáng)度達(dá)到1470MPa的方法。此外，還有采用激光拼焊方法，將不同厚度、不同材質(zhì)鋼板拼合起來(lái)，使材料配置適用于所要求材質(zhì)和使用部位。3）汽車底盤：汽車底盤的用材已從傳統(tǒng)的440MPa級(jí)熱軋板發(fā)展到780MPa，最大減重達(dá)30%。近年來(lái)，高強(qiáng)度鋼板在底盤上的使用比例正在急劇增加。今后，高強(qiáng)度鋼板的使用比例及更高強(qiáng)度鋼板的應(yīng)用有望進(jìn)一步提高。多個(gè)項(xiàng)目證實(shí)高強(qiáng)度鋼能在不增加成本的條件下實(shí)現(xiàn)輕量化。根據(jù)《軋鋼》雜志，為了推進(jìn)高強(qiáng)度鋼在汽車上的應(yīng)用，國(guó)際鋼鐵協(xié)會(huì)組織開(kāi)展了多個(gè)項(xiàng)目，包括超輕鋼制車（ULSAB）、先進(jìn)概念車超輕鋼制車身計(jì)劃（ULSAB-AVC）、未來(lái)鋼制汽車（FSV）等。1）ULSAB項(xiàng)目：主要目標(biāo)是減小車身質(zhì)量、提高結(jié)構(gòu)強(qiáng)度、提高安全性、簡(jiǎn)化制造工藝及降低生產(chǎn)成本。ULSAB車身重量203kg，與對(duì)標(biāo)車相比減重25%，高強(qiáng)度鋼應(yīng)用比例91%。冷沖壓成形應(yīng)用比例42.8%，激光拼焊板應(yīng)用比例44.9%，液壓成形比例9.3%。2）ULSAB-AVC項(xiàng)目：通過(guò)車輛的整體設(shè)計(jì)來(lái)實(shí)現(xiàn)車身的輕量化，高強(qiáng)度鋼的應(yīng)用比例達(dá)到97%。在成形技術(shù)方面，有30%以上的零件采用激光拼焊板，20%以上的零件采用液壓成形技術(shù)。3）FSV項(xiàng)目：表明先進(jìn)高強(qiáng)度鋼能夠達(dá)到碰撞安全五星評(píng)價(jià)的要求，并降低車輛在整個(gè)使用周期內(nèi)的總排放量，在不增加成本的條件下實(shí)現(xiàn)輕量化。2.1.2.鋁合金：減重性價(jià)比高，中長(zhǎng)期增量可觀鋁合金減重效果、提升汽車性能、循環(huán)利用等優(yōu)勢(shì)顯著。鋁合金是地殼中含量最為豐富的綠色金屬，與其他材料相比，鋁件不但輕、比強(qiáng)度高，而且易于成形，吸能效果好，耐腐蝕，循環(huán)利用價(jià)值大。此外，鋁合金在減重的同時(shí)，能實(shí)現(xiàn)汽車更好的剎車性、更優(yōu)的操控性、更好的駕駛舒適度和更突出的動(dòng)力。根據(jù)汽車材料網(wǎng)，其具體優(yōu)勢(shì)優(yōu)勢(shì)在于：1）減重、節(jié)能減排效果好。①減重效果。根據(jù)美國(guó)鋁業(yè)學(xué)會(huì)的報(bào)告，汽車中每使用1kg鋁，可以獲得2.2kg的減重效果，且服役期內(nèi)將減少20kg尾氣排放。鋁合金由于密度較鋼材小，用在汽車零部件上能夠?qū)崿F(xiàn)二次輕量化。據(jù)美國(guó)鋁業(yè)公司的研究，汽車典型零件用鋁的一次輕量化效果可達(dá)30%-40%（以高強(qiáng)度鋼代替普通鋼材能減重約11%），二次輕量化效果可提高至50%。②減排效果。汽車的油耗一定程度上與整車質(zhì)量相關(guān)，一般而言，整車質(zhì)量越大，汽車油耗越高。而二氧化碳排放量又與油耗呈正相關(guān)。因此通過(guò)降低整車質(zhì)量，能夠減少汽車油耗，從而使得二氧化碳排放量減少。2）提高行駛性能、安全性能、舒適性及穩(wěn)定性。①行駛性能。由于使用鋁合金能夠減輕汽車質(zhì)量，從而能夠減少百公里加速時(shí)間，提升行駛性能。據(jù)美國(guó)鋁業(yè)協(xié)會(huì)研究，若鋁合金在汽車中實(shí)現(xiàn)25%的輕量化效果，那么汽車加速到96.56km/h的時(shí)間就能夠縮短4s。②安全性能。在同樣設(shè)計(jì)要求條件下，鋁合金吸收碰撞的性能比鋼材優(yōu)異。因此當(dāng)汽車發(fā)生碰撞時(shí)，與鋼材相比，鋁合金材料更容易形成褶皺和變形，會(huì)多吸收50%-70%的沖擊力，從而提高汽車安全性。③舒適性及穩(wěn)定性。鋁合金在汽車上使用通常會(huì)使得汽車整體重心降低，汽車駕駛的舒適性及穩(wěn)定性相應(yīng)得到提高。3）裝配效率高、易回收。鋁合金整體車身需要點(diǎn)焊的部分較少，加工工序縮短，且其不易生銹，不需要做防銹處理，可顯著提高汽車裝配效率。此外，由于鋁合金熔點(diǎn)較低，在使用期間腐蝕率低且程度輕微，因此便于回收利用。4）成本較碳纖維低、原材料自供率高。鋁合金價(jià)格僅高于高強(qiáng)度鋼，遠(yuǎn)低于碳纖維復(fù)合材料。而鎂合金由于自身化學(xué)特性，耐腐蝕性不及鋁合金，這一定程度上限制了其在汽車領(lǐng)域的大規(guī)模應(yīng)用。因此綜合而言，現(xiàn)階段鋁合金是理想的汽車輕量化材料。此外，我國(guó)氧化鋁、電解鋁產(chǎn)量均為世界第一，原材料自供率高。鋁合金主要用于白車身、動(dòng)力總成、底盤、內(nèi)飾等，并向其他部件不斷滲透。根據(jù)汽車材料網(wǎng)，鋁合金最初是作為熱交換器部件材料在汽車上應(yīng)用，繼而用于汽車輪轂、發(fā)動(dòng)機(jī)汽缸活塞及缸體等部件。2012年以后，發(fā)達(dá)國(guó)家強(qiáng)化了行人保護(hù)法規(guī)，企業(yè)在汽車制造時(shí)覆蓋件大量采用鋁合金板材。2020年，北美汽車引擎蓋鋁化率接近75%，車門、行李箱蓋、頂棚的鋁化率超過(guò)25%。以?shī)W迪、捷豹、F-150卡車、TESLA-S品牌的新能源汽車為代表的車身全鋁化推動(dòng)了鋁合金板材在結(jié)構(gòu)件上的應(yīng)用。鋁合金為輕量化最優(yōu)材料之一，中長(zhǎng)期增量可觀。與高強(qiáng)度鋼相比，鋁合金由于密度低，減重效果更明顯，且不存在鎂合金易腐蝕、加工成本高昂以及碳纖維原材料價(jià)格高、回收利用較為困難等問(wèn)題。此外，鋁合金優(yōu)良的金屬性質(zhì)使其可以更好地結(jié)合結(jié)構(gòu)、工藝輕量化，達(dá)到綜合減重的目的?！豆?jié)能與新能源汽車技術(shù)路線圖》中規(guī)劃了我國(guó)輕量化分階段目標(biāo)，2025年與2030年單車鋁合金將分別達(dá)到250kg、350kg，用量將大幅超越高強(qiáng)度鋼。未來(lái)隨著輕量化趨勢(shì)不斷加深，輕量化材料、技術(shù)不斷提升，鋁合金將成為汽車市場(chǎng)主要的材料，長(zhǎng)期增量?jī)?yōu)勢(shì)明顯。2.1.3.工程塑料：由內(nèi)外飾件延伸至功能結(jié)構(gòu)件，發(fā)展前景廣闊塑料種類繁多，是汽車輕量化的重要材料。隨著汽車節(jié)能減排、新能源汽車的興起，汽車輕量化成為行業(yè)主流，塑料在汽車上的應(yīng)用也越來(lái)越多。根據(jù)各種塑料不同的使用特性，通常將塑料分為通用塑料、工程塑料和特種塑料三種類型。工程塑料用于汽車的主要作用是使汽車輕量化，從而達(dá)到節(jié)油高速的目的。發(fā)達(dá)國(guó)家將汽車用塑料量作為衡量汽車設(shè)計(jì)和制造水平高低的一個(gè)重要標(biāo)志，世界上汽車塑料單用量最大的是德國(guó)，塑料用量占整體材料的15%。據(jù)汽車工藝師，新能源汽車高壓電氣部分，在性能滿足要求的情況下將部分金屬更換為塑料可以減重30%左右。目前一輛純電動(dòng)車采用塑膠輕量化可減重100KG左右，實(shí)現(xiàn)節(jié)能減排。車用塑料中通用塑料使用比例最高，工程塑料前景廣闊。根據(jù)研究數(shù)據(jù)，在車用塑料中，通用塑料價(jià)格最低，使用量比例最高，其次是工程塑料，特種工程塑料價(jià)格較高，使用比例較低。在所有的車用塑料中，聚丙烯所占份額最高達(dá)37%，其次是聚氨酯，占比17%，ABS樹(shù)脂占12%，復(fù)合材料占12%，高密度聚乙烯占11%，聚碳酸酯占7%，聚甲基丙烯酸甲酯占4%。新能源、輕量化直接促進(jìn)塑料件在汽車上的應(yīng)用，比如內(nèi)外飾中的塑料保險(xiǎn)杠、擋泥板、車輪罩等配件的使用已成為常態(tài)，新一輪的產(chǎn)品變革中，塑料前端框架、塑料尾門等也將成為重點(diǎn)發(fā)展對(duì)象，我國(guó)車用工程塑料消費(fèi)潛力較大。汽車領(lǐng)域主要用到的工程塑料有五大類，包括聚酰胺（PA）、聚甲基丙烯酸酯（PMMA）、聚甲醛（POM）、聚碳酸酯（PC）、聚氨酯（PUR）。這五大工程塑料性能特性各不相同，在汽車上的用途也各有偏重。工程塑料在汽車領(lǐng)域的應(yīng)用已從汽車用內(nèi)外飾零部件延伸至結(jié)構(gòu)性及功能性部件。根據(jù)汽車材料網(wǎng)，車用塑料有很多以往傳統(tǒng)材料沒(méi)有的優(yōu)點(diǎn)，主要表現(xiàn)在重量輕、有良好的外觀裝飾效果、有多種實(shí)際應(yīng)用功能、有良好的理化性能、容易加工成型、節(jié)約能源，可持續(xù)利用等各方面。1）在汽車外裝件上的應(yīng)用是為了以塑代鋼，減輕汽車自重。主要應(yīng)用包括：保險(xiǎn)杠、擋泥板、車輪罩、散熱器格柵、擾流板等。2）在汽車內(nèi)裝件上的應(yīng)用是為了安全、環(huán)保和舒適。主要應(yīng)用包括：儀表板、車門內(nèi)板、副儀表板、雜物箱、座椅后護(hù)板等。3）結(jié)構(gòu)件和功能件主要采用高強(qiáng)度的工程塑料，主要應(yīng)用包括：油箱、散熱器水室、空濾器殼體、風(fēng)扇葉片等。2.1.4.碳纖維：減重幅度最大，成本高+回收利用困難制約發(fā)展聚丙烯腈（PAN）基碳纖維使用最為廣泛，大絲束更多應(yīng)用工業(yè)領(lǐng)域。碳纖維增強(qiáng)聚合物基復(fù)合材料（CarbonFiberReinforcedPolymers，CFRP）是由有機(jī)纖維經(jīng)碳化和石墨化處理而得到的微晶石墨材料，作為含碳質(zhì)量分?jǐn)?shù)大于90%的高強(qiáng)度?高模量的纖維狀碳材料，其沿纖維軸方向強(qiáng)度極高。碳纖維按原料來(lái)源劃分，主要分為聚丙烯腈（PAN）基碳纖維?瀝青基碳纖維及粘膠基碳纖維。其中，粘膠基碳纖維開(kāi)發(fā)早，但強(qiáng)力低，應(yīng)用較少；瀝青基碳纖維彈性模量好，但抗拉強(qiáng)度和抗壓強(qiáng)度低，且瀝青的提取成本高。目前，PAN基碳纖維使用范圍最廣，產(chǎn)量占比超過(guò)90%。PAN基碳纖維絲束按單絲數(shù)量劃分，分為小絲束和大絲束。小絲束碳纖維一般應(yīng)用于飛機(jī)?航天器上，因此被稱為“航空級(jí)”碳纖維，大絲束碳纖維被稱為“工業(yè)級(jí)”碳纖維。與小絲束相比，大絲束性能較差但價(jià)格低，且足以滿足碳纖維優(yōu)異的性能。日美碳纖維發(fā)展處于領(lǐng)先地位，中國(guó)正加快發(fā)展步伐，2021年碳纖維國(guó)產(chǎn)化率水平已達(dá)47%。我國(guó)碳纖維行業(yè)起步于20世紀(jì)60年代，幾乎和日美等國(guó)家同時(shí)起步，但由于相關(guān)知識(shí)儲(chǔ)備不足、知識(shí)產(chǎn)權(quán)歸屬等問(wèn)題，發(fā)展緩慢。同時(shí)，日本、美國(guó)等國(guó)家對(duì)碳纖維核心技術(shù)形成壟斷，我國(guó)碳纖維生產(chǎn)技術(shù)和裝備水平整體落后于國(guó)外。2000年以來(lái)，國(guó)家加大對(duì)于碳纖維領(lǐng)域自主創(chuàng)新的支持力度，將碳纖維列為重點(diǎn)研發(fā)項(xiàng)目。伴隨著國(guó)家政策的大力扶持，國(guó)內(nèi)碳纖維行業(yè)在技術(shù)上取得重大突破，產(chǎn)業(yè)化程度快速提升，應(yīng)用領(lǐng)域不斷擴(kuò)大，地區(qū)上目前已形成以江蘇、山東和吉林等地為主的碳纖維聚集地。國(guó)內(nèi)主要企業(yè)有吉林化纖、中復(fù)神鷹、中材科技、光威復(fù)材等。據(jù)研究，2021年中國(guó)大陸地區(qū)碳纖維產(chǎn)能首次超過(guò)美國(guó)成為全球最大產(chǎn)能國(guó)，產(chǎn)能達(dá)到6.34萬(wàn)噸，占全球總產(chǎn)能比重超過(guò)30%，產(chǎn)量達(dá)到2.43萬(wàn)噸，同比增長(zhǎng)30.03%。碳纖維具有獨(dú)特的性能優(yōu)勢(shì)，根據(jù)汽車材料網(wǎng)，相較于其他汽車材料而言，其優(yōu)勢(shì)有以下幾個(gè)方面：1）力學(xué)性能優(yōu)異：汽車上使用的碳纖維增強(qiáng)樹(shù)脂基復(fù)合材料密度僅為1.5-2.0g/cm3，是普通碳鋼密度的20-25%，質(zhì)量是同體積鋁合金的約2/3。盡管密度低，但碳纖維綜合力學(xué)性能高于傳統(tǒng)的金屬材料，抗拉強(qiáng)度達(dá)到了鋼材3-4倍。CFRP的振動(dòng)阻尼特性也優(yōu)于輕金屬，例如通常輕合金發(fā)生震動(dòng)后需要9s震動(dòng)才能停止，而CFRP振動(dòng)2s便可以停止。2）一體化制造：除了輕量化，模塊化與整體化是汽車結(jié)構(gòu)發(fā)展的重要趨勢(shì)。采用復(fù)合材料能夠在其成型過(guò)程中制成形狀各異的曲面，能夠完成汽車零部件的一體化制造。一體化成型制造能夠大幅度減少汽車零部件數(shù)量以及零部件之間的連接工序，從而使得生產(chǎn)周期大幅縮短。3）吸能抗沖擊性強(qiáng)：CFRP粘彈性較好，同時(shí)碳纖維和基體之間會(huì)因?yàn)榫植康奈⑿∧Σ炼a(chǎn)生界面應(yīng)力，在優(yōu)異的粘彈性與界面摩擦力共同作用下，CFRP汽車制件能夠表現(xiàn)出優(yōu)越的吸能抗沖擊能力。再者，經(jīng)過(guò)特殊制作的碳纖維復(fù)合材料，其具有的碰撞吸能結(jié)構(gòu)可以在劇烈碰撞狀態(tài)下碎裂成很小的碎片，最大化分散撞擊能量，其能量吸收能高出普通金屬材料的5倍左右，極大提升了汽車的安全性。4）耐腐蝕性好：碳纖維絲束和樹(shù)脂材料共同組成了碳纖維增強(qiáng)聚合物基復(fù)合材料，其耐酸堿性能也較為優(yōu)異，因此無(wú)需進(jìn)行表面防腐處理，其壽命是普通鋼材的約2-3倍。風(fēng)電葉片、體育休閑和碳-碳復(fù)材為碳纖維當(dāng)前主要應(yīng)用領(lǐng)域。2021年，國(guó)內(nèi)碳纖維需求量占比前三的領(lǐng)域依次是風(fēng)電葉片、體育休閑和碳碳復(fù)材，分別占比36%、28%、11%，建筑、壓力容器、航空航天、汽車、船舶等其他領(lǐng)域的需求占比均不足10%。在汽車領(lǐng)域，盡管碳纖維當(dāng)前應(yīng)用比例不高，但應(yīng)用領(lǐng)域較為廣泛，包括車身結(jié)構(gòu)、底盤部件、內(nèi)飾件等多領(lǐng)域。碳纖維在汽車領(lǐng)域早有應(yīng)用，輕量化是其應(yīng)用的主要發(fā)展趨勢(shì)之一。據(jù)復(fù)材應(yīng)用技術(shù)，20世紀(jì)70年代末，福特公司將碳纖維復(fù)合材料應(yīng)用在汽車輕量化上的研究取得了較好的效果；美國(guó)道奇蝰蛇和2014款雪佛蘭科爾維特使用碳纖維材料生產(chǎn)了發(fā)動(dòng)機(jī)罩和其他部位；日本帝人公司進(jìn)一步提高了碳纖維產(chǎn)能以滿足豐田汽車公司和通用汽車公司的需求；東麗與戴姆勒股份公司合作研發(fā)奔馳碳纖維復(fù)合材料部件；德國(guó)大眾高爾夫7使用碳纖維車頂，可減重18-20磅；寶馬7系采用碳纖維材質(zhì)比老款減重230kg。在中國(guó)，江蘇奧新新能源于2015年1月成功研發(fā)了我國(guó)首輛碳纖維新能源汽車；北京現(xiàn)代汽車成功研發(fā)了碳纖維發(fā)動(dòng)機(jī)蓋覆蓋件等一系列碳纖維復(fù)合材料部件；奇瑞汽車開(kāi)發(fā)了一款碳纖維復(fù)合材料的電動(dòng)汽車。材料成本、加工工藝及材料回收再利用問(wèn)題制約碳纖維在汽車領(lǐng)域的應(yīng)用。根據(jù)汽車輕量化技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟，當(dāng)前阻礙碳纖維材料在新能源汽車領(lǐng)域中得到大范圍普及運(yùn)用的關(guān)鍵在于：1）材料成本高昂。碳纖維材料與傳統(tǒng)的鋼材料及鋁合金相比較，其實(shí)際加工更為昂貴，部分汽車采用碳纖維材料后，僅車身的材料成本價(jià)就高達(dá)上萬(wàn)元，部分采用優(yōu)質(zhì)碳纖維材料的汽車車身甚至超過(guò)2萬(wàn)元。2）加工工藝局限使得碳纖維制品抗穿刺性能差。相對(duì)于傳統(tǒng)材料來(lái)說(shuō)，碳纖維材料抗剪斷能力較弱，因此在具體應(yīng)用過(guò)程中必須要進(jìn)行重疊成型，以此來(lái)保障應(yīng)用后的質(zhì)量及效果。此種生產(chǎn)工藝促使碳纖維材料具有良好的抗沖擊性能，但實(shí)際抗穿刺性能卻較差，在受力過(guò)大的情況下將會(huì)出現(xiàn)構(gòu)件斷裂等問(wèn)題，并且此問(wèn)題在出現(xiàn)后無(wú)法進(jìn)行修復(fù)，僅能夠更換處理。3）材料回收再利用。CFRP不能自然降解，焚燒或填埋是早期通行的處理方法，但CFRP廢棄物焚燒會(huì)產(chǎn)生大量有毒、有害氣體，影響自然環(huán)境，同時(shí)填埋焚燒后的廢渣也會(huì)造成土壤二次污染；而填埋法處理CFRP廢棄物在污染土壤同時(shí)會(huì)占用大量土地資源。目前主要回收方法有機(jī)械回收法、熱回收法及溶劑回收法等，但國(guó)內(nèi)CFRP回收尚未形成規(guī)?；?、產(chǎn)業(yè)化。2.1.5.鎂合金：減重效果僅次于碳纖維，腐蝕問(wèn)題和制造工藝難題有待突破鎂合金性能優(yōu)點(diǎn)顯著，用于汽車殼體、支架、扶手結(jié)構(gòu)以及汽車顯示系統(tǒng)等多領(lǐng)域。鎂合金作為最輕的金屬材料，具有密度低、強(qiáng)度高、散熱性能好、抗震減噪性能優(yōu)等特征。壓鑄鎂合金的密度僅為鋁合金的2/3，鋼鐵的1/4，比強(qiáng)度和比剛度均優(yōu)于鋼和鋁合金，遠(yuǎn)高于工程塑料。由于其特性優(yōu)良，可用于汽車殼體、支架、扶手結(jié)構(gòu)以及汽車顯示系統(tǒng)等多領(lǐng)域，目前市場(chǎng)客戶群體對(duì)于車燈散熱支架、儀表盤支架、轉(zhuǎn)向支架、中控骨架以及車載顯示屏框架等車身部件關(guān)注度相對(duì)較高，接受程度較好。節(jié)能與新能源汽車技術(shù)路線圖2.0》中提到2025年、2030年單車鎂合金用量目標(biāo)分別為25、45kg。而2016年中國(guó)生產(chǎn)的汽車單車鎂合金用量只有7.3kg，增長(zhǎng)空間廣闊。當(dāng)前鎂合金應(yīng)用正處于從導(dǎo)入期向成長(zhǎng)期過(guò)渡的生命周期。隨著鎂合金應(yīng)用技術(shù)的逐漸成熟以及性價(jià)比的提升，鎂合金將具有較為廣闊的市場(chǎng)空間。根據(jù)乘聯(lián)會(huì)預(yù)測(cè)，2025年中國(guó)狹義乘用車零售銷量約為2400萬(wàn)輛，據(jù)此2025年中國(guó)汽車鎂合金需求量約60萬(wàn)噸。提前布局鎂合金壓鑄的生產(chǎn)企業(yè)有望率先享受行業(yè)發(fā)展紅利。據(jù)汽車材料網(wǎng)，剛度低、耐腐蝕性差、生產(chǎn)成本高是當(dāng)前鎂合金廣泛應(yīng)用受阻的主要原因，具體而言：1）剛度低。無(wú)論采用何種加工方法，鎂的彈性模量（剛度）均為45GPa。相比之下，鋁為69GPa，鋼為190-210GPa。許多部件的剛度有限，這是鎂需要克服的一個(gè)重大障礙。低剛度材料需要更大的橫截面才能達(dá)到相同的性能，這通常會(huì)導(dǎo)致成本增加和部件尺寸變大，從而使部件難以安裝在車輛內(nèi)的允許空間（即封裝空間）中。2）腐蝕問(wèn)題。鎂合金材料由于其熔點(diǎn)低，其受到外界因素的影響大，非常容易受到腐蝕破壞。3）鎂合金壓鑄件的生產(chǎn)成本高于鋁合金壓鑄件。主要原因包括：①鎂合金從熔化至產(chǎn)品成型的過(guò)程中需要使用氣體保護(hù)而鋁合金不需要，熔化設(shè)備投入也略高于鋁合金；②鎂合金壓鑄件易變形，從而影響產(chǎn)品裝配或性能，通常需要精加工或產(chǎn)品整形等工序提高產(chǎn)品精度以及保證裝配和性能；③鎂合金表面易腐蝕，產(chǎn)品后期表面防腐處理費(fèi)用高于鋁合金。據(jù)AEE汽車技術(shù)平臺(tái)，鎂合金材料的成形方法分為鑄造加工成形和塑性成形，制造工藝同樣制約了鎂在汽車領(lǐng)域的廣泛應(yīng)用。1）鑄造成形。當(dāng)前主要運(yùn)用方法，且壓鑄方法是鎂合金鑄造成形方法中應(yīng)用最廣泛的。最近發(fā)展起來(lái)的鎂合金壓鑄新技術(shù)包括充氧壓鑄和真空壓鑄，充氧壓鑄在生產(chǎn)汽車鎂合金零部件上的應(yīng)用較廣泛，真空壓鑄可生產(chǎn)出AM60B鎂合金汽車方向盤和輪轂。鎂合金成形以鑄造工藝為主，但鑄件的缺陷限制了鎂合金性能的提高，局限了鎂合金的廣泛應(yīng)用。2）塑性成形。鎂合金使用塑性成形方法，可有效地消減鑄件缺陷的影響，通常采用熱處理強(qiáng)化和形變強(qiáng)化可明顯地提高合金的性能，但由于鎂的密排六方結(jié)構(gòu)，變形難度比鋼、鋁和銅等要大。如果直接運(yùn)用鋁合金已有的塑性成形方法，往往會(huì)使得鎂合金材料的成品率很低，使塑性加工成形成本過(guò)高，影響了鎂合金在各領(lǐng)域的應(yīng)用。因此，加快發(fā)展鎂合金塑性成形方法也是研究的熱點(diǎn)和發(fā)展的趨勢(shì)。2.2.結(jié)構(gòu)輕量化：幾種方式各具優(yōu)勢(shì)，拓?fù)鋬?yōu)化為事前優(yōu)化極具應(yīng)用價(jià)值據(jù)《汽車結(jié)構(gòu)輕量化的研究與進(jìn)展》，結(jié)構(gòu)輕量化是指通過(guò)參數(shù)優(yōu)化（尺寸、形狀、位置和厚度等）、形貌優(yōu)化、拓?fù)鋬?yōu)化等方式對(duì)零件進(jìn)行開(kāi)發(fā)和設(shè)計(jì)，在剛度、強(qiáng)度保持不變或增加的基礎(chǔ)上，改變零部件的形狀和形式，以減少重量。1）尺寸優(yōu)化：發(fā)展最早，也是最為成熟的一種汽車結(jié)構(gòu)輕量化技術(shù)。尺寸優(yōu)化的原理是在結(jié)構(gòu)的類型、材料、外形以及布局給定的情況下，以滿足典型工況下的剛度、強(qiáng)度和模態(tài)為約束條件，以汽車結(jié)構(gòu)質(zhì)量最小作為目標(biāo)函數(shù)，將部件的尺寸作為設(shè)計(jì)變量，來(lái)搭建優(yōu)化數(shù)學(xué)模型的一種優(yōu)化方法。王繼峰《參數(shù)優(yōu)化技術(shù)在汽車車架輕量化中的應(yīng)用》一文中以車架厚度為自變量，對(duì)重型汽車車架進(jìn)行了結(jié)構(gòu)輕量化設(shè)計(jì)，經(jīng)過(guò)優(yōu)化后，車架部分梁厚度減小，車架總質(zhì)量由691kg降低到654kg，減輕了5.4%輕量化效果顯著。2）形狀優(yōu)化：不改變現(xiàn)有拓?fù)淠Ｊ较?，以零部件的幾何外形作為設(shè)計(jì)變量進(jìn)行優(yōu)化，結(jié)構(gòu)受力更均勻，材料利用更充分。形狀優(yōu)化的主要原理是在汽車結(jié)構(gòu)的類型、布局和材料給定的情況下，對(duì)結(jié)構(gòu)的幾何外形進(jìn)行改變，使得結(jié)構(gòu)受力更加均勻，材料利用更加充分，從而達(dá)到汽車結(jié)構(gòu)輕量化。一般而言，形狀優(yōu)化主要分為有參形狀優(yōu)化（對(duì)于形狀規(guī)則的結(jié)構(gòu)，將結(jié)構(gòu)的幾何外形進(jìn)行參數(shù)化，然后對(duì)參數(shù)進(jìn)行優(yōu)化）和無(wú)參