汽車自動駕駛產業(yè)鏈深度研究報告-市場空間比較與標的梳理

汽車自動駕駛產業(yè)鏈深度研究報告市場空間比較與標的梳理

1、自動駕駛產業(yè)鏈2020智能電車蔚然成風；期間，特斯拉首次實現(xiàn)市值超越豐田/大眾，新勢力陸續(xù)上市且實現(xiàn)市值翻番，大眾通過MEB平臺強勢宣告進軍電動車市場。2021百度與蘋果/小米等互聯(lián)網與消費電子巨頭紛紛公布造車規(guī)劃，吉利/長城/廣汽等傳統(tǒng)車企逐一加碼智能電動化，科技出行已成為市場關注焦點。我們判斷，當前智能電車市場呈現(xiàn)特斯拉與新勢力領跑，傳統(tǒng)車企快速轉型，互聯(lián)網與消費電子巨頭加速進場的趨勢；主要由于1）估值體系切換（特斯拉約10x-20xPS、新勢力約5x-10xPSvs.傳統(tǒng)車企的估值中樞約10x-15xPE）；2）2C端需求逐步釋放（我們預計2021E國內新能源乘用車銷量有望達200+萬輛，滲透率近10%）；3）智能電車涉及上游的電池、電子/通信與軟件、中游的整車制造、以及下游的互聯(lián)網生態(tài)，產業(yè)鏈延伸價值可期。2、自動駕駛推進路徑我們預計，汽車電動化滲透率的抬升，有望帶動智能化的加速推進。從系統(tǒng)分拆來看，汽車自動駕駛主要分為1）感知系統(tǒng)（包括以車載攝像頭為主導的視覺感知與以激光雷達為主導的激光感知），結合GPS/IMU/北斗等在內的導航系統(tǒng)，收集車身周圍的實時數(shù)據(jù)；2）傳輸系統(tǒng)，通過元器件/V2X等通訊設備與通訊技術，將相關數(shù)據(jù)傳輸至決策系統(tǒng)；3）決策系統(tǒng)，通過運用芯片、軟件/算法、以及高精地圖等，得出相應的路徑規(guī)劃與決策信號；4）執(zhí)行系統(tǒng)，通過接收感知系統(tǒng)的數(shù)據(jù)、以及決策系統(tǒng)的決策信號采取包括剎車/警示等在內的行車決策。2.1、全球仍處于L2+級自動駕駛系統(tǒng)從自動駕駛等級分類來看，工信部將自動駕駛系統(tǒng)分為六級（L0-L5級）；其中，L3級為有條件自動駕駛（在駕駛自動化系統(tǒng)激活的情況下，可接管駕駛員完成設計運行條件內的全部動態(tài)駕駛；但在不滿足設計運行條件的情況下，需向駕駛員提出接管請求/無法自動達到最小風險狀態(tài)vs.L4級在不滿足設計運行條件或接管無效的情況下，可自動達到最小風險狀態(tài)；L5級為無設計運行條件限制）。當前，市場規(guī)模量產的車型（新能源與傳統(tǒng)燃油車型）仍為L2+級自動駕駛系統(tǒng)。我們判斷，自動駕駛的推進受政策、感知系統(tǒng)（系統(tǒng)冗余）、技術（芯片、軟件/算法與數(shù)據(jù)）、高精地圖、以及基礎設施（V2X）等多方因素的綜合影響。政策層面從全球主要國家的自動駕駛推進規(guī)劃、以及當前發(fā)展階段來看，均處于法律監(jiān)管不斷優(yōu)化，實現(xiàn)在2025年前后達到L4級高度自動駕駛的目標；其中，1）美國/中國/日本處于積極穩(wěn)步推進狀態(tài)（均已開放道路測試）；2）歐盟則相對更偏謹慎，當前允許開放道路測試的國家僅包括德國/瑞典/荷蘭/奧地利/比利時。我們判斷，1）自動駕駛的安全責任方從駕駛員單一主體切換至包括主機廠等在內的多方主體，疊加產業(yè)鏈較長（涉及硬件/軟件與零配件/整車的高度融合）且尚處于技術孵化階段；因此，政策監(jiān)管/法律法規(guī)的標準化與合理化對準入門檻、技術推進、以及商業(yè)化落地等起到決定性作用。2）各國政府基于自動駕駛系統(tǒng)的事故責任劃分尚未明確界定，是導致現(xiàn)階段全球規(guī)模量產車型仍處于L2+級系統(tǒng)的主要原因之一（2017全球首款搭載Ibeo與法雷奧合作的車規(guī)級4線Scala激光雷達車型奧迪A8正式量產，但受制于政策監(jiān)管等因素，導致具有L3功能的TrafficJamPilot無法釋放）。3）自動駕駛以提高交通安全性/降低事故發(fā)生率為核心，涉及用戶與國家地理等數(shù)據(jù)采集/信息保護等，結合各國路況/駕駛習慣等差異性，我們預計各國或將各自陸續(xù)出臺更具有針對性（符合各國特征）的自動駕駛標準與監(jiān)管要求，預計國內在芯片與全棧軟件/算法等領域具有核心優(yōu)勢與競爭力的公司有望長期受益。感知系統(tǒng)（系統(tǒng)冗余）我們判斷，1）L3級及以上系統(tǒng)的核心在于增強安全性；2）對于感知系統(tǒng)而言，系統(tǒng)冗余可通過增強軟件/算法的深度學習，或采用更多更全面的傳感器（降低信息誤讀與系統(tǒng)故障率，提高數(shù)據(jù)采集的可靠性）；3）激光雷達在讀取物體信息（包括探測距離/角度分辨率等）方面優(yōu)勢突出且無需深度學習算法（可進一步確認/補充其他傳感器收集的數(shù)據(jù)），是自動駕駛系統(tǒng)推進的有效方式之一。當前，激光雷達量產車型仍較為有限；主要受制于車規(guī)要求較高、技術尚未成熟、規(guī)模量產能力較低、以及成本較高等方面的影響。我們預計，激光雷達正在從機械式至半固態(tài)式再至固態(tài)式的方向快速推進；其中，相對更易符合車規(guī)要求的MEMS/轉鏡等半固態(tài)式激光雷達即將交付，對應的規(guī)模量產與降本前景可期。芯片算力、以及軟件/算法自動駕駛的技術核心在于硬件層的芯片、以及軟件層的算法（數(shù)據(jù)）；其中，芯片的數(shù)據(jù)處理速率（算力/功耗）是自動駕駛等級的主要參考指標之一。根據(jù)分類，L3/L4/L5級自動駕駛系統(tǒng)芯片的算力要求分別達30+/200+/1,000+TOPS。我們認為造成當前規(guī)模量產車型尚處于L2/L2+級系統(tǒng)的主要技術原因，包括1）現(xiàn)階段大部分車企仍采用MobileyeEyeQ4芯片（單顆芯片算力<10TOPS）；2）Mobileye提供基于底層數(shù)據(jù)的CV視覺算法及其配套的CVP模塊，部分主機廠或無法獲取底層數(shù)據(jù)用于全棧軟件/算法自研；3）當前主機廠的軟件/算法能力或仍相對偏落后（大眾MEBID3海外版由于無法實現(xiàn)FOTA升級導致上市延遲）。我們判斷，1）芯片處于快速迭代階段（2022E/2025E英偉達Orin/Atlan單顆芯片算力將分別達200TOPS/1,000TOPS）；2）L3-L5級系統(tǒng)的應用場景更復雜，感知系統(tǒng)（底層數(shù)據(jù)）、決策系統(tǒng)（芯片與軟件/算法）、以及執(zhí)行系統(tǒng)（零配件/整車）的融合度要求更高，Mobileye等供應商或向主機廠逐步開放其底層數(shù)據(jù)，用于不同場景自動駕駛系統(tǒng)的共同研發(fā)（4Q21EMobileyeEyeQ5H將向主機廠提供芯片、以及軟件工具開發(fā)包vs.EyeQ1-4為基于芯片、以及底層數(shù)據(jù)/視覺算法的打包產品）；3）主機廠基于軟件/算法的研發(fā)投入不斷增強，預計軟硬件技術升級驅動的部分L3/L3+功能或將于2022E-2023E開始逐步兌現(xiàn)。高精地圖我們判斷，高精地圖是實現(xiàn)L3級及以上自動駕駛系統(tǒng)的另一不可或缺因素，主要在于可以進一步增強系統(tǒng)冗余的可靠性。高精地圖：1）可以提供包括車速限制、以及道路曲率/坡度等特殊路段的信息，用以彌補傳感器無法提前采集的各項數(shù)據(jù)；2）可以提供精度更高的靜態(tài)信息、以及實時更新的動態(tài)信息。2016年國內出臺《關于加強自動駕駛地圖生產測試與應用管理的通知》，明確自動駕駛地圖（高精地圖）歸類于電子導航地圖；根據(jù)《測繪資質管理規(guī)定》，高精地圖公司須滿足甲級電子導航地圖的測繪資質要求。當前，國內高精地圖的瓶頸或主要在于，1）測繪高級人才仍處于稀缺狀態(tài)，具備測繪資質牌照的企業(yè)數(shù)量或仍相對有限（截至2020/10，國內僅28家企業(yè)具備資質）；2）高精地圖涉及底圖制造、數(shù)據(jù)收集、以及數(shù)據(jù)分析處理等各項環(huán)節(jié)，對應的生產平臺開發(fā)/設備投入/人力與研發(fā)投入、以及后續(xù)更新/維護投入等資金成本較高；3）現(xiàn)階段國內高精地圖的靜態(tài)信息精度約10-20cm（可滿足L3級及以上系統(tǒng)的10-30cm要求），但動態(tài)信息更新頻率僅為分鐘級（僅滿足半動態(tài)更新頻率標準vs.L3級及以上系統(tǒng)需達每秒動態(tài)更新頻率標準）。此外，國內路況可采集信息的精度與共享性標準（涉及國家地理安全等敏感性信息）、以及GPS/V2X的不同發(fā)展階段等，也會對高精地圖的推進起到決定性作用。我們判斷，政策監(jiān)管、技術瓶頸、以及V2X尚未落地等，或導致高精地圖仍以國內廠商為主且需較長時間才有望實現(xiàn)規(guī)模化應用；其中，基于高精地圖產業(yè)鏈布局延伸（軟件/算法+高精地圖）的國內主機廠/互聯(lián)網公司有望長期受益。車路協(xié)同（V2X）V2X（Vehicle-to-X或Vehicle-to-Everything）定義為車輛與外界信息交互，涵蓋車輛與車輛通信（V2V，Vehicle-to-Vehicle）、車輛與基礎設施通信（V2I，Vehicle-to-InfrastructureCommunication）、以及車輛與行人通信（V2P，Vehicle-to-Pedestrian）等。從技術路徑分類來看，V2X包括DSRC（專用短程通信）、以及C-V2X（LTE-V2X與4G/5G-V2X等蜂窩移動通信）。從DSRC與C-V2X之間的比較來看，C-V2X：1）在通信距離/通信范圍、可靠性/抗干擾性、以及非視距性能等方面具有明顯優(yōu)勢；2）可與現(xiàn)有的4G/5G蜂窩網絡復用（vs.DSRC仍需新建大量路側單元RSU等），網絡覆蓋成本相對更低且利用率更高；3）基于3GPP（3rdGenerationPartnershipProject，當前涵蓋全球七大移動通信組織協(xié)會）制定的標準，C-V2X在全球范圍內具備更佳的兼容性并且可以反向兼容LTE-V2X，預計C-V2X是行業(yè)發(fā)展主要趨勢。從全球V2X的推進情況來看，中國/美國分別于2018年/2020年正式確定C-V2X為未來車聯(lián)網的發(fā)展路徑，日本/歐盟分別于2019年/2020年開展有關C-V2X的試驗與測試。我們預計當前C-V2X推進的難點包括，1）DSRC與C-V2X技術路徑尚未最終統(tǒng)一（日本/歐盟仍處于C-V2X的試驗與測試階段）且3GPP定義的通信技術標準尚處于版本持續(xù)更新狀態(tài)；2）全球5G尚未全面普及且當前仍以增強移動寬帶等業(yè)務為主（，5G高網絡速率/高可靠性/低延遲性等通信優(yōu)勢對應的C-V2X垂直應用尚處于技術驗證早期；3）V2X所需涵蓋的路側單元/車載終端等、以及各單元與基站之間或各單元相互之間的接口等基礎設施尚未完善。我們判斷，1）C-V2X是L4/L5級自動駕駛系統(tǒng)的核心環(huán)節(jié)之一；主要由于與攝像頭/激光雷達等車載傳感器相比，V2X不易受極端天氣等影響、無需深度依賴數(shù)據(jù)與學習算法、以及可通過多車輛實時信息融合用以補充盲點，擴大感知范圍/增強可預測性與收集信息的可靠性。2）C-V2X或仍需較長時間實現(xiàn)規(guī)?；夹g落地；預計隨著政策扶持、技術路徑/標準逐步統(tǒng)一、5G滲透率抬升、以及基礎設施陸續(xù)完善，V2X有望助力L4/L5級自動駕駛系統(tǒng)的長期穩(wěn)步推進。2.2、L3級自動駕駛系統(tǒng)，是否可跨越？根據(jù)工信部的定義，L3級為有條件自動駕駛（在不滿足自動駕駛設計運行條件的情況下，需向駕駛員提出接管請求vs.L4級及以上系統(tǒng)可自動達到最小風險狀態(tài)）。但從實際操作角度來看，從系統(tǒng)自動駕駛至交由駕駛員全權接管存在時間差；此外，鑒于駕駛員的不同反應速度，由系統(tǒng)切換至駕駛員的預留時間或仍存爭議。根據(jù)國內多家機構的研究，預計L3級系統(tǒng)預留接管的安全時間約7秒。我們判斷，1）自動駕駛以提高交通安全性/降低事故發(fā)生率為核心，其終極狀態(tài)為L4/L5級自動駕駛系統(tǒng)（L3級為過渡系統(tǒng)，其駕駛員接管標準制定與實際應用情況等或仍待商榷且當前各國政府尚未界定自動駕駛系統(tǒng)的事故責任劃分）。2）硬件方面，預計4Q21E-2022E光雷達開啟量產，芯片算力（組合芯片算力）有望達L4/L4+級標準。3）軟件方面，芯片供應商也將向主機廠逐步提供基礎軟件包（用于不同場景下高度自動駕駛的共同研發(fā)）、疊加主機廠基于軟件/算法的研發(fā)投入不斷增強，預計智能電動化將步入規(guī)模量產與快速迭代階段。從發(fā)展趨勢來看，預計車企或放棄L3級自動駕駛系統(tǒng)的落地/量產目標（直接定位至L4級及以上系統(tǒng)并進行相應的技術孵化與儲備）；已實現(xiàn)的部分L3/L3+功能或嵌入其原有的L2+級系統(tǒng)用于提升品牌/車型市場競爭力；待政策權責制清晰、以及技術成熟/落地之后，直接切換至L4/L4+級自動駕駛系統(tǒng)，帶動智能化下一階段的快速發(fā)展（其中，奧迪已取消L3量產計劃，博世無限延長L3量產時間，豐田/沃爾沃已放棄L3并直接定位至L4，特斯拉已布局L5功能等）。3、芯片3.1、芯片發(fā)展歷程汽車自動駕駛采用SoC（System-on-a-Chip）系統(tǒng)級芯片集成，包含完整的硬件系統(tǒng)及其承載的嵌入式軟件，是多個具有特定功能的集成電路組合在一個芯片上形成的系統(tǒng)或產品。SoC涵蓋處理器、存儲器、接口控制模塊、以及互聯(lián)總線等；其中，處理器是體現(xiàn)芯片技術/性能高低的核心。按處理器分類來看，包括CPU/GPU/NPU、FGPA、以及ASIC等；其中，CPU/GPU/NPU為通用型處理器，分別用于邏輯控制/圖像處理/深度學習；FGPA為半定制型處理器，通過可編程的開關控制電路結構（輸入不同代碼連接相應電路），實現(xiàn)不同邏輯功能；ASIC為全定制型處理器，針對用戶的算法需求進行研發(fā)設計，具有更強專用性。我們判斷，自動駕駛仍處于技術升級/快速迭代的過程；1）鑒于當前軟件/算法尚處于技術投入的早期，預計短期SoC或仍以CPU/GPU等通用型處理器為主、以ASIC全定制型處理器為輔；2）雖然ASIC初期包括研發(fā)在內的投入較高、開發(fā)與驗證周期較長，但鑒于其更高的專用性（算力/功耗等性能占優(yōu)）、更強的可靠性、以及基于指定算法定向設計研發(fā)（減少不必要的硬件等），預計ASIC規(guī)模量產后的性能/成本更優(yōu)于FGPA，或為下階段自動駕駛芯片處理器的核心。3.2、芯片技術核心為設計以特斯拉為例，芯片技術核心在于設計當前特斯拉是全球唯一可以自研量產自動駕駛芯片、全棧自主軟件/算法、以及整車制造的車企；其中，特斯拉從2016/2開始建立芯片自研團隊，2019/4發(fā)布FSD芯片方案HW3.0，預計4Q21E發(fā)布HW4.0（性能或為HW3.0的3倍）。我們判斷，特斯拉也曾采購Mobileye（2014年HW1）、以及與英偉達（2016年HW2.0/HW2.5）的芯片，預計其自研量產芯片的主要原因或在于1）通過全棧自研的軟件/算法更合理設計芯片，改善性能并具有更強的芯片專用性（提高算力/降低功耗vs.HW2.5實際應用或存約30%算力損耗）；2）雙芯片（HW3.0采用雙芯片vs.Mobileye/英偉達為單芯片）增強冗余安全性；3）降級成本。我們判斷，自動駕駛芯片的核心在于改善性能（提高算力/降低功耗等）、增強安全冗余、以及降低成本；其中，技術的核心在于設計（在通用性、不同軟件/算法對應的芯片有效算力與功耗等綜合性能、以及成本控制等方面獲取平衡，同時通過組合設計進一步改善性能/增強冗余）。從芯片行業(yè)的發(fā)展趨勢來看，1）制作工藝向7nm（甚至5nm）推進（即將量產的特斯拉HW4.0/MobileyeEyeQ5/英偉達Orin均已達7nm工藝vs.華為也已具備7nm工藝能力），預計制程工藝的改善有望在控制功率的同時也將大幅提升算力；2）隨著智能電動化滲透率抬升，芯片規(guī)模量產/成本控制前景可期；3）鑒于ASIC（全定制型處理器）規(guī)模量產后的性能/成本更優(yōu)于FGPA（半定制型處理器），預計算法固定后的ASIC或為下階段自動駕駛芯片處理器的核心。特斯拉、以及全球主要芯片供應商的自動駕駛芯片分拆a）特斯拉特斯拉FSDHW3.0芯片包括CPU/GPU/NPU*2等通用型處理器、以及ASIC全定制型處理器。其中，NPU（神經網絡處理器）是特斯拉HW3.0的核心競爭力（已獲取包括運算/數(shù)據(jù)處理等4項專利）；1）NPU在分析圖像數(shù)據(jù)方面具有處理速度更高效/精準度更強等優(yōu)勢（每個NPU涵蓋一個96x96MAC數(shù)據(jù)矩陣，SRAM存儲容量32MB，工作速度在2GHzvs.英偉達/Mobileye并未配置NPU，需通過軟件/算法與深度學習等模擬NPU，造成功率/算力損耗）；2）NPU最大程度的簡化控制邏輯與編程模型/控制流（僅保留8項指令集，僅需配置4個信息即可完成一次運算），達到運算和功耗之間的有效平衡；3）NPU采用數(shù)據(jù)循環(huán)處理直至最優(yōu)化得出指令的模式，改善安全性；4）NPU雙處理器設計，是實現(xiàn)進一步提高運行速度，同時控制芯片面積/簡化芯片布線的最佳設計。我們判斷，特斯拉的核心優(yōu)勢在于可以根據(jù)全棧自研/軟件算法，自主研發(fā)設計并量產芯片，對應具有與軟件/算法匹配度更高的芯片綜合性能（算力/功耗等）、成本控制（復雜性下降）、以及冗余/安全性（雙芯片設計），預計NPU（神經網絡處理器）是決定其FSD芯片綜合性能（算力/功耗等）的核心因素。b）英偉達英偉達Xavier芯片包括CPU/GPU等通用型處理器、以及ASIC全定制型處理器，ASIC包括深度學習加速器（DLA，與深度學習算法高度耦合用于加速處理相關數(shù)據(jù)）、以及可編程視覺加速器（PVA，用于視覺應用程序的性能優(yōu)化）；其中，GPU（圖像處理）為Xavier芯片的核心。對于即將量產的Orin芯片而言（預計2022E量產），其芯片架構與Xavier相似，但包括CPU/GPU處理器與DLA/PVA加速器等性能均有大幅提升（單顆Orin芯片算力為Xavier的近7倍）。我們判斷，英偉達的核心在于GPU，可實現(xiàn)多個超長流水線高效并行運算（在大數(shù)據(jù)流/密集型數(shù)據(jù)處理等方面具有優(yōu)勢），但功耗等也相應較高；具有高算力/高功率等特征且GPU通用型處理器基于不同軟件/算法或存算力損耗等。c）MobileyeMobileyeEyeQ5芯片包括CPU等通用型處理器、以及ASIC全定制型處理器；其中，ASIC包括計算機視覺算法處理器（CVP，匹配CV算法用于2D/3D場景物體檢測與追蹤的描述/存儲/識別/理解等）、深度學習加速器（DLA，與深度學習算法高度耦合用于加速處理相關數(shù)據(jù)）、以及多線程加速器（MA，同時提供多個執(zhí)行線程用于加速數(shù)據(jù)處理）。我們判斷，Mobileye的核心在于CVP，為Mobileye針對傳統(tǒng)視覺算法定制化設計，與其CV算法的匹配度較高（可更大程度釋放芯片算力等性能/降低功耗）；但鑒于其芯片設計缺少GPU等處理器，其芯片算力偏低/功耗也相應偏低。d）華為華為自動駕駛芯片昇騰310（22TOPS，12nm工藝）、以及昇騰910（640TOPS，7nm工藝，尚未規(guī)模量產）均來自于華為基于ARM（英國芯片架構公司，英偉達擬收購）的自研達芬奇架構；其中，MDC210（48TOPS）、MDC610（160TOPS）、MDC600（352TOPS，搭載于北汽極狐）、以及MDC810（400+TOPS）等均為基于昇騰310的組合芯片算力，針對L2-L5不同等級的自動駕駛系統(tǒng)。華為集成張量（3DCube多維數(shù)據(jù)）、矢量（Vector有方向的數(shù)據(jù)）、以及標量（Scalar無方向的數(shù)據(jù)）等多種計算單元，分別負責矩陣運算、基本和定制類型運算、以及標量運算和程序循環(huán)控制等，可滿足不同場景下的數(shù)據(jù)精度要求。我們判斷，華為的核心在于針對AI運算特征進行設計，應用3Dcube矩陣設計（或需1個周期即可完成16*16*16對應4,096次MAC矩陣運算vs.特斯拉的HW3.0NPU采用2D矩陣設計，或需96個周期才可完成96*96對應9,216次MAC矩陣運算），預計華為具有更高的AI算力效率與算力密度。3.3、芯片發(fā)展趨勢我們判斷，1）芯片屬于典型的資本密集型行業(yè)，需要較高的包括工廠/設備等在內的資金投入、以及基于制造工藝/技術迭代更新等對應的較高持續(xù)性研發(fā)投入。2）預計一代芯片的生命周期約5-6年（研發(fā)設計與認證周期合計約3年、規(guī)模量產周期約2-3年vs.技術迭代），行業(yè)具有較高壁壘性（盈虧平衡周期或相對滯后）。3）短期來看，參與者或增多（通過收購/整合、手機等產業(yè)鏈延伸、以及以初創(chuàng)類公司等方式進軍市場），預計大部分主機廠或仍以外購的方式基于其不同定位/需求與芯片供應商進行合作。4）長期來看，行業(yè)或高度集中，通過手機等產業(yè)鏈延伸且又可提供基礎軟件包的tier-1芯片供應商有望長期受益。當前除Mobileye/英偉達、以及特斯拉（尚未外供）之外，其他芯片供應商分別通過收購/整合、產業(yè)鏈延伸、以及以初創(chuàng)類公司等方式切入自動駕駛芯片賽道。通過收購/整合進軍市場英特爾從2015年至今已收購多家初創(chuàng)類科技公司；其中，2017年以153億美元全資收購Mobileye。通過多輪收購/整合，當前英特爾已擁有相對完整的基于自動駕駛芯片的供應鏈，涵蓋英特爾CPU（中央處理器）、MovidiusVPU（視頻處理單元）、AlteraFPGA（半定制型處理器）、以及MobileyeEyeQ系列芯片（CPU+ASIC全定制型處理器）等，可提供基于自動駕駛芯片的整套解決方案。英偉達也于2020年以70億美元全資收購Mellanox（擁有InfiniBand互連技術、疊加其以太網，已被較廣泛應用于全球超大規(guī)模數(shù)據(jù)中心），有助于進一步優(yōu)化/增強英偉達數(shù)據(jù)中心負載量，提高性能與運營效率/降低成本。此外，當前英偉達正在規(guī)劃收購日本軟硬集團旗下全資子公司ARM（英國芯片架構公司，蘋果/高通/華為等均基于ARM架構進行芯片設計），其收購成功性或仍待觀望。我們判斷，行業(yè)巨頭可通過收購/整合等方式陸續(xù)進軍或進一步增強其在自動駕駛芯片市場的競爭力，完善業(yè)務板塊布局與產業(yè)鏈整合，帶動業(yè)務協(xié)同。通過產業(yè)鏈延伸進軍市場手機芯片與智能座艙芯片在邏輯控制與通用類型數(shù)據(jù)運算、圖像處理單元、以及神經網絡單元等技術領域存在相似之處；其中，智能座艙芯片作為車載芯片還有更高的基于芯片穩(wěn)定性/可靠性/安全性等車規(guī)要求。自動駕駛芯片又在智能座艙芯片的基礎上，對芯片的設計與算力/功耗等有更高的技術要求。作為全球手機芯片行業(yè)巨頭，高通已于2014年開始成功推出智能座艙芯片；當前，高通智能座艙芯片已量產至第三代（包括驍龍602A/驍龍802A/驍龍8155），全球25家主流車企約20家已采用高通驍龍數(shù)字座艙平臺。此外，高通第四代智能座艙芯片或采用5nm技術工藝，有望于2022E量產。在自動駕駛芯片方面，高通也已于2020年推出SnapdragonRide自動駕駛計算平臺，涉及安全系統(tǒng)級芯片、安全加速器、以及平臺開放式解決方案（可以與主機廠自主研發(fā)的算法相結合，具有更強的可擴展與可定制化等特征）。其中，高通研發(fā)的自動駕駛芯片或將采用5nm技術工藝（具有更佳的能耗比），可提供10TOPS-700TOPS算力用于滿足L2-L4/L5級不同自動駕駛系統(tǒng)的需求，預計SnapdragonRide有望于2022E量產（2022E長城與高通開展合作）。我們判斷，1）行業(yè)巨頭也可通過產業(yè)鏈延伸（從手機芯片/智能座艙芯片至自動駕駛芯片延伸）的方式，切入市場；其中，預計華為與高通的發(fā)展路徑較為相似。2）預計在手機芯片領域具有較強產業(yè)鏈優(yōu)勢的tier-1芯片供應商或具有更強的快速流片/規(guī)模量產/控制成本/技術迭代等優(yōu)勢；其中，又可提供基礎軟件包助力主機廠自主研發(fā)軟件/算法的tier-1芯片供應商則具有更強的市場競爭力。初創(chuàng)科技類等公司進軍市場除了行業(yè)巨頭，國內也在自動駕駛芯片領域涌現(xiàn)一批優(yōu)質的初創(chuàng)類科技公司，包括地平線（2015/7）、以及黑芝麻（2017/1）等；其中，地平線是繼Mobileye、英偉達之后第三個實現(xiàn)前裝量產的芯片供應商，旗下自動駕駛芯片征程二搭載車型已達8款（截至2020/12，征程二出貨量已突破10萬），征程三也即將量產。我們判斷，1）智能電動化是行業(yè)包括高端至低端車企品牌在內的整體趨勢；2）初創(chuàng)類科技公司與行業(yè)巨頭或仍在成本控制/技術迭代等方面存在差距；但鑒于其可與主機廠深度綁定（提供芯片+軟件/算法的全套自動駕駛解決方案），預計仍有望通過其基于全產業(yè)鏈的布局定位，在國內自主市場占有優(yōu)勢。綜合而言，當前自動駕駛芯片市場呈現(xiàn)快速迭代、以及參與者增多的趨勢（主要來自于收購/整合、產業(yè)鏈延伸、以及以初創(chuàng)類公司等方式進軍市場）。我們判斷，軟件/算法是各車企形成長期差異化競爭的核心；1）短期來看，主機廠或基于其不同的軟件/算法能力，與不同的芯片供應商開展合作（全棧自研軟件/算法vs.芯片供應商提供軟件工具開發(fā)包或全套自動駕駛解決方案）；2）長期來看，預計在手機芯片等領域具有較強產業(yè)鏈優(yōu)勢且又可提供基礎軟件包助力主機廠自主研發(fā)軟件/算法的tier-1芯片供應商或具有更強的市場競爭力。3.4、國內芯片發(fā)展情況現(xiàn)階段，國內芯片供應商主要為華為、以及地平線/黑芝麻等。我們判斷，1）自動駕駛芯片的技術核心在于設計（在通用性、不同軟件/算法對應的芯片有效算力與功耗等綜合性能、以及成本控制等方面獲取平衡，同時通過組合設計進一步改善性能/增強冗余）。2）預計華為與高通的發(fā)展路徑較為相似，具有較強的芯片設計能力、以及基于手機芯片延伸至自動駕駛芯片的產業(yè)鏈優(yōu)勢（快速流片/規(guī)模量產/成本控制/技術迭代等長期前景可期）。3）預計地平線/黑芝麻等或通過與主機廠深度綁定（提供芯片+軟件/算法全套方案）獲取競爭力。鑒于當前華為的芯片采用Fabless（無晶圓制造）設計模式，僅負責產業(yè)鏈中游的芯片電路設計與銷售，其余生產/測試/封裝等環(huán)節(jié)均外包。因此我們預計，當前以華為為主的國內芯片供應商主要瓶頸并非在于設計等技術層面，而是在于如何規(guī)模量產；其中，涉及上游的EDA軟件/ARM架構、以及下游的光刻機。a）EDA軟件EDA是完成芯片設計方案輸入、處理、模擬、以及驗證的計算機軟件工具，主要以Synopsys、Cadence、以及MentorGraphics（已被西門子收購）三家美國公司為主（合計約占全球70%+市占率，約占國內90%+市占率）；其中，華為EDA也來自此三家美國公司，雖已買斷授權但仍或面臨無法更新迭代的風險。當前國內EDA行業(yè)仍存研發(fā)/人才短缺、產品不完整、以及工藝相對落后等問題；其中，華大九天作為國內EDA的領先企業(yè)，已在相關的數(shù)據(jù)處理軟件等領域取得突破，有望逐步打破國外技術壟斷，提供專用EDA與一站式晶圓制造服務。此外，F(xiàn)PGA（半定制化處理器）的設計流程與CPU/GPU等通用型處理器不同，具有更強的自主可控權，預計國內也有望通過FPGA自主設計打破EDA壟斷。b）ARM架構ARM（英國芯片架構公司）采用32位精簡指令集（RISC）處理器架構，可以非常廣泛的運用于嵌入式系統(tǒng)設計，具有完整的生態(tài)鏈且可針對不同類型的體系結構進行設計，蘋果/高通/三星/華為等均在此架構下完成芯片處理器的設計研發(fā)。2020/9英偉達正式提出計劃以400億美元全資收購日本軟硬集團旗下全資子公司ARM，預計其收購成功性或仍待觀望；此外，2021/4ARM正式發(fā)布全新一代Armv9架構（不受美國相關條例約束），華為有望獲得Armv9架構永久使用權。c）光刻機芯片的制造核心在于光刻/蝕刻；其中，國內的中微半導體蝕刻機精度已可達5nm工藝。然而，在光刻機領域，全球主要企業(yè)為荷蘭ASML（市占率達90%+）；其中，ASML光刻機的大部分原材料仍需全球采購且其核心技術仍在美國。英偉達/Mobileye、以及特斯拉的下一代芯片（分別為Orin/EyeQ5、以及HW4.0，預計4Q21E-2022E上市）均采用7nm工藝；此外，5nm工藝也處于研發(fā)階段。對比來看，華為昇騰910（640TOPS，310W）也采用7nm工藝，同時公司也具備5nm工藝能力（2020與臺積電合作，發(fā)布5nm麒麟90005G手機芯片）。我們判斷，1）華為等國內芯片供應商的技術研發(fā)能力處于全球領先水平，其核心難點或在于如何實現(xiàn)規(guī)模量產；其中，預計最大挑戰(zhàn)或來自于光刻機、其次為EAD軟件、最后為ARM（英偉達收購仍需多方機構批準且或面臨反壟斷審查，預計其收購成功性或仍待觀望）。2）在光刻機方面，預計華為或通過提前備貨、以及向其他芯片供應商或有資質的供應商采購等方式彌補由于美國相關條例約束導致的7nm無法自主量產等困境。在EDA方面，或通過加大國內EDA投入、以及FPGA自主設計等方式，打破美國基于EDA的壟斷。4、軟件/算法4.1、軟件/算法是長期差異化的核心我們判斷，全球芯片供應商或主要以Mobileye/英偉達、高通、以及華為等為主；在硬件性能差距縮小或逐步趨同的情況下，軟件/算法是各車企形成長期差異化競爭的核心（不同軟件/算法對應的自動駕駛功能兌現(xiàn)性與用戶體驗的差異性）。根據(jù)McKinsey測算，預計2010-2030E與軟件相關的整車價值占比上升至30%（vs.與機械相關的占比不斷下降）；各大車企加大軟件自研/合作已成趨勢。從現(xiàn)階段來看，1）Waymo與百度等跨越式車企（直接定位至L4/L5級自動駕駛系統(tǒng)）、以及特斯拉與小鵬等漸進式新勢力車企（定位于L2/L2+級逐步升級至L4/L5級自動駕駛系統(tǒng)）均采用全棧自研軟件/算法的模式；其中，特斯拉通過自研量產芯片，具有軟件/算法與芯片匹配度更高的綜合性能。2）傳統(tǒng)車企分別通過成立子公司/部門、與全球軟硬件公司合作/收購等方式，加大軟件投入。4.2、軟件/算法仍需與硬件高度匹配我們判斷，除了芯片本身的工藝/性能差異之外，芯片是否能最大程度的釋放其性能（高算力/低功耗），還取決于與軟件/算法的匹配度（芯片的核心在于設計）。從芯片ASIC（全定制型處理器）與其對應的算法分類來看，主要分為1）視覺類處理器與算法、2）神經網絡或深度學習類處理器與算法、以及3）數(shù)據(jù)類處理器與算法；其中，自動駕駛的核心在于視覺、以及神經網絡或深度學習。特斯拉特斯拉的芯片應用NPU（神經網絡處理單元）或NNA（神經網絡加速器），是基于神經網絡的加速處理器，具有高效運行且可實現(xiàn)存儲/計算一體化等特征；結合與其高度匹配的特斯拉神經網絡算法（計算機視覺算法與深度學習算法融合）通過影子模式（收集/標記數(shù)據(jù)，對比計算機模擬與實際駕駛員操作的差異性）進行大量計算機自動訓練學習與升級應用，不斷完善其自動駕駛的行車決策（其中，Dojo系統(tǒng)定位L4/L5，10^6TOPS算力，適用于3D+時間的4D場景）。Mobileye/英偉達1）在視覺方面，Mobileye的芯片應用CVP（計算機視覺處理器），結合其自主研發(fā)的CV（計算機視覺）算法（vs.英偉達的芯片應用類似MobileyeCVP的PVA處理器），Mobileye或在此領域具有更佳的軟硬件匹配度；2）在深度學習方面，Mobileye/英偉達的芯片應用DLA（深度學習處理器）；其中，DLA的設計結構與DNN算法匹配（包括處理靜態(tài)任務的CNN卷積神經網絡與處理時間相關任務的RNN/LSTM），采用端至端的模式（通過對輸入圖像的歸一化處理至不同卷積層對核心數(shù)據(jù)的提取/輸入，利用輸入至輸出大量映射算法的學習/處理，得出自動駕駛的行車決策），具有減少數(shù)據(jù)量/更高運行效率等特征。我們判斷，1）特斯拉神經網絡學習的算法與其芯片處理器高度匹配，核心在于利用影子模式，實現(xiàn)系統(tǒng)的自動訓練學習與升級應用。Mobileye/英偉達深度學習的算法為DNN（CNN與RNN/LSTM），核心在于通過輸入至輸出映射算法學習/處理（端至端的模式），得出系統(tǒng)的行車決策（不同卷積層對核心數(shù)據(jù)的提取/輸入，具有更高的運行效率等）；其中，Mobileye在視覺方面采用CVP處理器+CV算法或相比于英偉達在此領域具有更高的軟硬件匹配度。2）軟件/算法與芯片的匹配度，是自動駕駛系統(tǒng)是否能更高效率釋放其性能的關鍵；其中，軟件/算法的核心在于人才與團隊、以及大量實際路況數(shù)據(jù)的采集與應用。4.3、軟件/算法的核心在于團隊、以及數(shù)據(jù)4.3.1、人才與團隊軟件/算法的核心之一在于人才與團隊，包括團隊組織架構的定位與清晰程度、團隊的技術能力、以及團隊的執(zhí)行力與穩(wěn)定性。組織架構從Waymo/百度、以及特斯拉的團隊架構分拆來看，1）Waymo根據(jù)自動駕駛產業(yè)鏈，具體分拆為基礎設施、視覺/感知、以及路徑規(guī)劃業(yè)務組等。2）百度于2019/12對其團隊做了較大幅度調整，保留原有車聯(lián)網業(yè)務組（車載OS系統(tǒng)等）、新增智能交通業(yè)務組（車路協(xié)同等基礎設施）、以及將智能汽車事業(yè)部（L3）與自動駕駛事業(yè)部（L4）重新分拆合并（L3與L4技術線合并，L3事業(yè)線的高精地圖分拆）并且對自動駕駛業(yè)務組進行擴充升級（當前，百度自動駕駛業(yè)務組涵蓋智能汽車業(yè)務部、智駕地圖業(yè)務部、以及自動駕駛技術部）。3）特斯拉聚焦于軟件/算法的技術層面，其團隊具體分拆為AI算法、軟件集成與驗證、以及底層代碼業(yè)務組等（每組負責人均可向CEO馬斯克直接匯報）。我們判斷，1）Waymo與百度定位L4/L5級系統(tǒng)，其團隊架構更完整（涵蓋高精地圖、以及車路協(xié)同等在內的基礎設施業(yè)務等）；其中，明確三種商業(yè)模式的百度Apollo（為主機廠提供自動駕駛技術解決方案、造車、以及共享無人車）的定位更完整/更清晰（vs.Waymo或面臨數(shù)據(jù)長尾效應風險）。2）由于特斯拉定位L2/L2+級（從L2/L2+級漸進至L4/L5級），其團隊架構更聚焦于包括底層代碼與軟件/算法等技術層面。3）新勢力與傳統(tǒng)車企均處于加大軟件/算法投入的階段；鑒于團隊陸續(xù)組建（期限較短），預計定位與清晰程度或仍待觀望（其中，小鵬的團隊組建較早且具備全棧自研軟件/算法能力，或處于相對領先位置）。技術能力從Waymo/百度、特斯拉/新勢力、以及傳統(tǒng)車企的團隊負責人技術專業(yè)性分拆來看，均具有相關領域的全球頂級教育與工作背景；1）Waymo/百度與特斯拉/新勢力的團隊核心負責人以電子/計算機等理科背景為主（vs.大眾等傳統(tǒng)車企或仍存以動力機械等工科背景為主的團隊負責人）；2）新勢力與傳統(tǒng)車企或更多通過挖掘人才的方式確定團隊核心人員，并以此為基準搭建軟件/算法團隊。我們判斷，人才等對應的團隊技術專業(yè)能力與企業(yè)戰(zhàn)略規(guī)劃/激勵機制/企業(yè)文化等高度相關；1）Waymo與特斯拉更易吸引/培養(yǎng)硅谷頂尖人才（vs.百度已將部分美國研發(fā)業(yè)務遷至國內）；2）預計國內吸引軟件/算法等相關人才的先后排序分別為百度、新勢力、頭部民營背景傳統(tǒng)車企、以及國企/央企背景傳統(tǒng)車企。執(zhí)行力與穩(wěn)定性從Waymo與百度、以及特斯拉的團隊執(zhí)行力與穩(wěn)定性來看，均處于自動駕駛功能優(yōu)化/陸續(xù)兌現(xiàn)階段，但仍面臨較高的人才流動風險；其中，百度的人員流失或與其團隊組織架構調整等相關。此外，從百度與特斯拉離職人員的去向來看，大部分成為初創(chuàng)類公司的創(chuàng)始人/高管；其中，與百度相關的國內初創(chuàng)類公司包括地平線/黑芝麻（芯片）、以及小馬智行/文遠知行（L4系統(tǒng)Robotaxi）等。我們判斷，1）自動駕駛產業(yè)鏈仍處于發(fā)展早期且市場增長空間巨大，當前面臨高端人才（尤其國內高端人才）短缺且行業(yè)參與者不斷增多的趨勢，預計人才/團隊的執(zhí)行力與穩(wěn)定性是決定公司自動駕駛系統(tǒng)是否可持續(xù)穩(wěn)步推進的核心。2）預計Waymo/百度與特斯拉或通過吸引全新優(yōu)質人才的方式，部分對沖原有團隊人員的離職風險；鑒于新勢力與傳統(tǒng)車企的團隊陸續(xù)組建，預計其團隊執(zhí)行力/穩(wěn)定性或仍待觀望（其中，蔚來與小鵬已面臨一輪軟件/算法團隊的人員調整）。4.3.2、數(shù)據(jù)長尾效應軟件/算法的核心之二在于數(shù)據(jù)（實測路況數(shù)據(jù)的積累）。決策層（芯片與軟件/算法）的路徑規(guī)劃需要大量實測路況數(shù)據(jù)的積累與驗證；其中，特斯拉NPU對應的神經網絡學習算法、以及Mobileye/英偉達等DLA深度學習處理器對應的DNN算法，均需在充分且完備的數(shù)據(jù)環(huán)境下才可分別達到計算機自動訓練學習、以及深度學習的效果。然而，由于人類行為符合正態(tài)分布；由長尾效應（<=5%小概率事件）造