佐思汽研发布《2022-2023年 Mobileye智能驾驶业务分析报告》。Mobileye是一家有争议的自动驾驶企业。L1-L2时代，Mobileye是绝对的领先者，即使在2022年，其EyeQ系列芯片出货量仍保持快速增长。Mobileye收入及订单保持快速平稳增长2022 年，Mobileye收入为 19 亿美元，与 2021 年相比增长了 4.8 亿美元，增幅为 35%。与2021年相比，ADAS的采用率增加以及全球汽车产量略有改善，EyeQ SoC销售额增加了3.6亿美元（同比增28%）。出货量方面， Mobileye在2022年售出6360万块芯片，其中主力芯片定位L1-L2的EQ4芯片，占比52.0%。2022年全球有233台发布的新车采用Mobileye方案。2022年中标订单大头还是EyeQ4、以及EyeQ4升级版EyeQ6L，相较之下EyeQ5比例还不是特别大，此外还有少部分来自EyeQ6H。定位L1-L2的辅助驾驶芯片（EyeQ4、EyeQ6L）占比达到79.5%。2019年-2022年Mobileye芯片销售量图片来源：mobileye当中国ADAS企业和新势力造车企业发力L2.5和L2.9时，Mobileye开始落后了Mobileye芯片算力偏小，无法满足车企对大算力芯片的需求。现阶段的车企，尤其是新势力品牌，提前做好硬件预埋以及算力预埋，后续通过持续OTA实现更高阶的ADAS功能，Mobileye的算力自然有些不够。Mobileye为了打破壁垒，预计2025年量产的EyeQ® Ultra算力可达到176TOPS，但是相对于英伟达、地平线等芯片厂商的算力竞争力稍有不足，推出时机太晚。除了算力低，系统封闭也让希望掌握主动权的主机厂和Tier1无法接受。于是，中国的新势力造车企业和领先Tier1纷纷放弃Mobileye，转向算力更大、更加开放的英伟达和地

2023年汽车存储器市场规模大约60亿美元，也是存储器市场唯一亮点，唯一增长点。汽车智能化、电动化推动汽车存储器市场强劲增长，预计到2028年市场规模达到100亿美元。汽车存储非常重要，特斯拉Model S曾用过非车规级的存储，即SK hynix的H26M42003GMRA，是2014年的老产品了。频繁的OTA和高温导致其失效，最终导致频繁死机黑屏，这种故障无法通过OTA解决，必须拆开车机，取下芯片，更换车规级芯片才能解决。不用说，这个解决办法成本极高。汽车里每个SoC和高端MCU都需要存储器配合，用量最大的是座舱SoC和智能驾驶SoC，其次是T-Box和仪表，再次是网关和底盘。存储器主要分为三类:一类是DRAM，做数据和代码缓存，主流的是LPDDR4和LPDDR5；第二类是存储数据，主流的是eMMC和UFS；第三类是存储代码，主流的是NOR Flash。上汽飞凡R7智能驾驶域控制器我们以上图中的上汽飞凡R7智能驾驶域控制器为例来研究汽车存储，中间的大芯片就是英伟达Orin-X，外围4片美光的LPDDR5内存，型号MT62F1G64D8EK-031 AAT:B，容量8GB，速率6400MB/s，x64位宽，这是美光的新产品。一片美光的eMMC，代号为JWD65，型号为MTFC32GASAQHD-AAT，容量为32GB，时钟频率200MHz，速度比较慢，应该主要存放启动根目录文件。一片美光的UFS，代号HSA06，型号 MTFC256GAVATTC-AAT，是UFS3.1版本，容量256GB，应该主要是存放智能驾驶感知模型和决策模型以及相关文件的，这个容量是理想双Orin自动驾驶控制器的两倍。在JWD65右边还有一颗用于启动的串行Flash，型号MX25U51279，容量512Mb，由中国台湾旺宏提供。另一侧也有串行Flash，型号为MX78U64A00FXDR02，容量也是

佐思汽研发布《2023年自动驾驶数据闭环研究报告》。目前，自动驾驶已进入3.0阶段。不同于2.0阶段基于人工规则的软件驱动，3.0阶段自动驾驶功能的迭代以大数据、大模型驱动为核心，感知方式是多模态传感器联合输出结果，而信息融合方式则从后融合逐步向中融合及前融合演进。在数据能力建设上，企业的焦点已转移至数据闭环的效率与成本，并在数据合规和数据安全的前提下解决更多Corner Cases（极端情况如交通事故、恶劣天气条件或复杂路况），加速用户体验从“疲劳缓解”阶段向“场景化舒适体验”发展。其中主机厂着力提升的场景应用主要集中在城区、城市高架以及高速自动驾驶上。在高速场景中，用户可以安心启用自动驾驶功能，自动驾驶系统可以精确舒适地引领上下匝道、车道居中保持、大曲率高速过弯、拥挤路段平衡跟车停车、智能选择最佳车道、车道内横向躲避并超越慢车、智能识别避让故障及缓慢车辆等。例如，小马智行NOA方案（见下图）能够灵活应对高速以及城市交通场景，在自主变道、上下匝道、定速巡航、车道居中、躲避障碍物等场景中表现优秀。在城市场景中，蔚来NOP+、华为NCA、小鹏XNGP等城市NOA辅助驾驶功能纷纷落地，车辆功能的场景泛化能力持续提升。比如阿维塔搭载的华为智驾系统ADS2.0，能够在狭窄城市街道成功穿越两辆卡车的夹击（见下图），规划策略与人类驾驶决策水平持平，甚至超越。总之，自动驾驶系统在自主变道、躲避障碍物等场景中的表现愈加优秀，人的接管率越来越低，而汽车智能化竞争的背后是数据在车端云端闭环中的高效流转。比如百度智能云自动驾驶数据闭环方案提供全周期的自动驾驶数据运营服务与自动驾驶工具链平台，能够解决数据获取、加工、使用过程中的难题。百度自动驾驶数据闭环解决方案来源：百度智能云01自动驾驶3.0阶段开启，企业加码建设或完善数据闭环体系的各个环节自动驾驶3.0阶段，本质就是以数据驱动为核心，持续提升

AI运算最关键之处是存储而非AI处理器本身，AI运算90%的功耗和延迟都来自存储或者说都来自数据的搬运。90%的工况下，AI处理器都在等待存储系统搬运数据，而运算系统所需要的时间几乎是可以忽略的，所以存储系统的好坏实际决定了真实的算力大小，其中存储带宽基本可以等同于存储系统的好坏，也基本等同真实算力的高低。在Transformer时代，模型参数至少10亿以上，模型至少1GB大小，存储带宽也决定了能不能运行Transformer。此外，存储还决定了功耗，根据英特尔的研究表明，AI芯片（加速器）当半导体工艺达到 7nm 时，数据搬运功耗高达 35pJ/bit，占总功耗的63.7%。常见芯片存储带宽统计上表中单芯片最强的是AMD的MI300X，英伟达的H100 NVL是双系统并联。Mobileye的EyeQ5垫底，主要是因为其是2016年左右设计的，当时LPDDR4X的标准还未出台。数据中心或者说服务器级别的存储带宽有压倒性的优势，同样成本也是极高，现在HBM3每GB大约30-40美元（据说现在因为AI太火，且HBM3目前是SK hynix独家供应，产能有限，HBM价格涨了4-5倍，那就是120-200美元，应该不大可能，但是涨一倍还是有可能的）。以AMD的MI300X为例，单单HBM的成本就达到5760-7680美元，这么高的价格在汽车领域是无法承受的。这也反向证明了存储带宽的重要性。HBM不仅带宽高，而且离运算单元的物理距离相比PCB板上的DRAM更近，存储到运算单元的传输时间就更短。除了HBM，还有一种办法就是在芯片内部大量使用昂贵的SRAM，如特斯拉Dojo D1，354个核心440MB的SRAM，每MB的SRAM成本约15-20美元，仅此一项近9000美元。SRAM带宽大约800GB/s，不过SRAM容量太低，不太适合ChatGPT这样的大模型。Dojo D1的外围还是

国际Tier1 ADAS/AD产品矩阵完善，持续发力占据中国市场从ADAS/AD产品矩阵来看，部分头部Tier1已基本完成了全产品矩阵的覆盖。比如大陆，其最新的产品包括座舱监测系统CMS（OMS），配置为OMS摄像头+座舱雷达，预计2024年发布；1550nm的长距激光雷达HRL131，测距300m以上，HFOV128°，VFOV28°，预计2024年量产；超声波雷达CUS320，测距0.1m-6m，计划2024年量产。博世也完成了除CMS外的全ADAS/AD产品覆盖，其最新产品包括1550nm的长距激光雷达，已于2023年CES进行了实物展出，其测距大于200m，功耗小于20W；舱内监测系统IMS（OMS），预计2024年量产，配置为可安装在中控显示屏上方或集成在车内后视镜的OMS摄像头+位于座舱顶部的座舱雷达。但从方案来看，目前国内市场热门的行泊一体方案国际Tier1却鲜有布局，主要原因是国际Tier1的解决方案从提出到落地大概需要2-3年的时间。比如2021年1月就发布的大陆搭载安霸CV3的最新L2+方案，但预计量产要到2026年。为应对目前的被动局面，国际Tier1也在积极求变。如博世正在研发的行泊一方案Wave3，就是中国的XC事业部与德国总部同步研发，其中中国方案采用双Orin，计划最早2023年量产；采埃孚于2023年6月宣布将汽车底盘技术部和主动安全事业部合并，以减小不同部门间磨合的决策内耗，加快产品及方案的落地时间，其未来可能形成以主动安全统合座舱、底盘等整车各项业务的公司架构。国际Tier1 ADAS/AD产品矩阵对比来源：公开资料整理二4D毫米波雷达开始上量，国际Tier1掌握先发优势据佐思汽研数据，2023年1-5月，中国乘用车新车4D雷达整体安装量为6.55万颗，其中前/后向安装量3.57万颗，角雷达安装量2.98万颗。已确定搭载4D毫米波雷达的车

对比Mobileye和特斯拉，两者做事风格截然不同。Mobileye有着十几年的积累，可靠性经过了市场和时间的验证，传统大厂无一例外都会选择Mobileye，但同时意味着有资产包袱，不舍得放弃以前的研究成果，难接受新的研究方向与潮流变化，对学术界的东西似乎完全不在意。特斯拉则是博采各家所长，时刻关注着学术界的最新动向，发现有好的技术点就努力将其落地，始终走在技术最前沿。Mobileye在L2领域占据绝对霸主地位，市场占有率超过70%，特斯拉则是智能驾驶技术的引领者。对于感知任务，核心就是建立一个3D的周边环境模型，即3D场景重建，这也是L2与L2+系统的本质区别。L2的目的是避免碰撞，遇到可能发生的碰撞就刹车或减速，而L2+系统是自主驾驶，遇到可能发生的碰撞时，通过对周边3D场景重建，找到可行驶空间Freespace绕开障碍物，而不是减速或刹车。3D场景重建的最佳表征形式是BEV即鸟瞰，很多时候BEV几乎等于3D场景重建。3D场景重建最佳解决办法是立体双目，即基于Depth Map的3D重建。立体双目可以准确测量出深度信息，但除了博世、奔驰、丰田这些大厂外，双目的标定和立体匹配是无法跨越的难关，包括特斯拉和Mobileye。还有一个原因是新兴造车在单目上累积了丰富的知识产权，跳到立体双目领域意味着这些累积都作废了，这是最核心资产的严重流失。特斯拉和Mobileye的思路都是用单目做3D重建，常见方法有SfM和Transformer。此外3D场景重建还可以基于点云、VOXEL和MESH。SfM（Structure From Motion）是最经典技术路线，通过使用诸如多视图几何优化之类的数学理论从2D图像序列中确定目标的空间几何关系，以通过相机移动恢复3D结构。SFM方便灵活，但在图像序列采集中遇到场景和运动退化问题。根据图像添加顺序的拓扑结构，可以将其分为增量/顺序SFM、

激光雷达的春天何时到来取决于点云数据应用算法的效率和性能，而非激光雷达本身。对于点云这种稀疏特征数据，人类目前还未找到合适的应用算法，而摄像头这种稠密矩阵数据，人类已找到了很多高效高性能的应用算法。这正是激光雷达尴尬之处，没有合适的算法发挥不出激光雷达的优势。目前的算法都是针对或对视觉系统优化的算法，而开发合适的算法需要大量的人员投入，这不是激光雷达厂家所能完成的，而在计算机视觉领域，有几百万乃至上千万研发人员，每天都有大量的研究论文发表。此外，激光雷达目前的应用都集中在点云上，而针对激光雷达强度数据应用的研究几乎为零，激光雷达最独特的领域无人问津，这是纯视觉声势越来越强大的主要原因。激光雷达行业正处于寒冬中。在激光雷达企业中，无论是出货量还是收入均稳居第一名的激光雷达厂家是禾赛科技，2023年2季度禾赛ADAS激光雷达出货量达45694个，自动驾驶激光雷达出货量为6412个。图片来源：禾赛财报2023年2季度禾赛收入翻番，出货量也大幅增加，然而毛利率却大跌。图片来源：禾赛财报虽然亏损幅度有所收窄，但2023年2季度的毛利率只有29.8%，较去年同期大幅下滑，并且去年同期正值疫情严重时期，禾赛的生产基地位于封城中的上海。实际自2020年禾赛的毛利率就呈下滑趋势，2020年的毛利率为57.5%，2021年为53.0%，2022年是39.2%，估计2023年大概率低于30%。依靠理想这个大客户，禾赛稳居激光雷达第一名，但我们不难算出，针对ADAS的激光雷达也就是理想车上用的激光雷达毛利率很低。随着自动驾驶热潮逐渐褪去，高毛利率的自动驾驶激光雷达出货量必然持续降低。相对而言，禾赛还是表现最好的激光雷达公司，至少毛利率是正的。之前的激光雷达明星公司Luminar的毛利率一直是负数，2023年2季度Luminar收入为1620万美元，毛亏损1830万美元。股市上激光雷达公司都表现很差

佐思汽研发布《2023年智能汽车OTA产业研究报告》。软件定义汽车趋势下，OTA装配量快速增长，软件升级频率明显加快据佐思汽研数据统计，2023年1-6月，中国乘用车OTA装配量为527.4万辆，同比增长31.8%。装配率方面，2023年1-6月，中国乘用车OTA装配率达到57.0%，较去年同期增加11.9个百分点。2023上半年中国乘用车OTA装配量来源：佐思汽研《2023年智能汽车OTA产业研究报告》OTA升级实施方面，截至2023年7月底，统计到57个汽车品牌（含自主、新势力、合资）累计进行了约696次OTA升级。其中，11个造车新势力汽车品牌共进行了338次OTA升级；30个自主品牌共进行了229次汽车OTA升级，16个合资品牌进行了129次汽车OTA升级。近两年，OTA的升级频率明显升高，尤其是新势力车企或传统主机厂的高端新品牌。新势力车企如特斯拉几乎保持每个月都要更新的频率，每个月大版本会出现多次小版本的更新，覆盖全系车型（不同车型之间同一版本升级内容会略有差异）；小鹏汽车2023年几乎每个月都会有OTA更新。2022年1月-2023年7月主要汽车品牌OTA升级频率来源：佐思汽研《2023年智能汽车OTA产业研究报告》运营方面，除了修复问题外，如蔚来、小鹏、理想、岚图、极氪、智己等新能源车企更愿意倾听用户的想法，会收集用户用车的反馈和建议，设计升级一些能够实现的功能，从而提升用车感受，提升品牌粘性。如2023年4月，智己L7 IMOS 2.0版本OTA更新，多项更新项目是采纳了智己用户的建议。来源：智己汽车伴随汽车智能化水平不断提高，汽车OTA可升级覆盖范围不断扩大，OTA升级速率及性能也在快速提升全新的电子电气架构成为整车 OTA 的核心基石，在域集中式向中央集中迈进的过程中，硬件配置、以太网通讯等不断完善的基础上，各个车型可OTA覆盖范围也在不断增多。以长安

什么是大模型？没有统一的定义，目前来说超过1000亿参数的深度学习模型叫大模型，未来可能是10000亿参数。深度学习从采集数据到标注数据，到训练出炉，最后得到的权重模型，这个权重模型98%就是参数，模型大小基本等于参数量的大小。以AlexNet为例，参数量在6000万，假设每个参数都是一个FP32格式，即4个字节，总字节就是24000万字节，则24000万字节/1024/1024 = 228MB，如果是车载领域常用的INT8格式，每个参数就是一个字节，容量会缩小到FP32格式的1/4，当然精度也会下降。 OpenAI在2020年提出了大模型的规模定律，基本近似于半导体领域的摩尔定律，这就是《Scaling Laws for Neural Language Models》，模型参数规模N，数据集大小D，模型形状(包括：transformer Block数量，宽度，attention heads和feed forward hidden dimension), 喂入序列长度和batch_size。当然还有训练模型的计算量C。其中，模型性能强烈依赖于参数规模N，数据集大小D和计算量C。考虑到自动驾驶全面引入了NLP领域的Transformer，所以这个定律对自动驾驶完全有效。 给定计算量的时候，模型性能的提升主要在于增加参数规模而不是增加数据集。所以后续各种模型训练大家就非常关注于持续增加参数量，数据集并没有相应的倍增。一句话，参数越多效果越好。 来看一个典型的大模型：ChatGPT， 大部分网络消息都说它有 1750 亿个参数，通常用 INT8 格式来存储 LLM 权重，以便进行更低延迟的推理、更高的吞吐量和更低的内存需求（比用 float16 格式来存储要少两倍的内存）。每个 INT8 参数需要 1 个字节进行存储。简单的计算就知道，模型需要 175GB 的存储空间，实际会需要