今天小编分享的汽车经验：智能体验“豹变”，起底新十年格局因果，欢迎阅读。
以下文章来源于青铜科技 ，作者殷楠
本文字数：9165字
阅读时间：50分钟
"
Part 4高渗透率+更新趋势明显，智舱短期拼体验，长期拼生态
编辑｜殷 楠
智能化为2024年汽车板块投资的一条重要主线，基于整车E/E架构、AI大模型、高阶智能驾驶、智能座舱的加速落地，"軟體定义汽车"逻辑下的爆款产品和商业模式呼之欲出，将为用户带来与传统汽车截然不同的体验，同时也为车企带来新的利润来源。
首先关注发展时间更长，用户感知度更高的智能座舱。当前汽车座舱智能化加速落地，汽车由出行工具向"第三生活空间"进化，同时也从"卖硬體集成"的"一次性交付"向"卖軟體服务和数据流量"的"多次、持续性收费"模式转变，最终实现收益的长尾效应。智能座舱作为收集用户数据、流量变现、OTA收费、打造差异化体验的重要端口，成为整车厂和Tier 1的必争之地。
当前，智能座舱呈现出高渗透率+快速更新的趋势。根据HIS统计，2019年全球和中国新车智能座舱配置率分别为38.4%和35.3%，到2025年配置率将会提高到59.4%和75.9%，中国新车智能座舱配置率增速高于全球平均水平。
智能座舱继续向低价位车型渗透，预计未来智能座舱将持续成为10~30万元主力消费价格带的核心卖点之一，渗透率有望持续提升，推动市场规模保持高速增长。据毕马威预测，中国智能座舱市场规模将从2022年的1127亿元上升至2026年的2127亿元，年复合增长率达17%。
智能座舱相关配置不断更新迭代，视听、舒适性、人机互動、计算平台和车联网等方面均有显著提升和优化。
水滴汽车认为，接下来车企和Tier1的主要内卷方向主要包括：
1. 集中式架构，舱泊、舱驾融合
智能车时代，电子电气架构向功能更集中、算力更高、OTA 更新更快的網域内集中式乃至中央集中式架构更新，是实现汽车常用常新，千人千面的前提。最终的理想状态是形成一个汽车中央大腦（one brain），统一管理各种功能。
如今，电子电气架构建设已被车企视为新时期的技术高地和核心竞争力。目前，国内主流车企的电子电气架构已经完全从分布控制，进入網域集中控制。造车新势力普遍直接采用功能網域控到網域融合的过渡方案。
比较而言，新势力车企在汽车电子电气架构研发和配装的步子上迈得比较大，传统主机厂则相对保守，虽然大家都将自家架构称为中央计算单元加区網域控制器架构，但新势力普遍采用的是一个中央计算单元来融合智能驾驶和智能座舱的功能，而传统主机厂基本是都是中央计算群组形态，区抽成智驾、座舱和车控等多个计算单元。
总体上来看，国内企业的电子电气架构整体方案与国际头部车企的方案相当，都处在功能網域控或功能網域控到網域融合的过渡阶段。但与国际上领先的架构方案及设计方法相比，还要在架构设计模型库、汽车电子基础軟體、网络架构设计、冗余技术等方面进行进一步提升。
在跨網域融合进程中，由于泊车方案比较成熟，座舱網域控制器算力也有富余，将泊车融合进座舱網域控制器具有一定的成本优势，因此舱泊一体有望在近两年内集中落地。
预计到2025年，头部车企将陆续落地中央计算+区網域控制器的电子电气架构，届时有望实现舱驾融合/舱驾一体，同时軟體所有权将逐步收归主机厂。
2. 高算力芯片，自研座舱芯片
伴随着座舱集成的设备和功能越来越多，它所需要的硬體资源及算力需求也越来越高，高算力和高性能的SoC芯片已成为智能座舱的刚需与核心部件。
目前，智能座舱SoC芯片市场份额主要集中在几家海外的芯片企业手中，包括高通、瑞萨、英特尔、恩智浦、TI等。从全球范围来看，在2022年，高通座舱SoC芯片的市占率最高，占比为43.4%；瑞萨电子排在第二位，占比为19.7%；英特尔排在第三位，占比为18.16%。前三家占比超过80%的市场份额，智能座舱SoC芯片市场高度集中。
2023年，基于高通8155芯片的座舱網域控制器已成主流，2024年，8295芯片也将成为高端旗舰车型的标配。
得益于国内智能座舱的快速普及，本土企业也发力座舱芯片，华为和亿咖通占据一定份额，而随着地平线、芯擎、芯驰等国内企业座舱芯片也开始逐渐大规模上车，未来几年国产座舱芯片的份额有望提升。
分车型价格来看，高通加速渗透中低价位车型，亿咖通也在中低价位车型中占据一定份额，但客户主要集中在吉利系车型；英特尔、华为、联发科等入局中高端车型，对高通的市场地位造成一定压力。
目前，包括比亚迪、长城、蔚小理在内的多家车企，也都布局了芯片领網域，为的是降低成本，实现更好的软硬结合，相信很快车企自研座舱芯片就会成为趋势。
3. AI大模型赋能智能座舱多模态互動
多模态互動是智能座舱关键技术，以ChatGPT为代表的AI大模型，凭借强大的学习和泛化能力深度赋能智能座舱实现视觉、听觉、手势等多模态行为的快速感知理解和智能控制，重新定义座舱互動体验的智能化水平。
AI大模型在处理自然语言、视觉、语音、智能推荐等多个领網域具有显著优势，通过海量用户真实世界数据积累与训练，可主动识别驾驶员和乘客的语音，表情，手势姿态等多模态行为和需求，在应用层实现更敏捷的智能会话管理和AI互動界面。
2024年多模态大模型智能座舱将席卷汽车行业，引领传统指令式语音助手向主动陪伴式智能管家演进，百余款新车型将搭载大模型智能座舱量产上市。2023年百度、华为、腾讯、科大讯飞、商汤科技等科技公司陆续发布大语言模型，整车企业通过自研或合作积极加快部署AI大模型在智能座舱上车应用。预计2024年，问界、极越、理想、蔚来、长安、长城、奇瑞等众多车企争相打造多模态大模型智能座舱，百余款搭载多模态大模型智能座舱的新车型将实现快速普及应用。
4. 自研车机系统背后的"平台+生态"
如今自研车机系统已是汽车行业的常态，并且自研深度已经从应用型发展至ROM型乃至深度定制型，几乎所有车机都宣布开放平台，欢迎更多伙伴加入。
各家之所以投入重金深度自研座舱系统，不只希望軟體适配性更强，用户使用体验更流畅，更在于相比传统座舱，智能座舱产业生态覆盖范围广、延展性强，很多领網域的技术应用能快速迁移到智能座舱，如各类消费电子平台、可穿戴设备、生命体征检测等。因此它更强调内容和服务，这极为依赖"平台+生态"的构建。
类比智能手机行业，苹果和安卓机如今鼎足而立，实际就是两大系统及其背后庞大的生态圈，跑赢了塞班、黑莓等对手。
随着座舱从孤立的出行载具空间，转变为连接万物的智能移动空间，它将撬动成千亿级甚至万亿级市场，直接带动消费电子、汽车电子、芯片产业、生态服务等大量相关产业发展。
在2023年的中国汽车产业发展高峰论坛上，中国汽车工程学会常务副理事长兼秘书长张进华指出："未来产业竞争的核心将是平台和生态，而不是单一技术或产品。"甚至有观点认为，终端生态网联化将是智能化的下半场。
目前，智能汽车生态圈的构建主要分为两类：第一类是由科技公司主导，以它们现有的智能终端和互联网生态为基础，通过自研的开发平台和作業系統，最终实现产业链整合。
比如华为，坚持"平台+生态"战略，围绕汽车数字平台iDVP、智能驾驶计算平台MDC和HarmonyOS智能座舱三大平台，构建生态圈。企业在今年将原来以手机为核心的"1+8+N"生态体系，更新为"车+8+N"，汽车成为华为鸿蒙生态化布局的核心。整个生态体系将为华为在汽车智能化时代的比拼中提供持久动力。
又比如小米，虽然涉足生产环节，但其战略意图与华为异曲同工。不久前雷军宣布集团战略正式更新为"人车家全生态"。这个新战略以人为中心、将"人车家全生态"有机整合，关键内核就是全新的小米澎湃OS作業系統。
另外一类则是以车企为主导，将自主开发的汽车作業系統更新为类似iOS或者安卓那样的开发者平台，基于自家产品的市场保有量，最终整合产业链，构建一套行之有效的生态系统。比如蔚来、比亚迪等都有相应的布局。
总体来看，由于生态概念是从科技圈引入的，科技公司相比车企具有几大显著的先发优势：
首先，科技公司的軟體开发能力和效率远超传统车企，它们非常适应"摩尔定律"，能够做到敏捷开发，快速迭代。主机厂则习惯了传统汽车3~4年的硬體更新周期，虽然现在已有提速，但仍无法跟上智能网联功能的开发节奏，很容易造成产品管理、生产乃至营销的堵点。
其次，科技公司已在消费电子领網域构建起了较为成熟的可跨網域的技术底座及海量生态，桥接尚在起步阶段的智能车机相当于降维操作，难度和成本都较低。
但车企也有一大优势是科技公司不具备的——主机厂掌握着车辆的底层数据和接口的控制权，为了保证产品的安全性，也为了保住自己的"灵魂"，车企是不可能轻易对外开放这些数据和控制权的。
未来，构建智能汽车生态圈需要双向奔赴。但"新生态造车"能否跑通，必须要跨过"体量"的门槛，否则成本和体验是不成正比的。
以上是从技术底座的层面，分析接下来行业在智舱领網域竞争的重点。但技术只是基础，并不能与用户的实际体验完全划等号。因此水滴汽车认为，评价智能座舱的标准，必须以用户为核心，以他们的感知为评价维度，而非简单的比硬體参数和配置表。
水滴汽车结合中国汽车工程学会发布的2023年《汽车智能座舱分级与综合评价白皮书》，为智能座舱总结出了以下评级体系：
（1）智能座舱的核心是更好的服务驾乘人员，需要具备人机互動、场景拓展、网联服务三大主要能力。
（2）除传统功能座舱定义为L0级外，智能座舱可被划分为4大等级，分别为L1感知智能座舱（任务执行发生在舱内场景；座舱在部分场景下具备主动感知舱内驾乘人员的能力，任务执行需要驾驶员授权；具备面向驾乘人员的舱網域服务能力）、L2部分认知智能座舱（任务可跨舱内外部分场景执行；座舱具备舱内部分场景主动感知驾乘人员的能力，任务可部分主动执行；具备可持续更新的网联云服务能力）、L3高阶认知智能座舱（任务可跨舱内外部分场景执行；座舱具备舱内全场景主动感知驾乘人员的能力，任务可部分主动执行；具备开放的网联云服务能力）、L4全面认知智能座舱（任务可跨舱内外全场景执行，舱内可以无驾驶员；座舱具备舱内全场景主动感知舱内人员的能力，任务可完全主动执行；具备云控平台服务能力）。
目前行业处于L2级别。
（3）基于水滴汽车对智能座舱发展水平的判断，目前行业整体智舱水平处于L2部分认知智能座舱阶段，在该阶段下，任务可跨舱内外部分场景执行，座舱具备舱内部分场景主动感知驾乘人员的能力，任务可部分主动执行并具备可持续更新的网联云服务能力。
在该阶段下，语音指令仍是智能座舱最重要的互動方式，而决定语音互動能力和影响用户语音互動体验的主要来自于座舱所支持语音指令的数量、E/E架构不同控制網域对语音指令的开放程度以及语音指令的跨網域执行能力。
除语音控制能力外，系统调用车内硬體的能力则决定着智能座舱体验的丰富程度，包括不同场景下座舱可提供的功能及营造的氛围感，也是智能座舱营造"第三空间"能力的关键。
此外，随着越来越多互联网及3C制造企业的加入，智舱软硬體的生态系统是否强大也将是下一发展阶段的胜负手，是否拥有丰富的拓展应用和外接设备将成为智能车机与智能座舱之间的分水岭。
同时，驾驶员使用智舱的安全性和便利性也至关重要，因此我们会着重测试智舱的可见即可说能力以及全车多音区唤醒的准确性。
此次青铜报告智舱评价体系就将围绕着上述的几个维度展开，分别测试智能座舱的语音控制权限、语音控制跨網域能力、可见即可说能力、生态系统及场景的丰富度，从而形成对智能座舱更全面更准确的评价。
以下为青铜报告智舱评价体系具体评测方法和结果：
Part 5自动驾驶迈入最好的时代，但真正实现L3道阻且长
1. 城市NOA集中兑现，自动驾驶迎来行业奇点
自电动汽车进入人们的视线起，自动驾驶就是最具吸引力和想象空间的技术标的之一。但在自动驾驶不算太长的十多年发展史中，行业已经起起落落了很多次。过去几年中，由于技术陷入瓶颈，量产落地和商业化方面没有太好的进展，一直处在谷底期。
但2023年起，随着技术出现重大突破，政策法规开始"松口"，消费者对于NOA与自动驾驶的接受度逐步提升，自动驾驶行业迎来了最好的时代。
一个最直观的感受是，造车新势力和传统车企都在纷纷加码自动驾驶领網域，在高速NOA批量下放的同时，城市NOA功能也开始集中兑现，被视为行业质变奇点的L3等级自动驾驶似乎即将被攻破。
其中，新势力车企前瞻布局技术研发，引领着未来智能驾驶的发展方向。华为智能驾驶软硬體持续更新迭代，从ADS 1.0到2.0的更新，实现功能端多维度更新。ADS1.0通过融合感知BEV架构实现"看得清"，ADS2.0最重大的变化是"有图无图都能开"，摆脱高精地图的依赖，通过GOD 2.0与道路拓扑网络推理实现像真正司机一样看路识路，问界M5、新问界M7均搭载了HUAWEI ADS2.0高阶智能驾驶系统。
小鹏汽车不断完善其智能驾驶硬體，成为国内首个实现无图智驾整车落地的厂商。目前，小鹏汽车的XNGP系统在国内智能驾驶技术方面处于领先地位。XNGP是小鹏汽车最新一代智能辅助驾驶系统，它继承了XPILOT系统的优势并进行了进一步发展，该系统可以在全国范围内使用，具备实现全场景智能辅助驾驶的能力。智能架构更新，推出面向全场景智驾的终极架构-XBrain，该系统由深度视觉神经网络XNet 2.0和基于神经网络的规控XPlanner等模块构成。基于全新的XBrain架构，小鹏也提出了新的目标：轻地图（覆盖中国、走向全球、哪里都能用）、全场景（跨越高速/城区、连接小区和内部道路）、轻雷达（拟人感知、极致降本）。
传统品牌车企逐步加码智能驾驶，技术水平不断提升。在头部车企带领下，智能化新一轮产业趋势正在开启，比亚迪、长安、吉利等头部车企高度重视智能化，通过引进人才与技术、寻求合作等多种方式，积极提升智能驾驶技术水平。在智能驾驶发展的过程中，部分传统车企通过孵化智能化品牌布局智能驾驶，同时传统品牌也在加速实现L2级别智能驾驶从0-1的发展。目前长安汽车旗下的阿维塔，在与华为合作后成为中国唯二两家实现城市NOA功能的车企品牌。吉利推出子品牌极氪、长城推出魏牌，当前二者的智能驾驶功能与头部新势力车企相比也无太大差距。
自动驾驶体验持续更新，带动消费者智驾方案接受度迎来拐点。2023年1~9月乘用车NOA标配前装搭载交付量已经达到37.7万辆，渗透率接近 2.5%。
2. BEV+Tranformer为主流趋势，特斯拉仍然"遥遥领先"
市场放量的核心驱动力，永远是技术创新。近年来国内智能驾驶的发展，整体而言是主机厂逐步减少对供应商的依赖，感知硬體从增配到减配，电子电气架构逐步集中，算法能力持续增强。
2020年前，关键词为供应商依赖，主要方案为：分布式架构+后融合算法+Mobileye芯片；2021-2022年，关键词为硬體冗余，主要方案：網域控式ADAS架构+后融合/特征融合+英伟达大算力芯片+激光雷达+高精地图；2023年后，关键词为无图化和大模型，主要方案：跨網域式ADAS架构+国内外大算力芯片+ BEV+Transformer大模型。
有关自动驾驶技术底座、芯片、感知硬體等基础信息，请参照青铜报告之《别被忽悠！让我们画一张高阶自动驾驶的落地路线图》，在此我们只介绍分析最新技术进展。
首先，我们需要弄清，BEV/Transformer 分别是什么？BEV全称是Bird’s Eye View(鸟瞰视角），是将三维环境信息投影到二维平面的一种方法，以俯视视角来展示环境当中的物体和地形。Transformer大模型本质上是基于自注意力机制的深度学习模型，与传统神经网络RNN（递归神经网络）和CNN（卷积神经网络）不同，Transformer不会按照串行顺序来处理数据，而是通过注意力机制，挖掘序列中不同元素的联系及相关性，使得Transformer可以适应不同长度和不同结构的输入，从而提高模型在处理序列数据上的能力。
2021年特斯拉将Transformer模型引入智能驾驶并推出BEV鸟瞰图后，国内主机厂看到通过感知融合技术的更新，减少传感器和高精地图依赖在技术上的可能性。同时，乘用车行业竞争更加激烈，主机厂降本诉求较大，激光雷达和高精地图的成本也较高，目前包括比亚迪、蔚小理、智己等车企，以及华为、百度 Apollo、毫末智行、地平线、轻舟智航、觉非科技、商汤科技等自动驾驶企业均已布局 BEV+Transformer。
与传统2D+CNN小模型相比，BEV+Transformer大模型的优势主要在于：1）提高感知能力：BEV将激光雷达、雷达和相机等多模态数据融合在同一平面上，可以提供全局视角并消除数据之间的遮挡和重叠问题，提高物体检测和跟踪的精度；2）提高泛化能力：Transformer模型提取特征函数，通过注意力机制寻找事物本身的内在关系，使智能驾驶学会总结归纳而不是机械式学习，可加速解决长尾问题。
目前BEV+Transformer已成为行业主流，但它也有两点先天不足：一是BEV空间无法对障碍物的深度和高度进行表达。也就是说，类似高速路牌这样的物体，是无法被AEB准确识别的。
二是Backbone的预训练效果，决定了障碍物能否被识别。AEB只能识别"白名单"里的物体，换其他物体就可能会失效。
于是在BEV+Transformer大模型的基础上，特斯拉又在2022年提出了占用网络（Occupancy Network），从纯视觉方案出发解决通用障碍物（任意障碍物）检测。相较于BEV，占用网络有了Z轴上的扩展，是一种通用的2D特征转3D特征的转换，不局限于通用障碍物检测，应该可以扩展到更多3D空间任务，可以说是一大技术突破。
占用网络的主要特点为：硬體廉价，技术门槛较高；通用障碍物检测具备良好的泛化能力等。
目前，特斯拉之后已有一些对标者。其中，华为融合占用网络提出了GOD网络，智己、小鹏、蔚来等也表示将采用占用网络。
然而就在今年8月，特斯拉FSD最新版本Beta V12又采取了新的技术路线：从原本代码形式的軟體转到了神经网络形式的端到端大模型。FSD不再根据感知层的结果手动编写规划和决策层的代码，而是开始依靠类似人类的经验和直觉开车。
换言之，此前业界将大模型作为工具，辅助自动驾驶算法的训练，优化过程；现在，特斯拉将大模型作为决策模型，直接驾驶车辆，改变结果。
其最终的结果是，FSD Beta V12軟體将代码行数从之前的30万行缩减到了3000行，车端SoC变成了一个端到端大模型的容器。
目前国内还未能做到真正的端到端，比如毫末DriveGPT仍然分为感知大模型和认知大模型两部分。
事实上，无论Transformer大模型、占用网络还是端对端大模型，都不是特斯拉的发明，Transformer出自谷歌，但由于其极其吃算力，在英伟达的Orin X面世之前，只有特斯拉HW3.0芯片能够支持，特斯拉依靠算力优势，率先落地了BEV这条技术路线。
占用网络思想提出于2019年，特斯拉再次在落地上抢了先；端到端大模型也被学术界研究了多年。只不过特斯拉凭借在这个赛道的先发优势，依靠大规模交付车辆的数据优势和可自研芯片的算力优势，将它们率先工程化实现了而且。
清华大学人工智能研究院视觉智能研究中心主任邓志东教授表示，特斯拉在自动驾驶技术领網域仍处于领军地位，至少领先行业三年。
3. 大模型加速L3落地，量变到质变须解决多重问题
从技术角度看，大模型的应用就是把整车采集到的数据回传到云端，通过云端部署的大模型，对数据进行相近的训练，未来将驱动驾驶策略生成逐渐从规则驱动向数据驱动转变。
大模型有望加快L3及以上自动驾驶落地。主要在于：1）采用大模型预训练的方式可以实现自动标注，提高数据标注的精度和效率，同时缩减成本；2）对长尾数据进行挖掘，大模型具有较强的泛化性，加速解决长尾问题；3）场景仿真和数据生成，模拟真实道路场景和高危险性场景数据，加速模型优化。
不过，大模型目前仍处于发展初期阶段，行业专家指出，虽然在技术先进性上，特斯拉占优，但落地效果国内企业却不一定会输。
原因有二，首先，端到端大模型的技术路线需要消耗巨大的数据和算力资源。数据量不仅要多，还要足够优质。
马斯克曾透露，V12"训练100万个视频案例，可以勉强工作；200万个，稍微好一些；300万个，你就会感到Wow；1000万个，它将变得难以置信"。也就是说为了训练这个"删除规则，模仿人类"的端到端大模型，特斯拉已经训练了1000多万个视频案例。
而且这1000万个视频片段必须是"老司机"的驾驶行为，因为端到端大模型训练的本质是模仿，糟糕的驾驶行为会对大模型的训练效果带来向下拖拽的破坏。
并且有了足够优质的数据，还要有足够的训练能力。仅靠车端算力是无法支持的，未来的终极方向是云端计算，车端执行。这就意味着，智算中心也是下一阶段竞争重点，它承载着训练自动驾驶系统所需的巨大算力。
有数据显示，Transformer+BEV的周视环绕感知6V算力要求从20~30TFLOPS提升到200+TFLPS，内存带宽的要求也要提升十倍。预计到2025年，智算中心算力需求将达到14~43 EFLOPS（1 EFLOPS= 1000PFLOPS=1,000,000 TFLPS）。
行业内一些头部企业已通过建立智算中心的方式进行大模型的训练，例如特斯拉的Dojo智算中心，小鹏与阿里云的扶摇智算中心，毫末智行与火山引擎联合建立的雪湖绿洲智算中心等。
其次，BEV+占用网络已经可以实现很好的用户体验了。就实际的用户体验来看，华为等国内企业已经走在了特斯拉的前面。
在新款问界M7的发布会上，余承东宣布，与4月的ADS2.0版本相比，华为目前的ADS2.0已经可以做到城区内200公里只需接管一次。在2024款小鹏G9的发布会上，何小鹏给出的城区平均接管里程为150公里。而特斯拉FSD在郊区不足一百公里就要接管一次。
由此可见，技术到实际落地之间，有不小的距离。短期看，提升驾驶安全和降本，才是业内企业的当务之急。
我们预计在"重感知，轻地图"的路线下，伴随着算法的迭代和成熟，高阶自动智能驾驶的硬體成本有望降低50%。
与此同时，从L2级到L3级看似只有一级之差，但安全责任主体却从人类驾驶员变成了车辆，以目前的数据量和计算能力，企业是否真的有能力实现这种质变为未可知。消费者目前对于高阶自动驾驶的认知也还存在误区，有人认为有了NOA就意味着可以大撒把，这显然会造成巨大的安全隐患。
因此，捅破L2到L3之间的窗户纸，不仅没有我们想象中容易，也不应该被当作轻而易举的事。
（更多评测信息详见水滴汽车视频号）
