智能驾驶行业深度报告：智驾路线向“端到端”演进，数据飞轮重要性凸显
核心观点
据《中国智能驾驶白皮书》（中国人工智能协会，2015），智能驾驶通过智能系统及传感器，有效减少交通事故，亦可显著降低运营成本。据文远知行招股书，2022年全球及中国大陆自动驾驶市场规模分别约100亿/20亿美元，2030年有望分别增长至1.75万亿/6390亿美元，CAGR分别为79.75%/85.62%。从结构看，以L4及更高水平为代表的高阶自动驾驶增速相对亮眼，有望超越行业平均。
智能驾驶路线向“端到端”演进，有望成为行业主流
据上海人工智能实验室、清华大学智能产业研究院、《端到端自动驾驶系统研究综述》（陈妍妍等，2023）及《Planning-oriented AutonomousDriving》（胡怡涵等，2023），智能驾驶路线几经变迁，传统模块化方案具备便于问题回溯、易于调试迭代、低耦合、可解释性高等优点，但存在信息损失以及误差传递等问题；多任务结构可降低整体运算成本，但仍无法实现全局最优；当前来看，端到端架构具备设计优势，直接从车辆状态和传感器采集的外部环境数据中学习策略，通过绕过中间组件来消除潜在的信息瓶颈和累积误差，并允许网络效仿人类驾驶员朝着最终目标持续优化，且经三十余载发展，技术已经多次迭代。从实证来看，智驾公司密集布局端到端，如特斯拉FSD V12测试版，由视觉图像到车辆控制信号的直接输出，实现了感知决策技术的一体化；小鹏开发并部署量产了端到端的BEV（Bird’s Eye View）感知架构XNet，迈向了端到端自动驾驶系统的重要一步；端到端行业落地方案表现出色，商汤科技UniAD作为首个感知决策一体化端到端大模型，将全栈驾驶任务整合在一个网络中，利用每个模块的优势，并从全局视角提供互补的特征抽象，UniAD综合性能优于之前的方案。
数据飞轮形成，数据端重要性凸显
端到端路线对于数据的质量及数量要求高增，据《端到端自动驾驶系统研究综述》（陈妍妍等，2023）及IT之家，端到端需要海量的大规模数据支持，才可匹配算法实现完全高性能。从数据量来看，2023年初，特斯拉已向系统输入了1000万个经过筛选可供学习的人类驾驶视频；同时特斯拉在全球各地近200万辆的车队，每天提供约1600亿帧视频用于训练。
投资建议
智能驾驶产业趋势明确，端到端路线优势明显，行业各厂商密集布局，有望成为未来智能驾驶路线主流。我们建议关注两条主线，一是智能驾驶解决方案提供商，有望享受行业扩张下主机厂需求提升红利，建议关注德赛西微、中科创达、地平线机器人-W、文远知行等；二是车路协同V2X参与厂商，有望受益于智能驾数据要素重要性提升，建议关注万集科技、金溢科技等。
风险提示
行业竞争加剧风险、商业化进度不及预期风险、技术路线调整风险。
