一、什么是AI驾驶汽
AI驾驶是基于无人驾驶技术的汽车，实质上就是一台移动的智能联网机器人，可以实现真正的智能化和共享化。传统汽车技术只是“移动”能力的载体，而基于人工智能与车联网生态下才是AI驾驶技术的核心。

无人驾驶技术可抽象为“环境探测-自动决策-控制响应”。其发展主要依赖于三方面技术的成熟：智能感知技术是前提，智能决策和控制技术是核心，高精度地图及智能交通设施等是重要支撑。智能识别及决策技术就想智能汽车的中枢神经，是自动驾驶技术成熟的核心及瓶颈。深度学习云平台让每一个新上路的“新驾驶脑”都像“老司机”那样，拥有丰富的驾驶经验。作为无人驾驶发展成熟的重要支撑，高精度、全信息地图是不可或缺的。

自动驾驶是AI落地的重要场景之一。2012年之后深度学习技术快速发展带动自动驾驶技术迅速进步，近年来Transformer大模型等技术进一步提升了自动驾驶算法能力，2022年开始落地的大算力芯片及车厂自建AIDC的趋势也为大模型提供了底层支持，看好中长期自动驾驶行业的发展，在数据端具备优势的厂商有望率先实现突破。

二、AI驾驶产业链及技术梳理
1、自动驾驶上中下游产业
自动驾驶产业链上游包括感知层、决策层、执行层与网联层。感知、决策和执行为实现自动驾驶技术的核心要素，而网联层作为中国车路协同技术路径下重要组成，与自动驾驶技术协同发展落地；中游包括主机厂、自动驾驶科技企业、出行科技企业和智慧交通服务商，共同打造生态融合。下游涉及智能驾驶车辆运营以及智能驾驶车辆改装，其中智驾车辆运营按应用场景可分为封闭场景、半封闭场景与开放场景，通过自动驾驶技术满足不同场景及市场需求。

2、自动驾驶汽车关键技术
自动驾驶汽车通过摄像机、激光雷达、毫米波雷达、超声波等车载传感器来感知周围的环境，以及V2X和5G网络等获取汽车所处的交通环境信息和车辆状态信息等多源信息，为自动驾驶汽车的决策规划进行服务依据所获取的信息来进行决策判断，由适当的工作模型来制定相应的策略。

1）环境感知：环境感知作为其他部分的基础，处于自动驾驶汽车与外界环境信息交互的关键位置，是实现自动驾驶的前提条件，起着人类驾驶员“眼睛”“耳朵”的作用。相关技术有摄像机、激光雷达、毫米波雷达、超声波传感器、环境感知关键技术。

2）精准定位：自动驾驶汽车的基础是精准导航，不仅需要获取车辆与外界环境的相对位置关系，还需要通过车身状态感知确定车辆的绝对位置与方位。相关技术有惯性导航系统、轮速编码器与航迹推算、卫星导航系统、SLAM （即时定位与地图构建）自主导航系统。

3）决策与规划：自动驾驶汽车的行为决策与路径规划是指依据环境感知和导航子系统输出信息，通过一些特定的约束条件如无碰撞、安全到达终点等，规划出给定起止点之间多条可选安全路径，并在这些路径中选取一条最优的路径作为车辆行驶轨迹。

4）控制与执行：自动驾驶汽车的车辆控制系统是自动驾驶汽车行驶的基础，包括车辆的纵向控制和横向控制、车辆控制平台。

5）高精地图与车联网V2X ：高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息，起到构建类似于人脑对于空间的整体记忆与认知的功能，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险，是自动驾驶汽车的核心技术之一。 车联网V2X 。V2X 表示 Vehicle to X，其中 X 表示基础设施（Infrastructure）、车辆（Vehicle）、行人（Pedestrian）、道路（Road）等。V2X 网联通信集成了 V2N、V2V、V2I 和 V2P 共四类关健技术。

3、学习与算法是自动驾驶技术发展的分水岭及底层推动力
算法对于自动驾驶的效果至关重要。自动驾驶作为人工智能技术重要应用场景之一，其技术体系由算法、算力、数据三部分构成，其中算法的有效性影响自动驾驶的每一个环节，从感知环节的特征提取到神经网络的决策，都需要依赖算法改进来提高障碍物检测准确性和复杂场景下的决策能力。典型的自动驾驶技术架构包括感知（定位）、决策、执行三部分。

4、大模型是人工智能产业的重要趋势
1）大模型是人工智能产业的重要发展方向。由于人工智能的细分场景和细分应用过多，传统开发模式下针对每一个特定场景都定制一套全新算法，行业开发工作冗余、效率低且成本高。大规模预训练模型能够解决以上痛点，成为重要发展趋势。从业界大模型参数量来看，目前全球多家人工智能实验室和巨头均在持续提升大模型的规模。

2）大模型提高AI模型的智能程度，提升了AI模型的通用性。根据OpenAI的研究人员对GPT-3的计算能力测试，在十项计算能力测试中，小模型的性能明显差于大模型，即使是130亿参数的模型处理二位数加减法的准确率也只有50%左右处理其他运算的准确率还不到10%，远低于1,750亿的GPT-3完整版模型。此外，通过压缩大模型批量化生产小模型的方式能生产大量的、覆盖不同场景的模型，无需针对每个场景都单独定制生产，提高各个行业的AI模型生产效率。

3）感知算法与决策算法。感知算法利用传感器收集环境数据，完成行驶路径识别及周边物体识别的任务。具体而言，感知算法需要对道路交通标志标线、交通设施以及车辆、行人、地面其他物体进行识别和辨认。多传感器融合是感知系统的主流发展方向。决策算法是自动驾驶系统中难度极高的部分，需要高效的AI模型和大量训练数据。决策层指依据感知到的道路信息、交通信息、车辆自身信息来进行决策判断，选择适当工作模型并制定相应控制策略，对底层控制执行模块下达指令。自动驾驶的决策系统主要包括行为决策、路径规划两大部分。

4）深度学习是数据驱动的AI，数据积累是现阶段自动驾驶核心竞争点。底层技术决定了数据要素在深度学习中的核心地位。在深度学习时代，数据、算法、算力是构造AI的三大要素。数据积累依赖感知层面传感器的配置。目前市场上存在两类配置方案：一类为使用摄像头作为主要传感器、不采用激光雷达感知数据的视觉方案，目前仅特斯拉一家使用，百度2021年底发布的ANP系统也采用了该方案；第二类为以激光雷达为主导的多传感器配置方案，Waymo等L4厂商及其他L2厂商均选择该技术路线。

5）高级自动驾驶中算力助力算法但先行于算法，大算力是竞争焦点。自动驾驶汽车一般以多传感器融合的方式采集数据，处理数据需要强大的AI芯片提供算力支撑。自动驾驶级别越高，数据采集、传输、处理量指数级提升，对AI芯片算力要求随之提升。据高工智能汽车研究，L2/L3/L4/L5级别自动驾驶芯片的算力最低要求分别约为10/100/320/1,000 TOPS（TOPS：每秒万亿次操作）。未来大算力芯片成为自动驾驶升级体验感的核心竞争点。

图表：自动驾驶各级别对应像素数、数据量以及算力需求（估计值）

三、AI驾驶产业市场空间
德勤报告显示，未来3-5年，智能化、网联化将迎来一轮高速推进，预计至2030年，中国运营的自动驾驶车辆将达3000万辆。麦肯锡则认为，中国未来很可能成为全球最大的自动驾驶市场，预计至2030年，自动驾驶相关的新车销售及出行服务创收将超过3.5万亿元。

四、A股人工智能驾驶产业链相关公司
1）中科创达是智能驾驶算法供应商龙头。布局芯片+操作系统全业务体系。
2）诚迈科技拥有自主研发的车用操作系统，包括智能座舱域、中央控制域、智能驾驶域和工具链平台等
3）德赛西威在感知层有毫米雷达波布局，在执行层有域控制器布局，在智能座舱和自动驾驶领域拥有深度Know how,助力算力、算法在车上落地。作为英伟达车载领域核心合作伙伴，有望充分受益本轮AI浪潮。
4）佳都科技为自动驾驶提供交通数据和计算模型，有望实现交通数据交易，数据运营商业模式升级。
5）道通科技是汽车智能诊断和检测、 TPMS（胎压监测系统）和 ADAS（高级辅助驾驶系统）产品、相关软件云服务综合方案提供商。
6）中海达是国内激光移动测量和高精度定位的龙头，有望成为高精度地图厂商测绘仪器的提供商和数据提供方，高精度定位市场也将打开。
7）四维图新是前装市场份额最大的图商，依靠其技术优势及流量优势切入高精度地图的制作与运营。
8）东软集团是国内汽车电子的领先厂商，有望切入无人驾驶系统集成领域。
9）锐明技术是车载视频监控龙头，全球市占率第二。宇通光学在车载摄像头有布局。
10）大华股份在AI智能驾驶芯片、雷达等系统、车载摄像头方面有布局。
11）经纬恒润在4D毫米雷达波有样机研发。

其他AI驾驶产业链相关公司：华域汽车、高德红外、万安科技、铂特利、亚太股份、塞力斯、华阳集团、爱科迪、  宇通客车、长安汽车、比亚迪等。