報告核心内容：
“無人駕駛”看上去很美，但一直很難落地
“無人駕駛”是最早被提出的人工智能應用場景之一，谷歌，蘋果，特斯拉， 百度等海内外科技巨頭從 2016 開始就積極布局，但直到現在一直還很難實作大規模商用落地。我們認為，1）多元度資料的擷取和标注成本高，2） 對小機率事件的決策準确度和人類還存在較大差距，3）事故時法律權責歸屬不明确，是制約其發展的一部分問題。我們認為，以 ChatGPT 和 SAM 為代表的大模型的出現，将要改變智能駕駛在内所有行業的工作範式，我 們從資料，算法，算力等角度初步探讨其中一些發展機會。
資料：大模型提升資料采集、資料标注的效率
海量的資料是智能駕駛/無人駕駛的基礎。通過這幾年發展，現在一台 L2+ 級别智能電動車通常能夠采集多 10+顆攝像頭，1-2 顆雷射雷達，3-5 顆毫米波雷達的多元度資料，資料經過标注之後，用于訓練模型。大模型的出 現，首先能夠
1）建構虛拟場景人工生成資料，補充現實中難以獲得/資料量不足的情形。特斯拉 FSD 的虛拟仿真，英偉達的 Omniverse 都是其中的代表。2）資料标注是非常費時費人的工作，以 Meta 的 SAM 為代表的圖像分割大模型的出現可大幅降低資料标注的成本。
算法：大模型提升感覺準确度，影子模型學習人類駕駛習慣
智能駕駛算法主要包括 1）感覺（識别道路和道路上物體），2）預測（預測周圍車輛和行人的行為），3）決策（控制車輛速度方向等行動）。
特斯拉、新勢力等主要企業從幾年前開始采用基于 Transformer 的大模型等新技術，1）提高道路、物體的識别精準度；2）學習人類的駕駛習慣（影子模式），3) 縮短決策所需要的時間，進而訓練模型更加“拟人”。
智能駕駛産業鍊：國産替代趨勢顯著
受益于智能駕駛本土化的客觀需求、産業鍊各環節國内供應商産品性能的 提升與下遊自主品牌的崛起，零部件國産替代趨勢顯著。
1）晶片：國内玩家地平線、黑芝麻等與海外大廠的差距逐漸縮小，本土化服務能力更強。
2）域控制器及解決方案：國内玩家德賽西威、經緯恒潤、縱目科技、知行科技等均已規模化上車，技術成熟度不斷提升。
3）雷射雷達：國産供應商禾賽、圖達通、速騰等在量産節奏更快。
4）4D 毫米波：國内玩家有行易道、森思泰克等雷達廠商以及加特蘭（MMIC 晶片）等晶片公司。
5）高速連接配接器：羅森伯格技術積澱深厚，電連技術、瑞可達等加速追趕。
以下是報告節選，下載下傳原報告方式見文末：
報告全文PDF分享，資料擷取方式
點選頭像進入首頁，關注本頭條号，點選【我的服務】，擷取報告