具身智能核心赛道研究:自动驾驶产业链完整剖析

更多行业热点解读请点击文末“阅读原文”或访问网站进行探索：www.celedog.com

具身智能（Embodied AI）强调智能体与物理环境的实时交互能力，而自动驾驶正是这一理念最复杂的工程化实践。与传统AI不同，自动驾驶系统需要在毫秒级时间内完成感知、预测、决策、控制的全闭环，且容错率趋近于零。

从技术演进看，自动驾驶经历了三个阶段：规则驱动的L1-L2时代、数据驱动的L2+时代，以及当前正在展开的端到端大模型时代。这一演进路径与具身智能的发展高度吻合——从"感知-决策-执行"的模块化架构，向"传感器输入-控制信号输出"的统一神经网络跃迁。

产业层面，自动驾驶已形成清晰的四层架构：感知层（传感器）、决策层（芯片与算法）、执行层（底盘与动力系统）、以及支撑层（高精地图与云服务）。每一层都孕育着百亿乃至千亿级的市场机会。

1） 激光雷达：从"奢侈品"到"标配"的成本下探

激光雷达（LiDAR）曾是高阶自动驾驶的标志性硬件，但其成本曲线在过去三年发生了戏剧性变化。2022年，车载激光雷达单价普遍在5000-10000元区间；至2024年，纯固态补盲雷达价格已跌破千元，部分混合固态主雷达进入2000-3000元区间。

• 市场格局呈现"一超多强"态势。速腾聚创以超40%的市占率稳居全球第一，其M平台产品在探测距离（200m@10%反射率）与点云密度（单回波600k点/秒）上建立了技术标杆。华为、禾赛科技、大疆 Livox 紧随其后，形成国产供应商的主导格局。值得注意的是，海外巨头Velodyne与Ouster的合并并未改变竞争态势，反而因产品迭代滞后导致市场份额持续流失。

• 技术路线分化明显。 混合固态方案（MEMS/转镜）仍是当前量产主流，但纯固态Flash与OPA方案在补盲场景加速渗透。速腾聚创的E平台、禾赛的FT120均代表了这一趋势。长远看，芯片化集成与VCSEL光源替代将是成本进一步下探的关键。

2）4D毫米波雷达：被低估的感知冗余

毫米波雷达在L2级辅助驾驶中已是标配，但传统3D雷达（距离、速度、方位角）缺乏高度维度信息，难以应对静止障碍物识别等Corner Case。4D成像雷达通过增加俯仰角测量与高密度点云输出，正在填补这一能力缺口。

• 核心突破在于芯片算力与天线阵列的升级。 德州仪器（TI）的AWR2944、恩智浦（NXP）的S32R45等新一代MMIC芯片，将射频通道数从传统的3发4收提升至12发16收，角度分辨率从几度级优化至0.5度级。国内方面，加特兰微电子、森思泰克等企业的芯片方案已在理想、蔚来等品牌量产上车。

• 成本优势是4D雷达的核心竞争力。 当前4D雷达单价约500-800元，仅为激光雷达的1/5-1/3。在L2+级方案中，"1颗前向4D雷达+多颗传统角雷达"的配置正成为性价比最优解。

3）车载摄像头：视觉算法的"数据入口"

摄像头是自动驾驶系统中数量最多的传感器，单车配置从5颗（基础L2）到11颗以上（城市NOA）不等。高像素化与去ISP化是两大技术趋势：800万像素前视摄像头已成为高端车型标配，而基于RAW域输出的AI ISP方案正在替代传统图像信号处理链路，以保留更丰富的原始光度信息供神经网络学习。

• 供应链格局相对分散。 舜宇光学、联创电子、欧菲光等国内厂商在镜头与模组环节占据主导，而CMOS图像传感器仍由索尼、三星、安森美（原Aptina）等海外巨头把控。值得注意的是，韦尔股份（豪威科技）的车规级CIS产品正在快速上量，国产替代进程加速。

1）自动驾驶芯片：从GPU到ASIC的架构跃迁

车载计算平台是自动驾驶系统的"大脑"，其算力需求随功能等级指数级增长。L2级仅需数TOPS算力，L2+城市NOA需要100+ TOPS，而L3级以上的多传感器融合方案则要求500 TOPS起步，部分旗舰平台已突破2000 TOPS。

• 英伟达Orin仍是高端市场的性能标杆。 单颗Orin-X算力达254 TOPS，多颗级联方案在蔚来ET7、理想L9等车型上广泛应用。但Orin的功耗（约65W）与成本（单颗数百美元）使其难以下沉至中端市场。

• 国产芯片迎来窗口期。 地平线征程5（128 TOPS）、华为昇腾610（200 TOPS）已实现规模化量产，在性价比与本地化服务上具备优势。黑芝麻智能的A1000 Pro、芯驰科技的V9P等方案也在快速迭代。更值得关注的是，下一代专用架构芯片——如地平线征程6、英伟达Thor——将采用存算一体与神经网络专用加速单元，能效比有望提升5-10倍。

• 舱驾融合是长期趋势。 英伟达Thor（2000 TOPS）与高通Snapdragon Ride Flex（2000 TOPS）均支持单芯片实现智能驾驶与智能座舱的物理融合，这将显著降低整车线束复杂度与BOM成本，预计2025年后在高端车型率先落地。

2）算法架构：端到端大模型重构技术栈

2024年以来，自动驾驶算法范式发生根本性转变。特斯拉FSD V12的端到端神经网络架构，将原本由感知、预测、规划、控制等30万行代码构成的模块化系统，压缩为单一的深度学习模型，代码量锐减至3000行，性能却显著提升。

• 这一转变的核心在于"数据驱动"替代"规则驱动"。 传统模块化架构中，工程师需为每一种交通场景编写规则；而端到端模型通过海量人类驾驶数据（视频-动作对）训练，自动学习驾驶策略。其优势在于：

  1）信息无损传递，消除模块间接口瓶颈；

  2）全局优化，避免局部最优解；

  3）Corner Case处理能力随数据规模提升而持续增强。

• 国内厂商快速跟进。 华为ADS 3.0、小鹏XNGP、理想AD Max等均发布了端到端方案，采用"分段式端到端"（感知端到端+决策端到端）作为过渡路径，以降低纯端到端模型的可解释性风险。毫末智行、元戎启行等供应商也推出了DriveGPT、DeepRoute IO等端到端量产方案。

• 数据闭环能力成为竞争壁垒。 端到端模型的性能上限取决于数据质量与规模，这要求企业具备：

  1）大规模量产车队采集真实场景数据；

  2）高效的数据标注与清洗 pipeline；

  3）云端训练基础设施（千卡级GPU集群）。目前，特斯拉凭借数百万辆量产车的数据飞轮效应领先，国内头部新势力与华为、百度等科技巨头紧随其后。

1）线控制动：One-Box方案主导，EMB蓄势待发

线控制动（Brake-by-Wire）是自动驾驶执行层的核心安全件，其功能安全等级需达到ASIL-D。当前主流方案为EHB（电液制动），其中One-Box集成式方案（将ESP与助力器集成）因体积小、响应快（建压时间<120ms）、能量回收效率高，已成为新能源车型的首选。

• 博世iBooster+ESP10、大陆MK C1等海外产品占据主要份额，但国产替代正在加速。 伯特利WCBS、同驭汽车EHB、拿森科技NBooster等产品已通过多家车企验证，在性能指标上接近国际水平，成本优势明显。伯特利作为本土龙头，2024年线控制动出货量已突破百万套，客户覆盖奇瑞、吉利、理想等主流品牌。

• 技术前瞻：EMB（电子机械制动）取消液压管路，完全由电机驱动制动钳，响应速度可提升至80ms以内，且更易于与轮毂电机集成。 预计2026-2027年，EMB将在高端车型小批量应用，成为下一代技术制高点。

2）线控转向：L3级自动驾驶的必备条件

线控转向（Steer-by-Wire）彻底取消方向盘与转向轮之间的机械连接，由传感器采集方向盘转角与力矩信号，经ECU计算后驱动转向电机执行。这一架构是L3级以上自动驾驶的必备条件——当系统需要接管控制权时，必须能够独立于驾驶员输入进行转向操作。

• 耐世特、博世、采埃孚等Tier 1巨头掌握核心专利，但国内供应商正在突破。 拓普集团、浙江世宝、伯特利等企业已推出线控转向样机，进入验证阶段。政策层面，2024年1月发布的GB 17675-2021《汽车转向系基本要求》标准修订版，已解除对线控转向的禁令，为量产扫清法规障碍。

• 转向比可变与路感模拟是差异化功能。 线控转向允许根据车速动态调整转向比（低速时减少方向盘圈数，高速时增加稳定性），并通过力反馈电机模拟路感，提升驾驶体验。这些功能在高端电动车型上具有明确的用户价值。

1） 高精地图："重"模式向"轻"模式演进

高精地图（HD Map）曾是高阶自动驾驶的必备基础设施，提供厘米级定位与超视距感知信息。但传统高精地图存在采集成本高（每公里数百元）、更新周期长（季度级）、覆盖范围有限等痛点，难以支撑城市级NOA的快速开城。

• "去高精地图"（或"轻地图"）成为行业共识。 基于BEV（Bird's Eye View）+Transformer的实时建图技术，使车辆能够通过摄像头与激光雷达在线生成局部高精地图，替代预采集数据。华为ADS 2.0、小鹏XNGP等均采用这一技术路线，实现了"有图无图都能开"。

• 但这并不意味着高精地图价值的消亡。 在复杂路口、恶劣天气、遮挡场景下，轻量级高精地图（仅包含车道拓扑与关键静态要素）仍能提供重要的先验信息，提升系统鲁棒性。高德、百度、四维图新等图商正在向"众包更新+动态要素"的新模式转型。

2）云服务：训练基础设施与运营平台

自动驾驶云服务分为两大板块：一是面向开发的云端训练与仿真平台，二是面向用户的OTA更新与车队管理平台。

• 训练基础设施是重资产投入。 训练端到端大模型需要千卡级GPU集群与PB级存储资源，单次训练成本可达数百万美元。特斯拉自建Dojo超算，国内华为云、阿里云、百度智能云均推出了自动驾驶专属云服务，提供从数据标注、模型训练到仿真测试的全栈工具链。

• 仿真测试是降本增效的关键。 基于NeRF（神经辐射场）与生成式AI的仿真技术，能够从真实场景数据中重建高保真虚拟环境，并泛化出极端天气、罕见障碍物等Corner Case。Waymo、百度Apollo的仿真测试里程已达数十亿英里，远超实际路测里程，显著加速了算法迭代速度。

1）市场规模与增长节奏

据中商产业研究院数据，2024年中国自动驾驶市场规模约3920亿元，预计2025年将突破4500亿元，2030年有望达到数万亿规模。其中，L2级辅助驾驶渗透率已超过50%，成为市场基本盘；L2+城市NOA正在从30万元以上高端车型向20万元级主流市场渗透；L3级有条件自动驾驶预计在2025-2026年迎来规模化落地拐点，首批应用将集中在高速公路场景。

从产业链价值分布看，决策层（芯片+算法）占据最大价值份额，约35%-40%；感知层（传感器）占比约25%-30%；执行层（线控底盘）占比约15%-20%；支撑层（地图+云服务）占比约10%-15%。 随着算法架构向端到端演进，软件与数据的价值权重将持续提升。

2）竞争格局与护城河

• 整车厂：自研与外包的权衡。 特斯拉、华为、小鹏等坚持全栈自研，以掌握数据闭环与用户体验的主动权；多数传统车企则选择与Mobileye、地平线、Momenta等供应商合作，以缩短开发周期。未来，头部车企将掌握算法定义权，而硬件与基础软件将走向标准化、平台化。

• Tier 1供应商：从集成商向解决方案商转型。 博世、大陆、电装等传统巨头在底盘执行领域仍具优势，但在智能决策领域面临科技公司的挑战。国内德赛西威、经纬恒润等企业凭借域控制器集成能力快速崛起，成为连接芯片厂商与整车厂的关键枢纽。

• 新兴玩家：端到端重塑竞争格局。 端到端架构降低了模块化时代的工程壁垒，数据规模与算力基础设施成为新的护城河。这一变化有利于拥有大规模量产车队的整车厂与科技巨头，对缺乏数据积累的初创企业构成挑战。

技术风险： 端到端模型的"黑箱"特性带来可解释性与安全性挑战，L3级以上的责任界定仍需法规完善。极端天气、复杂城市场景的可靠性仍需验证。

成本压力： 高阶自动驾驶硬件BOM成本仍高达数万元，下沉至20万元以下大众市场需要全产业链的持续降本。

地缘政治： 车载芯片、高精度传感器等关键环节面临出口管制风险，国产替代进程虽在加速，但高端制程与核心IP仍存在差距。