近年来，无人驾驶发展驶入“快车道”，政策端传出利好消息，工信部明确表示支持L3级及更高级别的自动驾驶功能商业化应用。
同时，产业端也迎来利好，AI大模型或进一步加入无人驾驶的发展，具体来看AI从哪些方面赋能？
华泰证券在最新的报告中，对AI大模型赋能自动驾驶进行了详细剖析，分析指出AI大模型的引入（自动标注、感知预测算法的快速迭代），从行业整体层面可以加速高级别辅助驾驶的量产落地。
其次，智能驾驶板块后发者借助产业链优势（云端算力中心、通用开源模型的适配）与先发者在数据积累、模型迭代中的差距有望进一步缩小。
而受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，零部件国产替代趋势显著。
总结来看，华泰认为，今年或是城市NOA（领航辅助驾驶）普及的元年。当前旗舰车型高级别辅助驾驶BOM成本为1.4万元，预测2023-2030年高级别辅助驾驶BOM成本的平均年降幅度为11%。
提升数据采集、数据标注的效率
海量的数据是无人驾驶的基础，主要来自真实数据、虚拟仿真、影子模式，而下一步是则对数据进行识别、标注。
数据采集方面，华泰证券指出，大模型可以构建虚拟场景人工生成数据，补充现实中难以获得/数据量不足的情形。
以特斯拉FSD为例，针对真实道路场景中不常见的案例，特斯拉通过模拟仿真，构建虚拟场景采集数据，以丰富数据的来源，为模型训练提供支持；通过数据引擎，人工挖掘误判的、非典型案例。
数据标注方面，华泰证券指出，人工标注成本高、效率低，自动标注是AI大模型赋能智能驾驶最直接的应用，能大幅降低数据标注的成本。
以特斯拉为例，特斯拉FSD通过“多重轨迹重建”技术自动标注车辆行驶轨迹。目前在集群中运行12小时即可完成10000次行驶轨迹标注，取代500万小时人工标注。通过机器的自我训练，减少了人力标注成本高、效率低的问题。
以Meta的SAM为代表的图像分割大模型的出现可大幅降低数据标注的成本，该模型是有史以来最大的分割数据集。
优化感知-决策-执行三阶段算法
同样以考特斯拉FSD为例，华泰分析师黄乐平将自动驾驶模型算法按流程，分为感知识别道路和道路上物体）、预测（预测周围车辆和行人的行为）、执行（控制车辆速度方向等行动）三个阶段。
特斯拉、新势力等主要企业从几年前开始采用基于Transformer的大模型等新技术，1）提高道路、物体的识别精准度；2）学习人类的驾驶习惯（影子模式），3)缩短决策所需要的时间，从而训练模型更加“拟人”。
1、感知层面：OccupancyNetwork、3D建模
华泰证券指出，特斯拉创新性的提出了占用网络（OccupancyNetwork）模型，直接将3D空间点格化，相较于之前在障碍物识别和行驶路径预判方面有了明显提升，具体来看：
1）通过占用网络，只需分析物体的空间内栅格占用情况，不需对物体本身进行检测识别，规避传统视觉算法中对物体识别失败带来的车祸风险。
2）占用网络解决传统视觉算法难题及还原道路坡度和曲率，辅助行车更优决策。
3）基于占用网络可以预测道路上其它物体的行进轨迹。
2、预测层面：道路拓扑关系预测、障碍物预测
华泰证券指出，预测分两种，一种是道路信息的预测，另一种是障碍物的预测。
车道线网络模型辅助进行车辆行驶路径的预判。车道线网络模型生成的“车道语言”，可以在小于10毫秒的延迟内，思考超过7500万个可能影响车辆决策的因素，运行这套语言的功耗只需要8W，较大的提升了特斯拉FSD对车辆行驶路径的预判能力。
物体的预测包含动、静概率信息，再结合道路拓扑信息，为最终的形式决策提供支持，模型会自动生成虚拟车辆，令决策更贴近人类驾驶员的思维模式。
3、决策层面：车端算力升级、模型计算效率优化，决策更加智能
决策的难点在于多方的交互与对路权的博弈，计算的效率是至关重要的。华泰证券表示：
目前业内普遍50-100毫秒之间完成一轮计算。受车端算力与计算效率的限制，目前决策层面的模型可分为两类：1）rulebase的模型（类似if程序，提前设定了某些情境下的反应机制）；2）特斯拉的交互搜索的模型（querybase的条件下可缩短单次计算时间至100微秒）。
推动车端/云端算力升级与国产化
最后，受益于智能驾驶本土化的客观需求、产业链各环节国内供应商产品性能的提升与下游自主品牌的崛起，华泰证券认为零部件国产替代趋势显著。
随着大模型上车对车载算力需求的进一步提高，以及车载芯片制造商对芯片架构和技术的改进，车载芯片的算力有望持续上升。英伟达Thor芯片（2000TOPS）未来量产有望加速计算平台融合。
