一個長達十年的大機會，現在才剛開始

新能源汽車上半場是電動化，下半場是智能化。

而現在已經進到了下半場，甚至已經走出了有一小半的距離。從投資角度來講，可能要往更遠和更廣闊的天地去看看。

本篇我們從人工智能的發展開始，新能源汽車智能化過程中存在的一些投資機會。

“妙懂行”是妙投為投資者特別推出直播，每個交易日的19:00—20:30，我們都將為大家聚焦投資市場，幫助大家捕捉有潛力的行業賽道。

本次直播我們特別邀請到了紫峰資本管理合伙人周成，來聊聊新能源汽車智能化的投資機會。

本篇為直播精華內容匯編，想看完整直播視頻和嘉賓ppt，可添加妙妙子微信huxiuvip302，或掃描文末二維碼，備注“智能駕駛”免費獲取～

#01人工智能的發展狀況如何？

最近，人工智能的話題很火，很多人都在討論人工智能的發展。

甚至討論到人工智能與人的關系，包括人工智能會不會對人產生威脅，人工智能是不是要進行一定的監管等等。對于這些話題，我今天也做一些簡單介紹和分享。

首先人工智能本身其實是一個比較古老的概念，在下圖的時間線中，人工智能的誕生是在1956年，但實際可以追溯到更早，就是著名諾貝爾獎文學獎羅素在一些著作中就講述過人工智能的一些概念。

到后來被譽為計算機科學與人工智能之父的圖靈，大家都知道人工智能有個著名的“圖靈檢測”，而圖靈可能在二次大戰剛結束的時候，就已經有了所謂的對人工智能關注。

所以人工智能其實是一個比較古老的概念，但它整個發展周期其實非常漫長。如果對人工智能感興趣，推薦大家看一本書叫《人工智能簡史》，可以更清晰看到人工智能的發展過程。

在2021年，我看到一篇文章講的是人工智能的崩潰，其中主要是講的很多人工智能公司的發展都遇到了相當大的瓶頸，比如美國的相關公司大幅進行減值。

其實2020年GPT-3就已經出來了，由此可見當時大家對人工智能的發展還是比較悲觀的。當然一切的變化就是出現在去年下半年，當時GPT-3.5的發布一下子將人工智能的發展帶到了一個新的階段。

人工智能中最先被攻克的是語音識別，比如科大訊飛。后面就是計算機視覺（computer vision），其中比較著名的有商湯、曠視等公司。

在之后，大家已經在討論所謂的自然語言處理（natural language processing），我們叫LP。但那個年代的NLP跟我們今天基于GPT或ChatGPT的LP其實是不太一樣的。那時候的LP很多實際應用場景叫RPA，RPA相當于一種自動客服，它其實更多使用的一種專家庫或問題庫進行一種窮舉。

這跟我們目前這種深層次的AI是有比較大區別的。當然人工智能的發展為什么會到一個瓶頸，其實也跟LP遲遲無法攻克有關系，很多大佬都講過這個東西很難。

再下面就是深度學習訓練和推理，比如比較知名的第四范式主要就是做這個的。然后再往下就是transformer架構的出現，這實際上就是今天GPT的一個起點。

在之后就是我們所熟知的GPT，GPT就是人工智能發展路徑通向的羅馬，而這個羅馬不是一天建成的，而是在整個發展過程中，無數大佬扔出各種各樣的算法、理解框架等等，雖然沒有誰是特別完美的，但這些都構建今天我們所熟悉的人工智能技術的基石。

除了GPT，還有BERT值得關注，這兩個其實都是谷歌做出來的，但是因為在小語言模型狀態下的話，BERT比GPT表現更好。

所以今天OpenAI的這些創始人，最后離開了Google，做了OpenAI，就是因為他們仍然對GPT很有信仰。另外，在不斷加大模型參數的時候，會有一種叫做過優化的狀態，說白了就是投入更多算力之后，會發現優化的效率其實是在下降的。

但隨著不斷往GPT里投入更多算力和參數之后，GPT出現了一種狀態叫做涌現，最后使得整個GPT的效果要好于BERT。所以導致目前所有的大模型技術型幾乎都是一樣的，大家都講究用GPT，用大模型，所謂大力出奇跡，只要我算力夠，只要我參數夠，我一定會拿到一個相對不錯的結果。

從整個GPT來講，GPT就是Generative Pre-trained Transformer，是一種基于Transformer架構的預訓練模型，由Open AI提出。它通過大規模的無監督學習從海量數據中學習語言模型，能夠生成具有語法正確性和語義連貫性的文本。

在Transformer架構的預訓練模型之后，它其實還有幾步，才能夠到我們今天所熟悉的人工智能模型。之后的一步叫做Fine-tuning，也就是優化調節，最后才是我們比較熟悉的RLHF（Reinforce Learning with Human Feedback），這其實是一個強化學習的過程。

當然，在英語的語境下，或者在歐美的拉丁語語系的語境下，你想打敗Open AI還是蠻難的事情，首先他的用戶量已經上去了，而每個人在使用ChatGPT的同時，也在幫助它進行優化調整模型，所以它或許會永遠走在你前面。

回顧整個GPT的發展過程，其實是非常迅速的。另外大模型參數規模的增長速度也超過了摩爾定律，我們目前能夠比較熟知的幾個大模型，其參數都在不停往前走，參數規模也在變得越來越大，比如現在比較夸張的已經有一個500 5400億參數的模型。

那么是不是參數規模越大，模型就一定越好呢？對此也有很多文章在討論，其實從我的直覺來看，覺得并不一定，因為我也做過modeling，并不是參數越多，model的效果就一定會越好。因此，這個問題還是要看后續一些更具體細節的研究。

目前人工智能工具也在不斷涌現，比如 ChatGPT、notion等等。notion是我自己用過的工具，它是國外一個專門做筆記的app，比較著名的是它的團隊協同性比較好，國外很多公司拿它來做開發文檔的分享，是一個相當不錯的app，你可以寫一些自己的文章、劇本，中文和英文的表現都非常不錯。

谷歌也在迎頭趕上，發布了一款聊天機器人Bard，估計也有蠻多人用過。另外還一個是Claude，目前已經成為了ChatGPT的一個最強競對。還有就是大家比較熟悉的GitHub Copilot，是微軟與OpenAI共同推出了一款AI編程工具。

Github是全球最大的代碼托管站，也有人開過玩笑稱GitHub是世界上最大的同性交友網站，因為上面的程序員大概90%都是男性。事實上，目前這款app上面的新增代碼中接近60%都是由人工智能自動生產的，這是個非常驚人的數字。

另外，因為我是學計算機的，我也用代碼，我自己也用這個visual studio code，確實效果非常的驚人。我在知道某一種算法名字的情況下，首先會把算法的一些細節內容拿出來，然后放到visual studio code里，讓它去幫生成代碼，然后我再去做運行，整個過程是非常流暢的。

所以目前來講，就我個人而言，幾乎每天都會至少跟其中一個AI工具互動，在我的投資研究工作中，AI工具已經占據了非常重要的一環。現在如果要我去面試一個實習生或新來的投資研究員，我可能首先會問AI工具中你用過哪一些，以及你用它來干什么，怎么用的。

那么人類會不會被AI所取代？這個不知道，但我知道的是，你一定會被更會用AI的人取代。

現在人工智能工具的涌現，其實已經到了一個非常驚人的地步，包括整個Open IA生態也在迅速發展。

上圖的投資生態中，就包括了編程開發的工具、設計和音頻編程工具、機器人和芯片制造等等。而這些人工智能工具其實已經逐漸取代很多人方面的工作，或是成為了人類強有力的助手。

此前Stability AI 創始人曾揚言，5 年內人類程序員將不復存在。但我不這么認為，但目前很多事情在AI的幫助之下，效率出現了極大的提高。

而在新能源汽車板塊中，我們看一家公司核心的底層邏輯，其實就是降本增效。你是否持續在你的賽道上不斷通過技術創新來降本生效，這就是公司的真正壁壘。

目前海外AI產業發展加速，不管是有發表的論文、新出的產品還是投入的資本，都是不停的在往上走。在國內，百度的文心一言、華為的盤古，還有商湯、昆侖萬維的諸如此類，也在迎頭趕上。

#02為什么看好新能源汽車？

講完了人工智能，我們再來聊聊新能源汽車。每次都會講，我們公司有兩大信仰，一是我們一貫堅持新能源汽車不是汽車，有人會認為將油車的發動機去掉，裝上電池，就是新能源汽車，但在我們看來,這是完全錯誤的。

因為從新能源汽車的一些特征來講，跟燃油汽車是完全不同的，比如它具備人車合一，也就是人機互動。另外，人工智能深度學習的智能自動駕駛，包括元宇宙在新能源汽車中的實施，也是一個非常重要的點。

另一大信仰是我們相信智能駕駛，甚至相信無人駕駛時代必然到來。關于這個話題，其實很多人都爭論過，有人認為自動駕駛一定不會發生，因為如果自動駕駛真發生了，很多駕駛員都將失業。

但時代變化從來不以失業為依據，失業也不能阻礙科技的發展，科技進步是必然的。人也并不會被取代，因為肯定有另外一個更有價值和意義的地方需要人去促進社會發展。

首先，我們來看一下22年中國新能源乘用車數據，22年整個新能源汽車的增長幅度是非常夸張的，超越了整個新能源汽車行業的預期，尤其比亞迪的崛起確實給整個新能源汽車板塊打了一劑強心針。

而今年上半年的，1-6月乘用車終端銷量累計為929萬輛，也就是一個月可以售出一百多萬輛，這對新能源汽車行業對投資者來說，其實是個非常令人興奮的數字。

這也是我們經常強調的，中國新能源板塊已經成為了我們出口的主要力量，像光伏、鋰電、新能源汽車，我們叫“新三樣”，2023年“新三樣”一季度總共增長是66%，同比增量超過了1000億，這個數字也是非常驚人的。

另外，今年一季度我們國家汽車出口已經首次超越了日本，拿下了全球第一，以前汽車可以說是日本的一張名片。我覺得在十年前，說中國有一天汽車出口能夠超過日本，很多人都會覺得是天方夜譚，但今天這件事確實發生了。

好幾年前，我在跟別人一次交流里，就講過新能源汽車的成長不僅僅只是單一行業成長。新能源汽車的發展，對我國來講，相當于是一種國策。

好多年前，中國其實沒有真正的制造業，只有加工業，所以在當時的情況之下，用市場去換技術，其實并不能換來什么真正的技術，比如燃油車的三大核心技術壁壘是發動機、變速器、底盤，但發動機和底盤事實上到今天為止，我國的本土品牌依然是比較尷尬的存在，更別提去參加全球競爭。

但現在新能源汽車很不一樣，目前我國的新能源汽車幾乎走在了全球的最前面，包括德國汽車奧迪，技術內部也已經比較明確的指示，希望能夠跟中國車企討論電動車技術的轉讓。其實奧迪的電動車在所謂的BBA里，已經是屬于做得還不錯的，但仍然感受到了來自中國新能源汽車玩家的壓力。目前的新能源汽車也體現了中國力量的崛起。

另外，參與全球競爭或出海是一個很重要的指標，因為現在國內確實卷得太厲害，而相對來講，海外市場毛利率會更高，很多規則也會更明晰，因此對一些企業來講是一個非常不錯的成長賽道。

所以企業不管是做零部件的，做某一種技術，還是做整車的，那么，你是否具備有出海的能力，或者是在某個技術點是否參與了全球競爭，其實我們目前在做投資非常關注的一個點。

那么為什么會形成這樣的態勢？因為新能源是全球的一個趨勢，就是全球推進新能源革命決心是非常堅決的，不管是在歐洲，在美國，還是在中國，大家都是制定各樣政策來推動新能源，不光電動車，還有儲能等行業。

這也是為什么我們仍然看好這個賽道的一個很重要的前提。

#03如何看汽車的智能化？

關于汽車智能化，可能大家都聽過level 1、level 2、level 3, 這可能很多人還不太能明白。

汽車能夠走向自動駕駛，其實是有一個路徑可循的，level 1還是以人駕駛為主，他們有一定的輔助駕駛到level 2部分的模塊化。

很早以前，汽車上電子化的東西其實是非常罕見的，不太有什么電子鎖，什么電子車窗這些東西，那個時候應該叫level 0。

到了后來，車輛進行了電子化，包括對駕駛的輔助，對周邊的監控，比如倒車雷達、倒車影像、毫米波雷達諸如此類的，這屬于是level 1和level 2。

而我們現在絕大多數的車可能是在level 2和level 3之間，這也是為什么特斯拉宣布今年年內就能實現自動駕駛從level 4到level5的原因。

那么特斯拉為什么敢這么說呢？這個我們后續會講。

首先大家需要明白，自動駕駛是有一個路徑可循的，就是我們所謂的自動駕駛有幾個關聯的東西，這些關聯的東西在一起，都能夠達到一定要求之后，自動駕駛才會有現實的意義，比如感知、執行、判斷。

最早我開始看自動駕駛的時候，基本上都講感知、執行、判斷，后來又來了一個網聯，因為除了車本身實現自動駕駛的功能之外，還需要外部的賦能。

那么這就跟網聯有關系了，有的時候很多人說在中國實現自動駕駛要比國外會快很多，原因很簡單，比如自動駕駛需要的輔助工作，需要在路面上裝上傳感器和接入到網絡，對此中國可以搞大基建，這可能就是中央政府一聲令下的事，但在歐美這不可能做到。

在這種情況下，某種維度上的自動駕駛，比如公交的自動駕駛，我們國家實現的或許會比其他國家要快。

所以不管是感知層、執行層、判斷層，乃至于網聯層，目前有大批的創業公司涌現，甚至這些創業公司已經成長為上市公司。

比如芯片算法中很典型一家公司黑芝麻，前段時間似乎已經看到它在提交材料，準備上市了。諸如此類，其實現在大量這方面的公司，已經不再是創業公司，而是已經到了一定的規模，它的技術也已經成熟到了一定地步。

再加上，我們經常講自動駕駛、新能源汽車，更多時候可能是一種乘用車概念，但其實商用車的自動駕駛也走的非常迅速，比如給礦區干線物流服務的重卡、礦卡，已經在無人駕駛方面走得比較遠了，其中也有很多公司走到了比較成熟的階段，能夠做到批量化出貨。

從另一個維度去看自動駕駛的產業鏈圖譜，包括感知層、判斷層、執行層、互聯。然后新能源汽車智能電動化平臺有迭代進程，在汽車電子電器構架演化推動下，以特斯拉為代表的車企不斷結合電動化+智能化創新，以平均3年一個周期實現一次平臺的大升級。

那么在E/E架構升級下，有哪些投資焦點？

首先，有相對硬件的車規級芯片，比如MCU、SOC、IGBT，以前我們也看過比較多，但在芯片領域，出手確實要比較謹慎。因為在這些領域里，企業競爭實際是非常激烈的，很多賽道的巨頭已經出現，而且是大規模的上市公司。

所以，創業公司在里面是比較艱難的，但現在我們比較關注的，尤其與自動駕駛相關的，就是邊緣端的算力芯片，這是我們比較關注的點。

因為在我們看來，汽車控制需要算力芯片，但還需要邊緣的算力芯片設施，否則不可能去侵占主控系統的算力，這對安全是有比較大的影響的。

當然，車規級芯片是比較難做的，到今天為止，其實真正能夠做到車規級芯片的創業公司是不多的，剛才講的有黑芝麻，還有一個很厲害的企業叫地平線，他們在車規級芯片方面已經走的比較遠了，當然這家公司主要是自動駕駛。

另外，對于新能源汽車而言，芯片未來的需求數量會是一個非常驚人的數目，2021年平均每輛新能源車所需芯片數量已經達到了1000顆以上。在未來高端智能電動車領域，單車芯片搭載量將數倍增加，達到2000片以上，汽車半導體占整車物料成本比重，預計將從2019年的4%提升至2025年的12%，2030年提升至20%。

所以誰一旦能在汽車芯片、車庫及芯片等方面能夠完成突破，結果也會非常好。除了芯片方向，還有L2-L4智能電動化階段E/E架構升級下軟件標準化，平臺所需技術，包括 E/E架構升級、域控制器、Auto SAR協議標準、自動駕駛/智能座艙算法、SOA軟件架構，OTA迭代升級等。

我們所說的軟件定義汽車概念，不管是做一級的還是二級的的朋友，可能都比較熟悉了，包括各種算法、應用軟件、操作系統以及各種框架和工具，這些都是一輛車的價值。

我們假設造一輛乘用車，想造一名叫周晨的牌子，其實這件事本身不難，而且資金量其實比大家想象得要少很多，因為現在很多人還沉浸在當年李斌稱，一部新能源汽車大概需要110億美金的概念里。當然也感謝蔚小李在前面為我們趟出了一條路。

另外相對而言，中國的供應鏈實在太發達，比如把一輛車出口到韓國、印度，為什么韓國、印度本地的供應鏈無法承擔一輛車的成本，而只能靠中國，就是因為中國供應鏈很發達。

也正是因為中國供應鏈發達，導致想在硬件層面拉開距離，除非在硬件層面投入很大的技術成本。但以我來看，其實真正對用戶而言，最直接的感受來自于軟件，包括車的性能、交互等等，這也是為什么叫軟件定義汽車的道理。

而且未來汽車在軟件上的收入，絕對會大于賣出這輛車所售的收益，這是我們的一個觀點。下圖我們也標出了相關的這些軟件，包括熱管理，雷達的一些軟件測距等等。

另外，軟件企業有一個好處，就是軟件本身的編輯成本特別低，不像硬件那樣，需要建廠、設備等等，因此軟件業務的邊際成本幾乎可以壓縮到0。因此，相關軟件對于一個創業公司來講，它崛起的邊際成本很低。

對于用戶來說，汽車智能化第一就是自動駕駛，但現在還不能夠完全無人駕駛，更多的是輔助駕駛，因此用戶對于智能化感受最真切的就是智能座艙，不管是數據采集、頭顯，還是娛樂系統，都是你與車本身的一個互動。

因此，汽車智能化的核心節點是智能座艙，也是我們非常關注的一個點，尤其智能座艙與我們上面提到的人工智能息息相關，在上圖中我們也列舉出了一些相關技術。

人機互動，就是人給車下達指令，大家應該看過抖音上的那種像喜劇短片，就是人不管怎么跟智能系統對話，它就是沒辦法理解你的意思，除非你說出一定的關鍵詞。

伊隆馬斯克也專門講過，他為什么一定要做無人駕駛，就是今天大多數人，即使你有車，你也必須得在車里駕駛著車。但如果開車不需要你自己，而是在無人駕駛的狀態下，他保守估計一個人在車里的時間會翻倍，甚至翻四倍。因為這種情況下，車將成為一個空間，比如星巴克是除家和工作之外的獨立的第三空間，而未來車很可能就成第四空間。

在這個空間中，你能做的事情會變很多，因為在駕駛過程中，你不需要去管這輛車，更多的可能是一些人車互動，因此智能座艙將是未來可供投資的一些點。智能座艙最后或許會成為一個真正意義上的平臺，不光是車的平臺。目前智能座艙也是一個很熱門的創業賽道。

#04人工智能+新能源汽車能碰撞出怎樣的火花？

此前，在世界人工智能大會上，啟明創投聯合未盡研究發布了《生成式AI》報告。

其中講述了人工智能整個應用開發的生態架構，從基礎設施層工具鏈到模型層，模型層包括閉源大模型和開源模型，閉源大模型有Open AI、文心一言，開源模型有Hugging face等等，具體可參考下圖。

我參加的一個會里就有Hugging face的中國區負責人，Hugging face是一個做人工智能開源模型的社區，可以把它想象成是人工智能領域里的雞湯，它有很多的代碼和模型，需要委托在Hugging face里面。

基于這些開源或閉源模型，再往上搭建所謂的應用，所以整個人工智能就是不斷搭建的一個生態。在大模型時代，人工智能的基礎設施和工具都是可以助力整個汽車智能化的。

我前面已經講到了，比如如何分配更有效的算力，以及芯片架構、算力系統、人工智能在內的模型訓練，這都是與人工智能息息相關。

人工智能能為降本增效帶來非常驚人的效果，同時對汽車智能化而言，我們可以從人和事這兩個角度去看。

首先從開發者的角度，是需要怎么借助人工智能的基礎設施去提供新能源汽車智能化的開發需求。當然對于新能源汽車，汽車智能化最終所有東西都會都會聚焦在生產制造上，每個工廠、每個倉庫、每條生產線等等，幾乎都可以拿人工智能再重新做一遍。

更高的視角來看，我們能看到新能源科技改造世界，目前比較典型的就像特斯拉的Power wall。

這個東西可以去做，其中空間很大，因為目前在做的模型不大，比如像百度就在做電能儲能的優化，所以我認為整個大模型和新能源的結合，之后的發展空間是比較驚人的。

前面我們提到，今年特斯拉能否實現L4-L5的自動駕駛？能不能實現，我也不知道，但特斯拉為自動駕駛所儲備的技術，我是比較了解的。在這里我們重點來講一下特斯拉在自動駕駛上的野心，其中很多信息來源于去年特斯拉的AI Day。

目前網上也有很多文章詳細解讀了AI Day，知乎上也有兩篇很有名的文章，如果大家對特斯拉自動駕駛感興趣，不妨可以看一下。

特斯拉在自動駕駛方面，有三層東西做了準備，其中有一個叫Hydra Net（九頭蛇網絡），主要是在于收集車周邊的一些信息，因為要做自動駕駛，首先需要有信息的收集和處理，當每個感知單元收集來的數據，都需要去做處理時，或者需要建立一套獨立系統進行處理，但沒有任何一個算力系統能夠承擔這樣的處理。

所以需要去提取這些數據的特征，找到其中共有的特征再進行處理，這就是Hydra Net出現的一個重要原因。

根據特斯拉2020年公布數據，Hydra Net有5000個頭，目前國內自動駕駛如果你用的是Hydra Net，差不多都是這個水平，但現在是2023年，我個人認為，特斯拉在這方面進步得會比我們想象中的更快一些。因此，Hydra Net是共享特征的多任務網絡，是自動駕駛的一個儲備技術。

第二個儲備技術BEV（鳥瞰俯視圖坐標系），也就是需要知道車周邊的東西，以及一個相對的位置。該怎樣去判斷？

目前來講，因為電腦本身是二維的，做不到三維，最起碼很多三維其實是通過數據調整，將它折出來一個三。這里當然涉及很多數學的東西，我們就不去講技術細節了。

總而言之，FSD感知的空間理解能力上，特斯拉是用BEV去進行的，這里面我專門找了兩張圖，大家可以看一下。

第三個叫時空序列，伊隆馬斯克有個很著名的論調，就是為什么他不用激光雷達，而是只靠視覺方案去做自動駕駛，因為人類眼睛不會發激光。

我們人類就是拿眼睛看，來完成開車這個事情的，實際上這跟空間和時間的概念是緊密相關的，假設我們的眼睛像是高速攝像機，一秒鐘能拍24張，從而去判斷什么時候轉彎，什么時候紅燈變綠燈等等，這樣下來一分鐘大概要拍1000多張照片。

如果從1000張照片中拿出一張照片給你看，問你在這個時點上，是準備踩剎車還是準備左轉彎？你其實是完全不知道的，因為你不知道這張照片的時間節點的前后發生了什么，所以自動駕駛實際上是需要有一個空間和時間序列，來為自動駕駛的智能增添短期記憶的。

當然，其中具體的技術很復雜，涉及到了一堆數學公式，這里我們就不詳細介紹了。不過特斯拉同時嘗試了三種時序融合方案，分別是3D CNN、Transformer、RNN。

我覺得特斯拉對transform的應用可能遠遠比我們想要的要早很多。

*以上分析討論僅供參考，不構成任何投資建議。