東吳證券研究所東吳證券研究所內(nèi)容目錄技術(shù)政策新品周期，新一輪智能化有望加速 52014-2016純視覺方案崛起推動(dòng)ADAS功能普及 52020-2022特斯拉FSD推動(dòng)整車E/E架升級(jí) 6新一輪技術(shù)+政策+新品周期，共同推動(dòng)高級(jí)別自動(dòng)駕駛落地 7AI大模型加持，端到端感知方案實(shí)現(xiàn)降本增效 7GPT橫空出世，AIGC推動(dòng)全新產(chǎn)業(yè)革命 7AIGC實(shí)現(xiàn)多模態(tài)輸入輸出，有望開創(chuàng)全新應(yīng)用場景 8技術(shù)架構(gòu)+參數(shù)規(guī)模持續(xù)迭代，大模型表現(xiàn)能力不斷提升 8深度學(xué)習(xí)+強(qiáng)化學(xué)習(xí)，推動(dòng)大模型成為NLP重要驅(qū)動(dòng)力 10憑借歷史數(shù)據(jù)提取特征，機(jī)器學(xué)習(xí)成為AI發(fā)展重要方向 10機(jī)器學(xué)習(xí)->深度學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)+海量數(shù)據(jù)提升學(xué)習(xí)效率 專注人類邏輯思維模式，NLP成為AI重要應(yīng)用領(lǐng)域 12大規(guī)模無監(jiān)督訓(xùn)練技術(shù)應(yīng)用，推動(dòng)LLM成為NLP中重要構(gòu)成 13TransFormer架構(gòu)提升學(xué)習(xí)效率，推動(dòng)大數(shù)據(jù)預(yù)訓(xùn)練成為可能 14CNN（卷積神經(jīng)網(wǎng)絡(luò)）提取數(shù)據(jù)特征，適用靜態(tài)圖像識(shí)別+分割 14RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）解決全局記憶，完成Seq2Seq問題 15TransFormer并行計(jì)算加速學(xué)習(xí)效率，成為重要特征提取器 16預(yù)訓(xùn)練大模型問世，生成式技術(shù)路線成為主要趨勢 19TransFormer+BEV，加速推動(dòng)L3智能駕駛落地 20模塊化&端到端，智能駕駛兩大算法框架 20借助TransFormer模型，特斯拉感知系統(tǒng)全面升級(jí) 21海內(nèi)外政策逐步完善，有望加速實(shí)現(xiàn)突破 23搶占自動(dòng)駕駛“智高點(diǎn)”，各國加速相關(guān)法規(guī)政策布局 23國內(nèi)：中央+地方協(xié)同完善政策，道路測試+數(shù)據(jù)安全并舉 24海外：加快構(gòu)建規(guī)范自動(dòng)駕駛發(fā)展的政策法規(guī)框架 26新技術(shù)方向確認(rèn)，產(chǎn)品周期加速助推智能化 28投資建議 29風(fēng)險(xiǎn)提示 302/31東吳證券研究所東吳證券研究所圖表目錄圖1：Mobileye芯片+攝像頭方案 5圖2：Mobileye芯片出貨量（萬顆） 5圖3：自動(dòng)駕駛解決方案分級(jí) 6圖4：ADAS功能感知+決策+執(zhí)行環(huán)節(jié) 6圖5：博世E/E架構(gòu)的演進(jìn)路線圖 6圖6：分布式->域集中式變化 6圖7：英偉達(dá)Orin芯片 7圖8：底盤域控制系統(tǒng) 7圖9：多模態(tài)大模型輸入/輸出 8圖10：深度學(xué)習(xí)模型參數(shù)量快速提升/億 9圖大模型發(fā)布時(shí)間軸 9圖12：機(jī)器學(xué)習(xí)實(shí)現(xiàn)流程 圖13：人工智能/機(jī)器學(xué)習(xí)/深度學(xué)習(xí)之間關(guān)系劃分 圖14：感知機(jī)機(jī)制圖示 圖15：標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)FNN 12圖16：深度神經(jīng)網(wǎng)絡(luò)架構(gòu) 12圖17：NLP在人機(jī)交互過程中扮演重要角色 13圖18：NLP主要功能及結(jié)構(gòu) 13圖19：Bert結(jié)構(gòu):主要針對(duì)自然語言理解類任務(wù) 14圖20：GPT結(jié)構(gòu)：主要針對(duì)自然語言生成類任務(wù) 14圖21：CNN算法流程 14圖22：經(jīng)典神經(jīng)網(wǎng)絡(luò)和CNN的區(qū)別 15圖23：CNN特征提取+分類識(shí)別 15圖24：RNN結(jié)構(gòu)的NtoN網(wǎng)絡(luò)拓?fù)鋱D 16圖25：多種RNN結(jié)構(gòu) 16圖26：簡單RNN機(jī)制結(jié)構(gòu) 16圖27：LSTM機(jī)制結(jié)構(gòu) 16圖28：傳統(tǒng)Encoder-Decoder結(jié)構(gòu) 17圖29：引入Attention機(jī)制后的Encoder-Decoder結(jié)構(gòu) 17圖30：Self-Attention機(jī)制框圖 17圖31：Self-Attention機(jī)制計(jì)算原理框圖 17圖32：Self-Attention機(jī)制矩陣計(jì)算流程圖 18圖33：Multi-Head結(jié)構(gòu)（以雙頭模型示例） 18圖34：TransFormer模型結(jié)構(gòu) 18圖35：TransFormer的編碼器（Encoder）部分 19圖36：Bert模型掩碼訓(xùn)練過程 19圖37：TransFormer結(jié)構(gòu)的Decoder部分 20圖38：GPT模型預(yù)訓(xùn)練架構(gòu) 20圖39：自動(dòng)駕駛解決方案 21圖40：特斯拉BEV算法向量空間的線和邊界 21圖41：BEV架構(gòu)模型圖例 22圖42：BEV感知模型框架圖 223/31東吳證券研究所圖43：矩形框識(shí)別 23東吳證券研究所圖44：網(wǎng)絡(luò)占用算法 23圖45：特斯拉神經(jīng)網(wǎng)絡(luò)處理過程 23圖46：地圖矢量規(guī)劃 23圖47：北京自動(dòng)駕駛車輛道路測試成果 25圖48：自動(dòng)駕駛示范區(qū)數(shù)據(jù)安全管理政策 26圖49：導(dǎo)航電子地圖制作甲級(jí)測繪資質(zhì)單位數(shù)量 26圖50：美國各州自動(dòng)駕駛法規(guī)政策情況 26圖51：韓國自動(dòng)駕駛普及“三步走”計(jì)劃 27圖52：飛凡汽車搭載的激光雷達(dá) 28圖53：理想ADMAX自動(dòng)駕駛系統(tǒng)感知硬件 28圖54：特斯拉FSDBetaV11.3.6版本 28圖55：比亞迪多傳感器BEV+TransFormer架構(gòu) 28表1：國內(nèi)外自動(dòng)駕駛相關(guān)法律法規(guī)加速落地 24表2：車企最新高級(jí)別自動(dòng)駕駛架構(gòu)及進(jìn)展 294/31東吳證券研究所東吳證券研究所技術(shù)+政策+新品周期，新一輪智能化有望加速2014-2016純視覺方案崛起推動(dòng)ADAS功能普及在21世紀(jì)前的汽車百年歷史中，從定速巡航系統(tǒng)（CCS）->車身動(dòng)態(tài)穩(wěn)定系統(tǒng)2008Mobileye（D208年EB2009年、（FCW，2010年（ACC，2013年ADAS功能。單顆攝像頭+芯片的技術(shù)架構(gòu)大幅降低了系統(tǒng)的生產(chǎn)成本，同時(shí)具備完善的功能應(yīng)2013ACCADAS圖1：Mobileye芯片+攝像頭方案 圖2：Mobileye芯片出貨量（萬顆）20000數(shù)據(jù)來源：汽車之家，繪制 數(shù)據(jù)來源：有駕汽車，繪制SAEL1-L5MobileyeL2S/XADASMobileye速了執(zhí)行環(huán)節(jié)的電控自主研發(fā)需求：制動(dòng)（ABS/ESC），轉(zhuǎn)向（EPS電動(dòng)助力轉(zhuǎn)向）。5/31東吳證券研究所圖3：自動(dòng)駕駛解決方案分級(jí) 圖4：ADAS功能感知+決策+執(zhí)行環(huán)節(jié)東吳證券研究所數(shù)據(jù)來源：汽車之家， 數(shù)據(jù)來源：汽車之家，繪制2020-2022特斯拉FSD推動(dòng)整車E/E架構(gòu)升級(jí)2019ModelY2017Model3E/E研芯片的AutoPilotHW3.0FSD圖5：博世E/E架構(gòu)的演進(jìn)路線圖 圖6：分布式->域集中式變化數(shù)據(jù)來源：汽車之家， 數(shù)據(jù)來源：繪制AI芯片Xave0OO（26S）很好地滿足了不斷增長的算力需求，并且提供一套完善的算子庫+開發(fā)工具鏈，取代MobileyeAI業(yè)鏈價(jià)值量增加最大的新產(chǎn)品。此外，由于新能源+操控需求帶來的價(jià)值新增量（線控制動(dòng)+線控轉(zhuǎn)向+空氣懸掛）以及智能座艙新增量（座艙域控制器+HUD+音響功放）等均成為這一輪智能化變革中重要的產(chǎn)業(yè)趨勢。6/31東吳證券研究所圖7：英偉達(dá)Orin芯片 圖8：底盤域控制系統(tǒng)東吳證券研究所 數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：格陸博，新一輪技術(shù)政策新品周期，共同推動(dòng)高級(jí)別自動(dòng)駕駛落地成本L2L2.5+米波+L3+L3級(jí)別自動(dòng)駕駛的需求下降，智能化從L2->L3特斯拉借助AIAITransFormerBEV+L32023L3規(guī)也有望加速落地，明確L3城市約等于L3級(jí)別自動(dòng)駕駛2023年L330萬（/理想蔚來長城吉利廣汽上汽等。AI大模型加持，端到端感知方案實(shí)現(xiàn)降本增效GPT橫空出世，AIGC推動(dòng)全新產(chǎn)業(yè)革命7/31東吳證券研究所AIGC東吳證券研究所GPT成式A圖GenerativePre-trainedTransformer）就是AIGC技術(shù)以及AIPrompt以及Diffusion等圖9：多模態(tài)大模型輸入/輸出數(shù)據(jù)來源：CSDN，繪制技術(shù)架構(gòu)AIGCAIGC（Foundation2017TransFormerReNetGGeneavePre-trainedTransformer）1）GPT11.1725億15800Reddit1750級(jí)的飛躍，同時(shí)也帶來了模型性能的快速提升。8/31東吳證券研究所圖10：深度學(xué)習(xí)模型參數(shù)量快速提升/億東吳證券研究所GLaMGShardGLaMGShardGopherGPT3MicrosoftT-NLGMegatron-LMBERT_xlargeGPT2BERT_largeGPT1transformerELMoalbert_xxlargeResNet101inception-v4BERT_baseelectra_baseinception-v3albert_xlargealbert_largeResNet50（Bottleneck） albert_baseelectra_small100010010102014 2015 2016 2017 2018 2019 2020 2021 2022數(shù)據(jù)來源：CSDN，繪制2018GoogleOpenAIBERT(BidirectionalEncoderRepresentationsfromTransformers)以及GPT（GenerativePre-trainedTransformer）理模+annun）和“an+p）圖11：大模型發(fā)布時(shí)間軸數(shù)據(jù)來源：CSDN，繪制在確立了以TransFormer為主要技術(shù)架構(gòu)方向后，大模型的發(fā)展開始逐步進(jìn)入加速階段，隨著模型參數(shù)量的增長，帶來的處理效果也不斷提升。2019年，OpenAI159/31東吳證券研究所83億參數(shù)的Megatron-LMT5170億參數(shù)的圖靈Turing-NLG；東吳證券研究所2020年17502021年SwitchTransformer1.6121.2萬億參數(shù)的通用稀疏語言模型GLaM，7項(xiàng)小樣本學(xué)習(xí)領(lǐng)域的性能超過2022年，StabilityAI發(fā)布的文字到圖像的創(chuàng)新模型Diffusion，以及OpenAI推出ChatGPT，ChatGPT是由效果比GPT3更強(qiáng)大的深度學(xué)習(xí)強(qiáng)化學(xué)習(xí)，推動(dòng)大模型成為NLP重要驅(qū)動(dòng)力AI發(fā)展重要方向模擬人類思維方式，AI開發(fā)面向具體領(lǐng)域。（ArtificialIntelligence,AI）2050通過像人類一樣解決復(fù)雜問題從而使得計(jì)算機(jī)更加有用。因?yàn)锳I系統(tǒng)的復(fù)雜性，研究人員階段性地放棄了通用AI的研發(fā)，轉(zhuǎn)而開始研究面向感知、推理、記憶、語言、運(yùn)動(dòng)等具體領(lǐng)域的AI模型。AI2080監(jiān)督學(xué)習(xí)AgnEnvionenaAco（10/31東吳證券研究所境反饋的獎(jiǎng)勵(lì)，按照一定的策略執(zhí)行新的動(dòng)作。東吳證券研究所圖12：機(jī)器學(xué)習(xí)實(shí)現(xiàn)流程數(shù)據(jù)來源：CSDN，繪制機(jī)器學(xué)習(xí)（Deep是20061957z=w*x+b圖13：人工智能機(jī)器學(xué)習(xí)/深度學(xué)習(xí)之間關(guān)系劃分 圖14：感知機(jī)機(jī)制圖示 數(shù)據(jù)來源：CSDN，繪制 數(shù)據(jù)來源：CSDN，11/31東吳證券研究所隱藏層3）層?xùn)|吳證券研究所圖15：標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)FNN 圖16：深度神經(jīng)網(wǎng)絡(luò)架構(gòu)數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，多層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)復(fù)雜函數(shù)逼近，深度模型實(shí)現(xiàn)“特征學(xué)習(xí)”功能。深度學(xué)習(xí)在標(biāo)準(zhǔn)FNN的目的。NLP成為AINLP成為AIAIAIL（NalLagugePce）自然語言處理AINLP12/31東吳證券研究所圖17：NLP在人機(jī)交互過程中扮演重要角色 圖18：NLP主要功能及結(jié)構(gòu)東吳證券研究所數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，繪制NLU解決語言理解問題，NLGNLPNLU（和//助人類洞察數(shù)據(jù)，讓數(shù)據(jù)更容易理解，加速內(nèi)容生產(chǎn)等。深度學(xué)習(xí)推動(dòng)NLPNLP1）基于規(guī)則的方法基于統(tǒng)計(jì)的方法（TransFormer等。LLM成為NLP中重要構(gòu)成2017LSTMCNNSequencetoSequence+AttentionCNNLSTM夠強(qiáng)，不能在大數(shù)據(jù)中有效地吸收相關(guān)的知識(shí)，因此整體的任務(wù)效果并不突出。2017《isallyouneed》TransFormer此后基于TransFormerLLM（LargeLanguageModel）Bert/GPTNLPLSTM/CNN統(tǒng)一到Transformer通++Zero/FewShotPrompt13/31東吳證券研究所圖19：Bert結(jié)構(gòu):主要針對(duì)自然語言理解類任務(wù) 圖20：GPT結(jié)構(gòu)：主要針對(duì)自然語言生成類任務(wù)東吳證券研究所數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，TransFormerBertGPTTransFormer架構(gòu)提升學(xué)習(xí)效率，推動(dòng)大數(shù)據(jù)預(yù)訓(xùn)練成為可能CNN（）分割在深度學(xué)習(xí)早期發(fā)展的過程中，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，簡稱CNN）是推動(dòng)深度學(xué)習(xí)能力發(fā)展的主要?jiǎng)恿?，特別是在圖像識(shí)別領(lǐng)域。CNN卷積層中池化層通過連接所有輸圖21：CNN算法流程數(shù)據(jù)來源：CSDN，14/31東吳證券研究所（CNNCNN東吳證券研究所圖22：經(jīng)典神經(jīng)網(wǎng)絡(luò)和CNN的區(qū)別 圖23：CNN特征提取+分類識(shí)別數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，基于CNN（RNN（）Seq2Seq問題RNNCNN（RecurrentNeuralNetwork，簡稱RNN）而RNN15/31東吳證券研究所圖24：RNN結(jié)構(gòu)的NtoN網(wǎng)絡(luò)拓?fù)鋱D 圖25：多種RNN結(jié)構(gòu)東吳證券研究所數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，RNN）RNNRNNSequencetoSequence這樣的不對(duì)稱輸入和輸出關(guān)系，用來解決機(jī)器翻譯等問題。RNNRNNLSTM（LongShortMemory）圖26：簡單RNN機(jī)制結(jié)構(gòu) 圖27：LSTM機(jī)制結(jié)構(gòu)數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，TransFormer2017年GoogleAttentionIsAllNeedEncoder-DecoderAttention的機(jī)制來實(shí)現(xiàn)TransFormerCNN/RNN16/31東吳證券研究所的消耗，后續(xù)進(jìn)一步提出的Self-Attention機(jī)制，讓源序列和目標(biāo)序列做了“自關(guān)聯(lián)”，東吳證券研究所Muti-HeadAttention模塊使得Encoder端具備并行計(jì)算能力。注意力機(jī)制給予不同權(quán)重，輸出結(jié)果參考輸入信息。傳統(tǒng)的Encoder-Decoder機(jī)制（用于實(shí)現(xiàn)Seqoq任務(wù)，所有的輸入最終匯聚成唯一的語義編碼C，并且作為DecoderDecoder（Attention）C圖28：傳統(tǒng)Encoder-Decoder結(jié)構(gòu) 圖29：引入Attention機(jī)制后的Encoder-Decoder結(jié)構(gòu)數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，AttentionCXY（Self-Attention）Attentiona1-a4b1Q\K\VK：KeyQ/KVb1基于各個(gè)輸入之間關(guān)聯(lián)程度的信息總和。圖30：Self-Attention機(jī)制框圖 圖31：Self-Attention機(jī)制計(jì)算原理框圖17/31東吳證券研究所東吳證券研究所數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，Self-AttentionQ/K/VWq/Wk/WvQ/K/VSelf-Attention圖32：Self-Attention機(jī)制矩陣計(jì)算流程圖數(shù)據(jù)來源：CSDN，Self-Attention（Multi-HeadSelfAttention）（TransFormerEncoder-DecoderTransFormerRNNCNN/RNNNLP圖33：Multi-Head結(jié)構(gòu)（以雙頭模型示例） 圖34：TransFormer模型結(jié)構(gòu)數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：CSDN，18/31東吳證券研究所東吳證券研究所TransFormerNLP（Pre-Trained）語言BERT(BidirectionalEncoderRepresentationfromTransformers)TransFormerEncoder”3）TransFormer4）采用EncoderBert2018項(xiàng)NLP任務(wù)中均取得SOTA（state-of-the-art）BertBertEncoder（Auto-Encoding）（Fine-Tunning）圖35：TransFormer的編碼器（Encoder）部分 圖36：Bert模型掩碼訓(xùn)練過程數(shù)據(jù)來源：CSDN，繪制 數(shù)據(jù)來源：CSDN，繪制BertH=768A=12Parameters=110MBert_LargeL=24H=1024A=16Parameters=340MLMulti-HeadAttention中Head1.13.4除了AIGPT（GenerativePre-Training）TransFormerGPTTransformerGPTGPT1212個(gè)Head7681.1719/31東吳證券研究所圖37：TransFormer結(jié)構(gòu)的Decoder部分 圖38：GPT模型預(yù)訓(xùn)練架構(gòu)東吳證券研究所數(shù)據(jù)來源：CSDN，繪制 數(shù)據(jù)來源：CSDN，繪制2018GPTBert，BertGPT“大模型的生成能力持續(xù)提升，結(jié)合前文提到的多模態(tài)的輸入和輸出能力，不僅僅在NLP領(lǐng)域，大模型在圖像處理、語言處理、視頻處理等多個(gè)維度的應(yīng)用在不斷的加強(qiáng)，也有望給整個(gè)汽車智能化趨勢進(jìn)一步賦能。TransFormer+BEV，加速推動(dòng)L3智能駕駛落地模塊化端到端的解決方案2022CornerCase20/31東吳證券研究所圖39：自動(dòng)駕駛解決方案東吳證券研究所數(shù)據(jù)來源：CSDN，（Edon（借助圖40：特斯拉BEV算法向量空間的線和邊界數(shù)據(jù)來源：特斯拉AIDay，2021AIDayBEV（Bird’sEyeView）+TransFormer（）TransFormer21/31東吳證券研究所BEV3D東吳證券研究所圖41：BEV架構(gòu)模型圖例 圖42：BEV感知模型框架圖數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：特斯拉AIDay，繪制B（BV算法通過anor實(shí)BEV2D圖3D2022AIDayOccupancyNetworks()3D為大小一致的CellBEV實(shí)現(xiàn)了BEV從2D->3D的優(yōu)化；4）10ms內(nèi)可以完成計(jì)算，處理頻率很高；5）解決了目標(biāo)檢測的長尾問題，即使某些物體不存在于訓(xùn)練集中，但是因?yàn)樗惴ū旧磉M(jìn)行的是空間占用的檢測，不進(jìn)行目標(biāo)檢測，因此從根本上避免了這個(gè)問題。22/31東吳證券研究所圖43：矩形框識(shí)別 圖44：網(wǎng)絡(luò)占用算法東吳證券研究所數(shù)據(jù)來源：CSDN， 數(shù)據(jù)來源：特斯拉AIDay，繪制7500FSD成過程中也采用了TransFormerDecoder（token7500圖45：特斯拉神經(jīng)網(wǎng)絡(luò)處理過程 圖46：地圖矢量規(guī)劃數(shù)據(jù)來源：特斯拉AIDay，繪制 數(shù)據(jù)來源：特斯拉AIDay，繪制海內(nèi)外政策逐步完善，有望加速實(shí)現(xiàn)突破23/31東吳證券研究所全標(biāo)準(zhǔn)東吳證券研究所目前海內(nèi)外高級(jí)別自動(dòng)駕駛政策落地正在同步加速。根據(jù)我們不完全的統(tǒng)計(jì)，僅20231720236（DMV）L31L3表1：國內(nèi)外自動(dòng)駕駛相關(guān)法律法規(guī)加速落地地點(diǎn)時(shí)間部門法規(guī)或者政策美國2023/6/8加州機(jī)動(dòng)車管理局(DMV)批準(zhǔn)奔馳L3級(jí)別自動(dòng)駕駛系統(tǒng)上路行駛申請(qǐng)美國2023/1/8內(nèi)華達(dá)州監(jiān)管部門批準(zhǔn)奔馳L3級(jí)別自動(dòng)駕駛系統(tǒng)上路行駛申請(qǐng)北京2023/5/12市自動(dòng)駕駛辦公室北京市智能網(wǎng)聯(lián)汽車政策先行區(qū)數(shù)據(jù)安全管理辦法(試行)成都2023/5/8成都經(jīng)信局關(guān)于推進(jìn)成都市智能網(wǎng)聯(lián)汽車遠(yuǎn)程駕駛測試與示范應(yīng)用的實(shí)施意見(公開征求意見)全國2023/5/5工信部《汽車整車信息安全技術(shù)要求》《智能網(wǎng)聯(lián)汽車自動(dòng)駕駛數(shù)據(jù)記錄系統(tǒng)》等四項(xiàng)強(qiáng)制性國家標(biāo)準(zhǔn)的制修訂杭州2023/4/12杭州政府辦公廳關(guān)于印發(fā)杭州市智能網(wǎng)聯(lián)車輛測試與應(yīng)用管理辦法的通知上海2023/3/31上海通信管理局/交通委《支持高級(jí)別自動(dòng)駕駛的5G車聯(lián)網(wǎng)網(wǎng)絡(luò)性能和建設(shè)驗(yàn)收》標(biāo)準(zhǔn)編制啟動(dòng)北京2023/3/31北京經(jīng)信局北京市智能網(wǎng)聯(lián)汽車高精度地圖試點(diǎn)工作指導(dǎo)意見上海2023/3/22上海臨港地區(qū)管委會(huì)中國（上海）自由貿(mào)易試驗(yàn)區(qū)臨港新片區(qū)促進(jìn)無駕駛?cè)酥悄芫W(wǎng)聯(lián)汽車創(chuàng)新應(yīng)用實(shí)施細(xì)則（試行）上海2023/3/22上海浦東新區(qū)上海市浦東新區(qū)促進(jìn)無駕駛?cè)酥悄芫W(wǎng)聯(lián)汽車創(chuàng)新應(yīng)用規(guī)定實(shí)施細(xì)則上海2023/3/21上海嘉定區(qū)建設(shè)世界智能網(wǎng)聯(lián)汽車創(chuàng)新高地行動(dòng)方案浙江2023/3/20浙江德清縣人民政府德清縣智能網(wǎng)聯(lián)車輛道路測試與示范應(yīng)用管理實(shí)施細(xì)則(試行)山西2023/3/9山西陽泉市人民政府陽泉市智能網(wǎng)聯(lián)汽車管理辦法(草案)》(征求意見)深圳2023/3/2深圳保安區(qū)投資推廣署培育發(fā)展智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)集群實(shí)施方案無錫2023/2/8無錫市人大無錫市車聯(lián)網(wǎng)發(fā)展促進(jìn)條例上海2023/2/7上海經(jīng)信委/交通委/公安局上海市無駕駛（安全）員智能網(wǎng)聯(lián)汽車測試技術(shù)方案上海2023/2/1上海市浦東新區(qū)上海市浦東新區(qū)促進(jìn)無駕駛?cè)酥悄芫W(wǎng)聯(lián)汽車創(chuàng)新應(yīng)用規(guī)定上海2023/1/29上海經(jīng)信委/交通委/公安局上海市智能網(wǎng)聯(lián)汽車高快速路測試與示范實(shí)施方案上海2023/1/1上海經(jīng)信委/交通委/公安局上海市智能網(wǎng)聯(lián)汽車示范運(yùn)營實(shí)施細(xì)則數(shù)據(jù)來源：各官方部門，整理國內(nèi)：中央地方協(xié)同完善政策，道路測試數(shù)據(jù)安全并舉2021年724/31東吳證券研究所()》允許在9（（202年版225202東吳證券研究所820233502021410201002022202352000道路超過10000公里，測試總里程超過4000萬公里。圖47：北京自動(dòng)駕駛車輛道路測試成果數(shù)據(jù)來源：智能車聯(lián)，10共汽（電）車等商業(yè)化試運(yùn)營，且應(yīng)用規(guī)模不斷擴(kuò)大。2022830202351225/31東吳證券研究所駕駛示范區(qū)工作辦公室正式發(fā)布《北京市智能網(wǎng)聯(lián)汽車政策先行區(qū)數(shù)據(jù)安全管理辦法東吳證券研究所（等要20215圖48：自動(dòng)駕駛示范區(qū)數(shù)據(jù)安全管理政策 圖49：導(dǎo)航電子地圖制作甲級(jí)測繪資質(zhì)單位數(shù)量353025201510502020 2021 2022數(shù)據(jù)來源：新京報(bào)，繪制 數(shù)據(jù)來源：德勤中國，繪制海外：加快構(gòu)建規(guī)范自動(dòng)駕駛發(fā)展的政策法規(guī)框架20216要求配備L2(ADAS)L3-L520223NHTSA2023520235L3圖50：美國各州自動(dòng)駕駛法規(guī)政策情況數(shù)據(jù)來源：NCSL，26/31東吳證券研究所202276ADAS30820247東吳證券研究所202152022L32022820252025。20195允許L310L420234120229L3（2025L4級(jí)（高度自動(dòng)駕駛）自動(dòng)駕駛巴士、擺渡車商業(yè)化；到2027年推出L4級(jí)乘用車。圖51：韓國自動(dòng)駕駛普及“三步走”計(jì)劃數(shù)據(jù)來源：TheKoreaTimes，（L320213(建議稿)2021427/31東吳證券研究所稿的發(fā)布已經(jīng)體現(xiàn)了我國對(duì)推動(dòng)自動(dòng)駕駛實(shí)際落地采取的積極行動(dòng)。目前我國中央+L3東吳證券研究所新技術(shù)方向確認(rèn)，產(chǎn)品周期加速助推智能化純視覺方案具備成本優(yōu)勢，多傳感器融合用于長尾場景。在之前的智能化進(jìn)程中，車企主要分為以特斯拉為代表的純視覺方案，和其它車企所采用