社区

出品｜妙投app

头图｜视觉中国

新能源汽车上半场是电动化，下半场是智能化。

而现在已经进到了下半场，甚至已经走出了有一小半的距离。从投资角度来讲，可能要往更远和更广阔的天地去看看。

本篇我们从人工智能的发展开始，新能源汽车智能化过程中存在的一些投资机会。

“妙懂行”是妙投为投资者特别推出直播，每个交易日的19:00—20:30，我们都将为大家聚焦投资市场，帮助大家捕捉有潜力的行业赛道。

本次直播我们特别邀请到了紫峰资本管理合伙人周成，来聊聊新能源汽车智能化的投资机会。

本篇为直播精华内容汇编，想看完整直播视频和嘉宾ppt，可添加妙妙子，备注“智能驾驶”免费获取～

#01人工智能的发展状况如何？

最近，人工智能的话题很火，很多人都在讨论人工智能的发展。

甚至讨论到人工智能与人的关系，包括人工智能会不会对人产生威胁，人工智能是不是要进行一定的监管等等。对于这些话题，我今天也做一些简单介绍和分享。

首先人工智能本身其实是一个比较古老的概念，在下图的时间线中，人工智能的诞生是在1956年，但实际可以追溯到更早，就是著名诺贝尔奖文学奖罗素在一些著作中就讲述过人工智能的一些概念。

到后来被誉为计算机科学与人工智能之父的图灵，大家都知道人工智能有个著名的“图灵检测”，而图灵可能在二次大战刚结束的时候，就已经有了所谓的对人工智能关注。

所以人工智能其实是一个比较古老的概念，但它整个发展周期其实非常漫长。如果对人工智能感兴趣，推荐大家看一本书叫《人工智能简史》，可以更清晰看到人工智能的发展过程。

在2021年，我看到一篇文章讲的是人工智能的崩溃，其中主要是讲的很多人工智能公司的发展都遇到了相当大的瓶颈，比如美国的相关公司大幅进行减值。

其实2020年GPT-3就已经出来了，由此可见当时大家对人工智能的发展还是比较悲观的。当然一切的变化就是出现在去年下半年，当时GPT-3.5的发布一下子将人工智能的发展带到了一个新的阶段。

人工智能中最先被攻克的是语音识别，比如科大讯飞。后面就是计算机视觉（computer vision），其中比较著名的有商汤、旷视等公司。

在之后，大家已经在讨论所谓的自然语言处理（natural language processing），我们叫LP。但那个年代的NLP跟我们今天基于GPT或ChatGPT的LP其实是不太一样的。那时候的LP很多实际应用场景叫RPA，RPA相当于一种自动客服，它其实更多使用的一种专家库或问题库进行一种穷举。

这跟我们目前这种深层次的AI是有比较大区别的。当然人工智能的发展为什么会到一个瓶颈，其实也跟LP迟迟无法攻克有关系，很多大佬都讲过这个东西很难。

再下面就是深度学习训练和推理，比如比较知名的第四范式主要就是做这个的。然后再往下就是transformer架构的出现，这实际上就是今天GPT的一个起点。

在之后就是我们所熟知的GPT，GPT就是人工智能发展路径通向的罗马，而这个罗马不是一天建成的，而是在整个发展过程中，无数大佬扔出各种各样的算法、理解框架等等，虽然没有谁是特别完美的，但这些都构建今天我们所熟悉的人工智能技术的基石。

除了GPT，还有BERT值得关注，这两个其实都是谷歌做出来的，但是因为在小语言模型状态下的话，BERT比GPT表现更好。

所以今天OpenAI的这些创始人，最后离开了Google，做了OpenAI，就是因为他们仍然对GPT很有信仰。另外，在不断加大模型参数的时候，会有一种叫做过优化的状态，说白了就是投入更多算力之后，会发现优化的效率其实是在下降的。

但随着不断往GPT里投入更多算力和参数之后，GPT出现了一种状态叫做涌现，最后使得整个GPT的效果要好于BERT。所以导致目前所有的大模型技术型几乎都是一样的，大家都讲究用GPT，用大模型，所谓大力出奇迹，只要我算力够，只要我参数够，我一定会拿到一个相对不错的结果。 

从整个GPT来讲，GPT就是Generative Pre-trained Transformer，是一种基于Transformer架构的预训练模型，由Open AI提出。它通过大规模的无监督学习从海量数据中学习语言模型，能够生成具有语法正确性和语义连贯性的文本。

在Transformer架构的预训练模型之后，它其实还有几步，才能够到我们今天所熟悉的人工智能模型。之后的一步叫做Fine-tuning，也就是优化调节，最后才是我们比较熟悉的RLHF（Reinforce Learning with Human Feedback），这其实是一个强化学习的过程。

当然，在英语的语境下，或者在欧美的拉丁语语系的语境下，你想打败Open AI还是蛮难的事情，首先他的用户量已经上去了，而每个人在使用ChatGPT的同时，也在帮助它进行优化调整模型，所以它或许会永远走在你前面。

回顾整个GPT的发展过程，其实是非常迅速的。另外大模型参数规模的增长速度也超过了摩尔定律，我们目前能够比较熟知的几个大模型，其参数都在不停往前走，参数规模也在变得越来越大，比如现在比较夸张的已经有一个500 5400亿参数的模型。

那么是不是参数规模越大，模型就一定越好呢？对此也有很多文章在讨论，其实从我的直觉来看，觉得并不一定，因为我也做过modeling，并不是参数越多，model的效果就一定会越好。因此，这个问题还是要看后续一些更具体细节的研究。 

目前人工智能工具也在不断涌现，比如 ChatGPT、notion等等。notion是我自己用过的工具，它是国外一个专门做笔记的app，比较著名的是它的团队协同性比较好，国外很多公司拿它来做开发文档的分享，是一个相当不错的app，你可以写一些自己的文章、剧本，中文和英文的表现都非常不错。

谷歌也在迎头赶上，发布了一款聊天机器人Bard，估计也有蛮多人用过。另外还一个是Claude，目前已经成为了ChatGPT的一个最强竞对。还有就是大家比较熟悉的GitHub Copilot，是微软与OpenAI共同推出了一款AI编程工具。 

Github是全球最大的代码托管站，也有人开过玩笑称GitHub是世界上最大的同**友网站，因为上面的程序员大概90%都是男性。事实上，目前这款app上面的新增代码中接近60%都是由人工智能自动生产的，这是个非常惊人的数字。 

另外，因为我是学计算机的，我也用代码，我自己也用这个visual studio code，确实效果非常的惊人。我在知道某一种算法名字的情况下，首先会把算法的一些细节内容拿出来，然后放到visual studio code里，让它去帮生成代码，然后我再去做运行，整个过程是非常流畅的。

所以目前来讲，就我个人而言，几乎每天都会至少跟其中一个AI工具互动，在我的投资研究工作中，AI工具已经占据了非常重要的一环。现在如果要我去面试一个实习生或新来的投资研究员，我可能首先会问AI工具中你用过哪一些，以及你用它来干什么，怎么用的。

那么人类会不会被AI所取代？这个不知道，但我知道的是，你一定会被更会用AI的人取代。

现在人工智能工具的涌现，其实已经到了一个非常惊人的地步，包括整个Open IA生态也在迅速发展。

上图的投资生态中，就包括了编程开发的工具、设计和音频编程工具、机器人和芯片制造等等。而这些人工智能工具其实已经逐渐取代很多人方面的工作，或是成为了人类强有力的助手。

此前Stability AI 创始人曾扬言，5 年内人类程序员将不复存在。但我不这么认为，但目前很多事情在AI的帮助之下，效率出现了极大的提高。

而在新能源汽车板块中，我们看一家公司核心的底层逻辑，其实就是降本增效。你是否持续在你的赛道上不断通过技术创新来降本生效，这就是公司的真正壁垒。

目前海外AI产业发展加速，不管是有发表的论文、新出的产品还是投入的资本，都是不停的在往上走。在国内，百度的文心一言、华为的盘古，还有商汤、昆仑万维的诸如此类，也在迎头赶上。

#02为什么看好新能源汽车？

讲完了人工智能，我们再来聊聊新能源汽车。每次都会讲，我们公司有两大信仰，一是我们一贯坚持新能源汽车不是汽车，有人会认为将油车的发动机去掉，装上电池，就是新能源汽车，但在我们看来,这是完全错误的。 

因为从新能源汽车的一些特征来讲，跟燃油汽车是完全不同的，比如它具备人车合一，也就是人机互动。另外，人工智能深度学习的智能自动驾驶，包括元宇宙在新能源汽车中的实施，也是一个非常重要的点。 

另一大信仰是我们相信智能驾驶，甚至相信无人驾驶时代必然到来。关于这个话题，其实很多人都争论过，有人认为自动驾驶一定不会发生，因为如果自动驾驶真发生了，很多驾驶员都将失业。 

但时代变化从来不以失业为依据，失业也不能阻碍科技的发展，科技进步是必然的。人也并不会被取代，因为肯定有另外一个更有价值和意义的地方需要人去促进社会发展。 

首先，我们来看一下22年中国新能源乘用车数据，22年整个新能源汽车的增长幅度是非常夸张的，超越了整个新能源汽车行业的预期，尤其比亚迪的崛起确实给整个新能源汽车板块打了一剂强心针。

而今年上半年的，1-6月乘用车终端销量累计为929万辆，也就是一个月可以售出一百多万辆，这对新能源汽车行业对投资者来说，其实是个非常令人兴奋的数字。

这也是我们经常强调的，中国新能源板块已经成为了我们出口的主要力量，像光伏、锂电、新能源汽车，我们叫“新三样”，2023年“新三样”一季度总共增长是66%，同比增量超过了1000亿，这个数字也是非常惊人的。

另外，今年一季度我们国家汽车出口已经首次超越了日本，拿下了全球第一，以前汽车可以说是日本的一张名片。我觉得在十年前，说中国有一天汽车出口能够超过日本，很多人都会觉得是天方夜谭，但今天这件事确实发生了。

好几年前，我在跟别人一次交流里，就讲过新能源汽车的成长不仅仅只是单一行业成长。新能源汽车的发展，对我国来讲，相当于是一种国策。

好多年前，中国其实没有真正的制造业，只有加工业，所以在当时的情况之下，用市场去换技术，其实并不能换来什么真正的技术，比如燃油车的三大核心技术壁垒是发动机、变速器、底盘，但发动机和底盘事实上到今天为止，我国的本土品牌依然是比较尴尬的存在，更别提去参加全球竞争。

但现在新能源汽车很不一样，目前我国的新能源汽车几乎走在了全球的最前面，包括德国汽车奥迪，技术内部也已经比较明确的指示，希望能够跟中国车企讨论电动车技术的转让。其实奥迪的电动车在所谓的BBA里，已经是属于做得还不错的，但仍然感受到了来自中国新能源汽车玩家的压力。目前的新能源汽车也体现了中国力量的崛起。

另外，参与全球竞争或出海是一个很重要的指标，因为现在国内确实卷得太厉害，而相对来讲，海外市场毛利率会更高，很多规则也会更明晰，因此对一些企业来讲是一个非常不错的成长赛道。

所以企业不管是做零部件的，做某一种技术，还是做整车的，那么，你是否具备有出海的能力，或者是在某个技术点是否参与了全球竞争，其实我们目前在做投资非常关注的一个点。

那么为什么会形成这样的态势？因为新能源是全球的一个趋势，就是全球推进新能源革命决心是非常坚决的，不管是在欧洲，在美国，还是在中国，大家都是制定各样政策来推动新能源，不光电动车，还有储能等行业。 

这也是为什么我们仍然看好这个赛道的一个很重要的前提。

#03如何看汽车的智能化？

关于汽车智能化，可能大家都听过level 1、level 2、level 3, 这可能很多人还不太能明白。

汽车能够走向自动驾驶，其实是有一个路径可循的，level 1还是以人驾驶为主，他们有一定的辅助驾驶到level 2部分的模块化。

很早以前，汽车上电子化的东西其实是非常罕见的，不太有什么电子锁，什么电子车窗这些东西，那个时候应该叫level 0。

到了后来，车辆进行了电子化，包括对驾驶的辅助，对周边的监控，比如倒车雷达、倒车影像、毫米波雷达诸如此类的，这属于是level 1和level 2。

而我们现在绝大多数的车可能是在level 2和level 3之间，这也是为什么特斯拉宣布今年年内就能实现自动驾驶从level 4到level5的原因。

那么特斯拉为什么敢这么说呢？这个我们后续会讲。

首先大家需要明白，自动驾驶是有一个路径可循的，就是我们所谓的自动驾驶有几个关联的东西，这些关联的东西在一起，都能够达到一定要求之后，自动驾驶才会有现实的意义，比如感知、执行、判断。

最早我开始看自动驾驶的时候，基本上都讲感知、执行、判断，后来又来了一个网联，因为除了车本身实现自动驾驶的功能之外，还需要外部的赋能。

那么这就跟网联有关系了，有的时候很多人说在中国实现自动驾驶要比国外会快很多，原因很简单，比如自动驾驶需要的辅助工作，需要在路面上装上传感器和接入到网络，对此中国可以搞大基建，这可能就是中央政府一声令下的事，但在欧美这不可能做到。

在这种情况下，某种维度上的自动驾驶，比如公交的自动驾驶，我们国家实现的或许会比其他国家要快。

所以不管是感知层、执行层、判断层，乃至于网联层，目前有大批的创业公司涌现，甚至这些创业公司已经成长为上市公司。

比如芯片算法中很典型一家公司黑芝麻，前段时间似乎已经看到它在提交材料，准备上市了。诸如此类，其实现在大量这方面的公司，已经不再是创业公司，而是已经到了一定的规模，它的技术也已经成熟到了一定地步。 

再加上，我们经常讲自动驾驶、新能源汽车，更多时候可能是一种乘用车概念，但其实商用车的自动驾驶也走的非常迅速，比如给矿区干线物流服务的重卡、矿卡，已经在无人驾驶方面走得比较远了，其中也有很多公司走到了比较成熟的阶段，能够做到批量化出货。

从另一个维度去看自动驾驶的产业链图谱，包括感知层、判断层、执行层、互联。然后新能源汽车智能电动化平台有迭代进程，在汽车电子电器构架演化推动下，以特斯拉为代表的车企不断结合电动化+智能化创新，以平均3年一个周期实现一次平台的大升级。

那么在E/E架构升级下，有哪些投资焦点？

首先，有相对硬件的车规级芯片，比如MCU、SOC、IGBT，以前我们也看过比较多，但在芯片领域，出手确实要比较谨慎。因为在这些领域里，企业竞争实际是非常激烈的，很多赛道的巨头已经出现，而且是大规模的上市公司。 

所以，创业公司在里面是比较艰难的，但现在我们比较关注的，尤其与自动驾驶相关的，就是边缘端的算力芯片，这是我们比较关注的点。

因为在我们看来，汽车控制需要算力芯片，但还需要边缘的算力芯片设施，否则不可能去侵占主控系统的算力，这对安全是有比较大的影响的。

当然，车规级芯片是比较难做的，到今天为止，其实真正能够做到车规级芯片的创业公司是不多的，刚才讲的有黑芝麻，还有一个很厉害的企业叫地平线，他们在车规级芯片方面已经走的比较远了，当然这家公司主要是自动驾驶。

另外，对于新能源汽车而言，芯片未来的需求数量会是一个非常惊人的数目，2021年平均每辆新能源车所需芯片数量已经达到了1000颗以上。在未来高端智能电动车领域，单车芯片搭载量将数倍增加，达到2000片以上，汽车半导体占整车物料成本比重，预计将从2019年的4%提升至2025年的12%，2030年提升至20%。 

所以谁一旦能在汽车芯片、车库及芯片等方面能够完成突破，结果也会非常好。除了芯片方向，还有L2-L4智能电动化阶段E/E架构升级下软件标准化，平台所需技术，包括 E/E架构升级、域控制器、Auto SAR协议标准、自动驾驶/智能座舱算法、SOA软件架构，OTA迭代升级等。 

我们所说的软件定义汽车概念，不管是做一级的还是二级的的朋友，可能都比较熟悉了，包括各种算法、应用软件、操作系统以及各种框架和工具，这些都是一辆车的价值。

我们假设造一辆乘用车，想造一名叫周晨的牌子，其实这件事本身不难，而且资金量其实比大家想象得要少很多，因为现在很多人还沉浸在当年李斌称，一部新能源汽车大概需要110亿美金的概念里。当然也感谢蔚小李在前面为我们趟出了一条路。

另外相对而言，中国的供应链实在太发达，比如把一辆车出口到韩国、印度，为什么韩国、印度本地的供应链无法承担一辆车的成本，而只能靠中国，就是因为中国供应链很发达。

也正是因为中国供应链发达，导致想在硬件层面拉开距离，除非在硬件层面投入很大的技术成本。但以我来看，其实真正对用户而言，最直接的感受来自于软件，包括车的性能、交互等等，这也是为什么叫软件定义汽车的道理。 

而且未来汽车在软件上的收入，绝对会大于卖出这辆车所售的收益，这是我们的一个观点。下图我们也标出了相关的这些软件，包括热管理，雷达的一些软件测距等等。

 另外，软件企业有一个好处，就是软件本身的编辑成本特别低，不像硬件那样，需要建厂、设备等等，因此软件业务的边际成本几乎可以压缩到0。因此，相关软件对于一个创业公司来讲，它崛起的边际成本很低。

对于用户来说，汽车智能化第一就是自动驾驶，但现在还不能够完全无人驾驶，更多的是辅助驾驶，因此用户对于智能化感受最真切的就是智能座舱，不管是数据采集、头显，还是娱乐系统，都是你与车本身的一个互动。

因此，汽车智能化的核心节点是智能座舱，也是我们非常关注的一个点，尤其智能座舱与我们上面提到的人工智能息息相关，在上图中我们也列举出了一些相关技术。

人机互动，就是人给车下达指令，大家应该看过抖音上的那种像喜剧短片，就是人不管怎么跟智能系统对话，它就是没办法理解你的意思，除非你说出一定的关键词。

伊隆马斯克也专门讲过，他为什么一定要做无人驾驶，就是今天大多数人，即使你有车，你也必须得在车里驾驶着车。但如果开车不需要你自己，而是在无人驾驶的状态下，他保守估计一个人在车里的时间会翻倍，甚至翻四倍。因为这种情况下，车将成为一个空间，比如星巴克是除家和工作之外的独立的第三空间，而未来车很可能就成第四空间。 

在这个空间中，你能做的事情会变很多，因为在驾驶过程中，你不需要去管这辆车，更多的可能是一些人车互动，因此智能座舱将是未来可供投资的一些点。智能座舱最后或许会成为一个真正意义上的平台，不光是车的平台。目前智能座舱也是一个很热门的创业赛道。

#04人工智能+新能源汽车能碰撞出怎样的火花？

此前，在世界人工智能大会上，启明创投联合未尽研究发布了《生成式AI》报告。

其中讲述了人工智能整个应用开发的生态架构，从基础设施层工具链到模型层，模型层包括闭源大模型和开源模型，闭源大模型有Open AI、文心一言，开源模型有Hugging face等等，具体可参考下图。

我参加的一个会里就有Hugging face的中国区负责人，Hugging face是一个做人工智能开源模型的社区，可以把它想象成是人工智能领域里的鸡汤，它有很多的代码和模型，需要委托在Hugging face里面。 

基于这些开源或闭源模型，再往上搭建所谓的应用，所以整个人工智能就是不断搭建的一个生态。在大模型时代，人工智能的基础设施和工具都是可以助力整个汽车智能化的。 

我前面已经讲到了，比如如何分配更有效的算力，以及芯片架构、算力系统、人工智能在内的模型训练，这都是与人工智能息息相关。 

人工智能能为降本增效带来非常惊人的效果，同时对汽车智能化而言，我们可以从人和事这两个角度去看。

首先从开发者的角度，是需要怎么借助人工智能的基础设施去提供新能源汽车智能化的开发需求。当然对于新能源汽车，汽车智能化最终所有东西都会都会聚焦在生产制造上，每个工厂、每个仓库、每条生产线等等，几乎都可以拿人工智能再重新做一遍。 

更高的视角来看，我们能看到新能源科技改造世界，目前比较典型的就像特斯拉的Power wall。

这个东西可以去做，其中空间很大，因为目前在做的模型不大，比如像百度就在做电能储能的优化，所以我认为整个大模型和新能源的结合，之后的发展空间是比较惊人的。

前面我们提到，今年特斯拉能否实现L4-L5的自动驾驶？能不能实现，我也不知道，但特斯拉为自动驾驶所储备的技术，我是比较了解的。在这里我们重点来讲一下特斯拉在自动驾驶上的野心，其中很多信息来源于去年特斯拉的AI Day。

目前网上也有很多文章详细解读了AI Day，知乎上也有两篇很有名的文章，如果大家对特斯拉自动驾驶感兴趣，不妨可以看一下。

特斯拉在自动驾驶方面，有三层东西做了准备，其中有一个叫Hydra Net（九头蛇网络），主要是在于收集车周边的一些信息，因为要做自动驾驶，首先需要有信息的收集和处理，当每个感知单元收集来的数据，都需要去做处理时，或者需要建立一套独立系统进行处理，但没有任何一个算力系统能够承担这样的处理。

所以需要去提取这些数据的特征，找到其中共有的特征再进行处理，这就是Hydra Net出现的一个重要原因。

根据特斯拉2020年公布数据，Hydra Net有5000个头，目前国内自动驾驶如果你用的是Hydra Net，差不多都是这个水平，但现在是2023年，我个人认为，特斯拉在这方面进步得会比我们想象中的更快一些。因此，Hydra Net是共享特征的多任务网络，是自动驾驶的一个储备技术。

第二个储备技术BEV（鸟瞰俯视图坐标系），也就是需要知道车周边的东西，以及一个相对的位置。该怎样去判断？ 

目前来讲，因为电脑本身是二维的，做不到三维，最起码很多三维其实是通过数据调整，将它折出来一个三。这里当然涉及很多数学的东西，我们就不去讲技术细节了。 

总而言之，FSD感知的空间理解能力上，特斯拉是用BEV去进行的，这里面我专门找了两张图，大家可以看一下。

第三个叫时空序列，伊隆马斯克有个很著名的论调，就是为什么他不用激光雷达，而是只靠视觉方案去做自动驾驶，因为人类眼睛不会发激光。 

我们人类就是拿眼睛看，来完成开车这个事情的，实际上这跟空间和时间的概念是紧密相关的，假设我们的眼睛像是高速摄像机，一秒钟能拍24张，从而去判断什么时候转弯，什么时候红灯变绿灯等等，这样下来一分钟大概要拍1000多张照片。 

如果从1000张照片中拿出一张照片给你看，问你在这个时点上，是准备踩刹车还是准备左转弯？你其实是完全不知道的，因为你不知道这张照片的时间节点的前后发生了什么，所以自动驾驶实际上是需要有一个空间和时间序列，来为自动驾驶的智能增添短期记忆的。

当然，其中具体的技术很复杂，涉及到了一堆数学公式，这里我们就不详细介绍了。不过特斯拉同时尝试了三种时序融合方案，分别是3D CNN、Transformer、RNN。

我觉得特斯拉对transform的应用可能远远比我们想要的要早很多。

*以上分析讨论仅供参考，不构成任何投资建议。