乘用车领域深度剖析：理想汽车全面智能化转型的战略路径与挑战.pptxVIP

“端到端”时代，理想如何实现追赶头部算法厂商

智能驾驶从基于规则驱动的“rule-base”方案，过渡到数据驱动的“端到端”方案，符合ScalingLaw，即更多的计算量+更多的训练数据+更大的算法规模=更棒的算法性能。

理想在端到端时代的优势：

从ScalingLaw看：大车队能够提供大量训练数据；构建自动化的数据基建，实现数据闭环；积累大量云端训练算力，支撑模型快速迭代并允许模型参数进一步膨胀。

公司资源的倾斜：架构调整，给予智驾团队更多话语权；同步购买算力、招揽人才，并推进自研智驾芯片。

发力智能驾驶，从落后进化到第一梯队

通过多次OTA，迅速实现全国可开的无图NOA、端到端智驾系统、车位到车位功能。逐步实现智驾架构、智驾功能的行业首发，成功引领智驾风向。

多方面横向对比国内头部智驾企业，理想优势明显

空间智能+语言智能并举：理想智驾第一梯队，且作为车企，率先推送手机端AI应用，空间智能和语言智能均较为领先。

推进自研智驾芯片：调整团队内部分工，NPU负责人权利逐渐加强。

训练算力与净现金指标：理想现存算力第一梯队。若以净现金指标衡量未来购买算力能力，理想同样凭借近千亿储备，具备打赢算力仗的能力。

风险提示：技术发展不及预期、竞争情况加剧、新能源汽车销量不及预期。;

智能驾驶从基于规则驱动的“rule-base”方案，过渡到数据驱动的“端到端”方案。两套方案中均包含感知和规划两部分，感知信息由程序一端进入，先由感知部分处理并输出到规划部分，最后由另一端输出如预测轨迹等结果。两套方案的感知部分均已神经网络化，区别在于规划部分。

rule-base：规划部分存在大量人工规则。路试出现的新问题，需要工程师继续添加或调整规则以规避，算法的快速迭代导致团队的臃肿，难以实现高效自动化的程序迭代。

端到端：规划部分同感知部分一样神经网络化，符合ScalingLaw，即更多的计算量+更多的训练数据+更大的算法规模=更棒的算法性能。因此可以通过扩大算法参数规模，或用大量高质量驾驶数据迭代程序，让程序规划更加拟人。

参考ScalingLaw，理???如何迅速提高自身智驾能力？

大车队能够提供大量训练数据，从7月底的100万clips，迅速增加到12月中旬的800万，从平均接管里程评价算法性能，有近5倍的提升。;

数据基建，即自动化的模型评价体系，实现数据闭环。通过自研的世界模型，从多维度评估算法性能，也能够比较模型在不同城市场景下的能力，并给予训练数据调整建议，且模型评价实现完全自动化。

训练算力是支撑算法快速迭代的基石。理想拥有国内车企中第一梯队的算力规模，保证理想高速的智驾算法更新频率。

集团资源倾斜：理想在2023年9月的战略会上得出结论，要大力发展智能化，通过加强投入，补足落后于头部车企的差距。理想迅速做出调整，将负责感知和系统的负责人已晋升为副总裁，并开始积极采购算力卡，大量招揽智驾人才，推进自研智驾芯片开发等。;;

【天风电新】头部智能驾驶厂商空间智能和语言智能进度梳理;

【天风电新】头部智能驾驶厂商空间智能和语言智能进度梳理;

【天风电新】头部智能驾驶厂商空间智能和语言智能进度梳理;;

分析师声明