智驾平权或有望成为2025年最大的汽车投资主线。高阶智驾功能逐步下沉，主流车企智驾平权进入加速时代主流车企加速高阶智驾布局，智驾平权时代加速到来。

DeepseekR1赋能座舱与智驾，智能化平权加速来临。

(1)DeepSeekR1直接赋能语音导航和语音交互等智能座舱功能。DeepSeek官网开源了基于R1蒸馏的1.5B/7B/14B/32B/70B的模型，智能座舱和智能驾驶等的开发者可以应用和优化。DeepseekR1模型可直接应用于车机任务、地图导航、场景理解等模块，能够提高数据集分类的效果。2025年2月6日开始，吉利汽车，长安汽车等公司均表示将DeepSeek-R1与各家自研的智能座舱模型融合，进一步提升座舱交互能力。

（2)DeepSeekR1无法直接用于智驾车端模型，但是数据增强与合成的方法可以用于智能驾驶模型的训练。将DeepSeekR1可以应用到数据生成中，服务于车端网络模型的开发和训练，主要作用包括数据标注效率的提升以及虚拟仿真场景的生成。另外，在基于DeepSeekR1的强化学习提升推理能力的范式，有望加速后续车端模型的开发和迭代，同时降低车端和云端的算力需求。

在模型处理方面，通过小样本学习来降低数据依赖。比如采取元学习（Meta-Learning）方式，通过少量真实驾驶数据（如不同城市的交通规则），快速适配新环境。同时，基于预训练模型迁移应用到大规模通用驾驶数据（如城市道路、高速公路）预训练模型中，再通过少量本地数据进行微调。

实际上，如上这种方式在DeepSeek中被称之为知识蒸馏处理技术。蒸馏（KnowledgeDistillation）是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型）的技术。其核心目标是在保持模型性能的同时，显著降低模型的计算复杂度和存储需求，使其更适合在资源受限的环境中部署。这也是我们这里将重点展开讲的一种技术，将是如何应用到具身智能中的，也是业界需要深入探索的技术。

除了模型蒸馏外，还包括数据蒸馏技术。数据蒸馏通过优化训练数据，帮助小模型更高效地学习。DeepSeek的蒸馏技术将数据蒸馏与模型蒸馏相结合，实现了从大型复杂模型到小型高效模型的知识迁移。当然知识蒸馏过程中，DeepSeek设计了混合损失函数，这样的处理方式也类似于当前在具身智能领域所应用的预训练与微调技术。不同之处在于，DeepSeek这种设计混合损失函数的模式很值得借鉴：即设计包括软标签损失（软标签损失鼓励学生模型模仿教师模型的输出概率分布）和硬标签损失（确保学生模型正确预测真实标签）。

一、自动驾驶系统核心技术

核心技术：

第一块感知：感知到自身的位置速度和其它障碍物的位置速度，把它们的实时位置标注在地图上。特别注意，感知包括定位，也就是感知自身的真实位置。

感知阶段的主要处理对象是像素点（包括图像和点云）；

规划阶段的主要处理对象是离散的图论节点；

控制阶段的主要处理对象是反映车辆运动状态的浮点数。

自动驾驶：

感知阶段的主要处理对象是像素点（包括图像和点云）；

规划阶段的主要处理对象是离散的图论节点；

控制阶段的主要处理对象是反映车辆运动状态的浮点数。

第二块决策或者叫规划。现在车辆已经知道自己的位置和所有潜在障碍物的位置，并且还可以根据障碍物的速度方向（如果是动态的话）预测障碍物短期新的位置。又知道自己要去的位置，那么就可以在地图上用图论算法规划路径，路径连接本车当前位置和目标位置，中途避开所有障碍物。

核心技术是路径的图论规划，包括：a、图论算路算法、b、路径平滑（不能光有连线，还得光滑）、c、速度规划（不光有光滑连线，还有连线上每一个点的行车速度）。

常见的图论算路算法包括迪杰斯特拉算法（Dijkstra'salgorithm），它用于计算一个节点到其他所有节点的最短路径；贝尔曼-福特算法（Bellman-Fordalgorithm），它可以处理带有负权重边的图，并且能够检测负权重环；弗洛伊德-沃沙尔算法（Floyd-Warshallalgorithm），它用于计算图中所有节点对之间的最短路径；以及A*搜索算法，它是一种启发式搜索算法，常用于路径寻找和图遍历等问题。

第三块是控制。路径已经决定，但还得沿着路经精确地开过去。控制的核心词是”精确地“执行。车辆是一个复杂的机械系统，每一个执行环节都有自己的动态误差和静态误差。道路行车同样复杂，哪怕左轮不小心压到一个小石子，都会对控制造成随机干扰。

除了上面三大块外，还有比较独立的SLAM技术。SLAM（同时定位与地图构建）技术已经成为机器人领域的研究热点。通过融合激光雷达、摄像头、IMU等多种传感器数据，SLAM技术赋予了机器人（无人驾驶车船无人机都属于广义的机器人）自主导航与环境感知的能力。

二、自动驾驶技术栈中的主要组成部分

传感器融合：将摄像头图像、激光雷达点云、毫米波雷达信号等输入DeepSeek-V3，通过跨模态对齐技术（如注意力机制）实现数据融合。

自动驾驶技术栈中的主要组成部分如下：

1.传感器，提供关于周围物体、道路状况和其他交通参与者的数据。自动驾驶系统使用多种传感器来获取环境信息，如雷达、摄像头、激光雷达、超声波传感器等。

2.感知与感知融合：感知模块使用传感器数据进行物体检测、分类、跟踪和场景理解等任务。感知融合整合不同传感器的数据，提供对环境的全局感知和理解。

3.地图和定位：地图和定位模块为自动驾驶系统提供定位和地图信息。高精度地图用于提供车辆所处位置、车道信息、交通标志和交通规则等，以帮助车辆进行路径规划和决策。

4.路径规划与决策：路径规划模块使用感知和地图数据，为车辆规划安全和高效的行驶路径。决策模块基于感知和路径规划的结果，制定实时决策策略，如车辆的转向、加减速和避让行为等。

5.控制系统：控制系统模块将决策结果转化为车辆的具体控制指令。它涵盖了车辆的转向、加减速、制动和稳定控制等，以确保车辆按照决策模块的指令进行安全、平稳的行驶。

6.人机交互：人机交互模块负责与驾驶员或乘客进行交互，如语音指令、触摸屏界面、图形显示等。它使驾驶员能够与自动驾驶系统进行沟通、了解当前状态和提供输入。

7.安全和监控系统：安全和监控系统用于监测自动驾驶系统的状态，检测故障、异常和紧急情况，以确保系统的安全性和可靠性。它还可以提供实时监控、数据记录和故障排查等功能。

8.数据处理和机器学习：大数据处理和机器学习在自动驾驶中起着重要作用。通过对大量数据进行处理和分析，可以提高感知、决策和预测的准确性和鲁棒性。

9.算法开发和优化：算法开发和优化涉及开发和改进自动驾驶系统的核心算法，包括感知、路径规划、决策和控制等。不断改进算法可以提高系统性能和驾驶体验。

10.系统集成和测试：自动驾驶技术栈的最后一个环节是系统集成和测试。这包括将各个模块整合到一个完整的系统中，并进行功能验证、安全性测试和实地路测等，以确保系统的稳定性和安全性。

deepseek的主要处理对象是作为语言原子单元的token。二者似乎并不一致。大语言模型的多模态扩展。大语言模型的多模态扩展是指将语言模型的能力从仅处理文本数据扩展到能够理解和生成多种类型的数据，包括图像、音频、视频等多种形式的信息。这种扩展使得大语言模型能够更好地模拟人类的认知能力，从而在更广泛的场景中发挥作用。

三、大模型如何助力自动驾驶行业发展

以下是几种常见的多模态扩展方法和技术：

1.多模态输入处理：这种方法允许模型同时处理文本和其他类型的输入数据（如图像、音频）。模型需要理解一张图片并根据图片内容生成描述性的文本。模型使用特定的架构来分别处理不同类型的输入，并将它们融合在一起进行最终的输出。

2.跨模态理解与生成：涉及到在不同模态之间建立联系，比如通过文本描述生成图像或根据图像生成描述性文本，要求模型具备跨模态的知识表示学习能力，以便在不同的数据类型之间建立有效的映射关系。

3.注意力机制：帮助模型在处理多模态数据时关注最重要的部分。在处理图文混排的输入时，模型可以通过注意力机制决定是更多地关注图像还是文本，或者两者之间的相互作用。

多模态技术加持后，大语言模型能高效增强自动驾驶技术。deepseekV3就是一种多模态大语言模型。

已知的自动驾驶中应用多模态的deepseek的场景：

1.多模态环境感知增强

技术实现：

传感器融合： 将摄像头图像、激光雷达点云、毫米波雷达信号等输入DeepSeek-V3，通过跨模态对齐技术（如注意力机制）实现数据融合。例如，模型可将图像中的红绿灯识别与雷达的测距数据进行时空对齐。

开放世界理解： 利用大模型的开放域知识，识别训练数据中未覆盖的罕见物体（如特殊工程车辆、动物），弥补传统感知模型的长尾问题。

语义场景分割： 通过视觉-语言联合建模，生成道路场景的语义描述（如“湿滑路面”“临时施工区域”），为决策提供上下文信息。

工程挑战：

实时性优化： 需通过模型轻量化（如知识蒸馏）或边缘计算部署，将推理延迟压缩至毫秒级。

不确定度校准： 对模型输出的置信度进行量化，避免错误感知引发连锁风险。

2. 可解释决策与因果推理

技术实现：

因果决策树：将驾驶策略分解为“IF-THEN”规则链，由DeepSeek生成决策逻辑的自然语言解释（如“减速因为前方行人正在看手机可能闯入车道”）。

博弈建模：模拟其他交通参与者（车辆、行人）的意图预测，构建博弈论框架下的交互决策。

伦理权衡框架：针对“电车难题”类极端场景，利用大模型的社会常识生成符合伦理的优先级判断。

工程挑战：

逻辑可验证性： 需将自然语言决策转化为形式化验证框架（如时序逻辑），确保符合ISO 26262功能安全标准。

实时推理成本： 复杂因果链推理需设计分层决策机制，高频操作（如跟车）由传统控制算法处理，低频复杂场景触发大模型介入。

3. 动态高精地图构建

技术实现：

在线语义建图： 通过视觉SLAM+大模型实时生成道路拓扑结构的语义描述（如“第三车道因施工封闭”），替代预加载高精地图。

众包地图更新： 车辆群将局部感知结果上传至云端，DeepSeek-V3整合多源数据生成动态地图更新包。

长尾场景标注： 自动识别道路异常（如塌陷、遗落货物），通过Few-shot学习快速生成标注数据。

工程挑战：

数据一致性： 需解决多车感知结果的时空对齐和冲突消解。

通信延迟容忍： 设计去中心化地图更新协议，在弱网环境下仍能保障基础功能。

4.人机协同驾驶

技术实现：意图理解与接管预测： 通过车内摄像头和语音输入，实时分析驾驶员状态（如疲劳、分心），预测接管需求时机。

自然语言交互： 支持语音指令细粒度控制（如“在下个便利店停车”），同时解释自动驾驶系统的行为（如“即将变道超车因为当前车速低于限速”）。

个性化策略适配： 学习驾驶员习惯（如跟车距离偏好、变道激进程度），调整自动驾驶策略参数。

工程挑战：

多模态信号融合： 需同步处理语音、手势、生物传感器等多通道输入。

隐私保护： 驾驶员行为数据需本地化处理，避免云端泄露风险。

5.仿真与影子模式迭代

自动驾驶的影子模式（shadow mode）是一种后台优化自动驾驶算法的方法。

当车辆处于有人驾驶状态时，自动驾驶系统的传感器会不断采集路况信息，包括道路状况、车辆位置、行人动态等。同时，自动驾驶算法会根据这些信息模拟出相应的驾驶决策。然而，这些决策并不会直接控制车辆，而是与驾驶员的实际操作进行对比。

如果自动驾驶算法的模拟决策与驾驶员的操作一致，说明算法在该场景下表现良好；如果存在差异，特别是当算法决策与驾驶员操作差异超过阈值时，系统触发数据回传机制。这些高价值数据（包括路况和驾驶员对应操作，作为feature-label对应的训练数据）将被上传到云端，用于持续优化自动驾驶算法。

影子模式可以简单理解为自动驾驶世界的”虚拟炒股“。

技术实现：

场景生成引擎： 利用DeepSeek-V3生成涵盖极端天气、事故场景的虚拟测试用例，加速Corner Case覆盖。

自动标注工具： 对实车采集的未标注数据，通过提示工程（Prompt Engineering）生成高质量训练标签。

在线持续学习： 在影子模式下对比人类驾驶与AI决策差异，自动生成强化学习奖励函数。

工程挑战：

仿真保真度： 需物理引擎与大模型生成场景的耦合优化。

数据闭环效率： 从数据采集到模型更新的端到端延迟需压缩至小时级。

6. 应用案例设想

城市NOA（导航辅助驾驶）： DeepSeek实时解析复杂路口交通警察手势，动态调整通行策略。

无地图越野驾驶： 通过视觉+语言提示（如“沿车辙痕迹行驶”）实现非结构化道路导航。

应急避险系统： 识别山体滑坡前的细微地质变化迹象（如鸟类异常飞行模式），触发预防性制动。

总结与展望：

DeepSeek-V3需与传统的自动驾驶技术栈（如控制理论、SLAM、强化学习）深度融合，其核心价值在于解决开放环境下的认知智能问题，而非替代现有感知-决策-控制链路。实际落地需遵循“场景化裁剪、功能安全优先”的原则，逐步从L2+辅助驾驶向高阶自动驾驶演进。

Deepseek暂无能力取代卷积神经网络CNN、光流optical flow、强化学习RL之类，已经在自动驾驶领域广泛使用的深度学习模型，而是扬长避短，发挥它们各自的长处，结合起来使用。deepseek和任何深度学习大模型一样，面临通用的关键限制与应对方法：

1. 确定性保障（神经网络可解释性）： 大模型的概率性输出需通过安全封装层（如输出范围约束、多模型（MoE）投票）转化为确定性控制信号。

2. 功耗与算力： 需设计专用NPU架构，支持稀疏化计算与混合精度推理。而且计算功耗在车载场景下会显著缩短车载电池的续航力。最好是简单决策本车执行，复杂操作上传云端执行。

3. 法规符合性： 决策过程需满足ASIL-D级可追溯性要求，可能采用“白盒化”子模块（如显式规则引擎与大模型协同）。一般来说，是显式规则模型对大模型的输出进行实时审计，一直到大模型生成满足审计的输出才采纳。

四、DeepSeek加速智驾平权时代加速到来

随着汽车智能化的发展，高速NOA功能逐渐成为大部分车型的标配，并且主流主机厂已经布局城区NOA功能，其中头部先行企业已布局1年以上，实现一定数据积累。目前国内主机厂于端侧加速端到端+大模型上车，不断优化完善NOA功能的体验感。

高阶智驾已下探至20万元以下车型，推动高阶智驾功能逐步下沉。多家车企利用端到端大模型与无图方案，城区NOA方案已成功量产上车。小鹏P7+上市，起售价18.68万元，全系标配城区NOA方案。比亚迪、长安等头部车企纷纷发布高阶智能驾驶技术规划，推动行业加速迈向“智驾平权”新时代。

随市场竞争加剧，未来高阶智能驾驶系统有望在10万元左右的车型上搭载，各车企均加速高阶智驾布局，产业链上下游各环节将迎来新一轮发展机遇。

自动驾驶各环节零部件集中度与空间格局梳理：

以L2/L2+渗透率各50%计算：

超500亿赛道包括空气悬挂（CR3超80%）%；

300-500亿赛道包括摄像头（CR3份额低于40%）、智驾域控（CR3超50%-80%）、线控制动（CR3超80%）、线控转向（CR3超80%）；

100-300亿赛道包括激光雷达（CR3超80%）、毫米波雷达（CR3超50%-80%）、高速连接器；

100亿以下赛道包括超声波雷达（CR3超50%-80%）、域控芯片（CR3超50%-80%）；

感知端：激光雷达装机量同比高增，摄像头市场竞争激烈。

激光雷达：全年装机量高增，市场份额集中。2024年全年激光雷达装机量超150万颗，市场格局主要由速腾聚创、华为、禾赛科技及图达通等四大厂商主导，CR4占比达99.9%，市场份额相对集中。

前视摄像头：博世份额领先，竞争较为激烈。2024年，前视摄像头市场竞争较为激烈。博世装机量接近280万套，占据了20.1%的市场份额。电装、舜宇智领分别出货132.8万套/105.7万套，装机量占比分别达9.6%/7.6%，CR3占比达37%。

决策端：行泊端外资方案占据主导，国产智驾芯片取得一定份额行车。

ADAS系统：市场竞争激烈，博世市场份额较高。在行车ADAS市场中，前视一体机方案凭借其高效、稳定、可靠的性能，继续保持其主导地位。其中，博世装机量达279.7万套，市场份额达20.1%，电装、比亚迪装机量分别达133.0、101.5万套，市场份额分别为9.6%、7.3%。

自动泊车APA：外资占据较大份额，国内主机厂自研占据一定份额。

外资Tier1占据较大市场份额。法雷奥装机量达97.9万套，市场份额接近20%的，博世装机量为91.7万套，市场份额达到18.5%，与法雷奥共同构成了市场的前两大巨头。国产厂商中，华为/理想凭借自身亮眼销量表现，市场份额分别达10.3%/10.2%。

智驾域控：德赛西威份额超25%，CR3占比超60%。2024年智驾域控装机量超320万套，竞争格局来看，德赛西威装机量达86.5万套，市场份额达26.7%；和硕/广达（特斯拉代工）装机量达66.2万套，市场份额为20.5%；华为装机量达50.9万套，市场份额为15.7%，CR3占比达63%。

域控芯片：OrinX份额接近40%，华为与地坪线取得一定份额。智驾域控芯片是智能域控的核心部件，为智能驾驶系统提供运算和处理能力，智驾域控芯片市场呈现出显著的头部效应。英伟达OrinX装机量超210万颗，市场份额接近40%。特斯拉FSD装机量达132.4颗，市场份额达25.1%。同时，国产芯片厂商也取得一定份额，华为昇腾610装机量超50万颗，市场份额达9.5%，地平线J5/J3分别以26.9万颗/16.5万颗的装机量，占据了5.1%/3.1%的市场份额。

执行端：空悬加速渗透，自主厂商强势突破。空悬市场集中度高，自主厂商占据优势份额。2024年，空气悬架市场全年装机量突破80万套，CR3的合计份额超过80%。其中，孔辉科技装机量达33.5万套，市场份额占比41.3%；拓普集团/保隆科技装机量分别为约21.0/16.0万套，市场份额分别为25.8%/19.6%,CR3份额占比超80%，自主厂商凭借着较低成本、快速的响应能力已占据市场绝对优势份额。

比亚迪产业链：智驾平权带来巨大增量，多核心环节有望受益。天神之眼赋能主流市场车型，Dipilot100搭载量预计超200万套天神之眼赋能主流市场车型，智驾平权时代已至。在工信部第390批新车目录中，比亚迪申报了十几款全新和改款的车型，其中新款海鸥、新款海豚、新款秦PLUS等都将提供"选装内后视镜安装底座”，这也意味着这些车型都可搭载“三目视觉硬件智驾方案”，可通过全车多处环视摄像头实现纯视觉智驾。同时，比亚迪于2月10日举行智能化战略发布会，多款搭载“天神之眼”智能驾驶系统的新车型登场，天神之眼搭载5R12V12U方案及端到端大模型。

比亚迪智能驾驶产业链梳理

感知端：24Q1-Q3激光雷达配置率不足1%，主要由速腾聚创供应。

激光雷达：24Q1-Q3配置率不足1%，由速腾聚创供应；方程豹豹8与华为深度合作，相应车型搭载华为雷达。

前视摄像头/一体机：搭载率尚低，主要原因为低端车型销量较大，尚未配备前向ADAS系统，主要供应商为比亚迪/四维智联/福瑞泰克/博世；其中，视觉主芯片主要采用地平线J2/J3方案，配置率分别为71%/19%，合计配置率接近90%。

毫米波前雷达&角雷达：24Q3比亚迪毫米波前雷达配置率约30%，前雷达供应商中，承泰科技/比亚迪/博世配置率为68.3%/22.4%/7.4%；角雷达供应商中，比亚迪自产率较高，比亚迪/海拉/承泰科技配置率为87.4%/6.8%/4.9%。

决策端：24Q1-Q3低价格带车型智驾功能尚不完善，域控配置率较低。AVM环视方案：AVM主要是以俯视视角输出车辆周边2-5米范围内的全景图，利用车身周围4个广角鱼眼环视摄像头获取影像，通过图像处理技术对所拍摄多幅图像进行畸变矫正和拼接，实现高质量无缝拼接的360°环视影像，从而减少由于驾驶员视野盲区引发的交通事故。

产品构成上，AVM产品主要包括三个模块：摄像头、环视算法、控制器（集成于中控的方案无控制器，目前已成为主流），24Q1-Q3比亚迪AVM配置率约60%-70%，供应商主要为比亚迪/纵目科技/博世，配置占比90.6%/6.2%/3.2%。

APA自动泊车：24Q3配置率约6%。供应商主要为辅易航/德赛西威/比亚迪/博世，配置占比43.6%/23.9%/19.9%/10.6%；APA芯片主要采用TI/赛灵思/域控集成/地平线J3。

其中：

➢比亚迪方案：采用TI芯片或域控集成（基于地平线J3/J6或英伟达Orin）实现APA；

➢博世方案：采用赛灵思芯片实现APA；

➢德赛西威方案：采用TI方案实现APA；

➢辅易航：采用TI/地平线J3方案或域控集成（基于英伟达Orin）方案实现APA；

➢Momenta方案：采用域控集成（基于英伟达Orin）实现APA；

➢华为：采用域控集成（基于昇腾610）方案实现APA。

智驾域控：域控配置率约3%。当前供应商主要包括比亚迪/宏景智驾/大疆，配置占比43.1%/27.9%/19.8%；芯片主要采用地平线J3/J5英伟达Orin方案。其中：

➢比亚迪：采用TITDA4/地平线J3/英伟达OrinN/英伟达OrinX/双OrinX方案；

➢大疆：采用英伟达OrinN方案；

➢四维智联&宏景智驾：采用地平线J3方案；

➢德赛西威：采用单OrinX方案；

➢东软睿驰：采用地平线J5方案；

➢华为：采用昇腾610方案。

执行端：24Q1-Q3线控以ONE-BOX方案为主，空悬配置率较低。

线控制动：配置以ONE-BOX为主，供应商包括博世、弗迪动力。线控制动TWOBOX渗透率较低，主要由拿森供应，占比较小，24Q3装机405台；ONE-BOX主要由博世/弗迪动力供应，各占比五五开。

线控转向：EPS主要由比亚迪/耐世特/现代摩比斯/采埃孚供应，各占比约35.0%/27.4%/19.1%/18.4%。

空悬渗透率较低，24Q3 渗透率为 0.3%，目前全部配置于腾势车型；24Q1-Q3间，空悬拆分来看，空气弹簧均由保隆配置，供气单元由保隆与 AMK 共同配置，ECU 由保隆与比亚迪共同配置，减震器方案由倍适登与采埃孚共同配置。

华为产业链：感知+规控核心套件绑定华为，关注执行层增量

感知端：激光雷达及毫米波雷达主要由华为供应

以问界为例，分析华为系智驾供应链构成：

激光雷达：华为为主供应商，外部供应商占比逐步下降。问界激光雷达配置率超 90%，供应商为华为/速腾聚创，24Q3 占比各为 82%/18%。

前视摄像头：前视摄像头均为 100%配置，供应商为舜宇智领与博世 MPC3，24Q3配置率为 99.6%/0.4%，博世方案逐渐退出；视觉主芯片方面，博世+瑞萨方案配置率逐步降低，华为逐步占据主导份额。

毫米波雷达：毫米波前雷达中，博世方案占比逐步呈降低趋势，博世方案主要配置 23 年 9 月款问界 M7，逐步由华为占据主导；毫米波角雷达中，福瑞泰克占比逐步呈降低趋势，主要配置款型也为 23 年 9 月款问界 M7，华为角雷达逐步占据主导份额。

执行端：ONE-BOX 方案占比逐步提升，空悬渗透率超四层。

线控制动：TWO-BOX 逐步向 ONE-BOX 方案切换，24Q3 ONE-BOX 方案占比超八成。24Q1-Q3 中，TWO-BOX 方案为博世独供，ONE-BOX 方案中，伯特利/博世方案占比差异较小，24Q3 占比分布中，伯特利/博世分别占比 45%/55%。

线控转向：EPS 24Q1-Q3 由博世华域独供。

比亚迪电子：比亚迪科技驱动焕新周期发力，公司深度配套开启三大增长引擎。

参考资料：

20250211-方正证券-智驾平权时代来临，产业链多核心环节有望受益

20250211-兴业证券-汽车：Deepseek赋能，智能化平权加速来临

20250207-北京市高级别自动驾驶示范区-产业前沿：DeepSeek如何赋能自动驾驶？（作者：直观解，来源：汽车电子与软件）

投资顾问：王德慧（登记编号：A0740621120003），本报告中的信息或意见不构成交易品种的买卖指令或买卖出价，投资者应自主进行投资决策，据此做出的任何投资决策与本公司或作者无关，自行承担风险，本公司和作者不因此承担任何法律责任。