投资建议

智能驾驶赛道广受市场关注，而技术是研究智能驾驶行业的一把钥匙。作为智能驾驶系列报告的开篇，本文将基于大量的书籍、论文和企业公开资料，以软件为核心，详细梳理智能驾驶的技术全栈，以期为读者理解智能驾驶技术栈的构成、难点、发展方向乃至行业内各类参与者的竞争优劣势提供一些有益的思考。

理由

智能驾驶技术栈如何构成？智能驾驶技术栈由软件和硬件共同支撑，其中软件可以划分为车端和云端两部分。经典的车端软件为模块化架构，由感知、预测、决策、控制等核心模块分别处理车辆行驶的各关键环节，以传感器信息为输入，经过周围环境/自车状态的感知与环境状态变化的预测，最终形成决策并执行。车端软件既包含人工规则和传统的机器人算法，又涉及CNN、GNN、RNN和强化学习等诸多人工智能模型，而云端软件为开发、训练和迭代这些算法模型奠定了坚实的基础。在软件之外，配合以底层的域控制器等硬件和中间层的系统软件，构成完整的智能驾驶技术栈。

智能驾驶技术栈难在哪？我们认为，智能驾驶技术面临的诸多挑战，本质在于真实世界是非常高维的，特征空间难以完美刻画，而智能驾驶的目标恰好是让车辆在这个高维世界中智能地感知、决策并行动。智能驾驶越是升阶，真实世界的高维性越是凸显。由此，车端感知在建立向量空间的过程中会面临显著的Corner case问题，而车端预测和决策又会面临多主体交互和数据依赖等挑战。世界的高维性，叠加安全性和车端部署可行性这两个严肃的要求，共同使得高阶智能驾驶和自动驾驶具有较高的技术门槛。

智能驾驶技术栈演变呈现怎样的趋势？为应对世界的高维性，更擅长抽取高维特征空间的人工智能模型在高阶智能驾驶软件技术栈中扮演着愈发重要的角色——传统的代码和算法越来越少，神经网络越来越多，且越是靠前的模块，深度学习的渗透率越高，“软件定义汽车”正逐步向“AI定义汽车”迈进。而人工智能渗透率的提升，又向数据和算力提出新的要求，构筑更加敏捷、互通和自动化的数据闭环及云端软件工具链逐渐成为一个新的技术趋势。随着人工智能大模型的浪潮席卷而来，我们预计上述趋势将得到进一步的强化。

盈利预测与估值

维持行业内覆盖公司的盈利预测、估值和目标价不变。建议关注文远知行（未上市）、小马智行（未上市）、华为（未上市）、Momenta（未上市）等头部智能驾驶企业。

风险

技术探索进程缓慢；商业化受阻；行业竞争加剧；政策进展不及预期。