編者語：「智駕最前沿」微信公眾號后臺回復：C-0574，獲取本文參考報告：《開源證券：從小鵬、理想、蔚來布局，看自動駕駛發展趨勢》pdf下載方式。

隨著智能駕駛技術在全球范圍內快速發展，汽車產業正迎來巨大變革。自動駕駛，作為汽車智能化的核心部分，不僅影響著未來出行的方式，更推動著整個汽車行業的升級和轉型。在這場變革中，中國的新勢力造車企業，小鵬、理想和蔚來，憑借其創新的技術路線和市場策略，逐漸成為行業內的重要力量。與傳統車企不同，這些新興企業通過對智能駕駛技術的探索與應用，試圖在全球市場上占據主動權，進而引領自動駕駛的未來發展方向。

小鵬：端到端大模型的全面落地

1.1端到端大模型加速自動駕駛進程

小鵬汽車近年來在自動駕駛領域的發展備受關注，其2024年量產落地的端到端大模型被視為行業內的重大突破。這種大模型是基于神經網絡的結構，通過高度的數據驅動方式，解決了傳統自動駕駛系統中人工規則過多、更新維護復雜的問題。小鵬的技術架構由三大核心模塊組成：神經網絡XNet、規劃大模型XPlanner以及大語言模型XBrain。這三者的協同工作使得小鵬的自動駕駛系統不僅能夠快速適應不同場景，還能不斷通過數據迭代提高系統的智能化水平。

小鵬端到端大模型組成

與傳統的自動駕駛方案相比，端到端大模型的最大優勢在于其極大減少了人工參與的過程。在傳統方案中，開發者需要通過大量的手工編碼，定義每一種可能遇到的道路情況和駕駛行為，這種做法在復雜的城市路況下容易遇到瓶頸。而小鵬的端到端模型通過大規模數據訓練，將感知、規劃和控制環節全部交由AI完成，顯著提升了系統的適應能力。神經網絡XNet作為感知模塊，可以通過攝像頭和傳感器的信息，構建出高精度的3D地圖，能夠精準識別50個以上的動態目標，并預測其行為。這種強大的感知能力使小鵬的自動駕駛系統在面對復雜的交通狀況時仍能做出準確的決策。與此同時，規劃大模型XPlanner的加入使得系統能夠生成更加人性化的駕駛行為。與傳統系統中依靠預設規則進行規劃不同，XPlanner能夠通過對大量實際駕駛數據的學習，自主生成符合交通規則和用戶習慣的駕駛策略。例如，在處理擁堵路段或狹窄道路時，XPlanner能夠更加靈活地選擇最優路徑，并減少車輛不必要的加減速，提升乘坐舒適性。大語言模型XBrain則為系統提供了類似于人類大腦的認知能力。它不僅可以理解復雜的交通標志、路牌信息，還能根據周圍環境變化做出適時的調整。例如，在面對潮汐車道或特殊交通信號時，XBrain能夠快速判斷其含義，并調整車輛的行駛策略，從而進一步提升系統的安全性和可靠性。

利用大模型，小鵬智駕能“看懂”更多路標等信息

1.2 XNGP的全量推送與無圖化演進

小鵬的全感知駕駛系統XNGP（全景導航駕駛系統）于2024年7月實現了全量推送，這標志著該系統在全國范圍內的廣泛應用。XNGP系統的特別之處在于其不再依賴于高精地圖，這一技術突破為自動駕駛的普及掃清了障礙。傳統自動駕駛系統需要依賴高精度地圖提供詳細的道路信息，但這些地圖的獲取和更新成本高昂，并且只能覆蓋有限的區域。小鵬通過無圖XNGP系統，擺脫了這種依賴，系統能夠依靠車載傳感器和AI模型實現對道路環境的實時感知和判斷，從而實現自動駕駛。

端到端技術的使用使得小鵬自動駕駛的進步大大加速

無圖XNGP的推出不僅提升了自動駕駛的覆蓋范圍，也大大提高了用戶的使用體驗。得益于端到端大模型的支撐，無圖XNGP在各種復雜的城市環境中表現優異，例如在狹窄的小巷、擁堵的市區道路以及環形交叉路口等場景中，系統都能夠流暢應對。特別是在環島或掉頭等傳統自動駕駛系統難以處理的場景下，無圖XNGP通過實時學習和推理，能夠快速生成安全的行駛路徑，并確保車輛穩定通過。小鵬計劃在2024年第四季度實現“門到門”的自動駕駛體驗，即車輛從用戶家門口出發，直至目的地，全程不需要人工接管。這個目標的實現將標志著自動駕駛技術的又一次飛躍，不僅能夠提升出行效率，還能為用戶提供更加便捷的駕駛體驗。這一舉措也是小鵬未來在全球市場推廣自動駕駛技術的關鍵一環。

1.3小鵬的全球化戰略與未來展望

除了在中國市場的積極布局，小鵬汽車也在大力推進其全球化戰略。憑借無圖XNGP技術的優勢，小鵬計劃在2025年將其自動駕駛技術推廣至全球多個國家和地區。與傳統依賴高精地圖的系統不同，小鵬的端到端大模型能夠有效降低跨國市場的技術推廣成本。這種技術架構使得小鵬能夠迅速適應不同國家和地區的道路環境，尤其是在歐洲和北美等高標準的發達市場，小鵬的無圖技術將成為其競爭的關鍵優勢。通過全球化戰略，小鵬不僅可以擴展其市場份額，還能進一步優化其自動駕駛系統。隨著更多的用戶和車輛在全球范圍內投入使用，系統將能夠獲取更多的駕駛數據，進一步提升其AI模型的泛化能力。這種數據驅動的全球迭代模式，將幫助小鵬在未來的自動駕駛競爭中占據有利地位。

理想：雙系統架構引領自動駕駛第一梯隊

2.1理想無圖NOA的全量推送與快速迭代

理想汽車作為中國“造車新勢力”中的佼佼者，其在自動駕駛領域的布局同樣引人注目。2024年，理想汽車推出了其無圖NOA（自動駕駛導航輔助）系統，并在全國范圍內實現了全量推送。理想的無圖NOA系統依靠其強大的感知與決策能力，能夠在不依賴高精地圖的情況下，完成各種復雜的駕駛任務。尤其是在城市道路上，無圖NOA展現出了卓越的自動駕駛能力，得到了市場和用戶的廣泛認可。

理想將在三年內實現L4級別無監督自動駕駛

理想的自動駕駛系統采用了分段式的端到端模型，即在系統的感知、規劃和控制環節中均實現了高度模型化。通過這一技術架構，理想能夠有效減少對人工規則的依賴，進一步提高系統的迭代速度。感知模塊通過車輛的攝像頭、雷達等傳感器獲取道路信息，規劃模塊則根據實時環境生成最佳行駛路線，控制模塊負責將這些指令轉化為具體的駕駛操作。得益于這種分段式端到端架構，理想的自動駕駛系統在多種復雜場景中表現優異，包括自動變道、紅綠燈識別、障礙物繞行等。理想的無圖NOA系統特別適用于中國復雜的城市道路環境。在這種環境下，車輛經常會遇到突發的行人、自行車以及復雜的交通標志，而高精地圖的更新往往無法及時跟上城市發展的步伐。理想通過實時的環境感知和動態決策，使車輛能夠靈活應對各種情況。這種靈活性不僅提高了自動駕駛的安全性，也為用戶提供了更為流暢的駕駛體驗。

2.2端到端+VLM的雙系統架構

理想汽車的自動駕駛系統不僅依賴于端到端的AI模型，還通過引入視覺語言模型（VLM），形成了獨特的雙系統架構。這一架構模仿了人類駕駛員的決策機制，即分為“快系統”和“慢系統”。快系統負責處理大部分常見的駕駛場景，例如常規的城市道路駕駛和高速公路駕駛；而慢系統則用于處理復雜、未知或罕見的場景，例如突發的交通事故、異常天氣條件或復雜的路口等。端到端模型作為快系統，通過大量的駕駛數據進行訓練，能夠快速識別道路上的目標物并生成行駛路線。而視覺語言模型（VLM）則是慢系統，通過引入多模態數據（包括視覺、語言和環境信息），VLM能夠在復雜場景中進行深度推理，幫助系統在遇到未曾見過的情況時仍能做出合理的決策。例如，當系統在城市中遇到臨時的交通管制或施工區域時，VLM可以通過識別標志和路面情況，判斷出最佳的繞行路線，確保行車的安全性。

視覺大語言模型可以很好的識別駕駛場景并做出決策

這種雙系統架構不僅提高了理想汽車自動駕駛系統的安全性和可靠性，還使得系統具備了更強的場景適應能力。在未來，隨著更多數據的積累和AI模型的迭代，理想的端到端+VLM系統有望進一步提升自動駕駛的水平，為實現L4級別的自動駕駛奠定基礎。

2.3面向L4級別的自動駕駛演進

理想汽車的長遠目標是實現L4級別的無監督自動駕駛，這意味著車輛將能夠在各種復雜的道路環境中，完全依靠自身的決策系統進行駕駛，而不需要駕駛員的干預。為了實現這一目標，理想正在逐步提升其自動駕駛系統的智能化水平，通過數據閉環、模型優化和場景驗證等手段，加速系統的迭代。L4級別的自動駕駛不僅要求系統具備極高的感知和決策能力，還要求其能夠處理海量的復雜場景和突發事件。為此，理想汽車正在不斷擴展其自動駕駛車隊的規模，并通過這些車輛收集大量的駕駛數據。這些數據不僅幫助系統識別常見的駕駛場景，還能夠通過生成式仿真和模型訓練，提升系統在應對長尾場景時的表現。此外，理想還計劃通過視覺語言模型的持續優化，進一步提升系統的認知和推理能力。未來的L4級別自動駕駛系統將不僅依靠感知和決策能力，還能夠通過對環境的深度理解，預測潛在的風險并提前做出應對。理想的這一戰略不僅展示了其在技術上的前瞻性，也為未來的自動駕駛市場競爭打下了堅實的基礎。

蔚來：群體智能與長期主義戰略

3.1 NOP+系統的全量推送

蔚來在2024年全量推送了其增強版領航輔助系統NOP+，這一系統的推出不僅為蔚來的自動駕駛布局增添了亮點，也展示了其“群體智能”技術的巨大潛力。NOP+系統基于蔚來全棧自研的自動駕駛算法，能夠在高速公路和城市道路上實現自動駕駛功能。不同于其他車企通過大范圍推開“開城”的方式推廣自動駕駛，蔚來選擇了逐步優化特定道路的策略，確保其系統在每一條特定路段都能提供穩定、安全的自動駕駛體驗。NOP+系統通過不斷的迭代與優化，已經在中國多個城市實現了全面覆蓋。蔚來車隊在不同城市的道路上進行大量的實地測試，并通過群體智能技術不斷收集數據、優化算法。這種多車協同的群體智能模式使得蔚來的自動駕駛系統能夠快速應對各種復雜的路況，并通過實時數據反饋，不斷提高系統的智能化水平。蔚來計劃在2024年下半年推出“點到點”的全域領航輔助功能，這將進一步拓展NOP+系統的應用場景，使其不僅能夠在城市和高速道路上使用，還能在不同類型的道路之間實現無縫切換。這一升級將使蔚來的自動駕駛技術更加完善，并為其未來的市場拓展打下堅實的基礎。

蔚來NOP+已在2024年4月全量推送

3.2世界模型與數據閉環的結合

蔚來的自動駕駛技術依賴于強大的數據閉環系統，通過構建世界模型，蔚來能夠在云端模擬現實世界中的各種復雜場景，并通過仿真技術進行驗證和優化。世界模型的引入大大提高了蔚來系統的迭代速度，尤其是在處理長尾場景時，生成式仿真能夠為系統提供更加全面的訓練數據，使其能夠應對現實世界中可能遇到的罕見情況。

世界模型能夠進行空間理解與時間理解

蔚來的群體智能系統還能夠通過多車協同，不斷優化其自動駕駛算法。每輛車在實際道路上行駛時，都會將遇到的復雜場景反饋至云端，系統通過這些數據不斷迭代優化。這種閉環式的數據反饋機制不僅提高了系統的安全性，還加速了自動駕駛功能的全面落地。

3.3長期主義：軟硬結合的布局

蔚來一直以來秉持著軟硬結合的長期主義戰略，通過自主研發的硬件和軟件平臺，確保其自動駕駛系統的穩定性和可持續發展。在硬件方面，蔚來自主研發了神經網絡處理單元，并通過搭建強大的云端計算平臺，為自動駕駛系統提供了充足的算力支持。蔚來的計算平臺能夠處理海量的數據，并通過這些數據不斷優化系統的算法，使其能夠在復雜的路況下做出精準的決策。在軟件方面，蔚來依托全棧自研的自動駕駛算法，確保其系統能夠高效運行，并在不同的應用場景中保持穩定。通過對系統的不斷迭代和優化，蔚來的自動駕駛技術已經達到了行業領先水平。未來，蔚來將繼續通過軟硬結合的方式，推動自動駕駛技術的發展，并在全球市場上保持競爭力。

自動駕駛行業的未來趨勢

4.1從“能用”到“好用”的快速過渡

自動駕駛技術的發展已經進入了從“能用”向“好用”過渡的關鍵階段。早期的自動駕駛系統更多依賴于高精地圖和預設規則，雖然能夠在特定的場景中實現自動駕駛功能，但覆蓋范圍有限，用戶體驗也有待提升。而隨著小鵬、理想和蔚來的技術突破，自動駕駛系統開始向更高的安全性和舒適性邁進。小鵬的無圖XNGP系統和理想的無圖NOA系統通過大規模數據驅動和AI模型的優化，能夠在復雜的城市道路中實現流暢的自動駕駛。這種技術的進步不僅提升了用戶體驗，也為未來的自動駕駛普及提供了技術支撐。未來，隨著自動駕駛技術的不斷成熟，用戶對自動駕駛的需求將不僅限于基本的功能實現，還將期待更高水平的駕駛體驗和服務。

4.2數據驅動的AI大模型成為主流

端到端大模型和數據驅動的算法正在成為自動駕駛技術發展的主流。通過大規模車隊的數據訓練，AI模型能夠快速學習并適應不同的駕駛場景和復雜路況。小鵬、理想和蔚來都通過構建龐大的數據閉環系統，提升了其自動駕駛系統的迭代效率和泛化能力。未來，隨著更多的車企加入這一行列，數據驅動的AI大模型將成為自動駕駛技術的核心推動力。通過對海量數據的訓練和驗證，自動駕駛系統將能夠在更短的時間內實現性能的提升，并在全球范圍內快速推廣。

4.3城市級無圖自動駕駛的普及

無圖自動駕駛技術正在逐漸成為行業發展的新趨勢。小鵬和理想通過無圖NOA的技術突破，證明了自動駕駛系統可以在沒有高精地圖的情況下，依靠AI模型和數據反饋實現高效駕駛。未來，隨著技術的進一步優化，城市級無圖自動駕駛將成為主流應用場景之一，特別是在復雜的城市道路和多變的路況下，無圖化技術將展現出更強的適應能力。

結論

從小鵬、理想到蔚來，三家車企的技術布局展示了中國自動駕駛行業的巨大潛力。通過端到端大模型、雙系統架構以及世界模型等技術突破，自動駕駛技術正在快速走向成熟。未來，隨著技術的持續迭代和數據驅動的進一步深化，自動駕駛將在全球范圍內迎來更廣泛的應用和普及。這不僅將改變未來的出行方式，也為整個汽車產業的升級和轉型注入新的活力。

審核編輯 黃宇