特斯拉FSD无人驾驶专家交流

Q:特斯拉的FSDV12版本被广泛讨论，据称其在海外实现接近老司机水平的L4甚至L5级别的自动驾驶，零接管成功率可能超过90%。您如何评价这一技术进展，它背后的技术基础是什么？

A：特斯拉的FSD系统以及行业中的类似系统，通常被定义为辅助驾驶技术，其设计前提是在车辆中始终有人监控，与我们滴滴自动驾驶追求的无人驾驶（无人车上路）是两条不同的技术路径。特斯拉FSD从初期版本迭代至V12，其技术革新主要在于架构的重构，据说转向了马斯克推崇的端到端模型，这种模式减少人为预设逻辑，依赖于大量数据训练，让系统直接从感知输入到决策输出，形成一个“黑箱”处理过程。不过，这一转变是否彻底，目前行业内并未得到确切证实。

FSDV12的关键革新在于其端到端架构的引入，理论上，这提升了技术的上限，意味着如果能有效利用海量数据训练，理论上可以解决更多复杂的驾驶场景。然而，从实际表现来看，V12初期版本（如12.1）与前代V11相比，可能在某些方面表现持平或略有下滑，出现了如闯红灯等问题，这在无人驾驶的高标准下是不可接受的。虽然从V12.0到V12.3，特斯拉不断进行优化，新版本展现出更多新功能，但这些进步更多体现在算法的拓展性而非稳定性和可靠性上。

对于提到的90%零接管成功率，若置于无人驾驶的严格要求下，这一数据远未达到安全标准，无人驾驶技术追求的是几乎完美的安全记录。特斯拉FSD的进步体现在它能执行更多以往难以完成的驾驶动作，比如依据实时路况而非仅依赖地图规划路线，但这些进步的可靠性尚存疑问，即在多次操作中能有多少比例的成功率。因此，尽管FSDV12在算法能力上有所突破，但真正实现无人驾驶所需的高度稳定性和可靠性仍有很长的路要走。

Q:在无人驾驶领域，衡量自动驾驶的核心标准是什么？滴滴自动驾驶在提高自动驾驶系统的稳定性和可靠性方面采取了哪些策略？

A：在无人驾驶领域，衡量技术成熟度的核心标准是安全性和可靠性，这包括但不限于系统的准确识别率、决策的合理性、对极端或边缘案例的处理能力，以及在复杂多变环境中持续稳定运行的能力。简而言之，无人驾驶技术的终极目标是实现比人类驾驶员更加安全、可靠的驾驶行为。

针对提升稳定性和可靠性，滴滴自动驾驶采取了一系列策略：

1. 数据驱动的迭代：我们持续收集丰富的道路测试数据，利用大数据分析和机器学习技术，不断优化算法模型。高质量的数据是提升自动驾驶系统智能性的关键，我们通过模拟和真实世界的测试不断丰富数据集，涵盖各种驾驶场景，特别是那些复杂和少见的情况。

2. 多传感器融合技术：通过激光雷达、摄像头、毫米波雷达等多种传感器的深度融合，提升感知系统的鲁棒性，确保在任何天气或光照条件下都能准确识别周围环境，减少误判。

3. 冗余设计：在硬件和软件层面实施多重冗余策略，比如双系统设计，一旦主系统发生故障，备份系统立即接管，确保驾驶安全不受影响。

4. 仿真平台的广泛应用：构建高度逼真的仿真环境，模拟各类极端和偶发情况，进行亿万次的虚拟测试，提前发现问题并优化算法，减少实际道路测试的风险和成本。

5. 严格的测试验证：在封闭场地、开放道路及特定场景下进行严格的功能和性能测试，通过不断挑战极限，确保系统在各种工况下的稳定表现。

6. 法规与标准的遵循：紧密跟踪国内外自动驾驶相关法律法规，确保技术发展与合规性同步，同时积极参与行业标准的制定，推动整个行业的健康发展。总之，滴滴自动驾驶在追求技术突破的同时，始终坚持安全第一的原则，致力于通过技术创新和严格测试，不断提升自动驾驶系统的稳定性和可靠性，为实现真正的无人驾驶出行服务奠定坚实基础。

Q:你最近体验了Robota服务，能否分享一下整体感受和观察到的关键点？

A:最近两周内，我亲身体验了12.3次Robota服务，这让我有机会近距离观察其运作与性能。从我的试乘经历来看，平均每行驶10到20英里，车辆就需要一次人工干预，这在当前自动驾驶行业算是中等水平的性能展示。值得注意的是，Robota在不同道路环境下的表现差异显著：在高速公路上，它的自主驾驶能力更强，人工接管的间隔可延长至超过100英里；而在城市中心或郊区，由于交通状况更为复杂多变，接管频率则提升至10到23英里之间。尽管这些数据反映的是技术的初步应用情况，但仍表明Robota相较于早期版本有了显著的进步。

Q:如何才能更全面、准确地评估Robota的服务性能？

A:要想获得更全面、精确的评估结果，扩大测试规模是关键。建议进行上万公里的内部测试，这样不仅能捕捉到更多异常情况，还能充分测试Robota在各种极端条件下的表现。目前的少量数据仅能揭示其最低性能水平，无法代表其最佳状态。因此，投资更多资源和时间进行严谨的测试是必要的，这包括但不限于不同天气、路况、以及高峰时段的测试，以全面了解其性能边界。

Q:特斯拉FSD系统的最新进展及其对Robota服务的影响如何？

A:特斯拉FSD（全自动驾驶）系统的持续迭代，尤其是V12和V12.3版本的发布，标志着其自动驾驶技术正步入一个数据驱动的快速发展时期。8月8日，马斯克宣布推出Robota服务，这不仅展示了特斯拉在自动驾驶领域的雄心，也预示着技术日益成熟，正逐步走向商业化。随着FSD系统性能的不断优化，预期Robota的用户基数将迅速增长，进而为系统提供更多反馈数据，形成良性循环，持续推动FSD性能的优化升级。这种数据驱动的竞争模式，将极大促进整个自动驾驶行业的进步，尤其对于像滴滴这样拥有庞大出行数据资源的公司来说，无疑是一个巨大的机遇。

Q:自动驾驶技术如何依赖机器学习，特别是特斯拉在这方面的应用？

A:当前，自动驾驶技术的进展高度依赖于机器学习的应用，从环境感知、决策制定到车辆控制和未来行为预测，机器学习几乎渗透到了每一个环节。特斯拉在此方面堪称行业先锋，它实现了机器学习在整个自动驾驶流程中的深度整合。通过复杂算法，特斯拉车辆能够实时分析海量数据，做出更精准的驾驶决策。

Q:特斯拉在数据采集和处理方面的优势是什么？

A:特斯拉在数据采集和处理上的优势主要体现在两个方面：一是其庞大的车辆基数和高效的采集设备，能够持续生成大量真实的行驶数据，这是机器学习模型训练的基础。二是其已建立的成熟数据管道系统，能够高效处理这些海量数据，为算法模型的迭代提供了坚实支撑。不过，要实现数据的有效闭环利用，还需经过数据清洗、筛选、标注等复杂步骤，以及构建高度仿真的测试环境和丰富的场景库，这些都是耗资巨大且技术要求高的环节。

Q:特斯拉在确保数据有效应用于训练及迭代方面做了哪些工作？

A:特斯拉正致力于构建一套高效的数据应用架构，旨在确保收集来的庞大数据能够被有效整合并用于算法的迭代更新。虽然目前尚处于发展的初级阶段，但特斯拉在基础训练平台上计划增加两到三倍的GPU数量，这一举措将极大提升数据处理能力和训练速度，进一步巩固其在自动驾驶领域的领先地位。

随着技术的不断推进，特斯拉有望在数据驱动的自动驾驶竞赛中保持领跑位置。

Q:架构整合的关键要素是什么？对于滴滴这样的公司来说，具备哪些优势？

A:架构整合的核心在于紧密联结三大支柱：高效的数据收集机制、区域化基础架构的训练能力，以及支持持续数据迭代的算法模型。这三者构成的铁三角是确保系统流畅运行的基石。滴滴作为出行行业的领头羊，拥有得天独厚的优势。首先，其庞大的业务规模产生了海量的数据，这是训练高级算法模型的宝贵原料。其次，滴滴已建立起一套成熟的技术基础设施，持续对这些数据进行深度挖掘和学习，支撑其网约车系统高效运作。滴滴的基础平台建设虽已初具规模，但要充分发挥其潜力，充足的算力支持不可或缺。没有算力，再先进的技术构想也只能是空中楼阁。

Q:初创企业和小型企业面临哪些挑战，尤其是在构建训练体系方面？

A:对于初创公司和小企业而言，从零开始构建一套数据训练体系是一项艰巨任务。这不仅仅是购置大量GPU算力、搭建云计算环境那么简单，还需要考虑弹性云服务、数据安全等一系列复杂因素。这类投资往往需要雄厚的资金基础和长远规划，而这正是多数初创企业所缺乏的。尽管构建成功后的回报显著，但高昂的初期投入、持续的训练成本，以及端到端模型的黑盒特性，都是不可忽视的风险。尤其是端到端模型的不透明性，在涉及物理操作如自动驾驶时，一旦发生错误，其追溯和修正难度远大于线上应用，这对安全性和合规性提出了更高要求。

Q:端到端模型在汽车行业中的接受度如何？存在哪些变数？

A:端到端模型因其强大的通用性和功能集成性，在自动驾驶领域受到关注，但其广泛应用仍面临诸多不确定性。一方面，其对算力资源的巨大消耗和高成本投入是现实挑战；另一方面，行业规范和监管制度的逐步完善也将影响其普及速度。不同的应用场景和行业标准可能会导致对端到端模型的接受度存在差异。虽然特斯拉等先行者展示了该模型的潜力，但行业演进中，企业的评价标准可能更加多元化，不会单一依赖于数据驱动的效率提升。

Q:特斯拉在算力投入上的做法对行业有何启示？

A:特斯拉通过大幅增加算力投入，如使用数千乃至数万张高性能H100显卡，展现了其在FSD（全自动驾驶）技术及其它相关领域的决心和实力。这不仅推动了自家技术的发展，也为行业树立了一个高标杆。尽管直接效仿特斯拉的算力规模对许多公司来说不太现实，但其做法提示了两个关键点：一是算力投资对于推动自动驾驶技术发展的重要性；二是通过一体化研发优化模型与硬件的协同，从而在边缘计算上实现高效能，即使不追求最大算力配置，也能保证系统的有效运行。

Q:如何看待云端与边缘侧的算力投资策略？

A:在云端，算力需求主要集中在模型的训练阶段，这里对算力的投入巨大，但也是构建高性能算法模型的基础。边缘侧的算力需求则更多聚焦于实时处理和决策，如特斯拉的FSD系统。尽管边缘侧算力相对云端可能较小，但随着技术进步和成本降低，其在自动驾驶车辆上的应用正变得日益可行且经济。此外，设想未来数百万甚至上千万辆智能车辆组成的分布式算力网络，其潜在的计算资源将是惊人的。在非高峰时段，这些闲置算力若能有效整合并用于其他计算任务，将开辟出一片全新的价值空间，成为行业的一大创新点。

Q:如何利用大规模预训练数据和云计算平台，以及面临的挑战？

A:利用大规模预训练数据和搭建云计算平台，对于开发高阶自动驾驶模型至关重要。这要求企业不仅要有强大的数据处理能力，还需在模型训练算法、数据隐私保护、成本控制等方面做出精细考量。以LambdaSchool的M3模型为例，其庞大参数规模背后需要的计算资源令人咋舌，但这同时也展示了技术前沿的可能性。挑战在于如何在保证模型效能的同时，合理控制成本，以及解决数据隐私和伦理问题，确保技术发展的可持续性。

Q:分布式算力的潜力及其转化价值如何？

A:虽然单个车辆上的算力受限于成本和物理空间，但当考虑到未来数以百万计的智能车辆作为一个整体时，其潜在的分布式算力规模将无比庞大。这不仅在理论上可行，而且随着技术演进，

有望成为现实。通过智能调度和优化算法，将这些分布在全球的车辆算力部分转化为可用资源，不仅可以为自动驾驶提供更强大的后盾，还能探索诸如众包计算、智能交通管理等全新应用领域，为社会带来前所未有的价值。当然，这需要克服技术、法律和道德等方面的多重挑战，但无疑开辟了一条充满希望的道路。

Q:滴滴在云基础服务平台建设和算力分配上的独特优势是什么？

A:滴滴相较于专注于自动驾驶的公司，如特斯拉，展现出了在云基础服务平台建设和算力利用上的独特优势。滴滴不仅致力于自动驾驶技术的研发，其核心业务——网约车服务，以及延伸出的金融服务等，共同构建了一个多元化的业务生态。这一生态促使滴滴投资建设了一个全面的云基础服务平台，其中包含了显卡算力等关键资源，旨在服务整个公司的技术需求，而不仅仅是自动驾驶部门。这种平台设计使得算力资源能够在各业务线之间灵活调配，特别是在需求高峰期和低谷期之间，实现资源的高效利用。在算力需求较低的时段，滴滴的网约车、金融等业务可共享算力资源，保持整体算力使用的高效与平衡，从而提升算力投资的回报率。

Q:国内市场中，滴滴等企业在数据潜力与储备方面处于何种地位？

A:在国内市场，滴滴等拥有庞大出行车队和数据积累的企业，其数据潜力不容小觑。尽管特斯拉在全球范围内拥有显著的车辆保有量，但其实际数字尚未达到500万辆，估计在400万辆左右。相比之下，滴滴等网约车平台在数据采集上有着天然优势。网约车每天行驶的里程远超普通私家车，这意味着在相同时间内，网约车能够采集到更多、更丰富的驾驶数据，这对于训练自动驾驶算法至关重要。因此，从数据价值的角度看，滴滴等网约车公司因其高频率、高密度的数据采集，可能拥有超越特斯拉等传统汽车制造商的数据优势，为其在自动驾驶领域的研究和发展奠定坚实基础。

Q:自动驾驶领域内两种不同路线的对比及数据利用的重要性如何？

A:自动驾驶技术发展呈现出两种主要路线：辅助驾驶与L4级别以上的全自动驾驶（如Robota）。辅助驾驶更多地关注提升用户体验，通过增加车辆功能和软件服务来实现价值变现，其数据需求相对较低，侧重于提升特定功能的准确性和用户满意度。而L4级自动驾驶，特别是Robota应用，则在特定区域和场景下追求超越人类驾驶的水平，对数据质量、有效里程以及数据处理能力有着更高的要求。在这一路线中，数据的有效性尤为关键，因为高质量、高密度的数据能够促进算法的快速迭代和性能提升。网约车平台因其实时运营的特性，在数据的获取和利用上具有天然优势，有利于快速推进自动驾驶技术的成熟与商用。

Q:关于Robota商业模式的定价逻辑，国内外有何不同看法？

A:对于Robota的商业模式定价，市场观点多样。一方面，有人主张基于算力成本来定价，考虑到自动驾驶技术的高算力需求和持续的运营维护成本，这种定价策略强调了技术投入与服务成本的直接关联。另一方面，也有观点倾向于将Robota的定价与当前人工驾驶出租车的运营成本进行比较，旨在展示自动驾驶带来的成本节省，从而在价格上形成竞争力。国内外市场在这一议题上可能存在差异，比如在发达国家，由于劳动力成本较高，Robota的经济性更为显著，可能更倾向于突出其相对于传统出租车的成本优势；而在发展中国家，Robota的推广可能需要更多考虑技术普及度、公众接受度以及本地化服务策略，定价策略则需更加灵活，兼顾技术价值与市场接受度。

Q:如何看待Robota商业模式的估值定价？

A:孟总针对商业模式的估值定价问题，可能更倾向于从行业发展潜力、技术创新以及市场需求等多维度综合考虑。近期对Robota的估值，应当结合自动驾驶技术的成熟度、市场规模的增长预期、以及未来商业化应用的广度与深度。此外，随着技术进步和政策法规的逐步完善，Robota的长期盈利模式、成本结构优化以及客户接受度的提升，都将成为决定其商业模式估值的关键因素。因此，评估Robota的商业价值，不能仅着眼于短期的运营成本和收益，更应关注其在未来智慧出行生态系统中的战略定位和潜在的社会经济效益。

Q:Robota的商业模式与传统模式有何异同？如何对其进行合理估值？

A:在探讨Robota的估值时，重要的是认识到它虽基于传统商业模式，但又蕴含独特的创新元素。本质上，Robota是一种高级形态的共享出行服务，其核心竞争力在于自动驾驶技术。尽管如此，传统的估值方法，比如市盈率PERatio）和贴现现金流（DCF）分析，依然适用。假定未来Robota能规模化部署，如在全球或中国范围内运营100万辆，每车日均运行16至20小时，其盈利潜力将远超传统网约车，因自动化降低了人力成本，提升了毛利率。

Q:Robota商业模式与云服务有何相似之处？

A:Robota的商业模式与云服务在核心逻辑上存在共通之处。云服务通过固定的硬件设施（服务器）、智能调度算法，提供动态可扩展的计算和存储资源。而Robota则是将这一理念移植到实体世界，其中车辆相当于移动的“服务器”，自动驾驶算法扮演着调度角色，服务于个人出行需求。两者的核心区别在于，Robota的硬件（即车辆）具备物理移动性，这为其服务模式增添了新的维度。

Q:如何从长期视角评估Robota的商业价值？

A:长远看，Robota的估值更适宜采用考虑资产折旧与现金流的模型，类似于移动设备的DCF分析。随着车辆从人工驾驶向自动化转变，它们将演变为稳定的现金流产生器。这要求评估中不仅要考虑初期的高昂研发投入和车辆购置成本，还要深入分析运营效率、维护成本及长期市场需求趋势。

Q:Robota商业化进程中面临的关键阶段有哪些？

A:Robota的商业化进程可以细分为三个递进阶段：无人化、量产化、商业化。当前，行业焦点集中在无人化阶段，这涉及算法的持续优化、合作伙伴生态的构建，以及商业模式和数据体系的成熟。无人化成功的关键在于确保安全、提高运行效率、优化乘客体验。安全是首要考量，要求在任何常规驾驶场景下都能避免事故，同时保证高效率服务满足出行需求，并提供舒适便捷的乘坐体验。

Q:无人化阶段面临的主要挑战及解决策略是什么？

A:无人化进程中，最大的障碍在于确保在复杂多变的交通环境中车辆的绝对安全性，以及提升运营效率和用户体验。为克服这些挑战，企业需集中资源（约占总投入的80%）于算法研发，利用大数据和深度学习技术不断优化决策算法，以适应各类驾驶情境。同时，通过与政府、地图供应商等多方合作，共同构建完善的基础设施和政策环境，确保无人车的安全合规运营。随着无人化技术难题的逐一破解，资源将逐渐向量产化和商业化转移，解决生产成本控制、市场推广和商业模式创新等问题。

Q:量产化与商业化阶段将遇到哪些新挑战？

A:进入量产化阶段，主要挑战包括大规模生产自动驾驶汽车的成本控制、供应链管理以及质量一致性。商业化阶段，则需关注市场需求匹配、价格策略制定、品牌建设和客户接纳度提升。此外，法律法规的完善、公众对自动驾驶的信任建立，以及与其他交通模式的融合，也是不容忽视的外部因素。通过跨行业合作、政策倡导和持续的技术优化，逐步克服这些挑战，推动Robota从概念走向广泛的社会应用。

Q:无人化技术在自动驾驶领域的现状及面临的挑战是什么？如何实现从实验室到商业产品的转化？

A：无人化技术当前正处于快速发展阶段，尽管技术进步显著，但成本高昂和规模化生产难题仍是横亘在商业化道路上的两大障碍。将尖端的人工智能软件集成到符合汽车行业严格标准的硬件系统中，要求一个系统性的转变。这不仅涉及软件与硬件的深度融合，还需确保产品符合汽车制造和认证的每一个细节。与广汽等主机厂的合作，通过建立合资公司，是这一转型的关键步骤，它旨在将实验室阶段的技术原型转化为可大规模生产、符合市场要求的成品。这一过程包括从电子电器架构的优化设计，到车辆结构的安全强化，再到能源管理和通讯系统的高效整合，每一步都需要精心设计，确保成本可控，同时也要与整个汽车制造流程无缝对接。

Q:量产化对自动驾驶技术商业化的重要性体现在哪些方面？如何解决量产过程中遇到的成本与技术兼容问题？

A：量产化是自动驾驶技术迈向商业化的必经之路，它不仅是技术成熟度的标志，更是成本效益的考量。要实现这一目标，技术不仅要满足，还要通过汽车行业的各项认证，确保所有传感器、计算单元等组件能够预装且稳定工作。尤其在电池设计上，优化能源管理，减少能耗，是确保续航能力、降低成本的关键。解决这些问题，需要技术创新与供应链管理的双重努力，比如采用更高效的传感器方案，优化计算平台的能耗，以及通过规模经济降低单位成本。同时，与供应商建立紧密合作，协同优化设计，也是不可或缺的一环。

Q:自动驾驶技术的商业化部署面临哪些挑战？滴滴如何利用其平台优势推进商业化进程？

A：商业化进程中，确保市场需求与车辆供应的匹配、实现安全高效的服务运营是核心挑战。滴滴作为拥有庞大用户基础的出行平台，积累了丰富的运营经验和数据，这为其推进自动驾驶商业化提供了坚实基础。通过数据分析，滴滴能精准定位用户需求，优化调度策略，制定合理的定价模式，并建立健全的安全监控和应急响应机制。此外，滴滴还能利用其平台优势，为自动驾驶车队提供实时的运营维护支持，加速技术迭代与服务优化。

Q:在自动驾驶时代，产业链价值分配将如何变化？整车厂与辅助驾驶系统提供商的角色将如何演变？

A：随着自动驾驶技术的深入发展，产业链价值分配格局将发生深刻变化。传统整车厂不再局限于硬件制造，而是逐步转变为软件与服务提供商，通过销售包含软件服务的汽车，开拓新的收入来源。辅助驾驶系统提供商则可能采取车辆销售与自动驾驶订阅服务相结合的商业模式，这不仅拓宽了收入渠道，也让企业在汽车销售链中占据更重要的地位。随着用户对自动驾驶体验的重视，辅助驾驶技术的提供商将在塑造消费者偏好和品牌忠诚度方面扮演更重要角色。

Q:智能座舱和智能驾驶在未来汽车购买决策中的作用如何？自动驾驶服务提供商如何在汽车销售环节中分得一杯羹？

A：随着技术的演进，智能座舱与智能驾驶功能将成为消费者购车时的重要考量因素，它们不仅能提升驾驶体验，还象征着科技与舒适性的完美结合。在销售环节，自动驾驶服务提供商通过与主机厂合作，可以将自身服务集成到车辆中，提供虚拟司机服务和全方位的运维支持。这种模式下，服务提供商不仅能够参与车辆销售利润的分成，还能通过持续的服务订阅模式，构建长期的收益流。随着消费者对自动驾驶接受度的提升，这类服务的增值效应将愈发显著，促使汽车从单一交通工具向智能移动服务平台转变。

Q:国内外自动驾驶技术路线对比及特斯拉的特殊性

A:在自动驾驶领域，国内外企业的技术路径展现出了明显的差异。特斯拉作为一家集汽车制造与自动驾驶服务于一体的公司，其技术路线更侧重于辅助驾驶系统的持续优化，旨在通过软件订阅服务逐步实现全无人辅助驾驶能力。相比之下，国内企业如百度Apollo、滴滴自动驾驶、以及Pony.ai等，在Robota业务上采取了与谷歌旗下的Waymo相似的策略，专注于在特定区域内实现全无人驾驶，强调在特定场景下的技术极致与安全兜底能力。这种差异反映在目标设定上，国内Robota企业追求在限定场景下尽可能减少人工接管，而特斯拉面对的是更加开放和多样化的驾驶环境，需要在任何场景下维持一定的自动驾驶功能，这在一定程度上导致了技术路线的选择不同。华为、小鹏等公司也在探索自主研发之路，但在优化目标上，辅助驾驶系统更多聚焦于提升人机交互的流畅度与体验，而全无人驾驶则更重视极端情况下的安全性和稳定性。

Q:自动驾驶接管率的理想标准及用户体验考量

A:接管率是衡量自动驾驶系统性能的关键指标之一。对于全无人驾驶，理想的接管率自然是越低越好，甚至期望在成千上万次行驶中才出现一次人工介入。然而，在人机共驾的模式中，接管率的设定需更妙，过高或过低都不利于用户体验和安全。大约每50次操作需要一次接管被认为是较为平衡的状态，既不会频繁打断用户的沉浸感，也能确保在紧急情况下驾驶员能够及时接管，避免安全风险。特斯拉辅助驾驶系统可能在设计时考虑了更广泛的适用性，力求在各种驾驶条件下都能提供一定的辅助，这与国内专注于特定场景全无人驾驶的企业形成了鲜明对比。

Q:国内自动驾驶政策进展及区域扩展策略

A:国内自动驾驶政策近年来展现出积极的开放态度，尤其是在一线城市和部分二线城市，如北京、上海、广州、深圳等地，地方政府纷纷推出了支持自动驾驶测试和示范运营的政策框架，尽管各地方政策细节存在差异，但总体趋势是快速推进。国家层面也在逐步明确L3和L4级自动驾驶的法律地位，例如通过工信部的L3准入规定草案和道路交通法的修订意见征集中，可以看到对自动驾驶技术的法律界定愈发清晰。目前，一些区域的开放测试范围已经相当广阔，足以支持百万级别的Robota运营需求，且这一趋势还在不断扩大。

Q:地方政策先行与研发能力的匹配

A:在许多情况下，地方政策的开放速度甚至超过了企业的技术研发进度，为自动驾驶的商业化提供了先行条件。例如，北京的大兴机场、亦庄等区域，以及广州、上海、武汉等地的特定区域，都已经为自动驾驶测试和示范运营开辟了较大空间，但实际部署的车辆数量还远未饱和现有政策许可的规模。这意味着，即便在国家层面政策调整相对缓慢的背景下，基于现有政策框架，企业仍有足够的空间增加测试车辆，推进商业化进程。随着技术成熟和法规的进一步完善，未来有望看到更广泛的全国性开放，加速自动驾驶技术的普及与应用。

Q:全国性开放的前景及面临的挑战

A:虽然目前自动驾驶的开放还主要局限在特定区域，但随着技术进步、政策引导以及社会接纳度的提升，全国性开放的愿景并不遥远。国家和地方政府的协同努力，不仅体现在加快立法进度，还包括建立完善的车辆责任认定机制、准入标准以及商业运营规范。随着相关法律法规的逐步完善，自动驾驶汽车的市场准入和商业化路径将更加清晰，这将为Robota乃至整个自动驾驶行业带来前所未有的发展机遇。然而，要实现这一目标，仍需克服技术成熟度、公共安全认知、基础设施配套等方面的挑战，确保自动驾驶技术的稳健前行。

Q:滴滴在自动驾驶领域的技术优势体现在哪些方面？

A:滴滴在自动驾驶技术领域的优势可以从三个核心维度展开：文化层面的数据驱动、强大的数据处理能力，以及独特的商业化与量产化路径。

∙ 文化层面的数据驱动：滴滴依托其海量的出行数据，形成了对市场需求深刻的理解和精准的产品定位。这些数据不仅帮助滴滴在开发L4级自动驾驶技术时，能够有的放矢地选择适合自动驾驶运营的区域，优先在高需求、高适应性的场景中部署，还通过分析历史交通事故数据，指导自动驾驶软硬件的迭代优化，确保技术发展更贴近实际安全需求。

∙ 数据处理与算法迭代：滴滴在数据处理能力方面展现出强大的实力，其基础平台和算力资源为算法的快速迭代提供了坚实支撑。通过内部资源的高效整合，滴滴不仅能够加速技术成熟，还能够随着平台规模的持续扩大（如每年新增百万级司机或车辆），不断拓展算法训练的数据集，进一步提升自动驾驶解决方案的精确度和泛用性。

Q:滴滴与汽车企业的合作模式及其意义是什么？

A:滴滴采取了一种创新的合作模式，即与汽车企业共同研发定制化的自动驾驶车辆。这种模式在全球范围内具有开创性意义，它不仅标志着自动驾驶技术与传统汽车产业的深度融合，更是成本效益与技术性能双重提升的关键策略。通过定制化设计，量产车辆的成本相比原型测试车可降低4到5倍，同时性能却能提升2到3倍，确保了自动驾驶车辆在市场上的竞争力。此外，合作模式下生产的车辆必须符合更严格的安全和性能标准，进一步提升了产品的可靠性和市场接受度。

Q:滴滴在自动驾驶商业化方面的策略和优势是什么？

A:在商业化方面，滴滴作为国内最大的网约车平台，充分利用其庞大的客户基础和成熟的订单调度系统，为自动驾驶技术的商业化落地铺设了天然的市场渠道。滴滴计划结合其在出行市场的深厚底蕴，定义专门针对自动驾驶的创新产品和服务，旨在最大化挖掘自动驾驶技术的市场潜力。通过精准对接用户需求、优化运营策略，滴滴能够推动自动驾驶服务的快速普及，同时探索新的商业模式，如Robota服务，这不仅能够提升用户体验，还将开启出行服务的新篇章。

Q:滴滴与安安合资公司的定位及未来发展方向是什么？

A:虽然原回答未直接提及“安安合资公司”，但根据滴滴在自动驾驶领域的布局和战略，我们可以推测，与任何合作伙伴（包括假定的“安安合资公司”）的合作，滴滴都将着重于深化自动驾驶技术的无人化、商业化、量产化进程。合资公司的定位很可能是成为自动驾驶技术与传统汽车制造融合的桥梁，利用双方优势，加速技术成熟、降低成本、提升性能，同时探索并开拓自动驾驶出行服务的新市场。未来发展方向上，合资公司可能会重点攻克自动驾驶车辆的规模化生产难题，推动制定行业标准，以及在特定城市或区域率先开展自动驾驶出租车的商业化试点，逐步向全国乃至全球范围扩展，引领未来出行方式的变革。产业链研究

港股观察202405

UBS上调中国评级后反馈：

1、自我们上周将中国股市的评级上调至“增持”以来，我们与全球各地30多位投资者进行了深入交流。相较于六个月前，市场对中国的积极看法有了显著提升。尽管如此，许多投资者仍持观望态度，他们希望在政策、宏观和地缘政治等方面获得更多信心。较低的估值水平无疑对市场情绪有所提振，同时，股息和回购的透明度提高也为估值提供了支撑。中美之间的地缘政治紧张被视为关键风险，但外交互动的增加正在逐步改善投资者对此问题的看法。我们还收到了许多关于我们指数加权EPS方法论的后续问题，这表明中国股市的基本面实际上并不疲软。此外，我们的中国策略团队也分享了他们的路演反馈。

2、对于那些错过了市场反弹的投资者来说，他们可能会问，接下来市场还有多少上升空间？我们的中国策略团队为MSCI中国指数设定了65的目标点位，暗示着约有11%的上涨潜力。过去15个月中，一个有趣的现象是，历史上一直紧密关联的市净率与回报率之间的关系已经瓦解。MSCI中国的回报率正在追赶新兴市场剔除中国的回报率，但估值却从之前的溢价状态转变为折扣状态。尽管考虑到地缘政治等风险因素，我们很难断言所有相对估值都会回归到历史水平，但如果假设估值差距能恢复一半，那么从当前水平来看，市场仍有相当大的上涨空间。接下来，我们将密切关注盈利季节的表现、劳动节假期的消费情绪、最近公告的后续行动，以及市场改革的进展。

3、我们的中国策略团队略微偏好H股市场。数据显示，在过去18至24个月中，H股的加权回报率相对于A股有显著回升，但估值相对于A股仍处于35-40%的折扣状态。这可能是外国投资者对市场情绪的反映。至于中国优选股票，我们团队已经列出了偏好列表。

交易台观察：

1、香港谁在买入？全球外资持续流入，恒生指数表现优于标普。交易台数据显示，外资Long Only的买盘最为活跃，反而新兴市场和地区性基金的买盘较为平淡。今天内资假期休市，港股走势进一步证实了恒生的主要买方推动力是外资。

3、外资都在买什么？统计发现集中在大型指数成分股，买入最多的是友邦保险（1299 HK）、美团（3690 HK）和腾讯（700 HK）。怀疑一些china配置比重偏低的基金经理希望快速提升china权重，因此将重点放在了流动性较高的大型指数成分股（能快速买到量）。

4、为什么现在买？也是观望的投资者目前问的最多的问题。最近有多家外资行（如美林、UBS等）提升了中国股票尤其是中国房地产板块的评级，许多外资行在强调“最坏的情况已经过去”。近期日本和美国等市场波动剧烈，投资者可能会在香港/中国寻找价格低廉的多样化投资组合。

HT互联网：

1、近期港美股中概互联网板块修复行情显著，在劳动节北水休市期间涨幅更胜于往日，反映出外资资金恰是此轮估值修复行情的主要推动力量。

2、近期我们与大量外资LO进行了密集沟通，明确体会到外资LO投资情绪的修复以及观察到交易台数据的向好趋势。截至5月2日收盘，美股中概互联网24年PE均值16.8x，港股互联网24年PE均值22.5x，整体较美股科技股均值33.6x仍有一定估值差空间。

3、从子板块视角，我们关注到近期外资LO对教育子板块的持续性密切关注，一方面表明其对教育子板块基本面边际反转的认可，另一方面，考虑到教育的重振或为一轮新经济周期的先行信号，也表明了外资LO对中国资产整体情绪触底反弹与向上修复的趋势。

大摩宏观会议要点：

1、市场走势分析：最近的市场走势，特别是港股和A股，呈现出一种积极的变化，这背后可能涉及基本面的走强或资金链的反转。

2、政策手段：政策上可能采取的新手段来夯实当前市场势头，同时考虑了地缘政治等不确定性因素。

3、经济指标企稳：一季度的经济指标显示出企稳并略有回升的迹象，这与出口强势和生产强劲有关。

4、房地产政策影响：尽管市场对政策刺激力度的减少有所担忧，但房地产政策出现更大幅度宽松的可能性不大，可能会有一些细微调整。

5、资本市场改革：对资本市场的IPO制度和交易制度进行了调整，目的是推动市场从纯融资式转向投资者有回报的市场。

6、经济基本面：经济基本面可能比去年底的悲观预期略好，没有进一步恶化，但房地产市场的负面影响仍然存在。

7、汇率操作：中国的汇率操作相对高明，避免了日本90年代房地产泡沫破灭后汇率升值造成的通缩局面。

8、经济增长空间：中国仍有很多追赶性增长的空间，与日本当年的情况不同，中国面临的挑战主要是部分行业的去杠杆压力和经济结构不平衡。

9、投资拉动：当前经济的企稳主要靠出口量和制造业产能投资拉动，但这种增长的可持续性存疑。

10、贸易顺差：中国的贸易顺差攀高，反映了宏观经济面临的人口、债务和通缩挑战，以及储蓄率过高和消费不足的问题。

11、汽车以旧换新政策：政策力度略好于预期，但对经济的拉动可能有限，显示政策正努力从需求端帮助新能源行业。

12、消费和投资平衡：宏观政策需要加大对消费和居民端的支持，以实现消费和投资的平衡增长。

13、市场反弹动能：市场反弹的动能可能不可持续，因为企业盈利预期仍在下降，且没有足够的信号表明基本面已经触底反弹。

14、国企改革：国企改革是一个重要的主题，国企分红上升的预期很高，但需要更加市场化的改革，包括地方政府不再资助僵尸企业。

15、投资策略：建议采取更加细分和选择性的投资策略，关注估值合理、业绩增长和股东回报提升的公司。

16、资金流向：最近买入中国股票市场的主要是对冲基金主导，而不是长期基金，资金流入可能与美元强势预期和全球市场环境变化有关。

17、市场分化：香港和中国大陆市场与美股和日本市场出现了明确的分化，这种分化的局面可能持续一段时间。

18、量化模型信号：量化模型显示，CTA策略在中国股票市场重新活跃，这可能是市场反弹的一个因素。

19、风险管理：提醒投资者在市场反弹后，需要关注风险点，如日本市场动态和美国通胀数据，以及是否会出现宏观层面的转折点。

20、长期投资视角：建议投资者在短期内可能的市场反弹后，仍需回到基本面分析，关注长期投资价值。产业链研究