智能化时代，自动驾驶能力将重新构筑车企竞争壁垒，核心竞争要素在于“数据”+“算力”。背后原因在于：①对消费者而言，智能化在消费者选购汽车中的重要性正日益提升。②对于车企而言，实现高阶智驾需要大量投入，中小车企将难以持续投入。③特别是当智能驾驶算法层面逐渐收敛至“端到端”架构后，数据+算力将成为核心竞争要素，头部车企或供应商能掌握更多更优的“数据”，以及更强更快的“算力”，而优秀的智驾能力有望加强销量转化，最终强化车企马太效应，令智驾强者愈强。

相较传统分模块架构，端到端架构优势显著，核心是“数据驱动”而非“规则驱动”，有望显著提升智驾上限。所谓“端到端”是指一端输入图像等环境数据信息，中间经历类似“黑箱”的多层神经网络模型，另一端直接输出转向、制动、加速等驾驶指令。与传统规则驱动的分模块架构相比，端到端的实现将带来一系列优势：①完全基于数据驱动进行全局任务优化，具备更好、更快的纠错能力；②能进一步减少模块间信息的有损传递、延迟和冗余，避免误差累积，提升计算效率；③泛化能力更强，由 Rule-based 算法转向 Learning-based，具备零样本学习能力，面对未知场景具备更强决策能力。

端到端发展路径探析：从分模块到一体化。端到端可以简单分为狭义端到端（前端传感器输入、后端控制输出）和广义端到端（信息无损传递、数据驱动整体优化）2 种定义。从端到端的最终实现上，我们认为通过①感知“端到端”，②模块化“端到端”，再到③One Model/单一模型“端到端”是一种相对平滑的过渡形式。而当前感知层“端到端”已经是主流的感知模型，展望后续技术发展，我们认为决策与规控层自动驾驶算法向“端到端”收敛，有望成为行业的一大趋势。

“数据+算力”构筑智能驾驶核心竞争要素，进入强者愈强阶段。端到端自动驾驶是数据驱动的模型，因此，训练数据的重要性越来越高。端到端对数据的要求体现在数据量、数据标注、数据质量和数据分布等方面。除了海量高质量数据之外，还需要强大的算力来支撑模型的训练，大部分研发端到端自动驾驶的公司目前的训练算力规模在千卡级别。我们认为领先竞争者有望通过数据、算力的领先转化为端到端的算法优势。

特斯拉先行，国内外企业加速跟进，端到端量产推广在即。端到端主要参与者涵盖了车企、人工智能企业、自动驾驶技术公司机器人公司以及自动驾驶芯片制造商。特斯拉作为先行者，于 24 年初推送端到端版本的 FSD，从实际体验来看，端到端的 FSD 操作更拟人、丝滑。

因篇幅限制，仅展示部分，更多重要内容、核心观点，请下载报告。