简介本资源为《2022智能驾驶行业梳理一》PPT课件面向关注汽车智能化赛道的研究者、投资分析人员及汽车电子从业者用于快速建立行业全景认知。内容以智能手机发展史类比切入梳理智能化基础设施、基础零部件、芯片、软件四大板块并对比汽车零部件与消费电子的市场空间、渗透速度差异展开感知层、决策层、执行层的供应链分层重点解析德赛西威、华阳集团、均胜电子等Tier 1厂商的业务线与竞争格局涉及域控制器、车载娱乐系统、液晶仪表、HUD等产品的渗透率趋势。包内共1个pptx文件压缩包约6.79MB页面以图示化逻辑呈现便于按章节摘取要点、二次引用。目前已有104人学习下载适合作为行业入门梳理与投研素材整理的基础参考。1. 从手机到汽车把智能驾驶产业链梳理成可计算的数据模型拿到一份《2022智能驾驶行业梳理一.pptx》多数人的处理方式是翻到 Tier 1 厂商那几页截图存档然后就没有然后了。问题在于这类材料承载的是关系型信息感知层、决策层、执行层如何切分德赛西威的域控制器落在哪一层华阳集团的 HUD 算座舱件还是智驾件这些都不是名词解释而是需要被查询、被统计、被复算的结构。手机产业链走过的路径——基础设施、基础零部件、芯片、软件四大项依次成熟——正在汽车上重演差别是节奏更慢、单车价值量更高、Tier 1 厂商的话语权更集中。这份梳理适合两类人需要快速建立产业链地图的从业者以及想把行业材料转成可维护数据集、后续做渗透率与市场空间测算的工程师。2. 智能驾驶四大项分层建模感知层、决策层、执行层的结构化拆解2.1 分层口径先定死后面的统计才不会打架手机产业链的拆法是现成的参照天线模组、摄像头模组、显示模组是零部件苹果、华为、小米、vivo/OPPO、三星是整机富士康、立讯精密、龙旗控股、闻泰科技、华勤通信是 ODM/OEM。这套切法实际上同时用了两个维度——「在链条的哪个位置」和「谁来做」。汽车这边前者对应感知层/决策层/执行层后者对应 Tier 1 / Tier 2 / 整车厂。两个维度必须正交使用。德赛西威既是 Tier 1又横跨决策层域控制器和座舱交互车载娱乐、液晶仪表华阳集团的 HUD 属于人机交互件无线充电属于供电与交互件都不在感知—决策—执行的主干上。一旦把厂商当成分层维度做市场空间加总时同一份收入会被计两次这是行业梳理里最常见的第一类错误。我一般先把「层级」定义成互斥的枚举再让厂商作为标签挂上去。层级互斥、厂商多挂这样一张表既能按层汇总也能按厂商透视后续加字段不会推倒重来。2.2 用 dataclass 把四大项和三层结构写成可校验对象from dataclasses import dataclass, field from enum import Enum class Layer(Enum): 感知层 / 决策层 / 执行层互斥枚举一个零部件只能落在其中一层 PERCEPTION 感知层 DECISION 决策层 EXECUTION 执行层 class Pillar(Enum): 智能化四大项基础设施 / 基础零部件 / 芯片 / 软件 INFRA 基础设施 PART 基础零部件 CHIP 芯片 SOFTWARE 软件 dataclass class Component: name: str # 零部件名称如「毫米波雷达」「域控制器」 layer: Layer # 所属层级 pillar: Pillar # 所属四大项 vendors: list field(default_factorylist) # 供应商标记可挂多个 unit_value: float 0.0 # 单车价值量元未知填 0别拍脑袋估 penetration: float 0.0 # 当前渗透率 0~1未知填 0 def __post_init__(self): # 越界直接抛错避免脏数据流到下游汇总 if not 0.0 self.penetration 1.0: raise ValueError(f{self.name} 渗透率越界: {self.penetration}) if self.unit_value 0: raise ValueError(f{self.name} 单车价值量不能为负)这段代码的关键决策是「未知填 0 而不是填估值」。行业材料里大量零部件的单车价值量和渗透率是缺失的如果用一个拍出来的中位数填进去最后汇总出的市场空间会看起来很像结论实际上是噪声。填 0 会让加权结果明显偏低反而提醒你哪几项数据还没到位。unit_value的单位统一用元penetration用 0~1 的小数而不是百分数避免同一张表里出现「5」和「5%」两种写法。vendors用列表而非单值因为自动驾驶计算平台这类产品本身就是 Tier 1 加芯片原厂的组合德赛西威与英伟达的关系就是典型。2.3 归属边界判定与三类常见坑把零部件塞进枚举之前先过一遍归属表边界清楚的部分直接映射模糊的部分明确写出判定依据。产品层级四大项判定依据摄像头模组、毫米波雷达感知层基础零部件输出原始环境信号不做路径规划决策算法、域控制器决策层软件 / 芯片域控含计算芯片与中间件单体归决策层电子转向、车身稳定执行层基础零部件接收决策指令并改变车辆运动状态HUD、无线充电座舱交互基础零部件不参与感知—决策—执行闭环车载娱乐、液晶仪表座舱交互基础零部件渗透率高主要看单车价值量抬升第一类坑是「毫米波雷达有 MCU 就算芯片」。雷达内部的 MCU 是板级配套不单独计价整机仍归感知层零部件。第二类坑是「域控制器按硬件和软件拆两次」。域控是软硬一体交付物拆开统计会让决策层价值量虚高除非你明确在做软硬件分拆口径的市场测算。第三类坑是「座舱件被算进智驾」。HUD 和无线充电虽然常跟智驾方案打包宣传但它们不构成闭环混进决策层会让智驾的单车价值量出现两位数的虚增。3. Tier 1 厂商业务矩阵德赛西威、华阳集团、均胜电子的数据化对比3.1 三条业务线的拆分口径怎么定德赛西威的官方口径是智能座舱—车联网—智能驾驶三条线这个拆法值得借鉴因为它按「交付形态」而不是按客户切分。华阳集团的主营是仪表、HUD、无线充电电子化能力强属于座舱域的密集布点。均胜电子走的是并购路线通过收购德国瑞普切入 Tier 1主营汽车安全系统智能座舱上是华为的合作伙伴业务重心在海外、以传统车企客户为主。华域汽车则在传统内饰和车灯之外往域控制器、线控、毫米波雷达上布局。这四家的差异不只是产品清单而是「收入结构里智驾相关占比」的差异。做矩阵的目的就是把这种差异量化而不是停留在文字描述。3.2 用 pandas 构建厂商 × 产品矩阵import pandas as pd # 行是厂商列是产品线1 表示有布局0 表示无 rows [ (德赛西威, 1, 1, 0, 0, 1, 0, 0), (华阳集团, 1, 1, 1, 1, 0, 0, 0), (均胜电子, 1, 0, 0, 0, 0, 1, 0), (华域汽车, 0, 0, 0, 0, 1, 0, 1), ] cols [厂商, 座舱娱乐, 液晶仪表, HUD, 无线充电, 域控制器, 汽车安全, 线控毫米波] df pd.DataFrame(rows, columnscols).set_index(厂商) # 业务覆盖宽度一眼看出谁是单点、谁是横向铺开 df[覆盖数] df.sum(axis1) # 智驾相关列单独拎出来算占比别看总覆盖数就下结论 smart_drive [域控制器, 线控毫米波] df[智驾覆盖数] df[smart_drive].sum(axis1) print(df.sort_values(覆盖数, ascendingFalse))覆盖数回答的是「业务有多宽」智驾覆盖数回答的是「离智驾有多近」。这两个指标经常给出相反的排序均胜电子的覆盖数可能不高但汽车安全系统本身是执行层的刚需件单车价值量和客户黏性都不低华阳集团覆盖数最高但产品集中在座舱域智驾覆盖数为零。用矩阵而不是用一张排名表就是为了避免这种信息损失。rows里的 0/1 是二元布局标记不是市场份额。如果你有真实的营收占比数据把 1 替换成 0~1 的占比数字同一份代码可以直接算加权占比不用改结构。3.3 HUD 从 0 到 1 的渗透率外推材料里给了一个明确的判断HUD 渗透率极低预计未来 3 到 4 年国内渗透率有望提升到 40%。这句话里有两个参数是可用的终点 40%、时间 3~4 年起点值缺失必须自己设、并标注假设来源。def cagr(begin: float, end: float, years: float) - float: 复合增长率begin/end 为渗透率(0~1)years 可为小数 assert begin 0, 起点渗透率必须大于 0否则公式除零 assert years 0 return (end / begin) ** (1 / years) - 1 # 场景假设当前 HUD 渗透率 5%自设需替换为你掌握的实际值 for yrs in (3, 4): g cagr(0.05, 0.40, yrs) print(f{yrs} 年从 5% 到 40% 需要年复合增速 {g:.1%})按 5% 起点算3 年路径需要约 100% 的年复合增速4 年路径需要约 68%。这个数字的量级比「从 0 到 1」这个说法更有信息量它意味着 HUD 的放量必须依赖某个明确的触发条件比如某个价位带的车型开始标配而不是随整车销量自然增长。起点如果换成 10%3 年路径降到约 59%结论会完全不一样。所以起点值是这段测算里最敏感的参数必须写清楚它从哪来。3.4 单车价值量和渗透率不能混在一张汇总表里液晶仪表、车载娱乐这类产品的渗透率已经很高德赛西威在这两块是国内龙头增长主要来自单车价值量变高而不是装车率提升。HUD 相反渗透率低但单车价值量相对固定。如果把这两类产品放进同一个「市场空间」列里加总得到的增速既不是渗透率驱动的也不是价值量驱动的无法归因。稳妥做法是拆成两列增量来自渗透率和增量来自单车价值量各自独立建模后再相加。做归因分析时这张表的可解释性比一个总数高得多。4. 域控制器与计算平台选型算力、接口与软件栈的参数化决策4.1 从分布式 ECU 到高度集成域控的演进逻辑材料里对德赛西威的判断是「汽车电子的方向是从分布式走向高度集成」这句话的工程含义是功能从几十个独立 ECU 收敛到几个域控制器每个域控承担原本分散的计算、通信和诊断职责。德赛西威能进入英伟达全球自动驾驶计算平台的合作名单靠的正是这种集成能力——芯片原厂需要有人把算力板做成能在整车环境下稳定运行的产品包括散热、供电、功能安全和诊断。分布式到集中式的迁移不是一次性替换常见做法是先从座舱域和智驾域各收敛一个域控车身域和动力域后续再并。这个顺序决定了你在选型阶段要关注的参数不一样智驾域控看算力和接口带宽座舱域控看多媒体能力和启动时间。4.2 计算平台关键参数表参数含义取值区间示例关注点算力 TOPS深度学习推理峰值10 ~ 250是否标称值还是实测值量化后掉多少接口带宽摄像头/雷达接入能力千兆 ~ 万兆以太网路侧数据量大的场景先卡在这里功能安全等级ASIL 等级ASIL-B ~ ASIL-D决策链路等级要求高感知可放宽启动时间冷启动到可用1 ~ 5 秒倒车影像与环视对启动敏感软件栈操作系统与中间件实时 OS 通信中间件决定上层算法迁移成本表里的数值是量级示意不是任何一款产品的规格选型时必须用原厂规格书替换。真正容易踩坑的是「算力标称值」这一列厂商标的 TOPS 通常是 INT8 稀疏条件下的峰值实际模型量化到 INT8 后能不能达到、算子支持度够不够只能靠跑自己模型验证。我一般会要求把项目里最主要的两个模型在目标平台上实测一遍拿实测帧率反推有效算力。4.3 用打分脚本把选型讨论变成可复盘的排序import pandas as pd # 权重和必须为 1按项目实际关切调整改权重不改代码 weights {算力: 0.35, 接口丰富度: 0.25, 软件生态: 0.25, 功耗: 0.15} # 1~5 分制由实测或评审填入不要写成主观形容 candidates pd.DataFrame({ 方案: [方案A, 方案B, 方案C], 算力: [5, 3, 4], 接口丰富度: [4, 4, 5], 软件生态: [5, 3, 3], 功耗: [3, 5, 4], }).set_index(方案) candidates[加权分] candidates.mul(pd.Series(weights), axis1).sum(axis1) print(candidates.sort_values(加权分, ascendingFalse).round(2))mul(pd.Series(weights), axis1)是按列对齐权重这是 pandas 里最容易写错的地方不加axis1会按行对齐结果全错但不会报错只会给出一个看起来很正常的排序。权重表的顺序必须和candidates的列顺序一致或者用字典推导强制对齐否则方案换了列顺序分数就飘了。选型讨论的价值不在于最后那个加权分而在于权重本身要吵一次。算法团队会要求软件生态权重高硬件团队会要求功耗权重高把这两拨人拉到同一张表前比开三次评审会有效。4.4 联调阶段先查这四件事拿到域控样品之后常见问题是「算法在开发板上跑得好上车就掉帧」。优先排查散热方案是否按持续功耗而不是峰值功耗设计摄像头接入是否走了压缩链路导致额外延迟诊断和标定通道是否和业务数据抢带宽时间同步是否用了整车统一时钟源否则多传感器融合会出现时间戳错位。这四条里任意一条出问题表现都是「算力不够」但换更高算力的平台并不能解决。5. 把 PPT 结论变成可复用的行业跟踪表5.1 字段设计要预留版本位直接抄 PPT 的结论做表最多用一个月。把第 2 章的Component扩成一张平面表时至少补三个字段数据来源是哪份材料或哪次调研、更新日期、口径备注。口径备注尤其重要同一个「域控制器单车价值量」含不含软件、含不含传感器接入能差出一倍以上。字段留好了下次拿到更新版本的材料只需要改值不需要重新理解一遍上下文。5.2 用断言做口径校验import pandas as pd track pd.DataFrame({ 产品: [域控制器, HUD, 液晶仪表], 层级: [决策层, 座舱交互, 座舱交互], 单价元: [3000, 800, 500], 渗透率: [0.20, 0.05, 0.60], 更新日期: [2022-06, 2022-06, 2022-06], }) # 校验一渗透率必须在 0~1 之间 assert track[渗透率].between(0, 1).all(), 渗透率越界 # 校验二层级只能是约定的枚举值防止手输引入新分类 legal {感知层, 决策层, 执行层, 座舱交互} assert set(track[层级]).issubset(legal), 出现未定义层级 # 加权单车价值按当前装配率折算的每车平均价值 track[加权价值] track[单价元] * track[渗透率] print(track.groupby(层级)[加权价值].sum().sort_values(ascendingFalse))两条断言解决的是人工维护表格最典型的两个失效点渗透率手输成「20」而不是「0.20」层级手输成「智能驾驶」这种不在枚举里的分类。断言失败直接中断比事后发现汇总结果偏大一个数量级要便宜得多。加权价值这一列的含义是「按当前装配率折算的每车平均价值」它和「单车价值量」是两个概念别在汇报里混用。5.3 一个具体的跟踪节奏我一般按季度更新一次这张表更新时只做三件事把新材料的结论覆盖到对应行的值给被覆盖的行刷新更新日期对变化超过 30% 的字段写一句口径备注说明为什么变。第三件事最容易被跳过但它是这张表半年后还能不能用的分水岭——没有备注你只会看到一堆数字变了却不知道是行业变了还是自己上次抄错了。下一次拿到更新版本的材料时只需要改Component清单里的值跑一遍第 2 章的枚举校验和第 5 章的断言输出表就是新的结论PPT 里的那几页截图可以彻底删掉了。本文还有配套的精品资源点击获取