(参考
消息、作文、专家纪要、调研分享；提高认知及信息差
)
分享市场、行业及公司动态，包括投资策略、行业数据库、专家调研、公司纪要；信息超越
99%
的投资者）微信扫码加入体验）
当前时点，我们关注FSD进展，一是特斯拉造车业务有一定承压，二是FSD本身的临界点即将到来，v12有望加速扩散，后续对于特斯拉的市值上限，以及A股的机器人和智能化走势有重大意义。
要点：
1、FSD v12是重要分水岭，目前相对v11版本已大幅优化：
v12.3：马斯克称为重大改进。最新的版本v12.3.3用户推送没有采用Beta，而是改用了Supervised。
v12的核心是从传统编程到基于神经网络的决策的转变，相对v11，FSD v12做到了：1）更果断顺畅的无保护左转；2）遇到临停等突发情况绕行；3）复杂环岛驶离等。
2、端到端，本质上是神经网络化，可以实现降本增效，拼的是算力不是人力。端到端的架构意义在于，1）更好的拟人性+更高的系统上限（基于算力）；2）更好的泛化能力（跨ODD、跨城市和国家）；3）为机器人等其他人工智能领域提供借鉴。
3、对美股特斯拉：这一轮特斯拉看端到端的FSD v12跑通后对销量和智驾渗透率的拉动进而形成客户粘性，通过软件订阅实现稳定的收入来源。
我们基于2030年的车队规模、结构以及FSD的地区渗透率进行三种假设，得出悲观、中性、乐观情形下（2030年保有量为2500、3000、4000万辆，FSD搭载率分别为17%、29、48%），按照当前订阅费用加以年化，FSD年化收入分别达99、208、454亿美元，给予10X PS得到FSD软件估值，加上造车和其他业务，目标市值对应当前空间分别为-31%、84%、263%。
4、
对A股：我们最看好的仍是机器人，逻辑比较简单，比起映射国内的武大郎，真正利好的是他自己强大的端到端延展到机器人，继续看好国内机器人供应链。
而今年以来机器人板块赚钱效应差，近期还在反应24Q1传统业务业绩预期，看好这轮调整后板块性机会。
一、FSD v12.3：进展如何，为何好于v11
v12.3：马斯克称为重大改进。最新的版本v12.3.3用户推送没有采用Beta，而是改用了Supervised。
在X平台上获得广泛好评，特斯拉自动驾驶负责人埃卢斯瓦米表示，目前的v12已经超越了过去几年积累的v11技术栈；从试驾反馈可以看出，在更为普及的v11.4.9中出现的狭窄道路减速的怪相被解决，能力愈发接近人类司机。
FSD v12的核心是从传统编程到基于神经网络的决策的转变。
这使得车辆能够将原始摄像机镜头和车辆运动学直接处理为驾驶动作，比以往任何时候都更密切地模仿人类的认知过程。马斯克表示下一个版本v12.4将拥有显著的能力跃升，公司在算力层面的约束也愈发改善。我们认为，随着英伟达新GPU+
DOJO
算力的投入，端到端的FSD v12有望得到更强的优化。
当前FSD实际上是两套架构在运行，一套跑高速，采用v11的传统架构，规控简单，博弈少，利用代码约束注重高速场景下的安全性；另一套跑城区，采用端到端的架构，场景库复杂，博弈多，利用AI增强拟人性。
图：FSD最新推送日志
对比v11，FSD v12做到了：
1）更果断顺畅的无保护左转：
表现为犹豫程度降低，更像老司机，本质上是在算力堆叠下，经过大量数据训练的AI拥有更高的博弈推理能力，能够尽快抓住空挡做出决策，同时也更为激进，而原来的规控是base-ruled，拘泥于严格的交规约束。
2）遇到临停等突发情况绕行：
表现为更加丝滑流畅，更少的顿挫和无意义的等待。这也是经过大量学习人类驾驶员行为后采取的措施。缺点在于压线绕行和窄距并行的情况增加。
3）复杂环岛驶离：
在拥堵的环岛路段见缝插针，与周围的人类司机采取相似策略，逐步找到出口顺畅驶离，而在v11中往往中途会要求接管。
在特斯拉开启免费试用一个月并将v12.3向北美所有车主推送后，TeslaFi统计的版本占比中，v12.3占比从个位数迅速提升至22%，扩大用户接触面后，可以畅想未来一段时间的FSD装载率有望明显提升。
图：FSD装载版本的抽样统计
二、端到端的意义——更智能，更好的泛化（场景普适性，机器人），更高系统上限
所谓端到端，本质上是神经网络化，用深度学习的AI取代手写代码。好处在于：
1）只需针对一个模型进行整体训练、调整优化，因此可以更好地集中资源；
2）由于不再是多个子模块间单独计算输出结果，大大降低了级联误差的概率，且共享主干网提高了计算效率，进而提升了系统性能的上限；
3）降本，减少人工代码意味着节约了大量时间和人力成本。
简言之，就是降本增效。通过
transformer
来提升规控的性能，实现联合优化，在数据和算力到位之后可以拥有更高的性能上限，泛化能力更强，并可联通世界模型，实现AI的自我演化。
图：端到端性能演进
端到端比拼的正是数据量&质+算力，百万级的车队规模采集的海量数据+算力领先的基础设施，为特斯拉构建了良好的数据闭环。
FSD累计里程数已超3亿英里（约4.8亿公里），其采集的视频数据质量高是因为各车型较为统一的传感器配置+
影子模式
纠错，而根据特斯拉预计自研的Dojo超算有望达到100 EFLOPS（相当于100000 PFLOPS，国内主机厂算力目前在1000 PFLOPS左右）。
图：自动驾驶数据飞轮
图：Dojo算力规划
尽管规划、执行端的要求（自由度）和处理方式不尽相同，但是自动驾驶汽车本质上是一种机器人，并通过模仿人类的驾驶行为习惯来实现车辆自主行驶，因此在车端跑通端到端可以为机器人提供一种先验积累。
在采用世界模型的情况下，通过端到端深度强化学习，AI可以理解物理世界的规律，在缺乏感知信息输入的情况下也可以通过想象来还原环境，类似于人类婴儿通过观察世界进行学习，并得出“常识”，可以直觉或推理来预测世界的变化，进而做出决策。
对于特斯拉而言，FSD的意义不仅在于以通过自动驾驶来积累AI的能力，更在于生态协同方面的赋能，具体体现在以下两方面：
1）算法复用，经验加成。FSD的开发经验为机器人算法软件提供帮助，可降低开发难度。
2）供应链和算力基础设施共用，降本增效。人形机器人采用与FSD相同的系统（如采用三目摄像头作为传感器，BOM成本约65美元），可以显著降低硬件成本；同样使用Dojo超算进行AI训练，加快数据驱动及软件迭代。此外，算法可以一定程度上弥补驱动器精度的不足，降低关节等硬件要求。
不止是汽车：超算+自动驾驶汽车+人形机器人，特斯拉的长期愿景是打造AGI的完整生态，而掌握大量数据，形成数据闭环将是AI时代的核心竞争力。
