2025全球科技行业投资策略之——科技革命提升效率，开启AI与智驾落地之时

报告摘要

1.  科技革命开始加速，特朗普当选成新变数

四大要素接连释能，科技革命加速演进。人类的生存与发展，所必须的要素可以分为4大类：物质、能动、时空与智慧。每一次科技革命，都是在这些基本要素方面有重大突破。古代人类对石器、青铜与铁器的使用，是物质方面的重大科技革命，文字的发明使智慧得以传承提升。18至19世纪蒸汽时代，人类对能源与动力转化方面取得重大突破。20世纪前后电力和内燃机的广泛应用，使能源动力打破了空间的限制，大规模生产与大范围移动可无虑能动困扰。20世纪中叶，电子信息、空间技术、核物理、生物工程等众多领域的技术突破，再次释放了物质、能动与时空方面的能力，并开启了智慧的提升之路。近年来的新能源、商业航天、量子技术的突飞猛进，又是人类对能动、时空、物质方面潜力的新一轮挖掘，尤其是AI大模型令人工智慧的能力大幅提升，并大有开启全维度科技加速之势，对生产力与社会关系将起到深远影响。

白左到头重新向右，推动产业重构与科技加速。二战之后工业革命不断发酵，阵营对垒结束后全球化分工持续深化，生产力与物质经济的提高，助长西方白左主义（WesternWokeism）逐渐走向极端。唐纳德·特朗普（Donald Trump）的胜选，开启新右翼路线，一方面对外走向脱钩断链，希望制造业回流美国，为广大中产阶级创造就业机会；一方面对内解除政治正确与道德绑架，掌控参众两院重挫建制派，为竞选功臣埃隆·马斯克（Elon Musk）的科技加速主义铺平道路。

重商主义助推创新，科技突破打开掣肘。重视实用小政府主义的特朗普与重视第一性原则喜欢颠覆式创新的马斯克均为商人出身，颇具创新与冒险精神，也对自由市场经济更为青睐，主张政府部门减少管制、精简机构、降低税费，以推动制造业的回流和科技的发展探索。当前人工智能、自动驾驶、具身智能、商业航天、脑机接口、小型核电站、量子计算等前沿科技均处于试验性突破阶段，在即将走向应用的阶段，虽存在一定风险，但更多的是面临着诸多监管或政府部门的掣肘。

放松监管，关注5大领域创新加速。如若特朗普按照之前所述的施政理念，就职总统后放松对科技创新的监管，降低税费与利率，将有利于企业投资前沿领域，并快速将研发成果转化落地。2025年，密切关注以下领域的创新加速：

1、 走向应用落地阶段的AI；

2、 快速迭代开启大载荷高频次发射的商业航天；

3、 法规限制更包容的自动驾驶；

4、 具备更强“大脑”的硬件形态具身智能；

5、 美国监管放松后的类黄金资产加密货币。

2022年11月，OpenAI发布ChatGPT-3.5，通过大规模的神经网络模型，训练海量参数的数据集，获得出色的效果，用规模法则Scaling Law开启AI大模型时代。如今各大厂商投入数百亿美元训练AI大模型已两年，Scaling Law的边际效益显著递减，OpenAI也从ChatGPT-5转向ChatGPT-o1与o3的推理范式，通过增加推理深度，以获得更好的效果，AI由训练转入推理与应用落地的阶段。

2.1.1. AI监管有望放宽，助力政府效率提升

拜登重视AI安全，特朗普欲放宽监管。2023年10月，拜登政府依据1950年《国家防御法案》签署了“关于安全、可靠和可信赖的人工智能开发和使用的行政命令”，要求科技公司在开发大型AI模型时进行“红队测试”，并将结果上报联邦政府。此外，行政命令要求国家标准与技术研究所（NIST）提供指导，以确保AI模型不含种族或性别偏见。特朗普上台后则计划废除拜登政府对AI的行政命令，称其“阻碍创新”并“过于左翼”，并希望推动一个基于言论自由和人类繁荣的人工智能发展框架，放宽对AI的监管。不过马斯克一直是人工智能监管的倡导者，对‘超级智能’带来的潜在危害非常警惕。而副总统当选人詹姆斯·戴维·万斯（J.D.Vance）是开源AI倡导者，认为开源AI更有利于小企业与科技大公司的竞争。

联邦政府赤字高涨，马斯克领衔提质增效。美国联邦政府已连续22年出现财政赤字，上一次实现财政盈余还要追溯到2001年。2023财年，联邦政府总支出高达6.16万亿美元，而财政收入仅为4.47万亿美元，赤字问题日益严峻。早在第47届美国总统大选前，埃隆·马斯克就曾公开表示，如果特朗普赢得大选，他将协助联邦政府削减2万亿美元的政府成本，以改善长期的赤字问题。在特朗普胜选后，特朗普于美东时间11月12日宣布将新设立一个名为“政府效率部”（Department of Government Efficiency, DOGE）的机构，机缘巧合下与马斯克支持的狗狗币（Dogecoin）同名。未来该机构将由马斯克与印度裔美国企业家维韦克·拉马斯瓦米（Vivek Ramaswamy）共同领导， 政府效率部的主要任务是削减联邦政府开支和精简官僚体系。不过，特朗普为该机构设定了明确的期限，要求其在2026年7月4日之前完成任务。马斯克则曾在社交平台X上表示，这个部门的终极目标可能是完成使命后“删除自己”，以彻底践行精简政府的理念。

AI应用软件频获政府订单，开启DOGE变革。 2024年8月，美国国际开发署（USAID）成为OpenAI在美国联邦政府内的首位客户。USAID将使用ChatGPT企业版来减少行政负担。Palantir Technologies（PLTR.O）利用AI帮助组织机构有效地整合其数据、决策和运营，2024年已与美国官方机构签署上千份合同，其半数收入来自于政府部门，美国陆军、联邦调查局、联邦采购服务局、美国移民与海关执法局等均大量采购其软件服务。Salesforce（CRM.N）作为高效的客户资源管理CRM工具，利用AI帮助政府机构优化采购流程、提高合同执行效率，并减少不必要的开支。赛富时联合创始人贝尼奥夫提出，利用AI Agent来实现政府运营的自动化，包括报告、审计、案例管理和直接面向公民的服务，可以节省数十亿美元并消除延误。

C3.ai（AI.N）提供企业级AI解决方案，专注于大规模数据分析、机器学习及预测模型构建，助力企业实现智能化决策与运营优化。C3.ai获美国国防部人工智能建模和仿真软件订单，帮助军方加速在国防中使用人工智能，公司约三成订单来自美国州与地方政府。

2.1.2. AI走向终端推理，硬件智能化再升级

AI大模型赋能硬件升级，落地终端虽小但慧。云侧大模型近两年发展高歌猛进，终端侧应用时机成熟，待硬件载体落地。消费电子产业链庞大，现有硬件产品较为成熟，AI成为厂商端侧赋能的必然选择，并且相关落地硬件呈小型化趋势，先后发展出AI PC、AI手机、AI耳机、AI眼镜等一系列AI创新产品。

电子全产业链卷入AI浪潮，受益弹性各有差异。与传统电子产业链相比，AI终端因加入更多电子组件，上下游环节规模更大，参与厂商也更多，虽然是新兴事物但相关硬件和技术均已成熟完备。

1） 上游：主要包括光显、芯片、结构件、传感器、电池等硬件结构供应商；

AR光波导：水晶光电、舜宇光学科技、蓝特光电、苏大维格等；

芯片：高通（QCOM.O）、联发科（2454.TW）、瑞芯微、全志科技、恒玄科技、乐鑫科技、炬芯科技、中科蓝讯、兆易创新等；

传感器：索尼（SONY.N）、安森美半导体(ON.O)、意法半导体（STM.N）、TDK（6762.T）、韦尔股份、思特威、格科微、敏芯股份等；

电池：珠海冠宇、欣旺达、德赛电池、紫建电子等。

2） 中游：主要包括ODM/OEM厂、软件/系统及AI大模型厂商；

ODM/OEM厂：歌尔股份、瑞声科技、龙旗科技、亿道信息等。

3） 下游：主要包括品牌商、传统视光渠道商及消费电子渠道商。

品牌商：谷歌（GOOG.O）、脸书（META.O）、苹果（AAPL.O）、小米集团等。

2.1.3. 训练“大脑”是大模型的核心，感知、记忆与执行是AI终端核心

大模型“大脑”与终端躯体协同，分解任务响应环境。AI大模型的核心在于通过大规模数据的预训练和微调，使模型能够学习到丰富的特征和知识，从而具备强大的推理、分析和决策能力。通过深度学习技术从数据中提取模式和关系，并在训练阶段调整参数以最小化预测误差，从而提升模型的准确性和泛化能力。AI终端通常由感知、记忆和执行三个模块构成，接入云端大模型。感知模块负责从外部环境中获

2.1.4. 算力注重性价比，存算一体补短提效

自研ASIC性价比高，推理应用改善ROIC。ASIC‌（Application Specific Integrated Circuit）芯片由于其专用性，能够针对特定任务进行优化设计，单位算力成本低于通用GPU。同时由于高效率和低功耗的特点，在AI推理任务中展现出显著的性价比优势。在AI大模型发展2年多之际，部分企业针对各自大模型自研的ASIC芯片陆续发挥起重要作用，如谷歌的TPU v6和亚马逊的Trainium 2，对英伟达通用GPU形成部分取代，并带动ASIC产业链。

ASIC芯片设计、IP与代工、封测公司：Broadcom（AVGO.O）、Marvell Technology（MRVL.O）、世芯-KY（3661.TW）、创意电子（3443.TW）、Socionext（6526.T）、Credo Technology（CRDO.O）、Rambus（RMBS.O）、Cadence（CDNS.O）、MediaTek（2454.TW）、TSMC（2330.TW）芯原股份、灿芯股份、长电科技、甬矽电子、通富微电等。

AI训练规模化通用，终端推理形态多样。AI大模型训练需要大规模并行计算，需GPU规模化万卡互联集群，AI推理与终端种类形态多样，所需芯片差异化大，也更注重性价比。国内多家SoC芯片企业针对不同应用领域开发的各类芯片，芯片接口与性能规格多样，每款芯片可类比一颗ASIC芯片，满足推理、具身智能、AI眼镜、AI玩具等各类AI终端推理需求。

SoC芯片设计：海思、寒武纪、海光信息、瑞芯微、全志科技、晶晨股份、恒玄科技、乐鑫科技、炬芯科技等。

“存算墙”导致延迟与功耗双增加。大模型训练需要大规模并行计算，往往存在“冯·诺依曼”架构常有的“存算墙”问题，及时使用HBM（‌High Bandwidth Memory）打破存算墙，数据在存储和计算单元之间的移动依然消耗大量能量，预估占到总能量的70%以上，尤其是在大规模并行计算和深度学习任务中。数据传输不仅增加了能耗，还导致了显著的延迟。

存算一体与AI匹配度高。存算一体的核心思想是直接在存储单元中完成数据处理，从而减少数据传输延迟和能耗，提高计算效率。存算一体技术可以从存储单元到计算单元的集成程度不同，分为多种类型，包括近存计算（Processing Near Memory, PNM）、存内处理（Processing In Memory, PIM）和存内计算（Computing In Memory, CIM）。存算一体在需要高算力的AI大模型训练，以及需要低功耗的AI终端推理上，优化效果显著。

2.1.5. 电力供需突紧俏，发电用电两头抓

AI算力激增，电网压力堪忧。美国电力需求在经历近半个世纪的停滞后，随着AI技术的发展，预计未来十年内，电力需求可能增加15%至20%。国际能源署（IEA）统计，2022年美国约2700个数据中心消耗全国总电力的约4%；ARM公司CEO预计，到2030年AI将占美国总电力消耗的20-25%。当前，高耗能的数据中心已对电网带来了压力，产生电网稳定性与电力质量问题（如谐波失真）。然而，美国在2021年4月曾提出“2035年零碳污染电力系统”的目标，为发电电力快速上产能带来严峻挑战。

核电重启，SMR最理想。科技巨头已开始寻找更多电力资源，以确保AI所需的电力供应。微软与Constellation Energy（CEG.O）签署为期20年的电力采购协议，计划重启位于宾夕法尼亚州的核电站。亚马逊购买苏斯奎哈纳核电站的电力，OpenAI的萨姆·奥尔特曼（Sam Altman）参与小型核电站Oklo（OKLO.N）公司的投资。但美国现存核电站数量有限，可再生能源项目面临选址、许可和输电线路障碍，且间歇性和不可预测性不符合AI数据中心需求。微软、亚马逊、谷歌和OpenAI等均正在探索使用小型模块化反应堆（SMR）来为数据中心提供电力，SMR因其建造速度快、部署灵活、安全性高而被视为一种理想的解决方案。SMR可以安装在数据中心内部或附近，从而减少电力传输过程中的损耗，并确保电力供应的稳定性。NuScale Power（SMR.N）通过开发创新型小型模块化反应堆重新定义核能，使得核电站安全和可靠，适合建造在数据中心附近，目前已启用第七个NuScale小堆模拟机，并计划2030年前在爱达荷国家实验室建造12座SMR。Centrus Energy（LEU.A）计划重启并扩大离心机制造，推进美国铀浓缩能力。

新型稳定清洁能源，探索尝试再突破。氢能、生物质能和核聚变等，也有望成为数据中心更可靠和可持续的能源解决方案。微软在都柏林的数据中心首次部署了氢燃料电池，与ESB合作使用绿色氢气作为清洁能源；eBay的数据中心自2013年起使用Bloom Energy（BE.N）的燃料电池作为主要供电设备；微软、FuelCell Energy和西门子合作利用生物气（由废水处理厂产生的副产品）为燃料电池供电；2024年11月，CFS（Commonwealth Fusion Systems）在核聚变发电项目方面取得进展，宣布将在弗吉尼亚州建造一个商业规模的核聚变发电厂ARC，并计划在2030年代初期实现商业化。

变电供能，保障稳定。AI芯片性能与数量大幅提升，数据中心单机柜功率陡增，电源数量与规格均提振。如普通服务器机柜功率20kW，英伟达DGX H100服务器需使用24个3kW电源，使用GB200芯片的NVL72服务器需36个5.5kW电源，总功率高达约130kW，还需50%冗余设计。未来单电源功率还将提升至8kW，目前仅台达电（2308.TW）、光宝科技（2301.TW）等少数企业有能力供应，国内麦格米特也进入供应商名册。同时，高功率电源为应对电网稳定性与电力质量问题，DrMOS、多项电源控制器、超级电容器、BBU（Battery Backup Unit电池备份单元）、UPS（Uninterruptible Power System不间断电源设备）和柴油发电机构成梯次，保障数据中心供电稳定。

2.2.1. 创建xAI——以理解宇宙本质为愿景

曾投资OpenAI，现专注自身愿景。2015年，马斯克加入OpenAI，身为创始成员之一，马斯克曾为其投入约1亿美元（或5,000万美元）。2018年，他因特斯拉的AI业务发展而离开，同时也因未能成为OpenAI领导者而与董事会产生分歧。自离开后，马斯克批评OpenAI由非营利转为“营利混合体”，并与微软建立深度合作，质疑其透明性与初衷。

马斯克创立xAI，创始团队实力强劲。xAI以“理解宇宙的真实本质”为核心使命，是马斯克在AI领域的新尝试。2023年3月，xAI在内华达州注册成立，并采购了约10000块H100 GPU以支持先进AI系统的研发。2023年7月12日，马斯克正式对外宣布xAI的成立。xAI初创团队汇聚了来自OpenAI、DeepMind、微软、特斯拉等顶尖科技公司的专家与学者。xAI核心成员包括曾担任DeepMind研究员的伊戈尔·巴布施金和非营利组织AI安全中心主任的丹·亨德里克斯（顾问）。xAI表示将与Twitter（现X）、特斯拉以及其他公司密切合作，共同推进其研究与发展目标。

高效组建超级集群Colossus。2024年10月，黄仁勋在与Tesla Owners Silicon Valley的互动中介绍了xAI的壮举。埃隆·马斯克和xAI团队在2024年6月仅用了19天就完成了10万块H100 GPU组成的超级计算集群部署，并完成了第一次训练，通常如此大规模的部署需要一年时间。xAI团队不仅完成了GPU集群的安装，还建设了一座巨大的“X工厂”以容纳这些设备，整个过程包括为工厂提供液冷系统和供电设施，确保所有GPU能够顺利运行。根据成本估算，每块H100GPU的价格约为3万到4万美元，因此，马斯克的“超算工厂”总价值约为30亿至40亿美元（约合人民币218亿至290亿元）。从算力上来看，OpenAI的GPT-4的训练使用了25000块A100GPU，约为“超算工厂”的1/20。目前，Colossus的第一阶段建设已顺利完成，集群已完全上线并开始运行，不久后孟菲斯超级计算机将继续升级，新增50000个H100 GPU和50000个H200 GPU，GPU总量将达到20万块。

高度集成，高效运行。xAI的超级计算集群由Nvidia HGX H100服务器组成，每台服务器包含八块H100 GPU。这些服务器安装在Supermicro的4U液冷系统中，每个机架支持八台服务器，共计64个GPU。液冷系统通过1U集管为每个HGXH100提供冷却，机架底部配备冗余泵系统和监控系统。每八个机架组成一个阵列，合计512个GPU，每台服务器配有四个冗余电源。整个集群包含超过1500个GPU机架，约200个机架阵列。为满足AI超级计算集群对网络带宽的高需求，每个GPU配备400GbE的专用网络接口，整个集群使用以太网连接，而非传统的InfiniBand，并在单一RDMA（远程直接数据存取，Remote Direct Memory Access）结构上运行，减少了延迟并提高了数据传输效率。此外，为了应对电力需求波动，Tesla Megapack电池被用作能量缓冲区，帮助平衡电网和超级计算机之间的能源供应。

xAI估值已破500亿美元。2024年5月xAI启动新一轮融资，目标筹集60亿美元，且融资得到了Andreessen Horowitz、Lightspeed Venture Partners、红杉资本和Tribe Capital等多家知名风险投资公司的青睐，对xAI的估值则达到 240 亿美元。2024年11月，马斯克在最新一轮融资中筹得50亿美元，该笔资金可能将用于购买10万块英伟达芯片以服务于xAI位于孟菲斯的Colossus超级集群，而对xAI估值则达到了500亿美元，该估值较此前已实现翻倍。2024年10月，OpenAI最新估值达到了1570亿美元（约合人民币11167亿元），是xAI的近三倍。

加价购卡，全力参与AI竞赛。目前xAI已通过在10.8亿美元的订单上加价，该笔交易是在马斯克直接联系Nvidia CEO黄仁勋后达成的，确保了360枚Nvidia GB200 Blackwell AI超级芯片在2025年1月前的优先交付，芯片则由Nvidia的主要制造合作伙伴富士康生产。在X中，马斯克透露下一步是明年夏天之前购买价值 300,000 块Nvidia最新的Blackwell GB200芯片。

2.2.2. Grok-2初露锋芒

X平台的Grok-2在多个关键领域表现卓越。Grok-2目前在LmsysChatbotArena中排名第六，仅次于OpenAI和Google的最新模型系列。在编码、复杂问题处理以及数学推理方面，Grok-2相较前一版本Grok-1.5取得了显著进步，尤其是在视觉数学推理（MathVista）和基于文档的问答（DocVQA）任务中表现突出，展现了其技术竞争力。这些能力使Grok-2在全球人工智能领域占有一席之地。2024年12月7日，X平台有限制地向普通用户开放了Grok-2的使用权限。在此之前，只有订阅Premium（每月9.6英镑，约12.5美元）或Premium+（每月19.2英镑，约24.9美元）服务的用户可以访问这一功能。相比之下，OpenAI的个人套餐订阅价格为20美元/月。此外，xAI计划于12月推出Grok-3版本，马斯克表示Grok-3将成为“全球各项指标最强的AI”。在技术资源方面，Grok-2的训练使用了20,000张英伟达H100加速卡，而马斯克透露，未来的版本迭代需要更多计算资源。例如，Grok-3的训练预计将使用多达100,000张H100加速卡。这一规模的计算能力为Grok系列的进一步突破奠定了坚实的基础。

科技巨头加大投入，中美领先全球大模型技术竞争，产业链日益完善。在市场参与者方面，国内外科技巨头如字节跳动、百度、阿里巴巴、腾讯、X、谷歌和OpenAI纷纷加大投入，推动大模型技术的研发与应用。中美在大模型领域处于全球领先地位，各自优势明显，形成激烈竞争。市场需求主要集中在自然语言处理、计算机视觉以及金融和医疗等行业，涉及自然语言理解、图像识别和医疗影像分析等多个应用场景。随着市场的快速发展，产业链也在不断完善，形成了技术支持、模型训练和市场推广等环节的紧密合作关系。

中国大模型企业梯队已逐步形成明确的分层结构。幻方量化的DeepSeek V3采用多项技术创新，提高计算效率和模型性能：采用多专家混合架构（MOE），引入多头潜在注意力机制（MLA），通过多令牌预测目标（MTP）。整体训练成本约557.6万美元，使用2048块H800训练2个月，是当前主流模型的1/10。智谱AI与月之暗面两家公司，估值均已达到30亿美元（约合200亿人民币），在新一轮融资中取得成功，进一步巩固了它们在国内大模型领域的领导地位。特别值得一提的是，从2023年年末至2024年年初，这一时期成为中国大模型力量逐步成熟的关键阶段，而月之暗面的快速崛起无疑是行业发展的一个重要里程碑。在完成第四轮融资后，月之暗面的估值升至25亿美元，与智谱AI、MiniMax和百川智能一同位列行业第一梯队。这些公司不仅在技术研发上处于领先地位，而且在市场拓展方面也走在行业前沿，成为中国大模型领域的核心力量。与此同时，估值在20亿美元以下的企业，如零一万物、面壁智能和深言科技，构成了行业的第二梯队。尽管这些公司的估值相对较低，但它们在技术创新和市场拓展方面展现出的潜力不容小觑。总体而言，随着融资规模的增加和资本的持续注入，中国大模型行业的竞争格局已经日益明朗。第一梯队的企业将继续在全球人工智能的竞争中扮演重要角色，而第二梯队的企业也将在技术进步和市场应用方面展现出更大的增长潜力。

3. xAI“大脑”唤醒特斯拉“身体”

特斯拉的优质资源“养份”正在转移给xAI“大脑”。马斯克已经在xAI和特斯拉之间调配人才和硬件，以迎头赶上人工智能竞赛。去年，马斯克将数千个难以获得的英伟达GPU从特斯拉转移到xAI，此举公开后，马斯克表示：“特斯拉没有地方将这些英伟达芯片启用，所以它们只会被闲置在仓库里。”2024年7月，马斯克与特斯拉董事会讨论向他的人工智能初创公司xAI投资50亿美元，这加剧了利益冲突的担忧。马斯克对此也在社交媒体平台X上发起了一项民意调查，询问特斯拉是否应该向xAI投资50亿美元。在近100万受访者中，68%的人投了赞成票。此外，xAI已从特斯拉招募了员工，其中包括一些曾直接参与Autopilot团队、专注于开发自动驾驶能力的成员。

xAI与特斯拉或将达成收益共享。在此前的投资者推介中，xAI的代表将该公司描述为特斯拉未来重要的技术供应商。据报道，xAI可能与特斯拉达成某种收益共享协议，基本上，特斯拉将把一部分FSD的收入交给xAI，以换取对其技术和资源的使用。这一协议的达成将在一定程度上取决于特斯拉对xAI技术的依赖程度，此举将进一步加深马斯克公司之间的关系。然而，马斯克否定了这些报道，并表示“特斯拉没有必要从xAI授权任何东西”。不过，在特斯拉于7月公布财报后的电话会议上，马斯克表示，“特斯拉从xAI学到了很多”，“它实际上在推进全自动驾驶和建立新的特斯拉数据中心方面提供了帮助”。他还补充道，特斯拉有机会将xAI的聊天机器人Grok与公司的软件进行集成。不过需要注意的是，马斯克在今年9月份的推文中提到，xAI的模型过于庞大，因此无法在特斯拉车辆的推理计算机上运行，也没有这么做的需求。据《华尔街日报》报道，除了与xAI的合作外，特斯拉今年还计划投入100亿美元建设自己的人工智能能力。目前，特斯拉已经在开发“Dojo”超级计算机的专用芯片，并在布法罗、帕洛阿尔托和奥斯丁等地建设数据中，xAI和特斯拉的员工在这些数据中心的设计和建设方面互相提供了建议。

3.1‍

 xAI加速Optimus和Neuralink崛起

xAI为机器人注入“灵魂”。作为通用人工智能项目(AGI)，xAI为Optimus机器人提供了先进的算法支持，使其在复杂环境中具备动态适应能力。马斯克指出，“未来数亿台Optimus机器人将成为最大的现实数据来源，通过从真实世界中学习形成强大的智能模型。”未来，xAI的技术或将提升机器人对人类指令的理解和执行能力，特别是在与Neuralink的脑机接口技术结合后，Optimus有可能直接响应人类的意图。这种结合不仅能够扩展机器人在工业、家庭和医疗领域的潜力，还能通过实时数据训练优化AI模型，加速机器人智能的进化。

Neuralink打开人机交互带宽限制。Neuralink是马斯克于2016年创立的脑机接口研究公司，目前已完成第二例脑机接口设备的人体移植。术后，受试者可以用意念控制光标并玩电子游戏，表现出显著的能力增强。未来，该技术的费用可能降至约5000美元，使其更加普及。xAI的人工智能技术或将为Neuralink提供了重要支持，特别是在处理复杂神经数据和优化脑机接口性能方面。Neuralink通过植入电极获取大脑信号，而xAI的深度学习技术在未来或将能够对这些信号进行高效解读并提取有意义的神经活动模式，从而提高设备的精确性。在2024年8月的访谈中，马斯克曾表示，“人类是意志或目的的来源，Neuralink可以增强这种意志的表达和实现通过Neuralink，人工智能的计算能力可以与人类智能结合，提升人类解决问题和创新的能力。类似于智能手机和电脑作为人类能力的延伸，Neuralink则将这种计算能力进一步扩展，使人类在与人工智能的融合中获得更强的能力，甚至增强对愉悦的追求。”

4. 监管放松自动驾驶或迎来新契机，特斯拉FSD推动Robotaxi落地

现行法规监管阻碍无人自动驾驶发展，特朗普上台后或将改变这一局面。特斯拉已于10月发布了完全无人驾驶的Robotaxi车型Cybercab，并计划在2026年开始大规模量产。而当前的联邦规定为希望大规模部署无方向盘或脚踏板的自动驾驶汽车（如特斯拉的Cybercab）的公司设置了重大障碍，这对特斯拉极其不利。事实上，美国交通部（NHTSA）可以通过发布新规简化自动驾驶汽车的运营要求，而国会立法则能够从根本上为这一技术的大规模应用扫清障碍。对此，法律公司Tarter Krinsky & Drogin诉讼事务副主席理查德·舍恩斯坦指出，这种政策变革并不需要废除现有机构，只需更换负责人即可。如果特朗普再次上台，这一局面有望得到改善。据报道，特朗普政府正在物色一位能够为自动驾驶汽车制定监管框架的交通部长，其中前Uber高管Emil Michael已成为热门候选人，并与特朗普团队进行了多次沟通。特朗普计划将推动全自动驾驶汽车的联邦立法作为交通部的重要优先事项。目前，美国交通部仅允许制造商每年在获得豁免的情况下部署最多2500辆自动驾驶汽车，而此前提出的将该上限提高至10万辆的提案屡遭挫败。如果未来相关立法通过，自动驾驶汽车的年部署量大幅增加，特斯拉无疑将成为这一政策的最大受益者。这不仅是马斯克对特朗普政策支持的回报，也将带动Waymo、Cruise等其他Robotaxi玩家的加速发展，进一步推动整个自动驾驶行业的商业化进程。目前，特斯拉正在与得克萨斯州奥斯汀市就明年部署Robotaxi进行谈判，还考虑在美国多个城市开展早期试点项目。此前埃隆·马斯克表示，特斯拉加州湾区的员工已经在内部测试Robotaxi服务，通过使用该公司开发的应用程序，特斯拉员工已可以叫到Robotaxi并乘车去往湾区的任何地方。马斯克指出，特斯拉的目标是2025年在得州和加州推出商用自动驾驶出租车服务，且其无人监督版全自动驾驶能够获得美国监管机构的批准。

马斯克在DOGE的职位或将利好特斯拉。特斯拉的成功离不开对早期有利于电动车发展的环保政策，然而，马斯克在2021年就发表了关于结束政府补贴的声明。马斯克此前也曾公开反对拜登政府提出的每辆电动车7500美元税收抵免政策，尽管这一政策通过降低消费者购车成本，促进了电动车行业的整体发展，马斯克的反对立场则可能源于特斯拉在市场中已经处于领先地位。马斯克曾提到，“数量惊人的人认为特斯拉靠补贴生存”，并指出这种说法仅适用于特斯拉的竞争对手。相较于依赖税收优惠的新兴电动车企业，特斯拉对这些补贴的依赖程度较低。因此，若未来马斯克利用DOGE的职位对相关补贴进行削减，那么对特斯拉影响有限，却能够削弱其他电动汽车制造商的竞争力，从而进一步巩固特斯拉在行业中的主导地位。

4.1‍

特斯拉FSD积累训练，软硬协同提升

4.1.1. 厚积薄发持续引领，AI助力FSD加速迭代

特斯拉引领自动驾驶，AI助力加速迭代。特斯拉作为全球顶尖的电动汽车制造商，多年来在完全自动驾驶（FSD，Full Self-Driving）上深耕，是自动驾驶领域的领头羊，其目标是实现L5级别的自动驾驶。得益于特斯拉的持续投入与一直以来在AI领域的探索，FSD技术不断发展，2024年 4月，特斯拉宣布基于其FSD技术下的车辆已经行驶超过10亿英里，约16.1亿公里，在特斯拉24Q3报告上，其宣布该数字已超过32亿英里，约51.52亿公里。目前FSD已迭代升级至基于端到端（End-To-End）的FSD V12版本，在已更新的V12.5.1版本中，FSD已上线特斯拉Cybertruck，在V12.5.4上则实现了智能召唤。FSD V13已向少部分用户推送，蓄势待发，待正式推送时，在技术层面有望得到进一步改进。

订阅费下降，智驾推送加速。2024年10月10日，马斯克在“We，Robot”发布会上称明年将在美国德克萨斯州和加利福尼亚州推出完全无监督的FSD，且将适用全系列车型，同时特斯拉根据特斯拉团队9月的推送消息，FSD将有望在25Q1向中国和欧洲推出，不过也仍在等待监管批准。价格方面，为降低 FSD 体验门槛，吸引更多人订阅，FSD买断价格由12000美元将至 8000美元，FSD 单月付费则从199美元/月调降 50%至99美元/月。

Dojo项目旨在解决FSD的模型训练问题。Dojo项目是特斯拉的一个超级计算机项目，在最终产品形态上，以Dojo ExaPOD呈现，Dojo ExaPOD拥有高达 1.1 EFlops的 BF16/CFP8 峰值算力，每个Dojo ExaPOD由3000个自研Dojo D1芯片组成。实际上，提升Dojo与特斯拉实现全自动驾驶并将Robotaxi推向市场的目标密切相关。为了实现Robotaxi，特斯拉的自动驾驶需要达到真正的FSD，由于特斯拉已迈向纯视觉路线，要实现真正的FSD，就需要超算群的算力来海量处理视频数据和训练模型。预计到今年10月，Dojo的总算力将达到100 EFLOPS，约等于320500块英伟达A100的算力水平。到今年年底，Dojo D1将实现与约8000块H100等效的AI在线训练能力。聚焦国内，小鹏智驾云端最新算力储备为2.51EFLOPS，理想智算中心为2.4EFLOPS，蔚来基于群体智能的整体端云算力已超过306.9EOPS,华为云端算力为7.5EFLOPS，与特斯拉存在明显差距。

继续加码Cortex超算群，AI算力持续提升。算力上，目前特斯拉在德州超级工厂配备了大规模的超级计算机集群cortex，未来将包含约10万个H100/H200 GPU以及特斯拉自己的HW4、和Dojo超算群。这些强大的计算资源主要用于大规模视频数据的训练，显著加快AI模型的开发和优化，以改进全自动驾驶（FSD）和Optimus机器人的AI模型，从而推动FSD和Optimus的商业化进程。在2024年5月，马斯克称在24年将投入100亿美元在AI训练和推理上，且主要用在其特斯拉电动汽车的FSD上。

4.1.2. 软硬协同，持续升级

硬件逐步自研，走向纯视觉方案。2013年，马斯克在推特上首次透露，特斯拉正在研发辅助驾驶系统Autopilot（AP），这也标志着特斯拉自动驾驶之路的开启。仅一年后的2014年10月，特斯拉与Mobileye联手，推出了首个自动驾驶系统HW1.0和AP1.0。在2015年4月，特斯拉组建了自己的Vision团队，开始独立研发自动驾驶算法，逐渐摆脱对第三方供应商的依赖。2016年7月，特斯拉正式宣布结束与Mobileye的合作，对此，马斯克表示，由于Mobileye必须支持传统汽车公司数百款车型，这对其技术发展造成了负面影响，导致工程阻力过大，特斯拉则专注于在一个集成平台上实现完全自动驾驶能力，其安全性比普通手动驾驶汽车高出一个数量级。同年10月，他们发布了全新的HW 2.0和AP2.0，基于英伟达Drive PX 2平台，自动驾驶能力得到了显著提升。一年后，在2017年8月，HW 2.0进一步升级为HW 2.5，算力和系统冗余能力双双增强。而后，2019年3月，特斯拉推出了基于自研FSD芯片的HW 3.0，这是首个支持完全自动驾驶功能的硬件系统。2023年1月，特斯拉推出了HW 4.0，其搭载第二代FSD芯片，算力的大幅提升没有带来功耗的增长，传感器上摒弃了超声波雷达，增加了红外线（IR）滤波器，以提高夜间的感光度，摄像头在低光环境下能够更好地捕捉影像。2024年6月，特斯拉股东大会上，马斯克正式谈到HW 5.0，并预计在2025年12月特斯AI 5将进入客户车辆生产线，其算力可能比HW 4.0高出约10倍。

软件适配硬件，逐渐采用纯视觉化算法。特斯拉的全自动驾驶（FSD）系统从2016年开始逐步发展。最早的版本依赖摄像头、雷达和超声波传感器组合来辅助驾驶。2019年，特斯拉推出了更先进的FSD功能，但依然依赖人类监督。到2021年，FSD V9版本弃用了超声波雷达，完全依赖“视觉为主”策略，增强了城市驾驶的自动化能力。FSD V10进一步提升了自动驾驶的平滑度，并改善了车道保持与导航性能。2022年发布的FSD V11统一了高速公路和城市道路的算法，将这两部分的代码整合为一个系统。FSD V12则通过全端到端神经网络进行完全自动驾驶的实现，进一步减少人类干预。FSD V13已经向少部分用户推送测试，在继续做出改进后或将正式发布，在该版本中，平均接管里程有望得到约6倍的提升，且安全性将再次得到提升。

4.2‍

 特斯拉FSD算法迭代路径

特斯拉在较早阶段便确立了以纯视觉方案为核心的自动驾驶技术方向，并且为实现完全自动驾驶（FSD）的目标，其算法体系经历了多次迭代和优化。从最初的卷积神经网络（CNN），到引入RNN+GAN（循环神经网络+生成对抗网络），再到更为先进的HydraNets架构、鸟瞰视角（BEV）结合Transformer，直至今天采用的End-to-End（端到端）模型，每次更新都大幅提升了系统的感知能力和决策效率。通过不断改进纯视觉方案，特斯拉的自动驾驶系统能够更准确地理解复杂的道路场景，识别环境中的障碍物，并做出更加精确、实时的驾驶决策。每次算法的升级和网络架构的进步，都是朝着实现完全自动驾驶（FSD）这一愿景迈出的关键一步，最终目标是使车辆完全依赖视觉感知和神经网络，从感知、规划到控制，独立高效地完成全流程的驾驶任务。

4.2.1. HydraNets

特斯拉早期视觉感知系统采用HydraNets架构，该架构有一个共同共享的主干，并将分支分成若干个头部以进行视觉信息处理。2018 年，特斯拉对自动驾驶算法进行第一次革新，构建了一种多头神经网络架构HydraNets，HydraNets的每个“头”负责不同的环境感知任务，如检测车辆、行人和车道线等。与仅有单头的传统视觉神经网络相比，HydraNets通过共享底层特征实现计算成本的显著降低，同时提升了多任务处理能力。HydraNets主要优势包括特征共享、任务解耦以及更高效的微调，各任务的输出相互独立，既避免了任务间的干扰，又能根据需求独立优化，使其在自动驾驶复杂场景中更加高效。

4.2.2. BEV (Bird’s-Eye-View) + Transformer

BEV + Transformer方案先在二维图像空间实现感知，再投射至三维向量空间。由于非结构化道路环境的复杂性，识别对象显著增多，早期的HydraNets在这些场景中难以实现精准识别。此外，自动驾驶需要在三维真实世界中作出决策，仅依赖二维平面信息难以满足需求。为此，特斯拉尝试将BEV（鸟瞰视图）与Transformer技术相结合，并于2021年AI Day首次发布了这一方案，随后在FSD V9版本中投入应用。该方法通过将多个摄像头采集的二维图像转化为三维鸟瞰视图，有效增强了车辆对周围环境的空间感知能力。BEV与Transformer的结合能够整合不同摄像头的多视角数据，并将其转化为三维向量空间，从而显著提高了物体检测和环境理解的精度，为自动驾驶决策提供了更可靠的支持。

4.2.3. Occupancy Network

Occupancy Network能够直接在向量空间产生体积占用。考虑到车辆面临的场景复杂多样，且其中不乏出现极端情况，故为了应对极端情况，特斯拉引入Occupancy Network以增加FSD模型的泛化能力。Occupancy Network于2022年AI Day推出，并在FSD V11中应用。该技术引入了3D感知的能力，通过将周围空间划分为小方块（体素），判断每个体素是否被占用。Occupancy Network在感知模块上更注重环境占用情况，而不是具体识别物体的种类，极大增强了车辆在复杂环境中的规划和避障能力，帮助车辆更好地预测空间中的动态和静态障碍物。

4.2.4. End-To-End

模块化架构是此前量产智能驾驶系统的主流设计。模块化架构通过将驾驶任务拆分为感知、预测、规划等模块，每个模块由独立的AI模型或算法负责处理。例如，感知模块从传感器数据中识别车辆、行人、车道线等驾驶相关元素，并将结果传递给规划模块，而规划模块根据这些信息制定行驶路线，最终由控制模块执行。模块化方案中，每个独立的模块负责单独的子任务，具备简化研发团队分工、便于问题回溯、低耦合、可解释性高、易于调试迭代等优点，尽管这种架构逻辑清晰且易于分工，但每个模块都需要独立训练和优化，且由于模块间存在级联关系，前级模块输出的误差可能逐步传递并放大，影响系统的整体性能。

End-To-End（端到端）是特斯拉最新的智能驾驶解决方案，且已在其FSD V12版本中得到应用。这一方案采用统一的神经网络架构，涵盖从感知到决策再到控制的所有驾驶任务，打破了传统模块化设计的限制。相比于早期的HydraNet和BEV等模块化系统，端到端则通过一个统一的模型实现从传感器信号输入到车控信号输出的全流程处理，不再需要模块化分工，使系统能够通过大规模数据训练自动学习和优化复杂的驾驶行为。通过这一方案，特斯拉智能驾驶系统不再依赖于分离的感知、路径规划和控制模块，而是利用一个综合的神经网络进行整体学习和决策。这样的设计能大幅简化系统的结构，提高效率和性能，从而实现更流畅、更精确的自动驾驶体验。同时，随着不断积累的驾驶数据，模型的自我学习能力将持续提升，进一步优化其在复杂环境中的驾驶表现。这种端到端的架构代表了自动驾驶技术的前沿趋势，具有广泛的应用潜力。

端到端或将成为行业主导技术路线，目前国内厂商紧随其后，正加速推进端到端大模型的量产落地。2024年3月，特斯拉率先在北美地区大规模推送FSD V12智能驾驶系统。该系统基于“端到端”技术，展现出卓越的性能，不仅显著提升了用户的智能驾驶体验，也在业内掀起了一股“端到端”技术热潮。在这一背景下，多家车企与技术供应商加速布局端到端自动驾驶解决方案，包括小鹏汽车、蔚来、理想汽车、长城汽车、奇瑞汽车，以及华为、地平线、商汤绝影、元戎启行等企业。它们相继推出面向量产的端到端自动驾驶技术方案，充分显示出该技术在推动智能驾驶产业升级中的重要价值。这一趋势不仅加速了自动驾驶技术的落地，也为智能化出行的发展提供了更强大的技术支撑。

4.3‍

软硬件迭代愈发成熟，Robotaxi应运而生

特斯拉的Robotaxi计划始于2016年，亮相于2024年，并计划于2026或2027年量产。特斯拉的Robotaxi计划萌芽于2016年，当时马斯克首次公开提出了这一愿景，目标是通过全自动驾驶（FSD）技术实现无需人为干预的自动驾驶出租车服务。2019年，在“自动驾驶日”活动中，马斯克进一步阐述了这一计划，并承诺将在2020年推出完全自动驾驶的车辆。然而，这一目标多次推迟，直至2024年10月10日，名为Cybercab的特斯拉Robotaxi正式亮相特斯拉“We Robot”发布会，马斯克称其安全性比人类驾驶高出10倍，并计划2026年实现生产。

特斯拉Cybercab采用高自动化设计，成本优化后或将推动商业化进程。关于实车，其车内配备了两个乘客座位，后排留有宽敞的储物空间，前排座椅之间有一个信息娱乐系统，但没有配备方向盘或踏板，故行驶将完全依靠特斯拉的完全自动驾驶（FSD）软件自行驾驶，因此Robotaxi将被视为具有5级自主性。价格上，一辆Cybercab的未来可能能够以低于3万美元的价格进行出售（约合 21.23万元人民币），不过目前行驶成本较高，在1美元/英里左右，未来量产后行驶成本大约控制在0.2美元/英里，含税成本约0.4美元/英里。

打破传统充电桩模式，迈向无线充电方案。充电上方式，Cybercab没有充电插槽，仅支持无线感应充电，车辆将自动泊车，并且寻找最优的充电姿势。实际上早在9月，特斯拉便公布了4项无线充电相关专利，且在23年收购了工业应用无线充电解决方案提供商Wiferion，在转售该公司时保留了Wiferion的技术工程师，此次发布会则印证了特斯拉未来充电模式的走向，未来或将对充电桩市场产生一定替代。

未来随着无线充电的成熟，国内Robotaxi也或采用无线充电的方式，但中短期内可能无法实现。目前，如国内百度旗下萝卜快跑投放的无人出租车，其自动驶回站点后需要人员插枪进行有线充电补能，最新一代萝卜快跑将更改为自动换电，无需人员干预，进一步提升补能速度与效率。根据能链研究院，目前7kw和11kw是无线充电研发的主流方向，其中11kw是行业标准的围绕点，随着未来无线充电技术的发展，目前普遍所面临的无线充电功率较小、充电速度慢和成本高昂等问题或将得到解决。从家用充电桩市场来看，据弗若斯特沙利文的数据，预计2023-2027年全球家用充电桩销量复合增长率约为31%，若未来无线充电发展达到预期，无线充电设备替代空间将十分广阔。

4.4‍

特斯拉FSD积累训练，软硬协同提升

4.4.1. FSD实测数据解析

特斯拉的自动驾驶功能的表现随软硬件的迭代升级和更新而提升。例如，平均行驶至干预公里数从V10的17公里（HW3）增加至V12的45公里（HW3）和63公里（HW4），关键干预的平均距离也从169公里（HW3）提升到280公里（HW3）和282公里（HW4）。

从城市道路与高速公路的表现来看，城市道路的干预频率明显高于高速公路。这与实际的驾驶环境有关。城市道路环境复杂，行人、交通灯和不同类型车辆较多，给自动驾驶系统带来了更大的挑战。而高速公路环境相对简单，干预需求较低。数据显示，V11在高速公路上的表现相较V10提升显著，但在城市道路上的改进相对较小。相比之下，V12在城市和高速公路上的表现均有明显提升。配备HW3.0和HW4.0的V12系统在城市道路上的平均干预公里数分别为29公里和45公里，是V10的2.6倍和4.1倍；在高速公路上分别为103公里和117公里，是V10的2.9倍和3.3倍。同时，无干预率和无关键干预率也逐步提高。尤其是在V12版本中，配备HW3.0和HW4.0的系统，平均无干预率分别达到70.6%和70.3%，无关键干预率分别达到95.4%和93.6%。

整体来看，特斯拉自动驾驶系统在过去几个版本中的性能有显著提升，特别是在无干预率和无关键干预率方面，但要实现真正的FSD，仍然面临巨大挑战。数据表明，特斯拉在全自动驾驶领域仍面临挑战。城市道路上的干预频率依然较高，V12在城市道路上的平均干预距离为45公里，尽管较之前版本有所提升，但仍无法满足全面无人驾驶的要求。系统在应对复杂城市环境时，仍需驾驶员的频繁介入，特别是在多变的城市路况下，距离“完全自动化”仍有差距。此外，尽管高速公路上的干预频率有所下降，无关键干预率高达95%以上，但自动驾驶的主要应用场景在城市，因此系统在城市环境中的表现尤为重要，而现有数据表明，这方面仍有改进空间。要实现特斯拉承诺的无人监督自动驾驶系统，可能需要在关键干预之间达到50,000到100,000英里，故整体上仍有很大差距。

特斯拉FSD在中国和欧洲市场的布局逐步推进。在法规合规方面，2024年4月底，马斯克访华后，中国汽车工业协会宣布包括特斯拉在内的6家企业符合数据安全相关要求，为特斯拉FSD在中国的落地提供了契机。同时，特斯拉计划与百度合作解决中国市场推出高级辅助驾驶功能中的地图与导航问题。今年5月，百度自动驾驶技术部负责人表示，百度可能会根据特斯拉的应用模式和市场进入节奏，考虑合作机会。2024年6月，上海临港新片区启动了特斯拉FSD的路测试点工作，涉及10辆特斯拉汽车进行路测。此外，最新消息显示，特斯拉FSD预计将在明年第一季度进入中国和欧洲市场。

4.5‍

Robotaxi各有千秋，业态突破运营变革

2024年10月10日，马斯克推出Cybercab，但是雄心勃勃的Robotaxi计划，大规模商业化预计最早要到2027年。Uber Technologies（UBER.N）首席执行官Dara Khosrowshahi对此持较为保守的态度，认为自动驾驶出租车在短期内不会成为公司车队的重要组成部分，原因在于技术尚未成熟，监管机构审批谨慎，以及短期内成本不具竞争力。特斯拉计划通过取消司机这一成本环节，提供更为低廉的出行服务，但这一计划不仅依赖技术成熟，还需应对全球复杂的监管和基础设施建设问题。尽管特斯拉在自动驾驶技术方面处于领先地位，但其难以在短期内从Robotaxi项目中获得显著的经济回报。

运营商商业模式灵活，自动驾驶助力盈利。Uber已经与自动驾驶公司建立了实际的合作，尤其是在与Waymo的合作中，Uber凭借其庞大的出行网络和动态调度系统，能够大幅提升自动驾驶车辆的使用效率。在亚利桑那州的合作中，Uber展示了通过其网络，“第三方（3P）运营的车辆利用率显著高于它们自己运营时的第一方（1P）利用率。” 这种模式类似于麦当劳、星巴克等品牌选择通过Uber平台来增加客户需求。Uber的策略是与多家自动驾驶公司合作，不依赖自有车队，而是通过其平台为自动驾驶车辆提供更高的利用率。Uber的目标是“推动至少 25% 的利用率提升”，并且通过灵活的调度系统让自动驾驶公司专注于其核心任务。这种合作模式不仅降低了Uber的技术风险，还让其能够在短期内保持高盈利能力。2021年从Uber分拆出来的Serve Robotics（SERV.O），开发的人行道送货机器人，与Uber Eats和7-11等企业合作，也获英伟达投资支持。Lyft（LYFT.O）与May Mobility、Nexar和Moblieye等公司合作，加速自动驾驶技术的发展，并计划在未来几年内推出Robotaxi服务。

国内Robotaxi产业已正式起步，未来业务量或继续扩大。百度旗下的“萝卜快跑”通过多年的持续投入和技术积累，目前已在全国超过10座城市实现了商业化运营布局，成为国内自动驾驶领域的重要玩家。2024年2月，小马智行（PONY.O）获批在北京大兴机场高速及周边区域开展自动驾驶载人示范项目，进一步拓展了业务版图。2024年10月25日，文远知行（WRD.O）成功在纳斯达克上市，成为全球首家通用自动驾驶领域上市公司；11月27日，小马智行也成功登陆纳斯达克，为未来的大规模商业化提供了充足的资本支持。2024年10月14日，小马智行宣布与高德地图达成战略合作，并自动驾驶车辆接入高德一体化出行平台。与此同时，小鹏汽车在自动驾驶领域进展显著，已在多个城市进行自动驾驶测试，并计划在2026年正式推出Robotaxi服务。根据麦肯锡的研究预测，到2030年，基于自动驾驶技术的出行服务市场订单总额有望达到2600亿美元。这一领域虽然具有广阔的市场潜力，但在中短期内，Robotaxi技术仍难以实现对传统出租车和网约车服务的全面替代。未来随着技术完善、成本控制以及政策支持方面不断改善，将会进一步释放商业化潜能。

5、相关产业链梳理

AI应用软件逐步渗透美国政府领域，频获订单推动DOGE变革，加速公共部门智能化和效率提升。此我们梳理了相关产业链标的，供投资者谨慎参考，不作为相关标的推荐理由。

AI应用软件：Palantir Technologies（PLTR.O）、Salesforce（CRM.N）、C3.ai（AI.N）

AI浪潮带动电子全产业链扩张，终端加入更多组件，上下游规模更大，硬件与技术成熟，相关厂商广泛参与。此我们梳理了相关产业链标的，供投资者谨慎参考，不作为相关标的推荐理由。

1） 上游：主要包括光显、芯片、结构件、传感器、电池等硬件结构供应商；

AR光波导：水晶光电（002273.SZ）、舜宇光学科技（2382.HK）、蓝特光电（688127.SH）、苏大维格（300331.SZ）等

芯片：高通（QCOM.O）、联发科（2454.TW）、瑞芯微（603893.SH）、全志科技（300458.SZ）、恒玄科技（688608.SH）、乐鑫科技（688018.SH）、炬芯科技（300493.SZ）、中科蓝讯（688332.SH）、兆易创新（603986.SH）等

传感器：索尼（SONY.N）、安森美半导体（ON.O）、意法半导体（STM.N）、TDK（6762.T）、韦尔股份（603501.SH）、思特威（688213.SH）、格科微（688728.SH）、敏芯股份（688286.SH）等

电池：珠海冠宇（688772.SH）、欣旺达（300207.SZ）、德赛电池（000049.SZ）、紫建电子（836297.OC）等

2） 中游：主要包括ODM/OEM厂、软件/系统及AI大模型厂商；

ODM/OEM厂：歌尔股份（002241.SZ）、瑞声科技（2018.HK）、龙旗科技（605338.SH）、亿道信息（301171.SZ）等

3） 下游：主要包括品牌商、传统视光渠道商及消费电子渠道商。

品牌商：谷歌（GOOG.O）、脸书（META.O）、苹果（AAPL.O）、小米集团（1810.HK）等

自研ASIC芯片因高性价比和低功耗，在AI推理中崭露头角，对通用GPU形成替代效应，推动ASIC产业链发展。国内多家SoC芯片企业针对不同应用领域开发的各类芯片，每款芯片可类比一颗ASIC芯片。此我们梳理了相关产业链标的，供投资者谨慎参考，不作为相关标的推荐理由。

ASIC芯片设计：Broadcom（AVGO.O）、Marvell Technology（MRVL.O）、世芯-KY（3661.TW）、创意电子（3443.TW）、Socionext（6526.T）、MediaTek（2454.TW）、灿芯股份（688049.SH）

IP授权：Credo Technology（CRDO.O）、Rambus（RMBS.O）、Cadence（CDNS.O）、芯原股份（688521.SH）

晶圆代工：TSMC（2330.TW）

封测：长电科技（600584.SH）、通富微电（002156.SZ）、甬矽电子（688362.SH）等

SoC芯片设计：寒武纪（688256.SH）、海光信息（688041.SH）、瑞芯微（603893.SH）、全志科技（300458.SH）、晶晨股份（688099.SH）、恒玄科技（688608.SH）、乐鑫科技（688018.SH）、炬芯科技（688049.SH）等。

核电重启成趋势，科技巨头加速布局SMR以满足AI高功率稳定的电力需求。此我们梳理了相关产业链标的，供投资者谨慎参考，不作为相关标的推荐理由。

1） 核电：Constellation Energy（CEG.O）、Oklo（OKLO.N）、NuScale Power（SMR.N）、Centrus Energy（LEU.A）等

2） 稳定清洁能源： Bloom Energy（BE.N）等

3）电源与功率元器件：台达电（2308.TW）、光宝科技（2301.TW）、麦格米特（002851.SZ）、江海股份（002484.SZ）、风华高科（000636.SZ）、杰华特（688141.SH）、晶丰明源（688368.SH）等

Robotaxi商业化潜力巨大，AI加速自动驾驶进展，未来有望随着技术成熟和政策支持持续释放增长红利。此我们梳理了相关产业链标的，供投资者谨慎参考，不作为相关标的推荐理由。

Robotaxi技术与运营商：Tesla（TSLA.O）、Uber Technologies（UBER.N）、Lyft（LYFT.O）、小马智行（PONY.O）、文远知行（WRD.O）、Serve Robotics（SERV.O）等

6. 风险提示

技术开发进度不及预期；

国际政策风险不确定性；

经济形势与需求不及预期；

行业竞争加剧导致相关公司盈利水平下降；

相关产业链标的梳理仅供投资者参考，不作为标的推荐理由。