机械设备行业：人形机器人，特斯拉FSD与Optimus底层模块打通，感知+决策+控制三个维度助力人形机器人商业化加速

FSD的V12正式版即将问世，或将加快进入中国市场，海量数据加速FSD迭代演进。 2023年6月底，马斯克在社媒表示FSD的V12版本将不再是测试版"Version 12 won't be Beta"。随着6月马斯克访华，不断有消息传出特斯拉FSD完全版或将加快进入中国；百度智能汽车事业部总经理储瑞松认为，特斯拉FSD可能会在2024年入华。特斯拉FSD未来有望展现出更加完善的产品形态，海量数据加速FSD迭代演进。 硬件+算法+算力全面推进，FSD持续迭代进化。 硬件端：HW1.0逐渐迭代至HW4.0，摄像头接口丰富至12个。算法端：BEV+Transformer，自动驾驶进入大模型时代，引入占用网络算法持续升级。 算力端：Dojo超级计算机已投入生产，预计24年有望成为全球最先进5台计算机之一，跑自动标注算法、预测汽车周围所有物体空间占用率的神经网络模型Occupancy Networks时，相比英伟达A100，Dojo能实现性能的倍增。 FSD与人形机器人底层模块打通，感知+决策+控制三个维度助力商业化加速。 5月17日的特斯拉股东日，马斯克表示，特斯拉已经打通了FSD和机器人的底层模块，实现了一定程度的算法复用，随着人形机器人Tesla Bot的出现，特斯拉FSD将加速迎来自己的‘ChatGPT时刻’。FSD算法主要依赖于神经网络和计算机视觉技术，均会对机器人的感知、决策和控制技术迭代起到重要作用，自动驾驶与人形机器人业务有望产生强协同效应。 催化时点：FSD正式版本发布；FSD入华；Dojo算力研发进展披露；特斯拉AI Day 投资建议：建议关注三花智控（天风家电团队覆盖）、拓普集团（天风汽车团队覆盖）、双环传动（天风汽车团队和中小市值团队联合覆盖）、鸣志电器、江苏雷利（天风电新团队联合覆盖）、鼎智科技（天风电新团队联合覆盖）、恒立液压、精锻科技、柯力传感（天风中小市值团队联合覆盖）、五洲新春、步科股份、绿的谐波。 风险提示：技术发展不达预期、中美关系破裂、宏观经济恢复不达预期。 重点标的推荐 1.FSD的V12正式版即将问世，或将加快进入中国市场，海量数据加速FSD迭代演进。 FSD正式版有望发布：2021年，FSD测试有2000客户参加。2022年扩展到了16万客户。 截至2022年10月，积累了480万段数据，训练了7.5万个神经网络，并在此基础上推出了35个FSD的版本更新。2023年6月底，马斯克在社媒表示FSD的V12版本将不再是测试版"Version 12 won't be Beta"。特斯拉FSD有望展现出更加完善的产品形态，向更广泛的用户群体开放。 FSD有望入华：随着6月马斯克访华，不断有消息传出，特斯拉FSD完全版或将加快进入中国。一方面，上海市经信委官方早前表示，将进一步深化和特斯拉的合作，推动自动驾驶、机器人等功能板块在沪布局。随后马斯克访华期间会见了商务部、工信部等多部门主管，就智能网联汽车发展交换了意见。百度智能汽车事业部总经理储瑞松认为，特斯拉FSD在2024年有望入华，之后需要1～1.5年的时间去磨合中国道路场景。 图1：特斯拉FSD迭代发展史 图2：马斯克推特表示V12将不再是测试版 2.硬件+算法+算力全面推进，FSD持续迭代进化 2.1.硬件端：HW1.0逐渐迭代至HW4.0，摄像头接口丰富至12个 HW1.0–基于Mobileye芯片的第一代驾驶辅助硬件，HW1.0阶段特斯拉的主要工作是多传感器融合+应用层软件开发。 HW2.0–特斯拉设计的第二代驾驶辅助硬件，这个阶段特斯拉掌握图像识别算法+多传感器融合+应用层软件开发。 HW2.5–这是对HW2.0的一个小版本更新，主要用于冗余和略微提高的可靠性。此版本还新增两个功能：行车记录仪和带有本地保存视频的哨兵模式。还有一个变化点是毫米波雷达的供应商从博世变成大陆，大陆的毫米波雷达也不逊色于博世。早期的model 3和modelY驾驶辅助ECU硬件类似于HW2.5，但使用的是汽车冷却液回路中的水冷而不是散热风扇。 HW3.0–特斯拉驾驶辅助硬件的重大革新，首次采用自研的自动驾驶芯片，抛弃英飞凌/英伟达的产品，自研高度集成的SoC+MCU芯片，具备全套芯片设计+图像识别算法+多传感器融合+应用层软件开发。 HW4.0-参数方面，CPU核心从12个增加到20个，最大频率为2.35GHz，空闲频率为1.37Ghz。TRIP深度神经网络加速器由双核升级为三核，最大频率从3.0的2GHz提升到2.2GHz。预估总算力300-500Tops。特斯拉还增加了摄像头接口数目，由9个增加到12个。此外特斯拉还增加了雷达接口。 图3：特斯拉硬件迭代配置 2.2.算法端：BEV+Transformer，自动驾驶进入大模型时代，引入占用网络算法持续升级 2016-2018：特斯拉延用了业内常规的骨干网结构；使用2D检测器进行特征提取；以人工对数据进行标注。整体来看，这一套自动驾驶算法还比较原始，相对传统。在这一时期，特斯拉自动驾驶算法仍处于技术追赶阶段。 2018-2019：在这次算法革新中，特斯拉构建了多任务学习神经网络架构HydraNet，并使用了特征提取网络BiFPN。相较于此前算法，HydraNet能够减少重复的卷积计算，减少主干网络计算数量，还能够将特定任务从主干中解耦出来，进行单独微调。 2020：BEV+Transformer，自动驾驶进入大模型时代。在这一方式中，特斯拉先在BEV空间层中初始化特征，再通过多层的Transformer和2D图像特征进行交互融合，最终得到BEV特征，也就是先3D再2D，反向开发，实现BEV的转换。Transformer是一种基于注意力机制（Attention）的神经网络模型。Transformer的引入，使得BEV视角在自动驾驶领域得以实现。而3D空间的引入，使得自动驾驶的思维方式，更接近于真实世界。 2021-2022：特斯拉感知网络架构引入了时空序列特征层，特斯拉对BEV进行了升级——引入占用网络。这使得特斯拉自动驾驶算法的泛化能力得到了提升。而借助于算法提升，特斯拉FSD更能刻画真实的物理世界，进而才有可能实现端到端模型。 图4：特斯拉自动驾驶算法迭代历程 2.3.算力端：Dojo超级计算机已投入生产，预计24年有望成为全球最先进5台计算机之一 Dojo的产品进展时间线：2020年，马斯克首次提出dojo超级计算机概念；2023年7月特斯拉的Dojo将正式投产，随后，特斯拉的算力将进入快速增长期。据特斯拉AI团队预测，2024年2月特斯拉的Dojo将成为全球最先进的5台超级计算机之一，2024年10月特斯拉的算力总规模有望达到100 Exa-Flops。 图5：特斯拉Dojo超级计算机的算力规划 性价比优于GPU：D1是一种面向AI的新型CPU，具有354内核，运行频率为2GHz。据设计师介绍，D1自研架构基于RISC-V架构ISA，从RISC-V借鉴了一些指令，专门针对运行机器学习和神经网络训练进行了优化，采用 7nm 制程工艺，具备超过500亿个晶体管，形成了354个核心，支持多种浮点格式，包括FP32、BFP16和一种新的格式CFP8或可配置的FP8，其32位浮点运算的最大性能是22.6T-FLOPs，对于16位浮点计算，D1的最大性能跃升至362T-FLOPs。D1每个核心都具有完整的带矩阵计算能力，其计算灵活性是远超众核架构的GPU。D1芯片面积为645平方毫米，小于英伟达的A100（826平方毫米）和AMDArcturus（750平方毫米）。据特斯拉芯片团队称，同成本下性能提升4倍，同能耗下性能提高1.3倍，占用空间节省5倍。Dojo算力无上限。 架构改进：从特斯拉公布的产品进度线来看，Dojo这台超级计算机的算力不是一蹴而就，而是逐年累加，随着时间线拉长，算力可能爆棚，这也是特斯拉Dojo的创新之处。这里的算力源于超算，而非拼凑而成的云计算。原因在于Dojo采用了分布式架构，可以随意地增加算力。这与我们熟悉的五百强超算系统不同，Dojo是一套完全可定制架构，全面涵盖计算、网络、输入/输出（I/O）芯片，乃至指令集架构（ISA）、供电、封装和冷却。据特斯拉介绍，用D1扩展算力的方式就好像自家地面铺瓷砖一样。特斯拉将25个D1芯片按5×5规格组成一个训练模块，这被称为tile（瓷砖），再将120个训练模块组成一个Dojo ExaPod。换言之，每个Dojo ExaPod内置3000个D1芯片，拥有超过100万个核心，总算力达到1.1E-FLOPS（每秒百亿亿次浮点运算）。由于Dojo是大型分布式系统，从理论上来说，Dojo的性能拓展可以无限扩张，没有上限。 图6：跑自动标注算法、预测汽车周围所有物体空间占用率的神经网络模型Occupancy Networks时，相比英伟达A100，Dojo能实现性能的倍增 3.FSD与人形机器人底层模块已经打通，实现算法复用，在机器人感知+决策+控制层面起到关键作用 5月17日的特斯拉股东日，马斯克表示，特斯拉已经打通了FSD和机器人的底层模块，实现了一定程度的算法复用。马斯克同时预计，随着人形机器人Tesla Bot的出现，特斯拉FSD将加速迎来自己的‘ChatGPT时刻’。 FSD算法主要依赖于神经网络和计算机视觉技术，对机器人的感知、决策和控制起到重要作用，自动驾驶与人形机器人业务有望产生强协同效应。 1）感知层面：特斯拉的一个重要技术是Occupancy Network (占据网络)，借鉴了机器人领域常用的思想，基于occupancy grid mapping，是一种简单形式的在线3d重建。FSD对车辆的环境感知和物体识别是通过对相机、激光雷达等实时传感器获取的数据进行处理和分析，并从中提取有关道路、车辆、行人和障碍物等信息来实现的，这是FSD核心的神经网络模型。FSD算法的传感器可以帮助机器人感知周围环境，识别物体、人和障碍物等，也可以通过传感器数据感知环境。 2）决策层面：FSD算法在自动驾驶中运用了感知到的环境信息进行路径规划和决策，因为它具备辨别道路、车辆和行人等物体的能力，可以帮助机器人在任务执行时辨认和定位物体。同样的方法也可以应用于机器人，协助其在复杂环境中选择最佳路径和做出合适的决策。 3）控制层面：特斯拉在2022年的特斯拉AI日活动中公布了一种名为Lanes Network的在线矢量地图构建模型。该模型能够获取车道线的拓扑结构，从而协助自动驾驶汽车实现变道功能。在人工智能领域，对于未来全自动驾驶系统算法的发展，需要进行适应和改进，以满足不同机器人的特定需求和任务。 图7：Occupancy Network占据网络示意图，FSD算法利用传感器数据进行环境感知 4.风险提示 1．技术发展不及预期：技术研发影响因素多，对产品发展进程起关键作用。 2．中美关系破裂：国际局势日渐紧张，中美关系存在破裂风险。 3．宏观经济恢复不及预期：经济下行期，下游需求弱。