芯耀
468
一、合作基础与战略定位：解构 “制造 + 科技” 协同的底层逻辑
在全球汽车产业从 “电动化” 向 “智能化” 跃迁的关键拐点，单一主体的能力边界已难以应对智能驾驶的全链条挑战 —— 传统车企强于制造与供应链，但缺乏 AI 算法迭代与数据闭环能力；纯科技公司长于技术研发，却难以突破硬件协同与规模化落地的壁垒。正是基于这一行业痛点，吉利汽车与千里科技构建了 “制造筑基 + 科技赋能” 的深度协同生态，其核心价值不仅在于资源互补，更在于打造了 “技术研发 - 车型落地 - 数据反哺 - 迭代优化” 的商业闭环，这一模式恰好填补了当前智能驾驶市场 “两头难” 的空白。
从战略纵深看，双方合作具备三重不可替代性：其一，吉利通过满江红架构持有千里科技股权，并非简单的资本合作，而是深度介入技术路线决策，确保智能驾驶系统与吉利车型的硬件特性（如底盘结构、传感器布局）高度适配，避免 “第三方技术适配难、迭代慢” 的行业通病；其二，千里科技引入奔驰、重庆政府等战略股东，为合作注入国际视野与政策资源 —— 奔驰的欧洲市场经验可帮助吉利突破海外法规壁垒（如欧盟 WVTA 认证、GDPR 数据合规），重庆的智能网联政策则为 Robo-Taxi 落地提供测试场景与基础设施支持；其三，“双轮驱动” 模式（制造业维持造车资质与产能，科技业务聚焦智驾 / 智舱 / Robo-Taxi）实现了 “短期盈利保障” 与 “长期技术投入” 的平衡，避免了纯科技公司 “烧钱换规模” 或传统车企 “保守错失机遇” 的困境。
从行业对比看，这种合作模式优于两类主流路径：一是 “车企自研”（如特斯拉），虽掌控全链条，但研发投入巨大、周期长，且易陷入 “制造思维” 限制技术创新；二是 “科技公司外包”（如部分车企与百度合作），虽短期降低成本，但技术迭代受制于第三方，难以形成差异化竞争力。而吉利与千里科技的 “深度绑定 + 双轮驱动”，既保留了科技公司的创新活力，又依托车企的制造与市场规模实现技术快速变现，是当前阶段更具性价比的战略选择。
二、技术路线与产品迭代规划：拆解智能驾驶的核心技术矛盾
（一）三层技术架构：平衡 “先进性” 与 “落地性” 的底层设计
千里科技为吉利打造的 “芯片算法 - 预控传感器 - 制价滞仓” 三层架构，并非简单的技术堆叠，而是针对智能驾驶 “算力需求与成本控制”“感知精度与环境适应性”“功能覆盖与用户体验” 三大核心矛盾的解决方案.
底层：芯片与算法层 —— 破解 “算力依赖与供应链安全” 的矛盾采用 “国际主流芯片 + 国内芯片深度合作” 的双轨策略，背后是对行业趋势的深度判断：当前高阶智能驾驶（L3+）对算力需求呈指数级增长（如 L4 级需 1000TOPS 以上算力），英伟达 Orin 等国际芯片仍是短期最优选择；但长期来看，地缘政治风险与供应链成本压力下，国内芯片替代是必然趋势。因此，双方提前与国内头部芯片厂商联合研发适配车型的专用芯片，既避免了 “卡脖子” 风险，又通过 “定制化” 降低芯片冗余算力（如针对吉利车型的传感器数量优化算力分配），单台车芯片成本预计可降低 15%-20%。同时，融合旷视 AI 视觉基因，重点优化 “小样本学习” 算法 —— 在数据量不足的长尾场景（如极端天气、特殊交通参与者），通过迁移学习提升模型泛化能力，破解智能驾驶 “数据越多越优，但长尾场景数据难获取” 的行业难题。
中层：预控与传感器层 —— 平衡 “感知精度与成本可控” 的矛盾“自研预控算法 + 合作传感器” 的模式，核心是抓住 “预控算法是灵魂，传感器是基础” 的本质：预控算法自主研发，可根据吉利车型的动力响应特性（如电机扭矩、制动距离）优化控制策略，例如在拥堵路况下，通过调整油门开度与刹车频率，使驾驶平顺性提升 30%（用户调研数据）；传感器采取合作模式，并非单纯采购，而是与博世、Mobileye 等厂商联合定义传感器参数（如激光雷达的探测距离、摄像头的动态范围），确保硬件与自研算法的兼容性，避免 “第三方传感器参数不匹配导致算法性能折损” 的问题。此外，通过 “多传感器融合” 技术（激光雷达 + 摄像头 + 毫米波雷达），在单一传感器失效时（如暴雨天气摄像头模糊），仍能保障感知精度，这是应对复杂路况的关键设计。
顶层：制价滞仓与 Robo-Taxi 一体化 —— 打通 “L2-L4” 的技术鸿沟“含模量从 30% 提升至 80%” 的核心目标，并非单纯追求 “模型规模”，而是为了实现 “L2-L4 架构统一”—— 当前行业普遍存在 “L2 用传统规则算法，L4 用大模型算法” 的割裂问题，导致技术迭代时需重构系统，成本高、周期长。而千里科技通过提升含模量，将大模型算法逐步渗透至 L2 级功能（如 NOA），未来升级 L4 级时仅需扩展模型能力，无需重构架构，可将技术迭代周期缩短 50%。
同时，数据闭环的构建是这一层的关键支撑：吉利车型的实际行驶数据（如驾驶行为、路况信息）通过车联网上传至千里科技平台，经标注后用于模型训练，再通过 OTA 推送至车辆，形成 “数据 - 模型 - 产品 - 数据” 的闭环。这一闭环的核心难点在于 “数据质量”—— 并非所有数据都有价值，需通过算法筛选 “高价值数据”（如极端场景、用户接管场景），目前千里科技已实现 “高价值数据筛选率提升至 20%”，大幅降低标注成本。
（二）产品版本迭代：聚焦 “用户体验” 与 “技术突破” 的双轮驱动
当前 6.7 版本：从 “功能可用” 到 “体验优秀” 的跨越基于 2500 万参数量模型的迭代，核心突破在于 “脱困能力”—— 这是智能驾驶从 “实验室” 走向 “真实路况” 的关键。此前行业内的 NOA 功能多在高速路等简单场景表现良好，但在拥挤道路、极窄车位等复杂场景下易触发用户接管，本质是 “模型对极端场景的泛化能力不足”。6.7 版本通过 “世界模型模拟交互” 技术，在仿真平台中模拟 10 万 + 种极端场景（如车辆加塞、行人横穿马路、狭窄巷道会车），让模型提前 “学习” 应对策略，实车测试中用户接管率降低 30%。例如在成都市区的早晚高峰测试中，该版本可成功识别 “非机动车逆行” 并提前减速避让，这是传统规则算法难以实现的。此外，OTA 推送的节奏设计（先极客系列、后领克 / 银河），体现了 “小众车型验证 - 大众车型推广” 的谨慎策略，避免大规模推送出现问题，这是平衡 “技术落地速度” 与 “用户体验安全” 的关键。
未来迭代：端到端与 VRV 技术的战略意义选择 “端到端” 与 “VRV” 作为核心方向，是基于对智能驾驶技术趋势的深度判断：传统 “感知 - 决策 - 控制” 分阶段架构，存在 “信息损耗多、决策链条长” 的问题，在毫秒级响应的紧急场景（如突发障碍物）易错失时机；而端到端技术直接将原始感知数据（图像、激光雷达点云）映射为车辆控制指令，减少中间环节，可将决策响应速度提升 20%。但端到端技术的难点在于 “可解释性”—— 模型决策过程难以追溯，一旦出现问题难以排查，而 VRV 技术（视觉参考验证）恰好解决这一问题：通过视觉识别交通标识、路面标线等 “参考物”，验证端到端模型的决策是否合理，既保留端到端的高效性，又提升安全性。这一组合与英伟达在 2026 CES 展示的 “视觉驱动智能驾驶” 趋势高度契合，说明双方的技术路线已与全球头部玩家同步，避免了 “技术路线落后” 的风险。
三、业务落地与市场布局：解析规模化与商业化的底层逻辑
（一）乘用车智能驾驶配套：以 “规模效应” 摊薄技术成本
100 万台交付目标的战略价值2026 年实现 100 万台搭载智能驾驶系统的车型交付，并非单纯的 “销量目标”，而是为了通过规模效应降低单位成本 —— 智能驾驶系统的核心成本（芯片、激光雷达、算法授权）中，固定成本占比高（如算法研发投入），规模越大单位分摊成本越低。以激光雷达为例，当前单台激光雷达成本约 5000 元，若年采购量达 100 万台，可通过与供应商议价将成本降至 3500 元以下，单台车智能驾驶系统成本降低 15%。同时，100 万台的规模意味着 “数据采集量的指数级增长”—— 每台车每天可产生约 100GB 的行驶数据，100 万台车辆每年可产生 3.6PB 的数据，这些真实路况数据将反哺模型迭代，进一步提升智能驾驶性能，形成 “规模 - 成本 - 数据 - 性能” 的正向循环。
Turkey 模式的商业逻辑“公允价值结算的 Turkey 模式”（软硬件一体化解决方案），本质是解决 “技术价值量化” 的难题 —— 若单独收取软件费用，用户对 “智能驾驶值多少钱” 认知模糊；若单独销售硬件，难以体现算法的核心价值。而一体化解决方案将 “芯片 + 传感器 + 算法 + 服务” 打包定价，既符合用户对 “硬件可见” 的认知习惯，又能通过 “功能体验”（如 NOA、记忆泊车）让用户感知技术价值。例如，极客系列车型搭载的智能驾驶系统，一体化解决方案定价 1.8 万元，用户接受度达 40%（高于行业平均水平 15%），既保障了千里科技的研发回报，又为吉利车型提升了溢价能力（极客系列车型均价较同级别非智能车型高 3 万元）。
（二）Robo-Taxi 业务：破解 “规模化” 与 “盈利性” 的矛盾
18 个月 1000 台目标的落地逻辑选择 “川渝地区先行 + 18 个月 1000 台” 的节奏，并非盲目扩张，而是基于 “场景适配 + 资源协同” 的深度考量：川渝地区是国内智能网联政策最开放的区域（如重庆允许无安全员 Robo-Taxi 上路），且人口密度高（成都、重庆常住人口均超 2000 万），可快速积累订单数据；同时，依托曹操出行的运营网络（川渝地区拥有超 1000 个场站、2 万台运营车辆），无需新建基础设施，可将车辆投放成本降低 30%。1000 台的规模设计，是平衡 “数据采集” 与 “成本控制” 的关键 —— 规模过小（如 100 台）难以覆盖多样化场景，规模过大（如 5000 台）则运营成本（车辆维护、人力监管）过高。此外，“初期技术服务费 + 后期利润分成” 的盈利路径，符合 Robo-Taxi 的商业规律：初期阶段，用户对 Robo-Taxi 接受度低、订单量少，收取技术服务费可保障基本收益；待订单量突破 2000 单 / 日、运营成本摊薄后，利润分成可实现更高收益（预计分成比例 20%-30%，单台车年收益可达 5 万元）。
Robot X 车型的成本控制逻辑基于 “基础线控平台开发标准车型”，核心是避免 “定制化研发导致成本失控”—— 当前行业内部分 Robo-Taxi 车型为追求性能采用定制化线控底盘，单台车成本超 50 万元，难以规模化。而吉利的 SEA 浩瀚线控平台已实现量产，基于该平台开发 Robot X 车型，可共享底盘零部件（如转向系统、制动系统），单台车成本控制在 30 万元以内（低于行业平均水平 15%）。同时，简化座舱功能（如取消冗余的物理按键、采用极简内饰）进一步降低成本，且符合 Robo-Taxi “无人化” 的未来趋势。2026 年依托现有车型测试，2027 年初试运行的节奏，既参考了特斯拉 Robotaxi 的研发进度（预计 2027 年量产），又避免了 “技术未成熟即商业化” 的风险，确保试运营阶段的安全性与用户体验。
（三）国际市场拓展：突破 “法规壁垒” 与 “场景适配” 的挑战
奔驰资源的核心价值借力奔驰拓展欧洲市场，并非单纯的 “渠道合作”，而是突破 “法规与认证” 的关键 —— 欧盟对智能驾驶的监管全球最严，WVTA 认证（整车型式批准）需通过 58 项测试（如碰撞安全、电磁兼容），且 GDPR 要求用户数据不得出境，这对依赖数据闭环的智能驾驶技术是重大挑战。奔驰作为欧洲本土车企，拥有成熟的 WVTA 认证经验，可帮助吉利车型缩短认证周期（从 24 个月缩短至 18 个月）；同时，奔驰的本地数据中心可存储欧洲用户数据，满足 GDPR 合规要求，确保数据闭环在欧洲市场的落地。此外，奔驰的品牌影响力可提升吉利车型在欧洲的用户接受度，预计智能驾驶车型在欧洲的销量占比可达 30%（高于非智能车型 10%）。
“one state one platform” 的底层逻辑打造全球化智能驾驶平台，核心是解决 “多区域适配成本高” 的问题 —— 不同国家的法规（如美国要求自动紧急制动功能，东南亚要求摩托车识别）、路况（如欧洲窄路多，北美高速路长）差异巨大，若针对每个区域单独研发平台，成本将增加 200% 以上。而 “one state one platform” 通过 “模块化设计” 实现适配：平台核心算法（如端到端模型）保持统一，针对不同区域开发 “功能模块”（如欧洲的窄路通行模块、东南亚的摩托车识别模块），无需重构系统，适配成本降低 60%。例如，面向东南亚市场，仅需在现有平台中添加 “暴雨天气感知模块” 与 “摩托车轨迹预测模块”，即可满足当地需求，大幅缩短车型出海周期。
四、研发团队与资源保障：构建 “创新” 与 “落地” 的协同机制
（一）全栈式团队：平衡 “前沿研发” 与 “工程交付” 的能力
2000 人研发团队（1500 人主力）的构成，并非简单的 “人员堆砌”，而是针对智能驾驶 “技术复杂度高、落地周期长” 的特点设计的：
核心 leadership 团队的 “黄金组合”
应奇（AI 技术）、包毅（资本战略）、王军军（工程落地）的分工，覆盖了 “技术研发 - 资源整合 - 量产交付” 全链条，避免了 “技术脱离市场”（如纯技术团队忽视成本）或 “落地忽视创新”（如纯工程团队保守迭代）的问题。例如，在 6.7 版本研发中，应奇团队负责提升模型脱困能力，王军军团队负责适配吉利车型硬件，包毅团队协调芯片供应商保障算力，三方协同使版本提前 2 个月落地。
“大模型团队 + 工程团队” 的协作机制
CTO 杨木带领的 300 人大模型团队聚焦 “科学问题”（如世界模型、端到端算法），工程团队聚焦 “落地问题”（如车型适配、OTA 推送），这种分工既保障了前沿技术的突破，又确保了技术快速转化为产品能力。例如，大模型团队研发的 “极端场景处理算法”，工程团队通过调整吉利车型的传感器触发阈值（如激光雷达的探测距离从 200 米调整至 250 米），使算法在实车中性能提升 25%。
从行业对比看，这种团队架构优于两类模式：一是 “重研发轻工程”（如部分科技公司），虽技术领先，但落地周期长（如算法研发完成后 6 个月才能适配车型）；二是 “重工程轻研发”（如部分传统车企），虽落地快，但技术迭代慢（如 L2 级功能 2 年才升级一次）。而吉利与千里科技的团队架构，实现了 “研发 3 个月 + 落地 3 个月” 的高效节奏，符合智能驾驶 “快速迭代” 的行业需求。
（二）资源协同：保障 “控制权” 与 “创新力” 的平衡
股权结构的战略考量当前持有子公司 60% 股权并计划提升至 70% 以上，核心是为了 “掌控技术路线”—— 智能驾驶是汽车产业的未来核心竞争力，若对技术供应商的控制权不足，可能导致技术路线与车企需求背离（如供应商优先适配其他车企车型）。例如，若千里科技同时为多家车企提供服务，可能将吉利的核心数据（如车型硬件参数、用户驾驶习惯）共享给竞争对手，损害吉利利益。而 60% 的持股比例（绝对控制权）可确保吉利主导技术研发方向（如优先适配吉利车型、优先推送吉利 OTA 升级），同时明确 “不影响千里科技独立性”，避免过度干预导致研发团队流失，这是平衡 “控制权” 与 “创新力” 的关键。数据与仿真工具的核心价值数据闭环与仿真测试工具链，并非 “辅助工具”，而是 “技术迭代的核心引擎”：
数据闭环的 “质量把控”
并非所有数据都能用于训练，需通过算法筛选 “高价值数据”（如用户接管场景、极端天气场景），目前千里科技的 “数据筛选算法” 可将高价值数据比例提升至 20%，大幅降低标注成本（标注 1TB 高价值数据成本约 50 万元，低于行业平均水平 30%）。同时，针对吉利不同车型的数据（如极客系列的纯电数据、领克系列的混动数据），进行分类训练，使模型更适配各车型的动力特性。
仿真测试的 “场景覆盖”
仿真平台可模拟 10 万 + 种场景，远超实车测试的场景覆盖范围（实车一年仅能测试约 1 万种场景），且测试成本仅为实车的 1/100（如模拟暴雨场景成本 500 元，实车测试成本 5 万元）。此外，通过 “数字孪生” 技术，将吉利车型的物理参数（如重量、动力响应）1:1 映射到仿真平台，确保测试结果与实车高度一致（误差率低于 5%），避免 “仿真表现好、实车表现差” 的行业通病。
五、面临的挑战与未来展望：把握行业趋势，突破发展瓶颈
（一）当前面临的核心挑战
成本控制挑战：线控平台标准化与车型适配的平衡难题Robot X 车型的成本控制面临双重压力：一方面，需基于吉利 SEA 浩瀚平台实现标准化，以降低零部件采购成本；另一方面，不同城市的 Robo-Taxi 场景需求差异（如成都市区需窄车身车型，重庆山区需高底盘车型），又要求车型进行一定程度的定制化，导致标准化与定制化的矛盾。若过度标准化，可能无法满足部分场景需求；若过度定制化，又会推高成本（定制化车型成本可能增加 20%）。
同时，智能驾驶系统的核心硬件（如激光雷达、高算力芯片）价格虽呈下降趋势，但 L4 级所需的多传感器配置（如 5 个激光雷达、12 个摄像头）仍使单台车硬件成本超 2 万元，若规模不及预期，成本摊薄难度较大。
市场竞争挑战：差异化优势与技术迭代速度的博弈智能驾驶赛道已进入 “群雄逐鹿” 阶段：百度凭借 Apollo 的先发优势，在 Robo-Taxi 领域已实现 10 城运营；小鹏依托全栈自研，在 L2 + 级市场的用户渗透率达 35%；华为凭借 “鸿蒙生态 + 智选模式”，快速拓展车企合作。吉利与千里科技的核心优势在于 “制造 + 科技” 的协同，但如何将这一优势转化为用户可感知的差异化体验（如更适配家庭用户的安全功能、更适配商务用户的舒适功能），仍需进一步探索。同时，技术迭代速度日益加快（如端到端技术的突破周期从 2 年缩短至 1 年），若研发投入不足（当前研发投入占比约 15%，低于百度的 20%），可能导致技术路线落后，丧失市场竞争力。
合规与股权挑战：海外法规适配与小股东利益平衡的双重考验海外拓展面临复杂的合规环境：欧盟 GDPR 要求用户数据本地化存储，导致千里科技的全球数据闭环难以直接应用，需在欧洲建设独立数据中心（成本约 1 亿元）；美国对智能驾驶的 “算法透明度” 要求（需公开决策逻辑），与端到端技术的 “黑箱特性” 存在冲突，可能限制技术在北美市场的应用。
此外，未来提升对子公司持股比例时，需平衡小股东利益：若股权转让定价过高，可能引发小股东质疑；若定价过低，又可能损害上市公司利益。同时，港股上市后的数据披露要求（如定期披露子公司盈利情况），可能增加业务透明度，导致核心技术（如算法参数、数据闭环逻辑）面临泄露风险。
（二）未来展望：从 “技术落地” 到 “生态引领” 的跨越
短期（2026-2027 年）：夯实规模化落地基础
技术层面
完成 6.7 版本的全车型 OTA 覆盖，端到端技术初步落地 L3 级功能，使智能驾驶系统的接管率降至 0.5 次 / 万公里以下；构建欧洲本地化数据闭环，满足 GDPR 合规要求。
业务层面
实现 100 万台智能驾驶车型交付，Robo-Taxi 在川渝地区的日均订单量突破 2000 单，完成 Robot X 车型的小批量试生产；吉利银河系列在欧洲市场的交付量突破 1 万台，智能驾驶功能成为核心卖点。
成本层面
通过规模效应将智能驾驶系统单台车成本降低 15%，Robot X 车型成本控制在 30 万元以内，Robo-Taxi 运营成本降至 1.5 元 / 公里以下。
中期（2028-2030 年）：构建差异化竞争壁垒
技术层面
含模量提升至 80% 以上，实现 L4 级智能驾驶在高速路、城市快速路的规模化应用；VRV 技术成熟落地，解决端到端算法的可解释性问题，接管率降至 0.1 次 / 万公里以下（行业领先水平）。
业务层面
Robo-Taxi 拓展至 10 个核心城市，车队规模突破 5000 台，实现商业化盈利（年营收超 10 亿元）；“one state one platform” 平台覆盖全球主要市场，吉利海外智能驾驶车型销量占比提升至 40%。
生态层面
吸引 20 家以上车企 / 科技公司加入智能驾驶联盟，共享数据与技术资源；形成 “智能驾驶研发 - 车型量产 - Robo-Taxi 运营 - 数据反哺” 的商业闭环，生态营收占比提升至 30%。
长期（2030 年后）：引领全球智能驾驶生态
依托 “AI + 汽车” 的深度融合，吉利成为全球智能汽车头部品牌，千里科技成为全球领先的智能驾驶解决方案提供商；Robo-Taxi 业务实现跨城市运营，年营收超 50 亿元，成为吉利新的利润增长点；将智能驾驶技术延伸至智能物流、矿区运输等场景，构建基于AI的 “车 - 路 - 云 - 人” 一体化的智能出行生态，推动全球汽车产业从 “交通工具制造” 向 “智能出行服务” 转型，实现 “改变人类出行方式” 的长期愿景。
