伴随生成式AI浪潮的火热以及马斯克访华，市场对特斯拉FSD进展、生成式AI对自动驾驶可能影响等关注度持续提升。特斯拉自动驾驶采用纯视觉方案，具备更优的经济性、可扩展性，但在复杂城市路段的规划与决策能力等不够成熟，特斯拉提出基于大语言模型的World Model以解决上述问题，并在今年的CVPR上进行了初步演示，以期望使用一个通用解来解决自动驾驶领域内遇到的所有问题。但目前这个方案技术尚未成熟，仍需要一定时间迭代。中短期维度，特斯拉的生成式World Model可以被当作一种仿真工具来模拟自动驾驶运行时的场景，尤其是去解决实车运行时很难收集到的Corner Case数据。长期维度，World Model更有潜力的应用方向是成为像GPT一样的自动驾驶领域的基础模型。特斯拉主导的World Model的研究在中短期内有望继续降低FSD成本，提高用户付费率，在中长期维度可能重新统一目前自动驾驶领域的研究范式，并成为自动驾驶领域的“ChatGPT模型”。
　　▍报告缘起：市场关注特斯拉FSD最新进展，以及本轮生成式AI浪潮对其的潜在影响。上半年AI浪潮的火热以及马斯克访华，市场对特斯拉FSD的技术落地速度关注度明显提高。目前最新版本的FSD迭代至V11.4.4 Beta版本，马斯克在6月27日的推特回复中表示：将在V12版本中移除版本标号中的Beta字样并以正式版本发布。随着今年以ChatGPT为代表的语言模型AI技术爆火，市场对特斯拉FSD的技术进展速度有了更加乐观的估计，但是目前市场对特斯拉的自动驾驶技术离它的“ChatGPT时刻”还有多远，以及生成式AI带来的可能影响等，仍存在一定分歧。本篇报告将围绕目前特斯拉FSD的进展状况以及本轮生成式AI浪潮将会如何影响自动驾驶的技术路线展开详细解析。
　　▍特斯拉FSD现状：牢牢占据业内领先位置。特斯拉自动驾驶采用纯视觉方案，具备更优的经济性、可扩展性。从整车厂和RoboTaxi厂商的产品对比来看，可以看出特斯拉目前可以做到自动驾驶硬件、软件系统、应用算法等全栈式自研。自动驾驶在算法层面可以分为感知到规划、决策、仿真，特斯拉在自动驾驶领域中的软件算法，通过依托数据&神经网络，逐渐构建了感知、规划算法、仿真训练的完整体系。其中尤其在感知层，特斯拉着重通过BEV、Transformer、时间戳、Occupancy等新技术努力缩小与多传感器方案间的差距。总体而言，特斯拉算法设计基于第一性原理，借助BEV视觉算法与栅格网络实现三维空间鸟瞰视图构建，并融入时间序列特征，极大程度拉近了与激光雷达方案间的差距，并以其更低的成本带来了良好的商业化前景。但目前特斯拉的FSD在DMV(美国机动车辆管理局)的注册仍然只是L2级别的辅助驾驶工具，不允许脱手使用，距离其宣传的Full Self-Driving(完全自动驾驶)仍有一定的距离。限制FSD向更高级别自动驾驶迈进的主要因素主要是其在复杂城市路段的规划与决策能力不够成熟，以及纯视觉方案在面对极端天气时的抵抗能力较差。
　　▍特斯拉FSD的“ChatGPT时刻”：道路渐明，但仍需等待。我们认为“ChatGPT时刻”的成功有两个必备条件：长时间的技术积累与直接面向终端用户的产品。这两点我们都能在特斯拉FSD中发现，特斯拉从2016年开始步入自动驾驶领域，已经有了7年的自动驾驶技术积累；同时特斯拉拥有庞大的车辆保有量，可以通过所有车主免费试用FSD1个月等方式将产品积累反馈给所有用户。市场的关注点在于本轮AI浪潮能否加速特斯拉自动驾驶技术的积累过程。关于这点，特斯拉在2023年CVPR上对如何构建适用于图片以及视频的生成式模型给出了一个解法：通过自动驾驶车辆采集大量的实景视频数据，利用Diffusion等生成模型去构建虚拟的未来场景与真实场景对比，来构建模型的损失函数（Loss Function）。通过这种模式辅以自动数据标注就可以对生成式模型进行训练，直观来理解，模型必须不断判断各种复杂场景中下一刻将会发生的事情（行人对车辆的规避动作、其他驾驶员的反应等）并与真实场景进行对照，从而不断完善自身的预测能力。特斯拉将这一模型命名为World Model，相比于之前自动驾驶各部分各自采用独立算法再融合的模式，特斯拉这一构想更靠近使用一个通用解来解决自动驾驶领域内遇到的所有问题。但整体来看，自动驾驶与“ChatGPT时刻”的距离仍在于技术不够成熟，自动驾驶需要解决的是一个多模态融合的问题，比GPT-4面对的问题更加复杂。而自动驾驶是一个混合了图片&视频理解、语义理解、感知融合、规划决策等的综合性复杂任务，解决难度远大于纯文字模态的任务。中短期看特斯拉的生成式World Model可以被当作一种仿真工具来模拟自动驾驶运行时的场景，尤其是去解决实车运行时很难收集到的Corner Case数据。从长期来看，World Model更有潜力的应用方向是会成为像GPT一样的自动驾驶领域的基础模型，其他自动驾驶领域的具体任务都会围绕这个基础模型而构建。虽然在技术成熟度上还需要打磨，但特斯拉提出了一个可以整合子领域内研究范式的框架。
　　▍Wor

研究报告全文：大语言模型LLM将如何影响特斯拉自动驾驶FSD特斯拉TSLAOQ深度跟踪报告202383中信证券研究部核心观点伴随生成式AI浪潮的火热以及马斯克访华市场对特斯拉FSD进展生成式AI对自动驾驶可能影响等关注度持续提升特斯拉自动驾驶采用纯视觉方案具备更优的经济性可扩展性但在复杂城市路段的规划与决策能力等不够成熟特斯拉提出基于大语言模型的WorldModel以解决上述问题并在今年的CVPR上进行了初步演示以期望使用一个通用解来解决自动驾驶领域内遇到的所有问题但目前这个方案技术尚未成熟仍需要一定时间迭代中短期陈俊云维度特斯拉的生成式WorldModel可以被当作一种仿真工具来模拟自动驾前瞻研究首席驶运行时的场景尤其是去解决实车运行时很难收集到的CornerCase数据分析师长期维度WorldModel更有潜力的应用方向是成为像GPT一样的自动驾驶S1010517080001领域的基础模型特斯拉主导的WorldModel的研究在中短期内有望继续降低FSD成本提高用户付费率在中长期维度可能重新统一目前自动驾驶领域的研究范式并成为自动驾驶领域的ChatGPT模型报告缘起市场关注特斯拉FSD最新进展以及本轮生成式AI浪潮对其的潜在影响上半年AI浪潮的火热以及马斯克访华市场对特斯拉FSD的技术落地速度关注度明显提高目前最新版本的FSD迭代至V1144Beta版本马斯克在6月27日的推特回复中表示将在V12版本中移除版本标号中的Beta字许英博样并以正式版本发布随着今年以ChatGPT为代表的语言模型AI技术爆火科技产业首席市场对特斯拉FSD的技术进展速度有了更加乐观的估计但是目前市场对特斯分析师拉的自动驾驶技术离它的ChatGPT时刻还有多远以及生成式AI带来的可S1010510120041能影响等仍存在一定分歧本篇报告将围绕目前特斯拉FSD的进展状况以及本轮生成式AI浪潮将会如何影响自动驾驶的技术路线展开详细解析特斯拉FSD现状牢牢占据业内领先位置特斯拉自动驾驶采用纯视觉方案具备更优的经济性可扩展性从整车厂和RoboTaxi厂商的产品对比来看可以看出特斯拉目前可以做到自动驾驶硬件软件系统应用算法等全栈式自研自动驾驶在算法层面可以分为感知到规划决策仿真特斯拉在自动驾驶领域中的软件算法通过依托数据神经网络逐渐构建了感知规划算法仿真高飞翔训练的完整体系其中尤其在感知层特斯拉着重通过BEVTransformer时前瞻研究分析师间戳Occupancy等新技术努力缩小与多传感器方案间的差距总体而言特S1010523060003斯拉算法设计基于第一性原理借助BEV视觉算法与栅格网络实现三维空间鸟瞰视图构建并融入时间序列特征极大程度拉近了与激光雷达方案间的差距并以其更低的成本带来了良好的商业化前景但目前特斯拉的FSD在DMV美国机动车辆管理局的注册仍然只是L2级别的辅助驾驶工具不允许脱手使用距离其宣传的FullSelf-Driving完全自动驾驶仍有一定的距离限制FSD向更高级别自动驾驶迈进的主要因素主要是其在复杂城市路段的规划与决策能力不够成熟以及纯视觉方案在面对极端天气时的抵抗能力较差特斯拉FSD的ChatGPT时刻道路渐明但仍需等待我们认为ChatGPT时刻的成功有两个必备条件长时间的技术积累与直接面向终端用户的产品这两点我们都能在特斯拉FSD中发现特斯拉从2016年开始步入自动驾驶领域已经有了年的自动驾驶技术积累同时特斯拉拥有庞大的车辆保有量7可以通过所有车主免费试用FSD1个月等方式将产品积累反馈给所有用户市场的关注点在于本轮AI浪潮能否加速特斯拉自动驾驶技术的积累过程关于这点特斯拉在2023年CVPR上对如何构建适用于图片以及视频的生成式模型给出了一个解法通过自动驾驶车辆采集大量的实景视频数据利用Diffusion等生成模型去构建虚拟的未来场景与真实场景对比来构建模型的损失函数LossFunction通过这种模式辅以自动数据标注就可以对生成式模型进行训练直观来理解模型必须不断判断各种复杂场景中下一刻将会发生的事情行人对车辆的规避动作其他驾驶员的反应等并与真实场景进行对照从而不断完善自身的预测能力特斯拉将这一模型命名为WorldModel相比于之前自动驾驶各部分各自采用独立算法再融合的模式特斯拉这一构想更靠近使证券研究报告请务必阅读正文之后第19页起的免责条款和声明特斯拉深度跟踪报告TSLAOQ202383用一个通用解来解决自动驾驶领域内遇到的所有问题但整体来看自动驾驶与ChatGPT时刻的距离仍在于技术不够成熟自动驾驶需要解决的是一个多模态融合的问题比GPT-4面对的问题更加复杂而自动驾驶是一个混合了图片视频理解语义理解感知融合规划决策等的综合性复杂任务解决难度远大于纯文字模态的任务中短期看特斯拉的生成式WorldModel可以被当作一种仿真工具来模拟自动驾驶运行时的场景尤其是去解决实车运行时很难收集到的CornerCase数据从长期来看WorldModel更有潜力的应用方向是会成为像GPT一样的自动驾驶领域的基础模型其他自动驾驶领域的具体任务都会围绕这个基础模型而构建虽然在技术成熟度上还需要打磨但特斯拉提出了一个可以整合子领域内研究范式的框架WorldModel有望推动FSD商业化成本不断下移特斯拉FSD的商业化目前遇到了一定困境即使成本已经低于激光雷达方案但渗透率在低端车型上仍难以提升TroyTeslike数据显示22Q3特斯拉FSD全球渗透率约74较2019Q4高峰时期357的渗透率降低约28pcts较一年前2021Q3降低约2pcts主要原因是Model3ModelY等价格较低车型的销量占比持续提升按不同车型来看以FSD渗透率最高的北美地区来看高端车型ModelSModelXFSD渗透率2022Q3渗透率约448远高于同期Model352的渗透率远高于同期ModelY143的渗透率随着2022年下半年特斯拉开启降价策略Model3Y的用户群体开始下沉对FSD等附加功能的需求也不断下降对于Model3Y的用户群而言目前收费15000美元的L2FSD附加服务仍然过于昂贵特斯拉可能在2023年继续其降价策略而这将会伴随着客户群体的进一步下沉如何提升Model3Y的FSD付费率将会是FSD目前阶段商业化的主要问题目前特斯拉着力研究的WorldModel生成式模型将会帮助FSD继续降低成本目前FSD模型层的大量成本用在了车道线标注道路语义信息标注等标注环节而这部分工作量可以被WorldModel大量取代通过进一步降低模型成本以匹配售价从而重新吸引Model3Y的车主群体风险因素自动驾驶汽车出现严重安全事故导致估值波动的风险自动驾驶政策落地进展不及预期的风险人工智能技术发展低于预期等风险公司柏林奥斯汀工厂进展不达预期的风险等公司动力电池供应商产能不足的风险电网负荷不足的风险投资建议目前特斯拉全球市场累计销量已超过300万辆汽车软件的组合正推动特斯拉的竞争壁垒业务空间盈利能力不断拓展提升而自动驾驶作为特斯拉长周期竞争优势产品差异性的核心来源依托芯片算法数据的一体化融合以及核心环节的创新性理论技术壁垒叠加纯视觉路线带来的理想扩展性和商业化经济性我们判断特斯拉有望在该领域实现持续引领并进而在全球电动车市场持续处于主导地位特斯拉目前在自动驾驶厂商横向比较中表现出了更好的对AI技术的敏感度其主导的WorldModel的研究在中短期内有望继续降低FSD成本提高用户付费率在中长期维度可能重新统一目前自动驾驶领域的研究范式并成为自动驾驶领域的ChatGPT模型我们对公司前景保持乐观态度维持公司2023-2025年101013111808亿美元的营业收入预测并维持公司2023-2025年114186281亿美元的Non-GAAP净利润预测公司当前股价对应2023-2025年PENon-GAAP分别为73x44x30x我们持续看好特斯拉在中长期维度通过自动驾驶带来的差异化投资价值项目年度202120222023E2024E2025E营业收入百万美元5382381462101009131074180822营业收入增长率YoY70675135240029763795毛利润百万美元1360620853190962842442398毛利率253256189217234GAAP净利润百万美元551912556100381703525741增长率YoY665128-207051Non-GAAP净利润百万764014116113771864428075美元增长率YoY21185-196451PENon-GAAP10859734430资料来源Wind中信证券研究部预测注股价为2023年8月1日收盘价请务必阅读正文之后的免责条款和声明2特斯拉深度跟踪报告TSLAOQ202383目录报告缘起5特斯拉FSD牢牢占据业内领先位置6自动驾驶ChatGPT时刻道路渐明但仍需等待10WorldModel有望推动FSD商业化成本不断下移15风险因素17投资策略17请务必阅读正文之后的免责条款和声明3特斯拉深度跟踪报告TSLAOQ202383插图目录图16月27日马斯克的推文中明确表示V12将为正式版5图2特斯拉在试卷算法领域依托Transformer实现2D像3D转换7图3特斯拉决策树单次搜索时间降到了100us9图4复杂场景下加入约束条件后取最优的方法效率过低9图5特斯拉展示了规划算法最终如何在栅格网络生成的3D空间中运作9图6加州DMV于2022年7月起诉特斯拉在其FSD的能力上误导消费者10图7从2017年到2022年模型参数量增加了5000倍11图8Prompt简化了使用端接口是更好的产品思维11图9特斯拉在CVPR2023上针对生成式模型在自动驾驶中的应用进行了分享12图10图片在经过算法编码后的信息密度极低13图11文字在编码后仍能保持较高的信息密度13图12特斯拉提出通过生成式AI构建一个世界模型13图13丰富的车辆实测数据是特斯拉能构建WorldModel的最主要优势14图14通过Prompt可以让WorldModel构建不同的自动驾驶场景进行模拟15图15市面上主流激光雷达价格仍然较高15图16FSD在全球各地区的付费率16图17FSD分车型付费率16图18FSD季度销量估算16表格目录表1主要车企及第三方技术公司的自动驾驶技术路线及传感器配置6表各企业自动驾驶芯片及软件自研情况26表3特斯拉盈利预测及估值17请务必阅读正文之后的免责条款和声明4特斯拉深度跟踪报告TSLAOQ202383报告缘起特斯拉作为全球整车厂自动驾驶中引领技术潮流的存在其推出的FSD一直坚持纯视觉的自动驾驶方案从2014年推出AutoPilot至今特斯拉的自动驾驶方案从底层硬件开始经历了五次大的版本迭代并伴随着功能的不断追加相比于目前主流的激光雷达视觉混合方案纯视觉自动驾驶方案因为其较低的成本更快的商业化盈利路径脱颖而出某种程度上特斯拉FSD的版本迭代进展代表着目前自动驾驶领域L3最快的商业化落地进度因此备受市场关注目前特斯拉最新版本的FSD迭代至V1144Beta版本马斯克在6月27日的推特回复中表示将在V12版本中移除版本标号中的Beta字样并以正式版本发布随着今年以ChatGPT为代表的大语言模型AI技术爆火市场对特斯拉FSD的技术进展速度有了更加乐观的期待部分激进的观点甚至表示大语言模型正在推动自动驾驶领域iPhone时刻的到来目前资本市场在相关核心问题上仍存在较多的疑惑和分歧本篇专题将主要围绕特斯拉FSD的最新进展以及本轮生成式AI浪潮究竟会从哪些方向影响自动驾驶的后续发展路线展开解析1目前特斯拉的自动驾驶技术FSD距离它的ChatGPT时刻还有多远2本轮火热的大语言模型技术将如何影响和改变自动驾驶技术路线图16月27日马斯克的推文中明确表示V12将为正式版资料来源马斯克推特截图请务必阅读正文之后的免责条款和声明5特斯拉深度跟踪报告TSLAOQ202383特斯拉FSD牢牢占据业内领先位置特斯拉技术路线纯视觉方案具备更优的经济性可扩展性系统稳定性等1特斯拉自2022年2月开始在所有北美销售车型上均取消了毫米波雷达开启纯视觉方案自动驾驶国内造车新势力蔚来小鹏理想均采用了摄像头雷达高精地图的方案以大众为例的传统车企当前采用摄像头雷达方案未来预计在部分车型搭载激光雷达2当前特斯拉实现了芯片和软件系统的全自研从整车厂和RoboTaxi厂商的产品对比来看可以看出特斯拉目前可以做到自动驾驶硬件软件系统应用算法等全栈式自研表1主要车企及第三方技术公司的自动驾驶技术路线及传感器配置特斯拉蔚来小鹏理想华为waymocruise大众比亚迪摄像头摄像头摄像头摄像头摄像头摄像头摄像头摄像头自动驾驶技术路线纯视觉雷达雷达雷达雷达雷达雷达雷达雷达摄像头有有有有有有有有有毫米波雷达无有有有有有有有有超声波雷达无有有有有NANA有有激光雷达无有有有有有有暂无暂无使用高精地图否是是是是是是否是未来计划依赖高精否NA否NA否NANANANA地图资料来源各公司官网中信证券研究部注自2022年2月起北美特斯拉新车不再配备毫米波雷达其他车辆可能配备毫米波雷达大众已与Innoviz于2022年8月签订合约未来车型可能配备激光雷达现有自动驾驶仅为L2级比亚迪已经申请激光雷达罩专利未来可能搭载激光雷达表2各企业自动驾驶芯片及软件自研情况特斯拉蔚来小鹏理想华为waymocruise大众比亚迪英伟达英伟达英伟达赛灵思英自动驾驶芯片自研昇腾610英特尔外部购买高通OrinOrinOrin伟达应用层算法自研自研自研自研自研自研自研自研中NAHuawei操作系统TeslaOSNVOSXmartOSLiOSNANAVWOSBYDOSAOS资料来源各公司官网中信证券研究部注大众与高通比亚迪与英伟达已签订合作协议但芯片尚未上车大众旗下软件公司Cariad正在开发自动驾驶软件特斯拉算法框架从感知到规划决策仿真感知层是纯视觉方案相比多传感器融合方案的劣势所在规划层是所有方案仍待解决的难题截至目前特斯拉在自动驾驶领域中的软件算法通过依托数据神经网络逐渐构建了感知规划算法仿真训练的完整体系在感知层特斯拉着重通过BEVTransformer时间戳Occupancynetwork等新技术努力缩小与多传感器方案间的差距在规划层效率与延时问题仍然是所有自动驾驶方案共同面临的难题而特斯拉目前通过其特有的数据驱动的轻量生成网络取得了一定的领先但距离成熟仍有一定距离我们将在后文中结合特斯拉在这几个领域最新的技术进展分析特斯拉的纯视觉技术方案的发展现状视觉感知算法BEV鸟瞰视图为核心技术被其他整车厂商争相模仿特斯拉在2021年的AIDay上正式宣布在算法端上引入BEVTransformer的算法组合以提高视觉感知的请务必阅读正文之后的免责条款和声明6特斯拉深度跟踪报告TSLAOQ202383精度Transformer是目前流行的AI大语言模型中的底层特征提取器特斯拉借鉴了其核心原理依托Transformer实现数据由2D向3D的转换通过在网络结构图中加入BEV空间转换技术获得鸟瞰视图1普通的摄像头采集到的数据为2D信息与现实中的3D空间差异较大对于实现自动驾驶能力仍具有一定差距特斯拉通过将车辆上的8个摄像头采用松耦合状态各个摄像头进行独立感知并将不同摄像头的感知结果通过滤波器或者其他技术进行拼接依托Transformer技术实现了2D信息向3D信息的转换实现了不同传感器之间的数据融合2在转换成3D信息后FSD软件算法在网络结构中引入BEV空间转换可以更好地帮助车辆构建起来空间理解能力进而得到鸟瞰图坐标系进而帮助车辆实现目标检测道路分割边缘检测等功能的输出目前特斯拉在2021推出的BEVTransformer的感知算法已经成为了行业标配小鹏理想蔚来等整车厂商纷纷跟进学习这一模式但随着特斯拉在BEV技术上的不断更新我们判断同类厂商在视觉感知领域距离特斯拉仍有1-2年的技术代差图2特斯拉在试卷算法领域依托Transformer实现2D像3D转换资料来源2021TeslaAIDay栅格网络BEV基础上持续更新保持行业领先地位2022年的AIDay上公布的OccupancyNetwork栅格网络是特斯拉在纯视觉感知方案上进一步的探索成果Occupancy并非是BEV鸟瞰图的替代品而是在BEV的基础上对高度方向进行了进一步扩展在增加了一个维度后Occupancy将BEV的2D栅格变为了3D进而生成了OccupancyFeatures代替BEVFeaturesOccupancy的视觉语义感知相比于激光雷达更有优势能够快速捕捉到感知范围内的异形物体并赋予其速度属性相比于激光雷达Occupancy不需要和相机做时间同步外参对齐等工作且其输出频率可以达到36Hz而大多数激光雷达的输出频率只有10Hz因此在高速环境或者对快速移动的物体感知纯视觉的Occupancy的性能可能会更强于激光雷达请务必阅读正文之后的免责条款和声明7特斯拉深度跟踪报告TSLAOQ202383图3Occupancy如何将2D的BEV转换为3D向量空间资料来源2022TeslaAIDay规划控制业内领先但距离成熟仍有一定距离规划与决策算法一直是自动驾驶算法中最复杂的部分要求在性能有限带宽算力内存等约束的车辆上低延迟做出高准确度的推理特斯拉的规划决策算法虽然尚未完美解决复杂的城市路况下的规划问题但也毫无疑问达到了业界领先水平特斯拉的决策算法基于其感知算法构建的向量空间借助增量树搜索来完成整体决策整个增量树搜索的过程又分为两个核心模块1决策树生成将前文中提到的车道线结果以及Occupancy生成的向量空间作为输入值预测空间内潜在的目标状态然后将这些目标进一步拆分成可能的轨迹动作最终与其他动态物体进行博弈得出最优行动对于传统方法这其中的难点在于计算时间的问题在复杂城市场景下加入约束条件后取全局最优的方法无法满足道路行驶过程中的及时性要求去年特斯拉在AIDay中提到了一种优化方法首先采用递增的方式不断加入新的约束用较少约束下最优方案作为初值继续求解更加复杂的优化问题最终得到最优解Tesla工程师提到这种方法虽然在离线进行了很多预生成并在在线做了并行优化然而每个候选路径15ms的计算时间虽然已经很优秀但对于尽可能遍历城市场景复杂还是不够快最终特斯拉使用了另一套数据驱动的轻量生成网络帮助快速生成规划路径这个数据驱动决策树生成模型使用Tesla车队中人类驾驶员驾驶数据和在无时间约束的离线条件下规划的全局最优路径作为真值进行训练能够在100us内生成一个候选规划路径请务必阅读正文之后的免责条款和声明8特斯拉深度跟踪报告TSLAOQ202383图3特斯拉决策树单次搜索时间降到了100us图4复杂场景下加入约束条件后取最优的方法效率过低资料来源2022TeslaAIDAY资料来源2022TeslaAIDAY2决策树剪枝有了决策树生成算法就有了完整的规划问题定义然而即使使用上述生成方法要在限制的响应时间内遍历复杂场景决策树也是不可能的因此一个能够对于候选路径进行快速评估打分拒绝掉离谱的候选路径从而对决策树进行剪纸的系统就成了决策规划系统的另一块拼图特斯拉同样采用了传统方法与数据驱动相结合的办法采用碰撞检测舒适度分析以及根据车队人类驾驶员实际数据和影子模式训练模型来预测一个候选路径导致接管的概率以及候选路径与人类驾驶员开车路径的差异这样四个方法进行候选路径评估完成剪枝图5特斯拉展示了规划算法最终如何在栅格网络生成的3D空间中运作资料来源2022特斯拉AIDay特斯拉FSD现状总结可行的商业化前景行业领先的感知技术但在复杂城市道路规划与决策环节仍需持续完善特斯拉算法设计基于第一性原理借助BEV视觉算法与栅格网络实现三维空间鸟瞰视图构建并融入时间序列特征极大程度拉近了与激光雷达方案间的差距并以其更低的成本带来了良好的商业化前景但目前特斯拉的FSD在请务必阅读正文之后的免责条款和声明9特斯拉深度跟踪报告TSLAOQ202383DMV美国机动车辆管理局的注册仍然只是L2级别的辅助驾驶工具不允许脱手使用距离其宣传的FullSelf-Driving完全自动驾驶仍有一定的距离限制FSD向更高级别自动驾驶迈进的主要因素主要是其在复杂城市路段的规划与决策能力不够成熟以及纯视觉方案在面对极端天气时的抵抗能力较差图6加州DMV于2022年7月起诉特斯拉在其FSD的能力上误导消费者资料来源CADMV官网自动驾驶ChatGPT时刻道路渐明但仍需等待ChatGPT时刻的成功来自于长达6年的技术不断积累并最终以ToC产品的形式呈献给终端用户最终在产业界掀起热潮从去年12月OpenAI推出ChatGPT以来人工智能技术的突然爆火吸引了所有人的眼球根据SimilarWeb的数据在短短三个月的时间内ChatGPT完成从0到2亿月活的突破而这一突如其来的成功也被称为ChatGPT时刻我们认为ChatGPT时刻背后成功的逻辑来自于从2017年Google推出Bert到2020年OpenAI推出GPT-3再到2022年中推出的Instruct-GPT这一历程中形成的长久技术积累以ChatGPT这一ToC产品的形式直接呈现给了大众请务必阅读正文之后的免责条款和声明10特斯拉深度跟踪报告TSLAOQ202383图7从2017年到2022年模型参数量增加了5000倍资料来源StanfordAIIndex2020中信证券研究部ChatGPT时刻的两个必备条件长时间的技术积累与直接面向终端用户的产品这些我们都能在特斯拉FSD中发现让市场对自动驾驶的ChatGPT时刻充满了期待在ChatGPT成功后产业界注意到了GPT-3为代表的自回归Prompting方法产品化能力的优越相比于BertGPT-3的自回归Prompting在产品化能力展现出了两个优点1Fine-tuning对于小公司更难部署从产品化的角度上更加困难2Prompting的方法更符合我们对以人类的方式使用AI的愿望这两大优点最终在ChatGPT这一直接面向ToC用户的产品中得到了最好的呈现长期以来的技术积累以一种最直观的方式反馈给了用户而特斯拉从2016年开始步入自动驾驶领域已经有了7年的自动驾驶技术积累同时特斯拉拥有庞大的车辆保有量可以通过所有车主免费试用FSD1个月等方式将产品积累反馈给所有用户从这两点看特斯拉完成自动驾驶的ChatGPT时刻的前提条件都已具备剩下的问题在于什么时候自动驾驶的ChatGPT时刻才能到来特斯拉在CVPR2023大会上对于这个问题从侧面给出了一些答案图8Prompt简化了使用端接口是更好的产品思维资料来源TowardDataScience请务必阅读正文之后的免责条款和声明11特斯拉深度跟踪报告TSLAOQ202383特斯拉在CVPR2023上分享了大语言模型AI在自动驾驶领域的最新进展中短期内对感知与规划层的影响有限重点在于改善了数据反哺以及仿真模拟能力长期大语言模型有可能为自动驾驶提供一个通用解在2023年6月18日的CVPR大会workshop上特斯拉对目前自动驾驶技术的现状以及未来发展路径做了更进一步的分享着重提及了目前火热的生成式大语言模型在自动驾驶领域中的应用特斯拉的工程师Ashok认为在中短期内大语言模型的多模态能力仍然不够成熟对自动驾驶环节中感知以及决策环节的影响较小但是在中长期维度特斯拉看到了大语言模型在自动驾驶中的应用潜力并展开了一系列研究目前特斯拉针对生成式AI研发了一个新的模型并命名为WorldModel使用大语言模型的方式来生成自动驾驶相关的连续视频场景图9特斯拉在CVPR2023上针对生成式模型在自动驾驶中的应用进行了分享资料来源CVPR2023当前自动驾驶算法与ChatGPT时刻的距离仍在于技术不够成熟自动驾驶需要解决的是一个多模态融合的问题比GPT-4面对的问题更加复杂长期以来计算机视觉模型的训练与推理高度依赖有标注的数据和有监督学习也因此在本轮语言模型的浪潮中进度远远落后于NLP领域与NLP领域相比计算机视觉领域缺少类似于文字接龙GPT等大语言模型主要通过类似于文字接龙的模式进行训练这样直观同时又信息密度极高的训练任务单个图片在卷积后的信息密度极低而自动驾驶是一个混合了图片视频理解语义理解感知融合规划决策等的综合性复杂任务解决难度远大于纯文字模态的任务请务必阅读正文之后的免责条款和声明12特斯拉深度跟踪报告TSLAOQ202383图10图片在经过算法编码后的信息密度极低图11文字在编码后仍能保持较高的信息密度资料来源CLIPConnectingtextandimagesAlecRadfordIlya资料来源GeekforGeeksSutskeverJongWookKim等大语言模型带来了一个中长期内完善自动驾驶技术的可能选项但仍然需要时间打磨特斯拉在2023年CVPR上对如何构建适用于图片以及视频的生成式模型给出了一个解法通过自动驾驶车辆采集大量的实景视频数据利用Diffusion等生成模型去构建虚拟的未来场景与真实场景对比来构建模型的损失函数LossFunction通过这种模式辅以自动数据标注就可以对生成式模型进行训练直观来理解模型必须不断判断各种复杂场景中下一刻将会发生的事情行人对车辆的规避动作其他驾驶员的反应等并与真实场景进行对照从而不断完善自身的预测能力相比于之前自动驾驶各部分各自采用独立算法在融合的模式特斯拉这一构想更靠近使用一个通用端到端算法来解决自动驾驶领域内遇到的所有问题图12特斯拉提出通过生成式AI构建一个世界模型资料来源CVPR2023请务必阅读正文之后的免责条款和声明13特斯拉深度跟踪报告TSLAOQ202383得益于特斯拉完善的数据闭环网络WorldModel已经能够初步理解车辆运行的物理规律但距离能够投入使用仍需一定时间就目前的进展状况来看从特斯拉在CVPR2023Workshop中公布的视频片段来看WorldModel可以根据使用者输入的提示Prompt来构建一些带有变化的特定场景同时WorldModel生成的素材非常接近FSD实车采集的视频模拟了实车传感器采集时的特点以及可能的缺陷同时特斯拉给出的素材有着多种视角在不同视角间车辆的位置速度形状等几何特征保持了相对稳定表明模型在一定程度上已经理解了车辆运行的相对物理规律对比同样在CVPR上Wayve的GAIA模型特斯拉的WorldModel在性能上明显有着一定领先这可能得益于特斯拉通过其庞大的现有车辆网络取得了更多高质量的实测数据不过整体来看目前WorldModel生成的素材距离实际使用仍有一定的距离我们认为还处在实验室探索阶段图13丰富的车辆实测数据是特斯拉能构建WorldModel的最主要优势资料来源CVPR2023中短期内WorldModel可以作为后台仿真模拟工具从而为模型补充极端场景的数据而在长期维度将会指向通向自动驾驶的ChatGPT时刻的通用解中短期看特斯拉的生成式WorldModel可以被当作一种仿真工具来模拟自动驾驶运行时的场景尤其是去解决实车运行时很难收集到的CornerCase数据从长期来看WorldModel更有潜力的应用方向是成为像GPT一样的自动驾驶领域的基础模型其他自动驾驶领域的具体任务都会围绕这个基础模型而构建在CVPR2023中特斯拉工程师分享了他们对WorldModel的长期规划未来WorldModel将会作为特斯拉的基座模型成为解决自动驾驶领域内所有问题的一个通用手段长期角度特斯拉提出WorldModel如同OpenAI在2018年提出GPT-2一般虽然在技术成熟度上还需要打磨但提出了一个可以整合子领域内研究范式的框架未来特斯拉将会在车端同样部署用于推理的小型WorldModel以实现端到端解决自动驾驶问题这同时也对其硬件算力提出了更高要求请务必阅读正文之后的免责条款和声明14特斯拉深度跟踪报告TSLAOQ202383图14通过Prompt可以让WorldModel构建不同的自动驾驶场景进行模拟资料来源CVPR2023WorldModel有望推动FSD商业化成本不断下移目前在商业化端特斯拉纯视觉方案的最大优点在于整体的成本特斯拉的硬件成本仅为200美元左右在特斯拉去除了毫米波雷达后纯视觉方案仅需要八个摄像头而单个摄像头的成本在美元左右对于多感知器融合方案必不可少的是其中的激光雷达30尽管近几年来激光雷达的成本不断降低但单颗仍在600-2000美元左右整套自动驾驶系统普遍需要3-5个激光雷达因此总成本也在3000-10000美元浮动多感知器融合方案相比纯视觉方案成本大大提升高昂的成本是阻碍其商业化落地的关键因素图15市面上主流激光雷达价格仍然较高资料来源SeekingAlpha特斯拉FSD的商业化困境即使成本已经低于激光雷达方案但渗透率在低端车型上仍难以提升TroyTeslike数据显示22Q3特斯拉FSD全球渗透率约74较2019Q4高峰时期357的渗透率降低约28pcts较一年前2021Q3降低约2pcts主要原因是Model3ModelY等价格较低车型的销量占比持续提升2按不同地区来看北美地区FSD渗透率高于其他地区TroyTeslike数据显示22Q3特斯拉FSD在北美地区渗透率请务必阅读正文之后的免责条款和声明15特斯拉深度跟踪报告TSLAOQ202383约143高于欧洲地区的66渗透率高于亚太地区的03渗透率3按不同车型来看以FSD渗透率最高的北美地区来看高端车型ModelSModelXFSD渗透率2022Q3渗透率约448远高于同期Model352的渗透率远高于同期ModelY143的渗透率图16FSD在全球各地区的付费率图17FSD分车型付费率Asia-PacificEuropeModel3ModelYModelSXNorthAmericaGlobal600060005000500040004000300030002000200010001000000000资料来源TroyTeslike中信证券研究部资料来源TroyTeslike中信证券研究部随着2022年下半年特斯拉开始降价策略Model3Y的用户群体开始下沉对FSD等附加功能的需求也不断下降根据数据全球的付费率从TroyTeslikeModel3FSD2021年Q1的77连续5个季度下滑至2022年Q3的31对于Model3Y的用户群而言目前收费15000美元的L2FSD附加服务仍然过于昂贵相对来说全球ModelY的FSD付费率较为稳定从2021年Q1的406到2022年Q3的448整体需求较为稳定对于ModelY目标的高净值人群而言更加关注FSD本身功能的扩展但特斯拉可能在2023年继续其降价策略而这将会伴随着客户群体的进一步下沉如何提升Model3Y的FSD付费率将会是FSD目前阶段商业化的主要问题图18FSD季度销量估算套Model3ModelYModelSX4000035000300002500020000150001000050000资料来源TroyTeslike含估算中信证券研究部FSD未来商业化的进程猜想分模块出售结合生成式模型继续降低成本目前FSD商业化的主要困境是用户客群下沉后对FSD的价格过于敏感因此将目前FSD的功能拆请务必阅读正文之后的免责条款和声明16特斯拉深度跟踪报告TSLAOQ202383分为模块售卖将会是一个可能的选择从2022年Q2开始特斯拉在北美拆分了EnhancedAutopilot模块单独出售定价为5000美元主要吸引Model3Y用户群体此外WorldModel将会在降低FSD的综合成本过程中发挥重要作用目前FSD模型层的大量成本用在了车道线标注道路语义信息标注等标注环节而这部分工作量可以被WorldModel大量取代通过进一步降低模型成本以匹配售价从而重新吸引Model3Y的车主群体风险因素自动驾驶汽车出现严重安全事故导致估值波动的风险自动驾驶政策落地进展不及预期的风险人工智能技术发展低于预期等风险公司柏林奥斯汀工厂进展不达预期的风险等公司动力电池供应商产能不足的风险电网负荷不足的风险投资策略目前特斯拉全球市场累计销量已超过300万辆汽车软件的组合正推动特斯拉的竞争壁垒业务空间盈利能力不断拓展提升而自动驾驶作为特斯拉长周期竞争优势产品差异性的核心来源依托芯片算法数据的一体化融合以及核心环节的创新性理论技术壁垒叠加纯视觉路线带来的理想扩展性和商业化经济性我们判断特斯拉有望在该领域实现持续引领并进而在全球电动车市场持续处于主导地位特斯拉目前在自动驾驶厂商横向比较中表现出了更好的AI技术敏感度其主导的WorldModel的研究在中短期内有望继续降低FSD成本提高用户付费率并可能在中长期重新统一目前自动驾驶领域的研究范式并带来自动驾驶领域的ChatGPT时刻我们对公司前景保持乐观态度维持公司2023-2025年101013111808亿美元的营业收入预测对应增速243038并维持公司2023-2025年114186281亿美元的Non-GAAP净利润预测对应增速-196451公司当前股价对应2023-2025年PENon-GAAP分别为73x44x30x我们持续看好特斯拉在中长期维度通过自动驾驶带来的差异化投资价值表3特斯拉盈利预测及估值项目年度202120222023E2024E2025E营业收入百万美元5382381462101009131074180822营业收入增长率YoY70675135240029763795毛利润百万美元1360620853190962842442398毛利率253256189217234GAAP净利润百万美元551912556100381703525741增长率YoY665128-207051Non-GAAP净利润百万美元764014116113771864428075增长率YoY21185-196451PENon-GAAP10859734430资料来源Wind中信证券研究部预测注收盘价为2023年8月1日请务必阅读正文之后的免责条款和声明17特斯拉深度跟踪报告TSLAOQ202383利润表百万美元资产负债表百万美元指标名称202120222023E2024E2025E指标名称202120222023E2024E2025E营业收入5382381462101009131074180822货币资金及短期1757622185354834942374172投资营业成本-10264-13842-40217-60609-8191394存货575712839141881807325890毛利率253256189217234应收账款3636589392221147716157行政管理费用-4517-3946-4428-5282-7595其他流动资产131025382141行政管理费用流动资产27100409175914679056116361率8448444042固定资产2916034072383154305847025研发费用-2593-3075-3353-4070-5967长期股权投资00000研发费用率4838333133无形资产457409422434443其他经营损益00000其他长期资产5414694095271239316936营业利润649613832113151907228837非流动资产3503141421482645588564405营业利润率1217111516资产总计6213182338107410134940180766财务费用-3151062107186短期借款15891502000财务费用率06-0100-01-01应付账款1002515255203122562634575其他收益净额162-21900-59其他流动负债80919952165441939225679除税前利润总额634313719113161918028964流动负债1970526709368564501860254所得税-699-1132-1247-2114-3192长期借款52451597233115541036所得税率118111111非流动性负债55988134122871539720764少数股东损益12531313131负债合计3054836440514746196982054归母净利润551912556100381703525741优先股和股本13333净利率1015101314资本公积2980332177321773217732177其他综合收益54-361-361-361-361留存收益33112885229233995865699少数股东权益13941194119411941194股东权益合计3158345898559367297198712负债股东权益总6213182338107410134940180766计现金流量表百万美元指标名称202120222023E2024E2025E净利润551912556100381703525741主要财务指标营运资本变动518-34461911-785-3484指标名称202120222023E2024E2025E折旧摊销29113747430453116343增长率其他非现金项目25851867480729776164营业收入707514240298380经营现金流1149714724210602453834764营业利润22581129-182686512资本开支-6514-7150-8560-10065-10320净利润66551275-201697511其他-1354-4823-2587-2866-4543利润率投资现金流-7868-11973-11147-12931-14863毛利率253256189217234发行与回购股票707202000EBITDAMargin178185130154159债务变化-5732-3866-768-777-518净利率10315499130142其他-178137415331105366其他融资现金流-5203-3527338523334848资产负债率492443479459454汇率变动-183-444000所得税率11083110110110现金净变化-1757-1220132981394024749股利支付率0000000000资料来源公司公告中信证券研究部预测请务必阅读正文之后的免责条款和声明18分析师声明主要负责撰写本研究报告全部或部分内容的分析师在此声明i本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法ii该分析师所得报酬的任何组成部分无论是在过去现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系一般性声明本研究报告由中信证券股份有限公司或其附属机构制作中信证券股份有限公司及其全球的附属机构分支机构及联营机构仅就本研究报告免责条款而言不含CLSAgroupofcompanies统称为中信证券本研究报告对于收件人而言属高度机密只有收件人才能使用本研究报告并非意图发送发布给在当地法律或监管规则下不允许向其发送发布该研究报告的人员本研究报告仅为参考之用在任何地区均不应被视为买卖任何证券金融工具的要约或要约邀请中信证券并不因收件人收到本报告而视其为中信证券的客户本报告所包含的观点及建议并未考虑个别客户的特殊状况目标或需要不应被视为对特定客户关于特定证券或金融工具的建议或策略对于本报告中提及的任何证券或金融工具本报告的收件人须保持自身的独立判断并自行承担投资风险本报告所载资料的来源被认为是可靠的但中信证券不保证其准确性或完整性中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任本报告提及的任何证券或金融工具均可能含有重大的风险可能不易变卖以及不适合所有投资者本报告所提及的证券或金融工具的价格价值及收益可跌可升过往的业绩并不能代表未来的表现本报告所载的资料观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断可以在不发出通知的情况下做出更改亦可因使用不同假设和标准采用不同观点和分析方法而与中信证券其它业务部门单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反中信证券并不承担提示本报告的收件人注意该等材料的责任中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域单位集团及其他附属机构的流动负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定分析师的薪酬不是基于中信证券投资银行收入而定但是分析师的薪酬可能与投行整体收入有关其中包括投资银行销售与交易业务若中信证券以外的金融机构发送本报告则由该金融机构为此发送行为承担全部责任该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议中信证券以及中信证券的各个高级职员董事和员工亦不为前述金融机构之客户因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任评级说明投资建议的评级标准评级说明报告中投资建议所涉及的评级分为股票评级和行业评级买入相对同期相关证券市场代表性指数涨幅20以上另有说明的除外评级标准为报告发布日后6到12个增持相对同期相关证券市场代表性指数涨幅介于520之间月内的相对市场表现也即以报告发布日后的6到12个股票评级月内的公司股价或行业指数相对同期相关证券市场代持有相对同期相关证券市场代表性指数涨幅介于-105之间表性指数的涨跌幅作为基准其中A股市场以沪深300卖出相对同期相关证券市场代表性指数跌幅10以上指数为基准新三板市场以三板成指针对协议转让标的或三板做市指数针对做市转让标的为基准香港市场强于大市相对同期相关证券市场代表性指数涨幅10以上以摩根士丹利中国指数为基准美国市场以纳斯达克综合行业评级中性相对同期相关证券市场代表性指数涨幅介于-1010之间指数或标普500指数为基准韩国市场以科斯达克指数或韩国综合股价指数为基准弱于大市相对同期相关证券市场代表性指数跌幅10以上19特别声明在法律许可的情况下中信证券可能1与本研究报告所提到的公司建立或保持顾问投资银行或证券服务关系2参与或投资本报告所提到的公司的金融交易及或持有其证券或其衍生品或进行证券或其衍生品交易因此投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险本研究报告涉及具体公司的披露信息请访问httpsresearchciticsinfocomdisclosure法律主体声明本研究报告在中华人民共和国香港澳门台湾除外由中信证券股份有限公司受中国证券监督管理委员会监管经营证券业务许可证编号Z20374000分发本研究报告由下列机构代表中信证券在相应地区分发在中国香港由CLSALimited于中国香港注册成立的有限公司分发在中国台湾由CLSecuritiesTaiwanCoLtd分发在澳大利亚由CLSAAustraliaPtyLtd商业编号53139992331金融服务牌照编号350159分发在美国由CLSACLSAAmericasLLC除外分发在新加坡由CLSASingaporePteLtd公司注册编号198703750W分发在欧洲经济区由CLSAEuropeBV分发在英国由CLSAUK分发在印度由CLSAIndiaPrivateLimited分发地址8FDalamalHouseNarimanPointMumbai400021电话91-22-66505050传真91-22-22840271公司识别号U67120MH1994PLC083118在印度尼西亚由PTCLSASekuritasIndonesia分发在日本由CLSASecuritiesJapanCoLtd分发在韩国由CLSASecuritiesKoreaLtd分发在马来西亚由CLSASecuritiesMalaysiaSdnBhd分发在菲律宾由CLSAPhilippinesInc菲律宾证券交易所及证券投资者保护基金会员分发在泰国由CLSASecuritiesThailandLimited分发针对不同司法管辖区的声明中国大陆根据中国证券监督管理委员会核发的经营证券业务许可中信证券股份有限公司的经营范围包括证券投资咨询业务中国香港本研究报告由CLSALimited分发本研究报告在香港仅分发给专业投资者证券及期货条例香港法例第571章及其下颁布的任何规则界定的不得分发给零售投资者就分析或报告引起的或与分析或报告有关的任何事宜CLSA客户应联系CLSALimited的罗鼎电话85226007233美国本研究报告由中信证券制作本研究报告在美国由CLSACLSAAmericasLLC除外仅向符合美国1934年证券交易法下15a-6规则界定且CLSAAmericasLLC提供服务的主要美国机构投资者分发对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSAAmericasLLC在美国证券交易委员会注册的经纪交易商以及CLSA的附属公司新加坡本研究报告在新加坡由仅向新加坡财务顾问规例界定的机构投资者认可投资者及专业投资者分发CLSASingaporePteLtd就分析或报告引起的或与分析或报告有关的任何事宜新加坡的报告收件人应联系CLSASingaporePteLtd地址80RafflesPlace18-01UOBPlaza1Singapore048624电话6564167888因您作为机构投资者认可投资者或专业投资者的身份就CLSASingaporePteLtd可能向您提供的任何财务顾问服务CLSASingaporePteLtd豁免遵守财务顾问法第110章财务顾问规例以及其下的相关通知和指引CLSA业务条款的新加坡附件中证券交易服务C部分所披露的某些要求MCIP085112021加拿大本研究报告由中信证券制作对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书英国本研究报告归属于营销文件其不是按照旨在提升研究报告独立性的法律要件而撰写亦不受任何禁止在投资研究报告发布前进行交易的限制本研究报告在英国由CLSAUK分发且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士涉及到的任何投资活动仅针对此类人士若您不具备投资的专业经验请勿依赖本研究报告对于英国分析员编纂的研究资料其由CLSAUK制作并发布就英国的金融行业准则该资料被制作并意图作为实质性研究资料CLSAUK由英国金融行为管理局授权并接受其管理欧洲经济区本研究报告由荷兰金融市场管理局授权并管理的CLSAEuropeBV分发澳大利亚CLSAAustraliaPtyLtdCAPL商业编号53139992331金融服务牌照编号350159受澳大利亚证券与投资委员会监管且为澳大利亚证券交易所及CHI-X的市场参与主体本研究报告在澳大利亚由CAPL仅向批发客户发布及分发本研究报告未考虑收件人的具体投资目标财务状况或特定需求未经CAPL事先书面同意本研究报告的收件人不得将其分发给任何第三方本段所称的批发客户适用于公司法2001第761G条的规定CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASXAllOrdinaries指数成分股离岸市场上市证券未上市发行人及投资产品CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司印度CLSAIndiaPrivateLimited成立于1994年11月为全球机构投资者养老基金和企业提供股票经纪服务印度证券交易委员会注册编号INZ000001735研究服务印度证券交易委员会注册编号INH000001113和商人银行服务印度证券交易委员会注册编号INM000010619CLSA及其关联方可能持有标的公司的债务此外CLSA及其关联方在过去12个月内可能已从标的公司收取了非投资银行服务和或非证券相关服务的报酬如需了解CLSAIndia关联方的更多详情请联系Compliance-Indiaclsacom未经中信证券事先书面授权任何人不得以任何目的复制发送或销售本报告中信证券2023版权所有保留一切权利20