特斯拉专题报告四：特斯拉股价及估值复盘分析（二）.pdf

请务必阅读正文后的重要声明部分 Table_IndustryInfo 2020 年 02 月 12 日 强于大市 (维持 )证券研究报告 行业研究 电气设备 特斯拉专题报告 四 特斯拉股价 及估值 复盘 分析 （ 二 ） 投资要点 西南证券研究发展中心 Table_Author 分析师：谭菁 执业证号： S1250517090002 电话： 010-57631196 邮箱： tanjswsc 分析师：陈瑶 执业证号： S1250519080003 电话： 0755-23914886 邮箱： cyaoswsc Table_QuotePic 行业相对指数表现 数据来源：聚源数据 基础数据 Table_BaseData 股票家数 194 行业总市值（亿元） 19,167.67 流通市值（亿元） 18,911.48 行业市盈率 TTM 33.01 沪深 300 市盈率 TTM 12.0 相关 研究 Table_Report 1. 特斯拉专题报告三：特斯拉股价及估值复盘分析（一） (2020-02-11) 2. 磷酸铁锂专题报告：刀片电池和 CTP方案带动磷酸铁锂回暖 (2020-02-05) 3. 特斯拉专题报告：创新源自于对本质的思考 (2020-01-23) 4. 电力设备新能源行业：新能源汽车补贴不退坡传闻可能影响市场预期 (2020-01-13) 5. 特斯拉专题报告：特斯拉强势开启电动汽车海外需求 (2020-01-08) Table_Summary 如果想要理解特斯拉的估值 ， 得理解另外三 家 公司 ： Waymo, Nvidia 和 Uber。这三巨头分别在 算法、芯片和数据三个维度在和特斯拉进行竞争。在美股市场，信息技术公司市值占比 30%，特斯拉的科技 跟踪紧密 。但正是由于特斯拉进入的是延续了一个多世纪的极度传统的汽车产业，而汽车工业建筑了极高的进入门槛，所以才有如此大的分歧。 特斯拉是通过打造一个个爆款产品来证明自己的能力 ，随着特斯拉销量的提升，用户对智能电动汽车的体验会愈加深刻。 根据美股对可比公司的最新估值和假设条件，我们认为特斯拉在自动驾驶系统、出行和货运都可以分得全球一定的市占率。 假设按照 Waymo 整个商业模式 50%的市场空间来测算的话 ， 那么 特斯拉 的 商业模式对应的估值在 500-800亿美元 。 假设特斯拉 2025 年的全球年销量达到 250 万辆 ， 其汽车板块估值在1200 亿美元 ， 那么总体估值在 1700-2000 亿美元之间 。 我们系统梳理了智能汽车的关键技术和行业格局 。 很清楚的是 ， Google 的waymo 一定占据相当的市场份额 ， 而 waymo 主要战略也是出售系统 ， 其商业化最先落地的是出行和物流货运市场 。 英伟达占据芯片的制高点 ， 其竞争对手英特尔稍微落后 。 特斯拉的快速迭代能力极强 ， 在乘用车领域将占据不容忽视的份额 ， 并且将来会蚕食出行的市场份额 ， 同时降低运营成本 。目前我们并不能对更远期的市场做判断，比如他的远景后的收入模式，是否会像苹果手机一样，变成个软件平台。但至少，它能拿走相当一部分的出行和货运市场。 从特斯拉的战略 和商业落地能力来看，特斯拉在中国市场的战略极其正确 ：只有中国市场才具备如此大的数据，支撑特斯拉快速的迭代，也只有中国市场具备完备的产业链来支撑特斯拉低成本 产品的量产，反过来，低成本大规模量产进一步推高它的数据量。 中国政府在新能源汽车的决心 、 中产阶级的购买力和政府支持的力度使得特斯拉量产中的财务风险大幅度下降 ， 对特斯拉是重要保障 。 我们认为特斯拉的风险主要存在于 ： 1） 技术路线的风险 ， 必须密切关注视觉感知的发展 ； 2） 核心芯片的供应链的风险 ； 3） 通信 网络的风险 ； 4） 财务风险 ； 5） 政策 、 法规 、 道德风险 ； 6） 马斯克个人健康风险 （或许这是最重要的风险）。其他商业化、电池等，我们都认为是确定性较高的，风险不大。 重点关注个股 ： 重点 关注 特斯拉产业链的 公司 ： 宁德时代（ 300750.SZ） 、 恩捷股份 （ 002812.SZ） 、 先导智能 （ 300450.SZ） 、 璞泰来 （ 603659.SH） 、天赐材料 （ 002709.SZ） 、 嘉元科技 （ 688388.SH） 。 -3%2%8%13%19%24%19/2 19/4 19/6 19/8 19/10 19/12 20/2电气设备 沪深 300 特斯拉专题报告四 请务必阅读正文后的重要声明部分 目 录 特斯拉估值探讨 . 1 1 智能电动汽车：以电动化为基础，以无人驾驶开启智能化 . 1 2 AI 解除了无人驾驶的瓶颈：三巨头各领风骚 . 2 2.1 GPU 王者：英伟 达 . 2 2.2 自动驾驶集大成者： Waymo(Google) . 3 2.3 出行巨头： Uber . 5 3 特斯拉：立足海量数据，优化算法，具备 核心技术优势 . 7 4 特斯拉的估值和风险总结 . 8 特斯拉专题报告四 请务必阅读正文后的重要声明部分 图 目 录 图 1：智能化应用前景展望 . 1 图 2：英伟达 GPU 架构路线图 . 2 图 3：英伟达 GPU 主要参数 . 2 图 4： AI 芯片生态 . 3 图 5：主流开源平台介绍 . 3 图 6：英伟达 CUDA 开发环境 . 3 图 7：无人驾驶发展阶段 . 4 图 8：亚利桑那州的自动驾驶运营分布 . 4 图 9： Robotaxi . 4 图 10：自动驾驶技术架构 . 5 图 11： waymo 传感器综合系统 . 5 图 12： Uber 最近三年营收结构 . 6 图 13： Uber 最近三年净利润 . 6 图 14： Uber 乘用车 . 6 图 15： Uber 卡车 . 6 图 16：特斯拉 autopilot . 7 图 17： Tesla Vison . 7 表 目 录 表 1：特斯拉可比公司估值 . 8 特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 1 特斯拉 估值探讨 如果想要理解特斯拉的估值 ， 得 理解另外三 家 公司 ： Waymo, Nvidia 和 Uber。 这三巨头分别在 算法、芯片和数据三个维度在和特斯拉进行竞争。在美股市场， 信息技术公司市值占比 30%， 对 特斯拉的科技 跟踪紧密 。但正是由于特斯拉进入的是延续了一个多世纪的极度传统的汽车产业，而汽车工业建筑了极高的进入门槛，所以才有如此大的分歧。 特斯拉是通过打造一个个爆款产品来证明自己的能力 ，随着特斯拉销量的提升，用户对智能 电动 汽车的体验会愈加深刻。 1 智能 电动 汽车 ： 以电动化为基础 ， 以无人驾驶开启智能化 一个多世纪前 ， 爱迪生便断定 ， 电动汽车是未来的发展方向 。 爱迪生还发明了镍铁电池 ，1901年 ， 爱迪生宣布开发了一款时速达到 70英里的电动车 ，并且说要把他的电池推向市场。1914 年 ， 爱迪生和福特合作 ， 在此尝试做电动汽车 。 最后 ， 爱迪生的电动汽车的尝试失败了 ，但他的发电机等电网关键设备都保留下来。 20 世纪 40 年代 ，计算机技术、通信技术、生物技术等突破了地域限制，全球形成统一的无形网络。 如今 ， 电动汽车未来大显身手已经没有疑问 ， 各国政府 、 各大车企都在制定2025-2030 年的发展规划 。汽车行业的互联网、智能化将重塑产业生态。最终，智能电动汽车或者是智能电动移动空间会取代现有传统汽车。 图 1： 智能化应用前景展望 数据 来源： 李开复人工智能， 西南证券 整理 可 以想见，除了主机厂和供应商， IT 企业会更多地参与集中。比如美国线上平台 Wheelz正为私家车提供 P2P 分享平台 。 电信运营商会成为汽车行业移动数据的供应商 。 硬件公司也会参与其中 。 而无人驾驶实现后 ，人们在交通环节 节约出来的大量的时间可以用于各种各样的服务 。 资源已经不再是现有的大宗商品，而是数据资源、时间的资源。 智能化时代必须以电气化为基础，而电气化为智能化提供物理基础。 特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 2 2 AI 解除了无人驾驶的瓶颈 ： 三巨头各领风骚 如果说 ，成本、法律法规、安全、道德等问题是制约无人驾驶的几大因素的话，那么除了法律法规和道德这两项，其他的都可以通过技术发展和商业化来解决。 2012 年 ， 深度卷积神经网络驱动的 ImageNet 大规模视觉识别挑战赛被认为是新一波人工智能浪潮的起点 。 当年 Alex 依靠 8 层卷积神经网络一举获得了冠军， 点燃了卷积神经网络演技的浪潮。 AlexNet 成功应用了 ReLU 激活 函数、 Dropout、最大覆盖池化、 GPU 加速等新技术，启发了更多的后续的技术创新，卷积神经网络研究从此飞速发展。 自从 AlexNet 在 2012 年提出后 ， 深度学习领域研究发展极其迅速 。基本没几个月就出现新一代的技术，伴随新的网络机构，更深的训练方法，同时在图像识别领域不断刷新准确率的记录。 不容忽视的是 ， CNN 技术的飞速发展 ， 离不开的是 GPU 计算资源 。 正是因为 GPU 的强大算力 ， 才使得深度学习训练成为可能 。 而 Tensor Flow 这种开源工具 ， 使得研究人员可以方便 、 快速地进行探索研究 。 之前只能靠 Alex 这种天才 ， 具备高超的编程能力才能自己实现 Cuda-convent， 但是有了 Tensor Flow， 研究人员就可以简单快速地设计神经网络结构并进行研究 、 测试 、 部署 到应用 。 2.1 GPU 王者 ： 英伟达 2016年 4月，英伟达发布了运算速度极快的深度学习算法芯片 特斯拉 P100 GPU。英特尔的 CPU 当中每一个都包含几十个用于运行复杂算法的内核，用于足够能力来运行大量的企业软件，但是对运行深度学习算法反而浪费和低效。针对深度学习算法优化的软件会将特定类型问题（比如理解语音命令或者识别图像）分解围数百万个小块。英伟达的 GPU算力突出，它包含数千个微处理器，所以同时处理几千个这种小块是很容易。 图 2：英伟达 GPU 架构路线图 图 3：英伟达 GPU 主要参数 数据来源： 官网 ， 西南证券 整理 数据来源： 官网 ， 西南证券 整理 AI 芯片市场上 ， 硬件作为底层基础 ， 上层是众多开源的平台和开发环境 。 上文说了 ， 有了硬件 ， 还得要有主流开源平台的支持 。 目前主要的是 Tensor Flow 和 Caffe。 Caffe 是比较经典的框架 ， 用户粉丝较多 ， 缺点是使用配置文件定义网络结构 ， 调试网络不是很方便 。基于层的构筑方式，所以需要 层层堆叠网络，对于一些灵活的图结构，表示特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 3 不方便。 Tensor Flow 是 google 大力研发的框架 ， 众多的科学家协作开发 ， 所以拥有产品级别的代码质量 ， 可靠性高 ， 完善稳定 ， 适合生产环境使用 。 其计算图定义模式 ， 非常灵活 ，可进行多种灵活测试 。 目前很多的科研成果 ， 都是使用 Tensor Flow 实现 ， 因此可直接使用的模型代码非常多 。 Tensor Flow Models 库中 ， 可有量的开源模型 ， 比如 Syntax Net, Text Sum。 在机器学习库中 ， 占据绝大部分份额 。 图 4： AI 芯片生态 图 5：主流开源平台介绍 数据来源： 公开资料， 西南证券 整理 数据来源： 公开资料， 西南证券 整理 英伟达的 GPU 支持几乎所有的开源平台 ， 具备完善的生态系统 。 开发环境方面 ， CUDA是英伟达公司的 ，也是最流行的 AI 硬件开发环境。上文提到的 Alex 天才就是自己通过 CUDA平台来实现运算加速。该领域，英伟达处于垄断地位。 图 6：英伟达 CUDA 开发环境 数据 来源： 官网 ， 西南证券 整理 目前 ， 英伟达已经和丰田 、 大众 、沃尔沃、奔驰、奥迪达成 合作，将联合开发测试系统，英伟达 是被主机厂采用最广泛的 AI 芯片。 2.2 自动 驾驶集大成 者 ： Waymo(Google) 无人驾驶 源于美国的 DARPA 比赛，第一届 2005 年， 第二届 2007 年。在此之后， Google把 DARPA 中斯坦福团队收编， 2009 年由塞巴斯蒂安特伦（ Sebastian Thrun）开启了无人驾驶这个计划。在这之后很长的一段时间里，全球只有 Google 在做无人驾驶。 特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 4 图 7：无人驾驶发展阶段 数据 来源： Roadstar AI， 西南证券 整理 Google 在无人驾驶领域有 布局广泛 ： 2013 年 ， Google 收购了杰佛里辛顿的创业公司 ，2014 年收购了英国人工智能创业公司 Deep mind， 并在此基础上开发了 Alpha Go。 2015年 ， Google 创建了 Tensor Flow， 并且向全球免费开放 。 2016 年 5 月， Google 宣布，已经秘密地使用 TPU（专门为了其深度学习算法 tensor flow 而设计）一年多。 图 8：亚利桑那州的自动驾驶运营分布 图 9： Robotaxi 数据来源： 亿欧网盟科技， 西南证券 整理 数据来源： 公开资料， 西南证券 整理 Waymo“ A new way forward in mobility” 是公认的无人驾驶行业先驱者。 Waymo 多年来一直在广泛使用改装奥迪 、 丰田普锐斯 、 雷克萨斯的车型来测试自动驾驶汽车 。 2015 年 ，Waymo 开始自己造车 “萤火虫”。 2017 年， Waymo 史无前例的开始测试完全无人驾驶： 在美国亚利桑那中的公共道路进行公测，并对公众开放，提供 没有安全员 的载客服务 。 2018年 Waymo 联手捷豹路虎集团打造基于捷豹 I-PACE 纯电动汽车平台的自动驾驶汽车，并将在几年后达到 2 万 辆的规模 。 2018 年，大规模测试和全球化的开始。 特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 5 2020 年美国拉斯维加斯举办 CES 国际电子消费展期间， Waymo 宣布其自动驾驶车辆完成了 2000 万 英里的行驶里程。仅发生的 30 多起交通事故中并没有重伤或死亡案例，且绝大部分都是由对方车辆导致的， Waymo 的技术从未出现过任何失误。 图 10：自动驾驶技术架构 图 11： waymo 传感器综合系统 数据来源： 公开资料， 西南证券 整理 数据来源： 公开资料， 西南证券 整理 Waymo 在无人驾驶的布局非常完善 ： 首先激光雷达是自己研发的 ，目前已经将激光雷达的成本降低了 90%以上 。 传感器也是自己研发的 。 TPU 和算法都是自己的 。 Waymo 的 无人驾驶系统包括 ： 这组传 感器主要由激光雷达系统，视觉系统，雷达系统，附加传感器组成，最主要的是激光雷达系统。 多层传感器组件可以无缝地一起工作，绘制一个详细的三维世界图像，显示动态和静态对象，包括行人、骑自行车的人、其他车辆、交通灯、建筑物和其他道路特征。 Waymo 的自动驾驶车辆可以实现感知，处理，预测，决策一个闭环的自动驾驶，实现真正意义上的全自动驾驶。 Waymo 的技术实力毋庸置疑 。 而商业化上 ， Waymo 其实是从出行和物流两个维度打市场 。 Waymo 的大规模全球化测试已经在美国铺展开 ，乘用车 目前在德克萨斯 、 新墨西哥州 、佛罗里达 州等相继落地 ；卡车是在德克萨斯和新墨西哥州两洲际公路上测试，路上会穿越达拉斯、休斯敦和厄尔巴索等大城市。 Waymo 的卡车已经在湾区 、 密歇根 、 亚利桑那 、佐治亚和凤凰城等大都市布局自动驾驶卡车车队 。 2.3 出行 巨头 ： Uber 2019 年 ， Uber IPO 上市。 Uber 是世界上最大的出行公司 。其业务分为共享乘车、外卖服务和货运等业务。其中乘用车共享出行还是占比最大，也是最优势的业务板块。但是业绩仍然处于亏损状态，核心原因是 Uber 的运营费用投入巨大， 运营费用在营收的占比高达120%， 并且没有什么规模效 应，并不会随着规模的扩大而降低 。 特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 6 图 12： Uber 最近三年 营收结构 图 13： Uber 最近三年 净利润 数据来源： 招股说明书， 西南证券 整理 数据来源： 招股说明书 ， 西南证券 整理 Uber 急切地想通过无人驾驶来实现运营成本的降低 ， 一旦实现 ， 其成本会大幅度下降 。2015 年 Uber 成立了 ATG。 ATG 目前建造了 250 多辆自动驾驶汽车 ， 收集了不到 1000 万英里的实测数据 。 Uber 与丰田、 Volvo、 戴姆勒已经展开深度的合作 。 2016 年 ， Uber 以 6.8 亿美元收购自动驾驶卡车公司 Otto， 但是因为在亚利桑那州发生了致死事件 ， 所以终止了卡车项目 ， 转为出租车项目中 。 在乘用车领域 ， Uber 已经有了旧金山、达拉斯和多伦多三个测试城市，而美国首都现在则有了 Arogo、 Optimus Ride 和 Uber 三大自动驾驶测试车队 。目前已经进入华盛顿， 为了安全起见，进入华盛顿的 Uber 自动驾驶测试车会继续配备安全驾驶员，而车队的最主要任务是挖掘道路数据以构建华盛顿区域的高精地图。 图 14： Uber 乘用车 图 15： Uber 卡车 数据来源： 公开资料 ， 西南证券 整理 数据来源： 公开资料， 西南证券 整理 特斯拉专题报告四 请务必阅读正文后的 重要 声明部分 7 3 特斯拉 ： 立足海量数据 ， 优化算法 ， 具备 核心技术优势 中国巨大的市场提供了海量数据 ， 这是立根于中国的企业的优势 。 2013 年 ， Nuance 在语音识别领域是全球第一 ， 2014 年从 60%的市占率跌到 31%，其中科大讯飞切掉了 6.7%的蛋糕 。 科大讯飞的飞速发展 ， 很大程度上得益于中国 这个规模巨大的市场。 将特斯拉和三巨头比较的话 ， 我们认为 ： 算法上 ， 它和 waymo 的 目前 还 有一定的差距 ，但立足海量数据 ， 很有可能逼近 waymo。 芯片上， Autopilot 也是采用英伟达的 GPU。 出行上 ， 特斯拉很有可能侵蚀 Uber 的市场份额 。 这一切的基础，都建立在 Autoilot 的核心技术能力上 。 特斯拉 Autopilot 全球累计里程已经超过了 15.5 亿英里 ，随着 Model3 和 ModelY 的大规模量产推送 ， 该数据量激增 。 这给Autopilot 带来了巨大的机会也是巨大的挑战 。 2018 年特斯拉开始向全球车主推送 Autopilot 9.0 版本系统更新，特斯拉正式迈向 L4阶段 。 众所周知 ， Autopilot 和 Waymo 的技术路线不同 ， 鉴于低成本的需要 ， Autopilot 采用是低成本的摄像头 ， 而 Waymo 采用高成本的激光雷达 。 两者的技术差异本文不做细节阐述 。但核心的技术点是在于 ， 是否 2D 的摄像头可以采用光流等技术反射 3D 点云 ，其精度是否可以逼近激光雷达。 Autopilot 采用的是 8 颗 摄像头，前置摄像头 3 颗， 1 个毫米波雷达， 12 个超声波雷达，以及一块搭载英伟达 DRIVE PX2 AutoCruise 定制版的计算主板。 是全球首个采用三目 视觉感知 方案的车型。 其 核心策略 ，视觉感知 的算法，本文也不做细节阐述。 图 16： 特斯拉 autopilot 图 17： Tesla Vison 数据来源： 官网 ， 西南证券 整理 数据来源： 官网 ， 西南证券 整理 Autopilot 的硬软核心 ： FSD 和 Tesla Vision。 2016 年，特斯拉请来了来自 AMD 的芯片大师 Jim Keller，开始组建硬件工程团队。同年，特斯拉在内部启动计算平台 FSD（ Full Self-Driving Computer）的研发，并选择了英伟达 DRIVE PX2 作为 Autopilot Hardware 2.0阶段性的计算平台。 Autopilot 从这一代硬件开始，支持计算平台的改造升级。 Autopilot Hardware 2.0 以后的特斯拉车型，只要拆开车上的手套箱，车主就可以用更高算力的 FSD替换已有的主板。 Tesla Vision 来自于 Autopilot 内部在 2015 年成立的 Vision 小组， Vision的目标就是要取代 Mobileye， 是全球第一家把 AI 算法集成到量产自动驾驶系统中的公司 。