企业官网建设流程全解析

简介：本资源为《2022智能驾驶行业梳理（一）》PPT课件，面向关注汽车智能化赛道的研究者、投资分析人员及汽车电子从业者，用于快速建立行业全景认知。内容以智能手机发展史类比切入，梳理智能化基础设施、基础零部件、芯片、软件四大板块，并对比汽车零部件与消费电子的市场空间、渗透速度差异，展开感知层、决策层、执行层的供应链分层，重点解析德赛西威、华阳集团、均胜电子等Tier 1厂商的业务线与竞争格局，涉及域控制器、车载娱乐系统、液晶仪表、HUD等产品的渗透率趋势。包内共1个pptx文件，压缩包约6.79MB，页面以图示化逻辑呈现，便于按章节摘取要点、二次引用。目前已有104人学习下载，适合作为行业入门梳理与投研素材整理的基础参考。

1. 从手机到汽车：把智能驾驶产业链梳理成可计算的数据模型

拿到一份《2022智能驾驶行业梳理（一）.pptx》，多数人的处理方式是翻到 Tier 1 厂商那几页截图存档，然后就没有然后了。问题在于，这类材料承载的是关系型信息：感知层、决策层、执行层如何切分，德赛西威的域控制器落在哪一层，华阳集团的 HUD 算座舱件还是智驾件，这些都不是名词解释，而是需要被查询、被统计、被复算的结构。手机产业链走过的路径——基础设施、基础零部件、芯片、软件四大项依次成熟——正在汽车上重演，差别是节奏更慢、单车价值量更高、Tier 1 厂商的话语权更集中。这份梳理适合两类人：需要快速建立产业链地图的从业者，以及想把行业材料转成可维护数据集、后续做渗透率与市场空间测算的工程师。

2. 智能驾驶四大项分层建模：感知层、决策层、执行层的结构化拆解

2.1 分层口径先定死，后面的统计才不会打架

手机产业链的拆法是现成的参照：天线模组、摄像头模组、显示模组是零部件，苹果、华为、小米、vivo/OPPO、三星是整机，富士康、立讯精密、龙旗控股、闻泰科技、华勤通信是 ODM/OEM。这套切法实际上同时用了两个维度——「在链条的哪个位置」和「谁来做」。汽车这边，前者对应感知层/决策层/执行层，后者对应 Tier 1 / Tier 2 / 整车厂。

两个维度必须正交使用。德赛西威既是 Tier 1，又横跨决策层（域控制器）和座舱交互（车载娱乐、液晶仪表）；华阳集团的 HUD 属于人机交互件，无线充电属于供电与交互件，都不在感知—决策—执行的主干上。一旦把厂商当成分层维度，做市场空间加总时同一份收入会被计两次，这是行业梳理里最常见的第一类错误。

我一般先把「层级」定义成互斥的枚举，再让厂商作为标签挂上去。层级互斥、厂商多挂，这样一张表既能按层汇总，也能按厂商透视，后续加字段不会推倒重来。

2.2 用 dataclass 把四大项和三层结构写成可校验对象

from dataclasses import dataclass, field from enum import Enum class Layer(Enum): """感知层 / 决策层 / 执行层，互斥枚举：一个零部件只能落在其中一层""" PERCEPTION = "感知层" DECISION = "决策层" EXECUTION = "执行层" class Pillar(Enum): """智能化四大项：基础设施 / 基础零部件 / 芯片 / 软件""" INFRA = "基础设施" PART = "基础零部件" CHIP = "芯片" SOFTWARE = "软件" @dataclass class Component: name: str # 零部件名称，如「毫米波雷达」「域控制器」 layer: Layer # 所属层级 pillar: Pillar # 所属四大项 vendors: list = field(default_factory=list) # 供应商标记，可挂多个 unit_value: float = 0.0 # 单车价值量（元），未知填 0，别拍脑袋估 penetration: float = 0.0 # 当前渗透率 0~1，未知填 0 def __post_init__(self): # 越界直接抛错，避免脏数据流到下游汇总 if not 0.0 <= self.penetration <= 1.0: raise ValueError(f"{self.name} 渗透率越界: {self.penetration}") if self.unit_value < 0: raise ValueError(f"{self.name} 单车价值量不能为负")

这段代码的关键决策是「未知填 0 而不是填估值」。行业材料里大量零部件的单车价值量和渗透率是缺失的，如果用一个拍出来的中位数填进去，最后汇总出的市场空间会看起来很像结论，实际上是噪声。填 0 会让加权结果明显偏低，反而提醒你哪几项数据还没到位。

unit_value的单位统一用元，penetration用 0~1 的小数而不是百分数，避免同一张表里出现「5」和「5%」两种写法。vendors用列表而非单值，因为自动驾驶计算平台这类产品本身就是 Tier 1 加芯片原厂的组合，德赛西威与英伟达的关系就是典型。

2.3 归属边界判定与三类常见坑

把零部件塞进枚举之前，先过一遍归属表，边界清楚的部分直接映射，模糊的部分明确写出判定依据。

第一类坑是「毫米波雷达有 MCU 就算芯片」。雷达内部的 MCU 是板级配套，不单独计价，整机仍归感知层零部件。第二类坑是「域控制器按硬件和软件拆两次」。域控是软硬一体交付物，拆开统计会让决策层价值量虚高，除非你明确在做软硬件分拆口径的市场测算。第三类坑是「座舱件被算进智驾」。HUD 和无线充电虽然常跟智驾方案打包宣传，但它们不构成闭环，混进决策层会让智驾的单车价值量出现两位数的虚增。

3. Tier 1 厂商业务矩阵：德赛西威、华阳集团、均胜电子的数据化对比

3.1 三条业务线的拆分口径怎么定

德赛西威的官方口径是智能座舱—车联网—智能驾驶三条线，这个拆法值得借鉴，因为它按「交付形态」而不是按客户切分。华阳集团的主营是仪表、HUD、无线充电，电子化能力强，属于座舱域的密集布点。均胜电子走的是并购路线，通过收购德国瑞普切入 Tier 1，主营汽车安全系统，智能座舱上是华为的合作伙伴，业务重心在海外、以传统车企客户为主。华域汽车则在传统内饰和车灯之外，往域控制器、线控、毫米波雷达上布局。

这四家的差异不只是产品清单，而是「收入结构里智驾相关占比」的差异。做矩阵的目的就是把这种差异量化，而不是停留在文字描述。

3.2 用 pandas 构建厂商 × 产品矩阵

import pandas as pd # 行是厂商，列是产品线，1 表示有布局，0 表示无 rows = [ ("德赛西威", 1, 1, 0, 0, 1, 0, 0), ("华阳集团", 1, 1, 1, 1, 0, 0, 0), ("均胜电子", 1, 0, 0, 0, 0, 1, 0), ("华域汽车", 0, 0, 0, 0, 1, 0, 1), ] cols = ["厂商", "座舱娱乐", "液晶仪表", "HUD", "无线充电", "域控制器", "汽车安全", "线控毫米波"] df = pd.DataFrame(rows, columns=cols).set_index("厂商") # 业务覆盖宽度：一眼看出谁是单点、谁是横向铺开 df["覆盖数"] = df.sum(axis=1) # 智驾相关列单独拎出来算占比，别看总覆盖数就下结论 smart_drive = ["域控制器", "线控毫米波"] df["智驾覆盖数"] = df[smart_drive].sum(axis=1) print(df.sort_values("覆盖数", ascending=False))

覆盖数回答的是「业务有多宽」，智驾覆盖数回答的是「离智驾有多近」。这两个指标经常给出相反的排序：均胜电子的覆盖数可能不高，但汽车安全系统本身是执行层的刚需件，单车价值量和客户黏性都不低；华阳集团覆盖数最高，但产品集中在座舱域，智驾覆盖数为零。用矩阵而不是用一张排名表，就是为了避免这种信息损失。

rows里的 0/1 是二元布局标记，不是市场份额。如果你有真实的营收占比数据，把 1 替换成 0~1 的占比数字，同一份代码可以直接算加权占比，不用改结构。

3.3 HUD 从 0 到 1 的渗透率外推

材料里给了一个明确的判断：HUD 渗透率极低，预计未来 3 到 4 年国内渗透率有望提升到 40%。这句话里有两个参数是可用的（终点 40%、时间 3~4 年），起点值缺失，必须自己设、并标注假设来源。

def cagr(begin: float, end: float, years: float) -> float: """复合增长率：begin/end 为渗透率(0~1)，years 可为小数""" assert begin > 0, "起点渗透率必须大于 0，否则公式除零" assert years > 0 return (end / begin) ** (1 / years) - 1 # 场景假设：当前 HUD 渗透率 5%（自设，需替换为你掌握的实际值） for yrs in (3, 4): g = cagr(0.05, 0.40, yrs) print(f"{yrs} 年从 5% 到 40% 需要年复合增速 {g:.1%}")

按 5% 起点算，3 年路径需要约 100% 的年复合增速，4 年路径需要约 68%。这个数字的量级比「从 0 到 1」这个说法更有信息量：它意味着 HUD 的放量必须依赖某个明确的触发条件，比如某个价位带的车型开始标配，而不是随整车销量自然增长。起点如果换成 10%，3 年路径降到约 59%，结论会完全不一样。所以起点值是这段测算里最敏感的参数，必须写清楚它从哪来。

3.4 单车价值量和渗透率不能混在一张汇总表里

液晶仪表、车载娱乐这类产品的渗透率已经很高，德赛西威在这两块是国内龙头，增长主要来自单车价值量变高而不是装车率提升。HUD 相反，渗透率低但单车价值量相对固定。如果把这两类产品放进同一个「市场空间」列里加总，得到的增速既不是渗透率驱动的，也不是价值量驱动的，无法归因。

稳妥做法是拆成两列：增量来自渗透率和增量来自单车价值量，各自独立建模后再相加。做归因分析时，这张表的可解释性比一个总数高得多。

4. 域控制器与计算平台选型：算力、接口与软件栈的参数化决策

4.1 从分布式 ECU 到高度集成域控的演进逻辑

材料里对德赛西威的判断是「汽车电子的方向是从分布式走向高度集成」，这句话的工程含义是：功能从几十个独立 ECU 收敛到几个域控制器，每个域控承担原本分散的计算、通信和诊断职责。德赛西威能进入英伟达全球自动驾驶计算平台的合作名单，靠的正是这种集成能力——芯片原厂需要有人把算力板做成能在整车环境下稳定运行的产品，包括散热、供电、功能安全和诊断。

分布式到集中式的迁移不是一次性替换，常见做法是先从座舱域和智驾域各收敛一个域控，车身域和动力域后续再并。这个顺序决定了你在选型阶段要关注的参数不一样：智驾域控看算力和接口带宽，座舱域控看多媒体能力和启动时间。

4.2 计算平台关键参数表

表里的数值是量级示意，不是任何一款产品的规格，选型时必须用原厂规格书替换。真正容易踩坑的是「算力标称值」这一列：厂商标的 TOPS 通常是 INT8 稀疏条件下的峰值，实际模型量化到 INT8 后能不能达到、算子支持度够不够，只能靠跑自己模型验证。我一般会要求把项目里最主要的两个模型在目标平台上实测一遍，拿实测帧率反推有效算力。

4.3 用打分脚本把选型讨论变成可复盘的排序

import pandas as pd # 权重和必须为 1，按项目实际关切调整，改权重不改代码 weights = {"算力": 0.35, "接口丰富度": 0.25, "软件生态": 0.25, "功耗": 0.15} # 1~5 分制，由实测或评审填入，不要写成主观形容 candidates = pd.DataFrame({ "方案": ["方案A", "方案B", "方案C"], "算力": [5, 3, 4], "接口丰富度": [4, 4, 5], "软件生态": [5, 3, 3], "功耗": [3, 5, 4], }).set_index("方案") candidates["加权分"] = candidates.mul(pd.Series(weights), axis=1).sum(axis=1) print(candidates.sort_values("加权分", ascending=False).round(2))

mul(pd.Series(weights), axis=1)是按列对齐权重，这是 pandas 里最容易写错的地方：不加axis=1会按行对齐，结果全错但不会报错，只会给出一个看起来很正常的排序。权重表的顺序必须和candidates的列顺序一致，或者用字典推导强制对齐，否则方案换了列顺序，分数就飘了。

选型讨论的价值不在于最后那个加权分，而在于权重本身要吵一次。算法团队会要求软件生态权重高，硬件团队会要求功耗权重高，把这两拨人拉到同一张表前，比开三次评审会有效。

4.4 联调阶段先查这四件事

拿到域控样品之后，常见问题是「算法在开发板上跑得好，上车就掉帧」。优先排查：散热方案是否按持续功耗而不是峰值功耗设计；摄像头接入是否走了压缩链路导致额外延迟；诊断和标定通道是否和业务数据抢带宽；时间同步是否用了整车统一时钟源，否则多传感器融合会出现时间戳错位。这四条里任意一条出问题，表现都是「算力不够」，但换更高算力的平台并不能解决。

5. 把 PPT 结论变成可复用的行业跟踪表

5.1 字段设计要预留版本位

直接抄 PPT 的结论做表，最多用一个月。把第 2 章的Component扩成一张平面表时，至少补三个字段：数据来源（是哪份材料或哪次调研）、更新日期、口径备注。口径备注尤其重要，同一个「域控制器单车价值量」，含不含软件、含不含传感器接入，能差出一倍以上。字段留好了，下次拿到更新版本的材料，只需要改值，不需要重新理解一遍上下文。

5.2 用断言做口径校验

import pandas as pd track = pd.DataFrame({ "产品": ["域控制器", "HUD", "液晶仪表"], "层级": ["决策层", "座舱交互", "座舱交互"], "单价元": [3000, 800, 500], "渗透率": [0.20, 0.05, 0.60], "更新日期": ["2022-06", "2022-06", "2022-06"], }) # 校验一：渗透率必须在 0~1 之间 assert track["渗透率"].between(0, 1).all(), "渗透率越界" # 校验二：层级只能是约定的枚举值，防止手输引入新分类 legal = {"感知层", "决策层", "执行层", "座舱交互"} assert set(track["层级"]).issubset(legal), "出现未定义层级" # 加权单车价值：按当前装配率折算的每车平均价值 track["加权价值"] = track["单价元"] * track["渗透率"] print(track.groupby("层级")["加权价值"].sum().sort_values(ascending=False))

两条断言解决的是人工维护表格最典型的两个失效点：渗透率手输成「20」而不是「0.20」，层级手输成「智能驾驶」这种不在枚举里的分类。断言失败直接中断，比事后发现汇总结果偏大一个数量级要便宜得多。加权价值这一列的含义是「按当前装配率折算的每车平均价值」，它和「单车价值量」是两个概念，别在汇报里混用。

5.3 一个具体的跟踪节奏

我一般按季度更新一次这张表，更新时只做三件事：把新材料的结论覆盖到对应行的值；给被覆盖的行刷新更新日期；对变化超过 30% 的字段写一句口径备注说明为什么变。第三件事最容易被跳过，但它是这张表半年后还能不能用的分水岭——没有备注，你只会看到一堆数字变了，却不知道是行业变了还是自己上次抄错了。

下一次拿到更新版本的材料时，只需要改Component清单里的值，跑一遍第 2 章的枚举校验和第 5 章的断言，输出表就是新的结论，PPT 里的那几页截图可以彻底删掉了。

本文还有配套的精品资源，点击获取