行业分析---2024年蔚来汽车三季度财报及科技日

1 前言

       在之前的博客中,笔者撰写了多篇行业类分析的文章(科技+新能源):

        《行业分析---我眼中的Apple Inc.》

        《行业分析---马斯克的Tesla》

        《行业分析---造车新势力之蔚来汽车》

        《行业分析---造车新势力之小鹏汽车》

        《行业分析---造车新势力之理想汽车》

        《行业分析---揭开新工业革命序幕的英伟达》

        《行业分析---造车新势力之极氪汽车》

        《行业分析---每个人都离不开的微软》

        《行业分析---2024年理想汽车三季度回顾及展望》

        《行业分析---2024年小鹏汽车AI Day及三季度财报》

        最近新势力都在发布三季度财报,那么本次行研的主题就是围绕新势力财报以及当年的智能驾驶,智能座舱的规划进展进行讨论。前面已经介绍过理想和小鹏,也讨论过华为ADS 3.0的技术架构,后面会重点分析下小米汽车。蔚来汽车随小鹏汽车之后,在2024.11.20发布了第三季度财报。那么笔者参考蔚来汽车的NIO IN内容及三季度财报阐述其发展近况及未来计划。

        结合公司的财报信息以及研发进展,对一个公司的了解会更透彻,包括公司管理层是否言行一致等等。

3aa02c6fe37142d29b962f3292ca28f4.png

2 NIO IN

        2024年蔚来汽车科技日(NIO IN 2024,大概在今年7月份)上,蔚来发布了多项重要技术成果。

        目前造车新势力中,蔚来汽车有一条手机业务线,小鹏有人形机器人和飞行汽车两个额外的业务线,在笔者看来是不够聚焦。像理想汽车和领跑汽车是比较聚焦的,起码目前专注在车本身的产品上。

2.1 NIO IN内容概述

       目前各家新势力都在全栈自研,像芯片,操作系统,智能驾驶,智能座舱等。蔚来汽车的业务是比较广的,主要内容如下:

8128cbde991b4ca792c962f8d0810ff0.png

  • 智能驾驶芯片---神玑NX9031

    • 蔚来宣布自主研发的5纳米智能驾驶芯片“神玑NX9031”流片成功;
    • 这款芯片采用5纳米车规工艺制造,拥有超过500亿颗晶体管,实现了单颗芯片达到四颗业界旗舰芯片的性能;
    • 神玑NX9031芯片和底层软件均已实现自主设计,提升了智能驾驶的计算能力。
  • 整车全域操作系统---SkyOS

    • 蔚来发布了历时4年研发的整车全域操作系统SkyOS天枢;
    • SkyOS·天枢具备高带宽、低时延、大算力与异构硬件、跨域融合、灵活持续进化、高可靠性、信息安全七大特性;
    • 该系统打通了智能硬件、计算平台、通信与能源系统,实现对车联、车控、智能驾驶、数字座舱以及手机应用等全域应用的统一管理与协调。
  • Banyan 3智能系统

    • 蔚来基于AI核心底层能力打造的全新Banyan 3智能系统,具备更强大的情感智能和NOMI GPT架构;
    • Banyan 3智能系统预计将于8月下旬向用户推送首个版本。
  • 智能驾驶世界模型NWM(NIO World Model)

    • 蔚来发布了中国首个智能驾驶世界模型NWM,是一个多元自回归生成式的具身驾驶模型;
    • NWM具备全量理解数据、具有长时序推演和决策能力,在100毫秒内推演出216种可能发生的场景,寻找到最优决策;
    • 蔚来世界模型堪比“大脑”,具备空间理解能力和时间理解能力,而这两个能力的结合,也共同构成了车辆的时空理解能力,让车辆能够更精准的判断车辆在复杂交通环境中的风险,推算出其他交通参与者的行为,进而优化智驾策略,提高智能驾驶系统的安全性和舒适性;
    • 蔚来世界模型还具备了仿真能力,可以模拟构建道路、车辆、行人等元素的实时位置和速度信息,帮助训练和测试智能驾驶系统。
  • 全新NIO Phone上市

    • 全新NIO Phone在科技日上发布上市,采用6.82英寸等深四曲屏,搭载蔚来鲧禹散热系统。
  • 智能驾驶技术架构NADArch2.0

    • 蔚来宣布基于NADArch2.0的智能驾驶将于今年下半年分阶段推送上车;
    • NADArch2.0在算法层升级为引入世界模型的端到端架构,直接从原始传感器数据生成驾驶决策。

2.2 NAD Arch2.0介绍

        NADArch2.0是蔚来汽车在其智能驾驶技术方面在2024年的一次重要升级,它在算法层引入了世界模型的端到端架构(暂时还没有在网络上看到推送的消息)。

        以下是NADArch2.0智能驾驶架构的详细介绍:

        从发布会上来看,大的功能上有两块:(1)点到点全域领航辅助2.0;(2)智能安全辅助2.0。第一个功能覆盖的场景包括高速、城区以及停车场,和之前介绍华为,小鹏,小米演示的车位到车位功能,理想甚至在今年的11.28已经全量推送;第二个功能强调的是安全。

77560fb2f60d45ba9056bd9b457c155b.png

  • 端到端架构:NAD Arch2.0采用端到端架构,这意味着系统直接从原始传感器数据生成驾驶决策,减少了传统方案中的信息损耗,并增强了系统的预测能力。

  • 算法升级:在算法层,NAD Arch2.0升级为引入世界模型的端到端架构,使得智能驾驶体验更安全、更拟人。

  • 数据驱动:NADArch2.0充分利用群体智能的数据闭环和生成式仿真数据,通过海量数据驱动智驾模型进行快速迭代。

  • 风险场景覆盖:NADArch2.0中的端到端AEB(自动紧急制动)算法大幅提升了对于风险场景的覆盖能力,尤其是应对原本无法响应的场景,提升了响应覆盖6.73倍,以更好地守护用户的驾驶安全。

  • 智能驾驶世界模型NWM

    • NADArch2.0结合了中国首个智能驾驶世界模型NWM(NIO World Model,蔚来世界模型),这是一个多元自回归生成式的具身驾驶模型,具备全量理解数据、长时序推演和决策能力;
    • NWM能在100毫秒内推演出216种可能发生的场景,并寻找到最优决策,作为生成式模型,NWM可将3秒钟的驾驶视频作为提示词生成长达120秒的视频;
    • 认知世界后,在模型内进行想象重建;
    • 基于信息的理解,进行想象推演,从而规划轨迹。

8da01db4e22b4f119b4a8e8168ee86af.png

  • 仿真测试:NWM还具备与生俱来的闭环仿真测试能力,已在复杂交互场景中全面测试并验证性能。

        NADArch2.0的推出是蔚来汽车在智能驾驶领域的一次重要创新,它通过引入世界模型和强化数据驱动的算法,提升了智能驾驶的性能和安全性,为实现更高级别的自动驾驶功能奠定了基础。

3 财报信息

        2024年第三季度,蔚来汽车发布了其财报,内容如下:

  • 营收情况

    • 蔚来第三季度的总营收为186.735亿元人民币(约合26.61亿美元),相较于2023年第三季度的190.666亿元人民币同比下滑2.1%,但环比第二季度增长7.0% 。
    • 汽车销售额为166.976亿元人民币,同比下滑4.1%,但环比增长6.5% 。
  • 交付量

    • 第三季度,蔚来交付了61,855辆汽车,创下了单季度交付量新高,同比增长11.6%,环比增长7.8%  。
    • 其中,NIO品牌的汽车交付量为61,023辆,新品牌ONVO的汽车交付量为832辆 。
  • 毛利率

    • 整车毛利率提升至13.1%,保持行业领先水平 。
    • 总毛利率达到10.7%,较2023年第三季度的8.0%同比增长270个基点 。
  • 研发及销售相关费用投入

    • 研发费用:蔚来第三季度的研发投入为33.2亿元人民币,自2016年起累计研发投入超过530亿元人民币 。
    • 销售、一般及行政费用:蔚来汽车在2024年第三季度的销售、一般及行政费用为41.088亿元人民币,同比增长13.8%,环比增长9.3%。这部分费用主要包括销售人员、新产品发布销售及营销活动等支出。蔚来首席财务官曲玉在业绩会上表示,销售费用的增加主要因为乐道品牌的销售网络扩展和销售准备支出,并预计这部分支出将在四季度进一步增加。(笔者看来,这两项的费用太高)
  • 亏损情况

    • 经营亏损为52.378亿元人民币,比2023年第三季度的48.439亿元人民币同比扩大8.1% 。
    • 净亏损为50.597亿元人民币,比2023年第三季度的45.567亿元人民币同比扩大11.0% 。
    • 调整后的净亏损(非公认会计准则)为44.126亿元人民币,比2023年第三季度的39.532亿元人民币同比扩大11.6% 。
  • 未来展望

    • 蔚来预计2024年第四季度的交付量将达到72,000至75,000辆,同比增长43.9%至49.9% 。
    • 第四季度的营收预计为196.8亿元人民币至203.8亿元人民币,同比增长15.0%至19.2% 。
  • 产品和品牌

    • 蔚来的旗舰车型ET9已进入量产的最后准备阶段,预计将进一步巩固蔚来在高端市场的定位 。
    • 蔚来旗下的新品牌firefly将在2024年NIO Day上发布,定位于紧凑型细分市场,旨在吸引更广泛的用户群体 。

        蔚来汽车在2024年第三季度的财报显示出公司在交付量上取得了增长,营收和毛利率也有一些提升,尽管公司仍处于亏损状态,但公司高层在电话会议中预估2026年实现盈利(当天高盛下调了蔚来汽车的股价)。

4 总结

        在笔者看来,蔚来汽车如果不进行一次 “刮骨疗伤”,可能会遭遇新的危机。今年三季度以来,在其他新势力的财报表现越来越好之下(像领跑和小鹏,亏损越来越少),蔚来汽车的财报仍然有大量的亏损(每个季度基本都在50亿左右)。

        一家公司的经营质量,最终都会体现在财报当中。只希望好的产品能够长期被消费者享受到。

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/481654.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mac上的建议xftp 工具

mac上的建议xftp 工具 最近使用mac比较频繁了,但是第一次重度使用mac里面有很多的工具都是新的,有的window版本的工具无法使用。 xftp 的平替 Cyberduck 从它的官网上下载是免费的,但是如果使用 Apple store 要花费198呢。这不就剩下一大笔…

C++ - 二叉搜索树讲解

二叉搜索树概念和定义 二叉搜索树是一个二叉树,其中每个节点的值都满足以下条件: 节点的左子树只包含小于当前节点值的节点。节点的右子树只包含大于当前节点值的节点。左右子树也必须是二叉搜索树。 二叉树搜索树性质 从上面的二叉搜索树定义中可以了…

【WRF后处理】WRF模拟效果评价及可视化:MB、RMSE、IOA、R

【WRF后处理】模拟效果评价及可视化 准备工作模型评价指标Python实现代码Python处理代码:导入站点及WRF模拟结果可视化图形及评价指标参考在气象和环境建模中(如使用 WRF 模型进行模拟),模型性能评价指标是用于定量评估模拟值与观测值之间偏差和拟合程度的重要工具。 本博客…

对拍详细使用方法

对拍的作用 对于我们在学校OJ,cf,牛客…各种只提供少量测试数据的题目,常常交上代码常常超时,能写出正确的暴力代码而题目要求的时间复杂度更低。然而这时你写出了能通过样例且时间复杂度更低的代码,但交上去就是错误…

D84【python 接口自动化学习】- pytest基础用法

day84 pytest常用断言类型 学习日期&#xff1a;20241130 学习目标&#xff1a;pytest基础用法 -- pytest常用断言类型 学习笔记&#xff1a; 常用断言类型 代码实践 def test_assert():assert 11assert 1!2assert 1<2assert 2>1assert 1>1assert 1<1assert a…

解析生成对抗网络(GAN):原理与应用

目录 一、引言 二、生成对抗网络原理 &#xff08;一&#xff09;基本架构 &#xff08;二&#xff09;训练过程 三、生成对抗网络的应用 &#xff08;一&#xff09;图像生成 无条件图像生成&#xff1a; &#xff08;二&#xff09;数据增强 &#xff08;三&#xff…

学习视频超分辨率扩散模型中的空间适应和时间相干性(原文翻译)

文章目录 摘要1. Introduction2. Related Work3. Our Approach3.1. Video Upscaler3.2. Spatial Feature Adaptation Module3.3. Temporal Feature Alignment Module3.4. Video Refiner3.5. Training Strategy 4. Experiments4.1. Experimental Settings4.2. Comparisons with …

全面解读权限控制与RBAC模型在若依中的实现

目录 前言1 权限控制基础概念1.1 权限控制的核心要素1.2 常见权限控制模型 2 RBAC模型详解2.1 RBAC的基本原理2.2 RBAC的优点2.3 RBAC的扩展模型 3 若依框架中的权限管理3.1 菜单管理3.2 角色管理3.3 用户管理 4 若依权限管理的实现流程4.1 创建菜单4.2 创建角色并分配权限4.3 …

Mybatis:CRUD数据操作之单个条件(动态SQL)

Mybatis基础环境准备请看&#xff1a;Mybatis基础环境准备 本篇讲解Mybati数据CRUD数据操作之单个条件&#xff08;动态SQL&#xff09; 如上图所示&#xff0c;用户在查询时只能选择 品牌名称、当前状态、企业名称 这三个条件中的一个&#xff0c;但是用户到底选择哪儿一个&am…

2023信息安全管理与评估-linux应急响应-1

靶机的环境&#xff1a;Linux webserver 5.4.0-109-generic 1.提交攻击者的 ip地址 linux应急响应需要知道黑客想要进入服务器或者内网&#xff0c;一定从web入手 所以应急响应的i第一步应该就是看一下web日志&#xff0c;看进行了神码操作 apache的网站日志是/var/log/apac…

【Springboot】@Autowired和@Resource的区别

【Springboot】Autowired和Resource的区别 【一】定义【1】Autowired【2】Resource 【二】区别【1】包含的属性不同【2】Autowired默认按byType自动装配&#xff0c;而Resource默认byName自动装配【3】注解应用的地方不同【4】出处不同【5】装配顺序不用&#xff08;1&#xff…

服务器遭受DDoS攻击后如何恢复运行?

当服务器遭受 DDoS&#xff08;分布式拒绝服务&#xff09;攻击 后&#xff0c;恢复运行需要快速采取应急措施来缓解攻击影响&#xff0c;并在恢复后加强防护以减少未来攻击的风险。以下是详细的分步指南&#xff1a; 一、应急处理步骤 1. 确认服务器是否正在遭受 DDoS 攻击 …

Linux命令系列-常见查看系统资源命令

Linux命令系列-常见查看命令 进程管理内存管理磁盘空间管理网络管理主机系统 摘要&#xff1a;本文将对linux系统上常见的查看系统各种资源的命令进行介绍&#xff0c;包括du&#xff0c;df&#xff0c;netstat等命令。所有这些命令都有相关实验截图&#xff0c;实验平台为ubun…

1-1 Gerrit实用指南

注&#xff1a;学习gerrit需要拥有git相关知识&#xff0c;如果没有学习过git请先回顾git相关知识点 黑马程序员git教程 一小时学会git git参考博客 git 实操博客 1.0 定义 Gerrit 是一个基于 Web 的代码审查系统&#xff0c;它使用 Git 作为底层版本控制系统。Gerrit 的主要功…

Node.js:开发和生产之间的区别

Node.js 中的开发和生产没有区别&#xff0c;即&#xff0c;你无需应用任何特定设置即可使 Node.js 在生产配置中工作。但是&#xff0c;npm 注册表中的一些库会识别使用 NODE_ENV 变量并将其默认为 development 设置。始终在设置了 NODE_ENVproduction 的情况下运行 Node.js。…

【Linux】【字符设备驱动】深入解析

Linux字符设备驱动程序用于控制不支持随机访问的硬件设备&#xff0c;如串行端口、打印机、调制解调器等。这类设备通常以字符流的形式与用户空间程序进行交互。本节将深入探讨字符设备驱动的设计原理、实现细节及其与内核其他组件的交互。 1. 引言 字符设备驱动程序是Linux内…

计算机毕业设计Python异常流量检测 流量分类 流量分析 网络流量分析与可视化系统 网络安全 信息安全 机器学习 深度学习

温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 作者简介&#xff1a;Java领…

排序算法之选择排序堆排序

算法时间复杂度辅助空间复杂度稳定性选择排序O(N^2)O(1)不稳定堆排序O(NlogN)O(1)不稳定 1.选择排序 这应该算是最简单的排序算法了&#xff0c;每次在右边无序区里选最小值&#xff0c;没有无序区时&#xff0c;就宣告排序完毕 比如有一个数组&#xff1a;[2,3,2,6,5,1,4]排…

搜索二维矩阵 II(java)

题目描述 编写一个高效的算法来搜索 m x n 矩阵 matrix 中的一个目标值 target 。该矩阵具有以下特性&#xff1a; 每行的元素从左到右升序排列。每列的元素从上到下升序排列。 代码思路&#xff1a; 用暴力算法&#xff1a; class Solution {public boolean searchMatrix(…

week 9 - Entity-Relationship Modelling

一、数据库设计的重要性 • 设计数据库可使查询更高效、简洁。 • 减少数据冗余&#xff08;data redundancy&#xff09;&#xff0c;提升表的整洁性。 二、Key Components of ER Modelling 实体-关系建模的基本构成 1. 实体&#xff08;Entity&#xff09;&#xff1a;表…