汽車行業深度報告：汽車自動駕駛技術路徑對比分析
（報告出品方/作者：紅塔證券，宋辛南）
1.引言
數字經濟是通過數字技術，對生活生產實現數字化管理，促進實體經濟 高效發展，充分發揮數據信息價值，是未來經濟發展的主要驅動力，其發展 速度之快、輻射範圍之廣、影響程度之深前所未有，正推動生產方式、生活 方式和治理方式深刻變革，成為重組全球要素資源、重塑全球經濟結構、改 變全球競爭格局的關鍵力量。
隨著近年來數字經濟在國民經濟中的重要性不斷提升，黨和國家也對其 越來越重視：從早期「十三五」國家科技創新規劃中提出，到中央政治局會 議將其作為議題，再到寫入十九大報告後，數字經濟被正式寫入「十四五」 規劃，並對一些指標提出了相應的預期性目標。結 合其他各項政策的陸續出台，愈發凸顯出黨和政府對我國數字經濟發展的支 持和鼓勵態度。
因此，在這樣的背景下，數字經濟範疇內的各產業在未來中長期時間內， 在內將有充分的需求逐漸湧現，在外則有良好的政策環境保駕護航，將是我 國國民經濟發展的重要抓手。 其中，智能駕駛/車聯網作為數字經濟發展的一項應用，象徵著未來人類 出行方式的顛覆性改變，可能催生出全新的商業模式、全新的產業格局，因 此具有巨大的想像空間，而在諸多廠商和研究機構的努力下，其技術已經發 展了一段不短的時間，但所採用的技術路徑則各有不同。因此，本文將嘗試 對比分析目前主流的智能駕駛實現方案及其相關產業鏈，從而為後續尋找產 業鏈的投資機會提供參考。
2.背景
2.1.智能駕駛簡介
根據定義，智能駕駛是指汽車通過搭載先行的感測器、控制器、執行器、 通訊模塊等設備實現協助駕駛員對車輛的操控，甚至完全代替駕駛員實現無 人駕駛的功能。
當前行業普遍遵循 SAE 協會定義的智能駕駛等級，其中 L2 級以下的智 能駕駛通常被稱為 ADAS（高級駕駛輔助系統），其最主要的特點是系統只在 特定場景下給駕駛員提供協助，車輛行駛決策權在駕駛員，相應地駕駛員需 要承擔所有的責任與後果。而在 L4 及以上的智能駕駛因為是汽車主導駕駛 行為，責任主體為汽車生產商或者汽車服務商。而對於中間過渡的 L3 級別的 智能駕駛，因為其只能在特定條件下代替人，並且在系統失效的時候需要人 及時接管車輛，在實際應用中的可操作性及責任界定問題在行業內外存在較 大爭議。從技術角度，L3 級別智能駕駛是技術發展的必經階段，但從法律及 產品應用角度，其存在著較大的風險。在我國，智能駕駛常以智能網聯汽車作為官方的名稱，特別突出了車聯網功能。以我國更加完備的通訊基礎設施 形成車路協同效應，對比歐美的單車智能化。工信部此前發布了《汽車駕駛 自動化分級》推薦性國家標準報批公示，規定了汽車駕駛自動化功能的分級， 其對智能化等級的劃分也與 SAE 定義大體一致，於 2022 年 3 月 1 日起正式 實施。
2.2.智能駕駛的基本技術原理
車輛實現自動駕駛功能是一個相當複雜的過程，但總的來說，無論是自 動駕駛還是人類駕駛，都可以按照「感知?決策?控制」的流程來考慮。
感知是先決條件。在做出決策和對車輛進行控制之前，首先需要保證足 夠的信息被掌握，其中包括車輛本身的信息和外部環境的信息，才能給車輛 行駛提供充足的決策支持。而在感知層獲得足夠信息後，決策中心（計算單 元/大腦）將根據特定的演算法/經驗做出適合當下情況的駕駛決策，並向相關控 制機構下達指令，從而完成一輪從感知到決策再到控制的完整駕駛流程。
2.3.智能駕駛的技術瓶頸
目前從技術上來說，車輛的控制層已經基本打通，只在一些複雜的系統 上還存在一定的成本問題，但感知和決策兩個過程中仍然還有很多問題亟待 解決。
2.3.1.感知
在感知環節中，車輛運動狀態和駕駛員監測的技術門檻相對較低，二者 分別感知車輛本身和駕駛員的狀態，前者主要靠車載感測器，確保車輛行駛 狀態符合預想的狀態；後者則主要是靠攝像頭和生物電監測，確保駕駛員的 生存狀態和注意力保持正常。
而環境感知是最主要，也是最關鍵的部分。目前實現環境感知的技術路 徑主要包括視覺感測（攝像頭）、毫米波雷達和激光雷達三種。
前文提到，感知是智能駕駛實現的先決條件。在理想狀態下，車輛只需 要獲取道路的地面標識、路側標誌、前方障礙物情況等少量數據即可，但在 實際操作中，可能存在譬如地面標識不清、路標被遮擋等情況，並且障礙物 往往還包括其他車輛、行人、自行車等移動物體，以及路錐、石墩等固定物 體，從而導致感測器很難將其有效地轉換為計算中心可識別的數據，對後續 自動駕駛的決策產生了極大的干擾。
2.3.1.1.視覺感測
視覺感測器主要指的是攝像頭，主要用於車道線檢測、交通標示識別、 行人/車輛識別等任務。
由於人類駕駛員在駕駛過程中的主要信息感知方式也是通過視覺，因此 使用攝像頭作為車輛環境感知的方式是最自然的，而且由於攝像頭本身技術 成熟，因此其生產成本較低，在區分人和物體、識別道路標識等方面具有優 勢。但同時，通過攝像頭的視覺感測也有缺點。
首先，由於車輛本身並不能直接讀取視頻信號，因此需要通過相應的算 法將攝像頭採集到的視頻信號轉換為處理晶元能識別的標準信號，這就對相 關演算法的能力和效率提出了很高的要求。而且因為物體識別是基於機器學習 資料庫，所以形成有效的資料庫所需要的訓練樣本很大，訓練周期長，並且 系統通常無法識別出資料庫尚未掌握的新的非標準障礙物，就可能會導致自 動駕駛過程中發生危險。
其次，無論是解析度、抗干擾還是大腦和晶元對信息的處理，攝像頭跟 人眼都無法相提並論，因此攝像頭受到外部環境的干擾也更嚴重。包括正面 強光炫目、攝像頭上沾有水滴遮擋、暴雨暴雪等惡劣天氣、黑夜等低照度情 況，以及各種原因產生的物體倒影等，都會造成攝像頭成像或識別困難。
第三，由於解析度限制，攝像頭的識別距離較小；同時，光學成像也導 致了其測距/測速功能差，不足以支撐車輛完成自動駕駛的決策過程。
2.3.1.2.毫米波雷達
毫米波雷達指的是工作在毫米波段（波長 1-10mm，頻域 30-300GHz） 的雷達。目前車用毫米波雷達主要包括 24GHz 和 77GHz 兩種。
毫米波的波長介於微波和厘米波之間，因此毫米波雷達兼有微波雷達和 光電雷達的一些優點。同厘米波雷達相比，毫米波雷達具有體積小、質量輕 和空間解析度高的特點。與紅外、激光、電視等光學雷達相比，毫米波雷達 穿透霧、煙、灰塵的能力強，具有全天候全天時的特點。同時，與攝像頭不 同，毫米波雷達的感知探測距離較遠，並且能夠對目標距離和速度做出高精 度測量。
77GHz 雷達各項性能都具有優勢。相比 24GHz 雷達，77GHz 雷達可以 同時做到長距離探測和更高的距離解析度；並且在物體解析度、測速和測距 精確度上具有顯著優勢；同時，77GHz 雷達由於波長更短，所以收發天線面 積體積更小，因此體積也更小。但是 77GHz 雷達由於技術相對較新，且數量 規模較小，目前價格仍然較高，因此 24GHz 雷達還是目前的主流，但未來 77GHz 雷達可能會將其替代。
毫米波雷達的缺點主要包括以下幾個：
1）探測範圍較小，通常需要多個雷達組合使用，導致總成本明顯提高；
2）由於其解析度參數是以角度計量，因此其實際解析度在遠距離時可以 達到足夠高，但近距離可能無法準確分辨位置；
3）對行人的反射波弱，難以識別；
4）對橫向目標敏感度低，並且只能提供角度和距離信息而無法提供高度 信息；
5）無法成像，無法進行圖像顏色識別。
2.3.1.3.激光雷達
激光雷達（LiDAR，Light Detection and Ranging），即激光探測及測距 系統，是一種集激光、GPS 和慣性測量設備三種技術於一身的系統。由於激 光波長短，準直性強，因而激光雷達具有角解析度和距離解析度高、抗干擾能力強、能獲得目標多種圖像信息（深度、反射率等）、體積小、質量輕等優 勢。
根據激光雷達線束數量的多少，可以將激光雷達分為單線（2D）雷達和 多線（3D）雷達，而由於單線雷達只能獲得平面數據，無法完成複雜路面地 形環境的模型建立，因此目前在實際使用中，基本都是多線雷達。目前主流 的激光雷達通常從 16 線到 64 線，也有少數 128 線等高線束數量的產品。
由於激光雷達可以依靠其探測範圍廣、抗干擾能力強及測量精度高的特 點，收集到足夠多的數據信息，並以此實現對車輛周圍環境的建模。因此在 理想狀態下，激光雷達能夠為自動駕駛的決策提供最豐富的參考信息，但在 實際應用過程中，激光雷達仍面臨一些尚待解決的問題。
首先，最大的問題就是激光雷達成本太高。目前技術最成熟的是機械式 激光雷達，即通過旋轉電機等機械設備實現 360 度掃描，但這種方式的硬體 集成難度高，因此高線束激光雷達的成本甚至難以降至 3000 美元以下。而 作為替代技術的半固態 MEMS 方式器件價格較高，並且掃描控制難度大；固 態的 Flash 方式儘管成本較低，但探測距離短，不足以適應自動駕駛的需求； 固態的 OPA 方式潛力最大，但目前技術還不夠成熟，供應鏈也不完善，中短 期內實現技術突破仍有困難。
其次，由於激光雷達獲得的道路信息極多，數據量大，對數據處理的算 法要求很高。目前主流的演算法基礎為點雲分割，即根據點雲分布的整體特徵 和局部特徵，將點雲進行分割，從而形成多個獨立的子集，從而快速提取有 用的物體信息。因此，車輛使用激光雷達作為感測器，既需要足夠出色的數 據演算法作軟體支持，也需要充足的硬體算力作保障。
第三，激光雷達發射的激光在雲、霧、雨雪等惡劣環境下衰減嚴重，無 法提供精確的環境圖像，因此自動駕駛過程無法完全依賴激光雷達，必須有 其他感測器設備配合。
2.3.2.決策
自動駕駛的決策層主要包括兩大部分，即硬體部分和軟體部分。其中硬 件部分是指各類計算單元，目前主要包括 CPU、GPU 和 FPGA，其作用是 為後續的軟體處理數據提供基本的算力支持。而軟體部分則是各類演算法，包 括對信息數據的處理、道路短期未來情況的推演預測、行駛方案的制定等等， 是自動駕駛技術中非常核心的部分，也是各大自動駕駛方案提供商的核心競 爭力所在。
2.3.2.1.硬體部分
自動駕駛的計算平台需要考慮的因素具有其獨特性：
①為了處理海量數據，並為 AI 運算提供充足算力，需要足夠有效的計算 性能；
②計算結果直接決定了車輛行駛的安全性，關乎車上駕乘人員的生命安 全，並且其工作環境可能較為惡劣（溫度、顛簸等），因此需要保證其具有高 可靠性；
③作為移動平台，需要保證其功耗在可接受範圍內；
④需要具有良好的可擴展性；
⑤由於產品最終要用於普通車輛上，作為消費品，需要控制其成本。
目前自動駕駛所使用的計算單元主要包括 CPU、GPU、FPGA（現場可 編程門陣列）和 ASIC（專用集成電路），四種方式各有優劣。
主流的自動駕駛計算平台供應商大多選擇混用不同的計算單元。目前全 球能夠提供高性能自動駕駛晶元的領先企業主要包括特斯拉、華為、瑞薩、 英偉達（Nvidia）、Mobileye、高通等，而其中特斯拉的系統封閉，軟硬一體 化，不對外供應晶元，華為也只提供 MDC 計算平台，而不單獨對外出售芯 片，其他幾家則大多以 SoC 方式提供產品。
2.3.2.2.軟體部分
目前自動駕駛技術的演算法底層技術都是機器學習演算法，但具體採用的算 法則會因廠家而異，而且這也是各大自動駕駛開發廠商最核心的競爭力。
全球致力於開發自動駕駛系統的企業和研究機構仍有不少，而這些企業 和研究機構的背景也各不相同，其中包括整車主機廠（特斯拉、寶馬、沃爾 沃等）、汽車零部件廠商（安波福等）、IT 巨頭（谷歌 Waymo、百度等）、專 門的初創企業（Aurora、小馬智行等）。由於這些不同的企業誕生於不同的地 區和行業背景下，因此他們開發的自動駕駛系統也往往在取向和進程上有著 不同的進展，具體情況我們將在後文中詳細分析。
而當下從軟體端來看，為了保證自動駕駛過程中駕駛的安全性和可靠性， 需要大量的測試和驗證，而目前業界普遍採用的基於機器學習演算法來處理大 數據集的深度學習技術儘管已經取得了巨大發展，但在面對自動駕駛的複雜 程度時仍然顯得效率不足。
3.自動駕駛主要開發商介紹及對比
3.1.Waymo
Waymo 前身是谷歌下屬的一個項目組，因此其一直能夠收到谷歌及其 母公司 Alphabet 的持續投入，因此它自始至終開發資金都很充足，目前 Waymo 仍然被認為是走在自動駕駛技術最前列的開發商。
Waymo 在最關鍵的路測階段積累了大量的經驗，是全球測試里程最長 的開發商，並且相較後來者有著數量級上的差距，根據目前數據，Waymo 自 動駕駛路測里程佔全部路測里程的一半以上。而 Waymo 採用的「強感知 強 智能」路線也成為目前全球自動駕駛開發企業最主流思路。
而 Waymo 開發自動駕駛汽車的思路其實是脫離了「汽車」本身的， Waymo 想做的是改變人類的出行方式，即建立一套由自動駕駛汽車構成的 基礎設施，並將其整體打包作為服務向民眾提供。因此，Waymo 無論是在開 發過程還是路測過程中，都是以此作為目標，直接將目標放在了無人駕駛的 終極形態上。
3.1.1.感測器
Waymo 採用的感測器方案非常完備，包括了激光雷達、攝像頭、毫米波 雷達及其他感測器（音頻探測等），並且相當一部分雷達在整輛車上配備有復 數個，從而保證對環境的完全掌握。
Waymo 的技術方案採用了基本上目前主流的所有感測器，因而保證了 其在各種時間、氣候條件下都能夠為算力中心提供充分的環境數據。
3.1.2.軟體
Waymo 的演算法本身還是機器學習演算法，但他們通過上百億英里的模擬 和超過 2000 萬英里的實際路測對其自動駕駛系統進行訓練，使其能夠通過 感測器傳遞的數據信息，探測、理解車輛周圍的物體，並預判其可能的行為 方式及對車輛行駛線路的影響，從而依此做出相應的駕駛決策。
整套系統包括三大部分：感知、行為預測和規劃。感知系統通過處理傳 感器提供的外部環境數據信息，幫助車輛區分行人、騎行者、汽車等交通參 與者，以及車道線、信號燈、障礙物等靜態物體；隨後藉助行為預測系統， 軟體儘可能預測道路上各個物體的運動趨向，確保車輛行駛在保持安全的同 事，儘可能地高效；在獲得感知和行為預測提供的信息後，規劃器能夠為車輛規划出合理的路徑，而這一過程需要儘可能保證車輛行駛的安全、順暢和 平穩。
3.2.特斯拉
特斯拉作為現今在自動駕駛領域「聲音」最大的企業，選擇了與 Waymo 不同的開發思路。特斯拉在開發自動駕駛時，著眼的是改變用戶體驗，車輛 本身並沒有變化，更多地是以賦能的形式呈現，讓特斯拉的車輛在具有自動 駕駛功能後，與市場上的其他競品根本性地區別開來。
而從技術上來說，相比於 Waymo 及其他企業普遍採用的「強感知 強智 能」路徑，特斯拉摒棄了成本高昂的激光雷達，採用高清攝像頭為主，毫米 波雷達為輔的「弱感知 超強智能」，以軟體決策為核心搭建其自動駕駛平台。
在特斯拉的感測器方案中共有 8 個攝像頭，其中包括了 3 個前視主攝像 頭（廣角、主攝、窄視各一個）、2 個側方前視攝像頭、2 個側方後視攝像頭， 以及 1 個後視主攝像頭，此外還有車身周圍共 12 個超聲波雷達和 1 個車頭 雷達。
演算法方面特斯拉綜合採用了 CNN（Convolutional Neural Networks，卷 積神經網路）、RNN（Recurrent Neural Networks，遞歸神經網路）、DRL（Deep Reinforcement Learning，深度強化學習）三種主流機器學習演算法，從而提高 了準確度並降低了硬體算力需求。而除了其內部的路試之外，特斯拉還依託 其目前龐大的客戶數量，獲得更多的數據，從而通過訓練不斷迭代升級其自 動駕駛系統 AutoPilot。
另外，與其他廠商不同的是，特斯拉會展望無地圖技術路徑，即在對車 輛定位和路徑規劃的過程中完全依賴感測器對外部的感知，而不需要藉助高 精度地圖等基礎資料庫類型的支持（目前仍然依賴高精度地圖）。
3.3.沃爾沃-Uber
沃爾沃在 2016 年就與 Uber 達成了戰略協議，共同開發自動駕駛汽車與 技術。與 Waymo 相比，其技術方案在考量的側重點有所不同。
相比 Waymo，沃爾沃-Uber 在 XC90 上使用了更多的攝像頭來增強其視 覺感測系統，其中包括車頂的一個前視攝像頭和一個車側及車尾攝像頭、進 氣格柵處的一個前視攝像頭、兩側後視鏡上的側視攝像頭，以及車尾的後視 攝像頭。另外，沃爾沃-Uber 還使用了一前一後各一個超聲波雷達，以及前後 兩側各一個毫米波雷達，以及車頂的一個激光雷達。
而在沃爾沃最新發布的 Recharge 概念車上，搭載了 Luminar 供應的第 三代 Iris 激光雷達感測系統，整套系統由 1 個激光雷達、8 個攝像頭、5 個毫 米波雷達和 16 個超聲波雷達組成；整套自動駕駛軟體的開發商則是沃爾沃 旗下自由的科技公司 Zenseact，搭載了可提供單片算力 254TOPS 的英偉達 Orin 自動駕駛晶元。
3.4.總結及其他
目前主流的自動駕駛技術路線有兩條，二者的分歧在於是否採用激光雷 達，而在「不用激光雷達」的陣營中目前基本上只有特斯拉一家，幾乎所有 其他企業都或多或少地依賴激光雷達，而出現這種分歧的核心原因在於激光 雷達具有最好的感知性能的同時，也有著最高昂的成本。
特斯拉 CEO 馬斯克曾多次表示對於自動駕駛系統使用激光雷達的不屑， 其曾經公開表示「激光雷達很愚蠢。任何使用激光雷達的都會完蛋」（Lidar is a fool. Anyone relying on Lidar is doomed），而事實上激光雷達在出現的前 幾年成本都顯得過於昂貴，使其完全不具備商業價值，因此即便使用激光雷 達可以有效提升自動駕駛系統的性能，對於特斯拉這家期望快速商業化的企 業來說，性能的提升並不能抵消其對於成本的考量。然而隨著技術進步，目 前車載激光雷達逐漸摒棄了成本高昂的機械式設計，同時隨著產品上量，規 模效應也顯著地降低了車載激光雷達的裝載成本，因此基於激光雷達強大的 性能，其商業價值也開始逐漸顯現。
從技術本身來看，激光雷達仍然是目前自動駕駛系統中性能表現最好的， 而因為激光雷達的降本有很大一部分來自規模效應，後續隨著產量提高，激 光雷達的成本也有快速下降的基礎。因此綜合來看，在沒有新的革命性技術 出現的情況下，搭載激光雷達仍將是自動駕駛解決方案中的關鍵一環。
4.其他相關配套設施
4.1.OTA
OTA 全稱為 Over The Air technology，即空中下載技術，指的是通過移 動通信的介面實現對軟體進行遠程管理、升級等操作的技術。當車輛軟體需 要升級時，傳統的做法是到 4S 店通過整車 OBD 對相應的 ECU 軟體完成升 級操作。這項技術最早被廣泛應用於智能手機，目前很多汽車也都提供了 OTA 功能。
隨著汽車智能化程度越來越高，OTA 所能實現的功能也越來越多，目前 車輛 OTA 的更新範圍通常涵蓋了涉及自動駕駛、人機交互、動力、BMS 等 領域。
前文提到，目前自動駕駛技術還處在相對早期，因此軟體端的技術迭代 非常快。基於此，大多數車企往往都會在車輛上搭載性能冗餘的硬體，而後 通過 OTA 的方式將學習成長後的軟體不斷同步到用戶端，從而保證用戶車輛 上的自動駕駛程序儘可能保持最新。
OTA 具有明顯的便捷性優勢。對於車主來說，OTA 幫他們省去了頻繁往 返 4S 店的麻煩，同時也節省了時間和金錢；而對於車企來說，OTA 技術不 僅省去了反覆召回客戶的溝通成本，也通過這種方式加強了產品的競爭力， 也因此現在 OTA 在乘用車端的滲透率不斷提高。
4.2. V2X & 5G 車聯網
目前廣泛應用的自動駕駛技術中，普遍還是以車輛單向感知為主，通過 攝像頭、雷達等設備實現對外部環境的感知。而這種方式對感測器的精度、 響應速度、處理能力等都有極高的要求，所以「車路協同」的概念就被提了 出來。
V2X，Vehicle To Everything，指的是車輛與外部的信息交換，其中主要 包括 V2N（車輛與網路/雲）、V2V（車輛與車輛）、V2I（車輛與道路基礎設 施）、V2P（車輛與行人），通過這種近乎於萬物互聯的方式，使得車輛在行駛 過程中能夠提前獲知外部信息，從而檢測隱藏的威脅並擴大自動駕駛感知范 圍，而且能通過主動通信提前進行預測和規劃，從而進一步提升自動駕駛實 現的安全性、效率和舒適性，這也就是所謂的「車路協同」。
過去 V2X 一直發展不暢，一個重要的因素就是網路條件不夠好，帶寬、 延遲等方面都不足以達到 V2X 所需的理想狀況。而在 5G 技術成熟應用之後， 其極高的網路傳輸速度和極短的網路延遲使得 V2X 的實現獲得了硬體基礎 支持，同時 5G 網路切片技術也能提升自動駕駛的穩定性。
如果我們將車路協同按深度劃分為協同感知、協同決策、協同控制和車 路一體化四個階段，毫無疑問目前只能是協同感知，而且只能算是初期。當 前車企在智能駕駛端仍然把注意力集中在單車智能上，而需要利用基站與無 線通信技術進行車、路、人之間協同的 V2X 並不是靠車企自己能解決的，更 重要的是需要有國家層面對相關基礎設施建設的政策支持。
5.總結
目前從事自動駕駛系統開發的廠商數量眾多且分布廣泛，並且由於整個 系統需要從硬體架構到軟體編寫再到車企驗證的多個環節，整個產業鏈涉及 到的範圍很廣，但總體來說能夠實現量產裝車上路的基本上還停留在 L2.5 級 別，部分功能可以達到 L3 或以上，距離 L4 和 L5 的高度自動駕駛還有很長 一段路要走。
從技術路徑來看，軟體端分歧不大，本質上都是依靠機器學習演算法，結 合實際路測數據和模擬路測數據實現迭代。而硬體端的分歧主要在是否使用 激光雷達：由於具有優異的性能，為了保證自動駕駛的安全性，激光雷達是 絕大多數廠商的選擇，其中包括了 Waymo、沃爾沃、通用等；而由於高昂的 成本，基於商業化量產考慮，特斯拉不採用激光雷達，而是採用以視覺方式 為主，超聲、毫米波雷達為輔的方式來構建其感知模塊。我們認為從優先保 證安全性的角度出發，未來激光雷達仍將是自動駕駛系統最重要的感測器之 一，而其目前高昂的成本會在技術進步和規模效應的多重作用下顯著降低， 從而使其具有足夠的經濟性。
從自動駕駛的終局模式來考慮，車路一體化是最後的理想狀態，但這也 會是一個極其漫長的發展過程，在這個過程中，我們相信國家推動的數字經 濟發展戰略將持續為車路協同的發展提供支持。
（本文僅供參考，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）
精選報告來源：【未來智庫】。未來智庫 - 官方網站
