摩根斯坦利再次出手估价:特斯拉自动驾驶打车网络值 177 亿美元

简介: Autopilot 还不能自动驾驶呢,哪来的打车网络?
TB1MA3hwb3nBKNjSZFMXXaUSFXa.jpg

雷锋网按:Autopilot 还不能自动驾驶呢,哪来的打车网络?

摩根士丹利已经开始为特斯拉的自动驾驶打车服务估值了。在这家著名投行看来,只要 Elon Musk 走出这一步,特斯拉的自动驾驶打车服务就值 177 亿美元。虽然只有 Waymo 估值的十分之一,但也轻松超越通用旗下的自动驾驶部门 Cruise。

虽然看起来挺惊人,但事实上平摊成股票,每股股价才 95 美元,而 2015 年摩根斯坦利分析师 Adam Jonas 可是给出过每股 244 美元的估值。

别混淆了,这可只是特斯拉自动驾驶打车服务的估值,而非整个公司。特斯拉现在的股价为 280.74 美元。眼下,摩根斯坦利认为特斯拉整个公司的目标股价也不过 291 美元。

给一个还不存在的业务估值有点不成熟,不过在摩根斯坦利看来,这个估值也反映了特斯拉在该领域的停滞不前,它落后 Waymo 和 Cruise 确实太多了。

Jonas 指出,“关于打车或分享服务,特斯拉几乎没透露什么细节信息,没人知道它们的商业模式。”反观 Waymo 和 Cruise,“在商业化和部署上的目标已经越来越明显。”

同时,特斯拉更高的资本成本和更小的相邻收入货币化空间,也是摩根斯坦利给了较低估值的原因。

“在我们看来,特斯拉未来可能需要做出战略决策,决定是否独立推出自动驾驶打车战略或者将车辆数据和车队管理生态‘捆绑’在一个或多个外部平台上,让这些更擅长数据变现、提升用户参与度/体验和降低成本的平台来帮忙。”Jonas 在研究报告中写道。

三年前,在 Uber 最红火的时候,特斯拉 CEO Elon Musk 确实曾萌生过自动驾驶打车网络的想法。但据雷锋网(公众号:雷锋网)了解,与 Waymo 等公司的自营车队不同,Musk 更偏向于让特斯拉车主的车辆“发挥余热”,在车主不需要服务时投入打车市场,帮自家主人赚点充电钱。不过在那之后,Musk 就再没放出过有关这个打车网络的相关细节。

最近从 Musk 口中听到一些蛛丝马迹还要追溯到 5 月份特斯拉第一季度财报电话会议上。当时,他表示,从“技术角度”来看,特斯拉的电动车今年年底就能实现全自动驾驶。同时,他还抱怨称,监管部门的批准是他无法给出全自动驾驶升级包推送具体时间的原因。

不过,竞争对手可不等人,像 Waymo 和 Cruise 这样的领跑者正在开足马力筹备自动驾驶车队的部署,今明两年两家公司的打车服务就会相继上线。后续,还会有大量新创公司蜂拥而上。

当然,摩根斯坦利依然看好特斯拉,至少是在最初阶段。Jonas 预计,到 2030 年时,特斯拉的自动驾驶打车网络会比 Waymo 拥有更多车辆、更多行驶里程和更高的收入。

不过,Waymo 的增速会更快,Jonas 在报告中预测称,到 2040 年其营收就将增长至 7240 亿美元,营业利润高达 920 亿美元。

“简而言之,我们假设特斯拉起步比 Waymo 快,但几年之后 Waymo 就能完成反超,而且 Waymo 后劲更足,商业模式其他公司也很难模仿。”Jonas 写道。

在此前的报告中,据雷锋网了解,摩根斯坦利给了 Waymo 1750 亿美元的估值,而 Cruise 则为 115 亿美元。

目录
相关文章
|
1月前
|
机器学习/深度学习 安全 自动驾驶
网络安全与信息安全:防御前线的科学与艺术基于深度学习的图像识别在自动驾驶技术中的应用
【5月更文挑战第27天】 在数字化时代,网络安全和信息安全已成为维护信息完整性、确保数据传输保密性和保障系统可用性的关键。本文深入探讨了网络安全漏洞的概念、加密技术的应用以及提升安全意识的重要性。通过对网络威胁的分析,提出了一系列创新的防护措施,旨在为读者提供全面的安全防护策略和技术应用指导。 【5月更文挑战第27天】 随着人工智能技术的飞速发展,深度学习已经成为推动许多创新应用的核心动力。尤其是在图像识别领域,深度学习模型已经展现出了超越传统算法的性能。本文将探讨深度学习在图像识别技术中的最新进展以及这些进展如何被应用于自动驾驶汽车系统中,以实现更准确和可靠的环境感知能力。我们将分析当前最
|
1月前
|
机器学习/深度学习 自动驾驶 安全
基于深度学习的图像识别技术在自动驾驶系统中的应用网络安全与信息安全:防御前线的关键技术与意识
【4月更文挑战第30天】随着人工智能技术的飞速发展,深度学习已成为推动多个技术领域革新的核心力量。特别是在图像识别领域,深度学习模型已展现出超越传统算法的性能。在自动驾驶系统中,准确的图像识别是确保行车安全和高效导航的基础。本文将探讨深度学习在自动驾驶中图像识别的应用,分析关键技术挑战,并提出未来的发展方向。
|
1月前
|
机器学习/深度学习 自动驾驶 算法
【计算机视觉+自动驾驶】二、多任务深度学习网络并联式、级联式构建详细讲解(图像解释 超详细必看)
【计算机视觉+自动驾驶】二、多任务深度学习网络并联式、级联式构建详细讲解(图像解释 超详细必看)
131 1
|
1月前
|
机器学习/深度学习 运维 自动驾驶
华为核心网自动驾驶网络被ABI Research评为全球第一
近日,全球著名权威咨询机构ABI Research发布了业界首个《5G核心网端到端自动化及编排能力竞争力报告》。该报告显示,华为核心网自动驾驶网络解决方案(ADN)凭借其业界领先的技术创新和商用部署,综合排名全球第一,被评为全球领导者。
|
1月前
|
机器学习/深度学习 传感器 自动驾驶
【计算机视觉】一、多任务深度学习网络的概念及在自动驾驶中的应用讲解(图文解释 超详细)
【计算机视觉】一、多任务深度学习网络的概念及在自动驾驶中的应用讲解(图文解释 超详细)
61 0
|
7月前
|
机器学习/深度学习 编解码 自动驾驶
【论文解读】MV3D-Net 用于自动驾驶的多视图3D目标检测网络
​MV3D-Net融合了视觉图像和激光雷达点云信息;它只用了点云的俯视图和前视图,这样既能减少计算量,又保留了主要的特征信息。随后生成3D候选区域,把特征和候选区域融合后输出最终的目标检测框。 论文地址:Multi-View 3D Object Detection Network for Autonomous Driving 开源代码:GitHub - bostondiditeam/MV3D: Multi-View 3D Object Detection Network for Autonomous Driving
131 0
|
机器学习/深度学习 传感器 人工智能
基于无标注网络驾驶视频,自动驾驶策略预训练新方法 | ICLR 2023
基于无标注网络驾驶视频,自动驾驶策略预训练新方法 | ICLR 2023
102 0
|
机器学习/深度学习 人工智能 自动驾驶
自动驾驶感知多任务学习网络方法盘点!(检测/分割/车道线/关键点/深度估计)
多任务学习是自动驾驶领域非常重要的一个模块,旨在通过一个网络在较小计算量下实现多个任务,比如分割、检测、关键点、车道线等,除了具有节省计算量的优势外,多任务之间还具有一定的相互辅助作用,比如分割任务会帮助检测任务提升整体性能,下面梳理下自动驾驶领域常用到的一些多任务学习网络;
自动驾驶感知多任务学习网络方法盘点!(检测/分割/车道线/关键点/深度估计)
|
机器学习/深度学习 编解码 自动驾驶
自动驾驶中的循环神经网络(3)|学习笔记
快速学习自动驾驶中的循环神经网络(3)
104 0
自动驾驶中的循环神经网络(3)|学习笔记
|
机器学习/深度学习 自然语言处理 资源调度
自动驾驶中的循环神经网络(2)|学习笔记
快速学习自动驾驶中的循环神经网络(2)
110 0
自动驾驶中的循环神经网络(2)|学习笔记

热门文章

最新文章