代差之下：汽車算力基建競逐的AB面

“國內自媒體總說，自主品牌車企的智能輔助駕駛（實力）遠超特斯拉，但事實是特斯拉先提概念，我們隨后跟進。從算力上論，國內所有車企AI（芯片）的顯卡加起來都沒有特斯拉Dojo多?！鼻安痪茫袊嚬I協會副總工程師王耀在行業論壇上的一番話，再次引發行業對智能輔助駕駛算力、算法的關注。

“特斯拉2016年啟動自動駕駛自主研發，我們2018年跟進；特斯拉2021年發布FSD Beta，我們2023年推出類似功能，這種時間差背后是算力基建的代差?！蓖跻岬降乃懔Σ罹啵诙啻蟪潭壬嫌绊懼悄茌o助駕駛的發展？對于這個問題，行業專家和企業人士給出了自己的解答。

特斯拉追求算力的自研賬

走純視覺路線的特斯拉，對算力有著近乎瘋狂的追求。這與其技術路線選擇和數據驅動路徑密不可分。

與ChatGPT、Deepseek等聊天機器人模型主要以圖片、文本不同，自動駕駛系統的數據訓練需要真實的駕駛視頻，相比之下占用空間大得多。海量的實時視覺信息處理、復雜場景的模擬預測、神經網絡模型的快速迭代訓練，每一項都對自動駕駛的底層算力提出指數級增長需求。

尤其特斯拉的目標不只是FSD，還有Robotaxi及無人駕駛。在2023年二季度公司財報電話會上，特斯拉創始人兼首席執行官馬斯克談及FSD Beta的開發。他表示，要實現無人駕駛需要很高的計算能力，Dojo將提供更高效的神經網絡模型訓練。

Dojo是特斯拉為滿足純視覺自動駕駛需求開發的高性能計算系統，于2023年7月正式投產。該系統采用特斯拉自研的D1芯片構建分布式架構，主要處理特斯拉全球車隊每日采集的約1600億幀視頻數據。這些視頻需要逐一進行分析、標記和處理，幫助FSD不斷學習新的邊緣場景（即不可預測的罕見情況）。

正因為采用純視覺方案發展自動駕駛，特斯拉走上了自研芯片、打造高性能視頻訓練的超算之路。因為一旦獲得成功，特斯拉FSD的訓練效率將從根本上實現躍遷。

在此背景下，第一代Dojo及其自研芯片D1在2021年特斯拉AI Day上首次亮相，不過當時還只是Demo。最早的D1芯片，采用7納米制程工藝制造。特斯拉將一組這樣的芯片放在單獨的“訓練瓦”上，以提供9千萬億次計算能力（9PFLOPS），其中120個“訓練瓦”聚集在幾個服務器機柜中，提供10PFLOPS的運算能力。

根據最新消息，特斯拉Dojo第2代芯片量產進入倒計時，性能比第一代產品提高10倍；Dojo第3代芯片，將于明年推出；此外，Dojo超算有望2026年實現規?；\營。這些進展很可能會讓特斯拉FSD實現“自產自訓”，從此完全擺脫英偉達的“束縛”，進而甚至向外部提供算力。

特斯拉表示，Dojo 2超算能讓數據訓練速度猛增一個數量級，這也意味著FSD的優化將再上一個臺階。更具戰略意義的是，富余的算力潛能可能轉化為新的業務增長點——向外部企業提供強大的AI訓練服務，特斯拉自身則由此向“AI基礎設施服務商”悄然轉型。

自建算力中心的興起與弱化

汽車行業進入智能化發展的“下半場”，算力基建與之“強掛鉤”。隨著市場競爭逐漸進入同質化階段，誰能率先以技術創新突出重圍，誰就更有希望站上價值鏈的制高點。

國內車企對于特斯拉在AI算力上的投入反應敏銳，長城、吉利、小鵬和理想等也開始籌建自己的超算中心。

2022年8月，小鵬汽車宣布在烏蘭察布建成中國最大的自動駕駛智算中心“扶搖”，用于自動駕駛模型訓練。據悉，“扶搖”基于阿里云智能計算平臺，算力可達600PFLOPS，將小鵬自動駕駛核心模型的訓練速度提升近170倍。

要把汽車打造成“硅基家人”的理想，提出“ALL in AI”戰略后，也聚焦算力中心的打造，僅算力訓練一年就投入10億元。2024年9月，理想汽車智能駕駛研發副總裁郎咸朋曾透露，該公司目前累積的訓練里程已超22億公里，預計到年底將超30億公里；當前訓練算力達到5.39EFLOPS（1EFLOPS相當于1000PFLOPS），預計到年底將超過8EFLOPS?！拔覀冋J為，自動駕駛訓練所需的算力最終要達到100EFLOPS量級，折合成投入每年要超過10億美元。”他稱。

汽車行業算力基建的參與者除了車企，還有華為、商湯科技等產業鏈上游供應商。2022年，商湯科技宣布旗下人工智能計算中心AIDC啟動運營。作為SenseCore商湯AI大裝置計算基礎設施的重要組成部分，AIDC一期工程的設計算力為每秒3740PFLOPs，預計每天可處理時長2.36萬年的視頻，占地面積13萬平方米，一期機柜數量達5000個，號稱“亞洲最大的超算中心之一”。目前，AIDC已成為商湯科技挑大梁的業務，公司2025年算力租賃收入預計將不低于50億港元。

華為則于近日在2025世界人工智能大會上首次線下展示了昇騰384超節點真機，通過全互聯架構實現芯片高效協同，提供高達300PFLOPS的密集算力。

雖然國內汽車行業的算力基建不斷加速，但王耀的擔憂并不是空穴來風。2024年，有市場研究機構分別對國內車企及特斯拉的算力情況進行了統計與對比，發現差距確實存在。

值得關注的是，與2022~2023年車企密集建設超算中心不同，雖然算力競爭越來越白熱化，但車企自建的趨勢似乎悄然弱化。有行業人士分析認為，這一現象的背后是行業技術路線、成本策略和算力部署模式的系統性轉變，主要受以下5大因素驅動：一是芯片路線突變，英偉達Thor芯片延期與車企自研芯片崛起打破原有規劃；二是算力部署策略轉變，車企從自建轉向混合云與專業化服務；三是成本壓力倒逼，車企從重資產投入轉向輕量化協作；四是技術重心遷移，車企從算力堆砌轉向大模型與數據閉環落地；五是超算形態進化，分布式集群替代單一中心。

國內的算力需求尚未爆發

清華大學蘇州汽車研究院智能網聯中心技術總監孫輝在接受記者采訪時，分享了這樣的觀點：“智能輔助駕駛的發展還在路上，由于車端部署算力的限制，基于語言模型的VLM/VLA端到端大模型仍處于起步階段，對訓練算力的需求尚未完全爆發。僅從智能輔助駕駛來說，中國車企也還不到大范圍鋪算力的時候，具體需要調動多少算力，還要與算法掛鉤。”

算力差距背后的深層次原因，還要從技術路線、實際需求以及未來趨勢等方面抽絲剝繭地探究。

首先，技術路線差異是根本所在。特斯拉堅持純視覺路線，這種解決方案先天存在逆光、弱光、測距等缺陷，必須依賴海量數據訓練彌補感知不足，這直接催生了其對算力的瘋狂渴求。而國內車企根據不同的產品定位，多采用視覺、激光雷達+視覺融合兩套方案。其中，激光雷達提供的3D環境直接測量能力，可大幅降低對數據訓練的依賴。孫輝直言：“純視覺路線下，堆算力是特斯拉惟一的出路?！?/p>

其次，不能忽略特斯拉在戰略布局上的更大“野心”。特斯拉的算力投入不僅服務于自動駕駛，更與其大語言模型、場景生成等AI業務協同。特斯拉自研的Dojo平臺正在探索“世界模型”技術，通過生成式AI模擬罕見駕駛場景，這類大模型訓練天然需要指數級的算力支撐。

在2025上海車展期間，地平線創始人兼首席執行官余凱曾提及，特斯拉的數據來源除了用戶與自己車隊的收集，更多來自虛擬世界的仿真與強化學習。這也解釋了為何特斯拉對算力有如此大的需求。

在記者的采訪中，不少行業人士都認為，技術路線與實際需求的差異，意味著國內汽車行業不必非要在算力上與特斯拉一較高下。就目前國內組合輔助駕駛的推廣情況來看，國內頭部車企與特斯拉并不存在明顯差距，算力溝壑在應用層面的表現并不突出。而產業生態的差距，讓國內車企不必單打獨斗，協同優勢下甚至在某些方面領先特斯拉幾個“身位”。

據了解，國內車企推廣組合輔助駕駛普遍采用分層策略，高端車型配裝激光雷達，中低端走純視覺路線，并依托供應商提供算力基建。這種分工合作讓車企無需獨立承擔超算中心的建設成本。特斯拉則受限于北美供應鏈環境，只能選擇全棧自研的“重投入”路徑。

智能輔助駕駛競爭靠什么

不必陷入算力焦慮，更不必落入自證陷阱，在智能輔助駕駛加快落地的過程中，行業對算力、算法、架構、數據究竟應先補齊哪塊短板的討論，尤為重要和必要。

孫輝認為，在討論這個問題之前，要先精準定位產品。他表示：“智能輔助駕駛系統畢竟是一款產品，要與車輛本身結合統籌考慮，確定設計、成本、適配方案等?！?/p>

在孫輝看來，以數據為主的要素將是下一個關鍵競爭點。聚焦智能輔助駕駛本身，他分析道：“算法同質化已成定局，從BEV、OCC（占用網絡）架構到端到端大模型，核心技術框架已高度趨同，一條路線以純視覺為主，另一條路線是融合感知方案。算法無法被壟斷，人才流動或技術來源會讓創新快速擴散，企業很難長期維持‘護城河’?！?/p>

有鑒于此，數據在深層次的行業競爭中體現出更高的價值。擁有百萬級實車數據的企業，正通過收集到的海量數據，構建不易復制的競爭力：一是解決“交互博弈”難題，例如車輛對加塞、搶道等行為的擬人化決策，需海量真實路況訓練；二是優化“長尾場景”，國內復雜路況下特有的三輪車、移動路障等場景，依賴大量本土化數據積累。孫輝認為，這是新入局者或外來者無法擁有的優勢，缺乏本土數據的支撐將直接制約智能輔助駕駛的體驗優化。

此外，孫輝還補充說，人才密度事關落地效率，人才是決定智能輔助駕駛市場競爭力的另一個核心要素。端到端大模型并未減少工程復雜度，反而需要更多研發人員處理算法與現實的“鴻溝”，“100種加塞場景，需要100套人工規則兜底”。目前，行業頭部企業的智駕團隊已達數千人規模，遠超早期的算法研發需求。因此，企業如何高效組織工程師團隊打造數據閉環、開展規則校驗，正在成為智能輔助駕駛市場競爭新焦點。

即使擁有同等算力資源，不同團隊的算法效率和最終的系統性能也可能天差地別。就職于某造車新勢力企業的工程師李光（化名）向記者強調了算法的重要性：“算法效率是杠桿，例如DeepSeek以同行1/10的算力達到同等體驗效果。算法效率高，可以不需要那么大的算力?，F在大家都在‘卷’算力，本質上是因為算法不夠優。”他認為，在技術路線上，國內車企通過激光雷達以“硬件補算法”，雖能短期內能夠奏效，卻推高了單車成本，反觀特斯拉的純視覺路線印證了算法優化的長期價值。

總之，算力是一個核心競爭要素，但不是全部，還有感知、算法、數據等要素。系統級最優，才是最優。一位智能輔助駕駛企業人士也向記者表示：“‘數據質量+訓練’策略也很重要，‘海量數據+大算力’不是惟一解，肯定還有更優解?！?/p>

算力基建是復雜性系統工程

就當前情況來看，算力并不是直接“卡脖子”的因素，但要深耕汽車智能化賽道，這張“道具牌”也不能等閑視之。

從長遠來看，汽車行業算力基建有不可忽視的戰略意義。“云端算力建設本質是業務規模與前瞻儲備的平衡?！崩罟獗硎荆鐚μ厮估⒗硐?、小鵬等車企而言，算力不只服務于智能輔助駕駛——理想打造的“理想同學”、小鵬推進的人形機器人、特斯拉涉及的能源等其他業務，都對大模型算力有著很高的要求。

而且，隨著智能汽車銷量的逐步增長，車輛產生的數據將呈指數級增長，車企對于算力基建的儲備需求也必然將提上議事日程。

李光借助小米業務板塊的例子，強調了算力基建的重要性：“小米集團有個獨立的‘小愛’業務部，專門負責AI基座大模型的設計與開發。這一模型要統一支撐手機、IoT、汽車等多業務，算力復用率遠高于單一車企。因為小米以智能手機起家，所以在算力基建方面有較深的基礎。而理想等車企因業務單一且起步較晚，更需持續擴容應對車型銷量增長產生的數據處理與產品智能化升級需求?！?/p>

面對算力差距，簡單的“買卡建機房”思維顯然不足以為繼。構建真正支撐AI生態的算力基建，是一項涉及多維度協同的復雜性系統工程。2023年，工業和信息化部等六部門印發關于《算力基礎設施高質量發展行動計劃》通知，要求到2025年，算力規模超過300EFLOPS。我國“東數西算”工程有序推進，一批國家級智算中心在多地拔地而起，從而構建覆蓋全國的算力網絡。在芯片層面，盡管面臨先進制程限制，華為昇騰、寒武紀等國內廠商也在持續迭代技術與產品，努力提升國產芯片的性能和構建產業生態。

中國汽車產業的智能化突圍之路，必然是算力基建的全力追趕與數據算法等核心能力躍升的“多軌并行”。在正視差距的同時，行業也需要獨立思考與創新性思維，在技術落地應用與構建未來競爭力之間尋找平衡。

文：張雅慧 編輯：龐國霞 版式：李沛洋