车百专著 | 算力正在成为汽车智能化竞争的关键因素

汽车行业的算力需求主要围绕辅助驾驶与自动驾驶、智能座舱以及企业级应用三类场景。其中，辅助驾驶与自动驾驶已成为当前行业中规模最大、增长最快、技术挑战最集中的算力应用领域。根据赛迪研究院2023年发布的统计报告，在整体智能算力需求结构中，通用大模型占59%，智能驾驶以14%的占比紧随其后，高于传统算法推荐（6%）等其他应用。

在辅助驾驶与自动驾驶领域中，算力主要可分为训练和推理两类。训练环节是算力的主要消耗来源，而推理环节的需求正在快速增长。

在辅助驾驶与自动驾驶模型训练方面，其基础训练逻辑与通用AI大模型基本一致，但存在参数量相对较小、迭代周期短、数据吞吐量大的特点。尽管模型参数规模不大，但由于迭代速度快、训练数据量极高，汽车智能驾驶领域的算力需求持续快速增长。

车端模型的参数量远小于当前主流的云端大模型。受限于车端芯片算力与实时性要求，辅助驾驶与自动驾驶无法像云端模型那样无限制地堆叠参数。目前主流的端到端智能驾驶模型参数规模通常在亿级到十亿级之间。例如，行业首篇公开论文中的端到端模型UniAD参数量约为1亿；据行业推测，特斯拉FSD V12的模型参数量大约为10亿。相比当下动辄百亿乃至万亿参数的通用大模型，车端模型显然更为轻量，对算力的理论需求更低。

然而，参数轻量化并未降低算力门槛，反而在高频迭代与海量数据的推动下，催生了更庞大的训练需求。一方面，模型需要持续快速迭代。自动驾驶中的多任务学习普遍存在“跷跷板效应”——针对某一场景（如高速跟车）的优化，可能导致另一场景（如路口博弈）的性能下降。研发团队必须通过高频迭代来动态平衡各项指标。目前，特斯拉已实现以小时为单位的迭代节奏；国内领先企业如小鹏、引望也已将迭代周期压缩至5～7天。而多数通用大模型的迭代周期往往长达数月甚至数个季度。在这种“小步快跑”的开发模式下，算力成为提升迭代速度的关键支撑。

另一方面，智能驾驶模型对训练数据的消耗量极大。马斯克曾以特斯拉的训练经验指出“100万个视频片段（Clips）仅勉强可用，300万个会有惊喜，1000万个效果将不可思议”。一个Clip通常指车端7至12个摄像头同步拍摄的10到30秒短视频。以一段10秒、30帧每秒、7摄像头拍摄的视频为例，单个Clip就包含2100帧高分辨率图像。这些图像经过标注后会被转化为模型可识别的Token。按通用计费标准（如阿里标准，每28×28像素对应1个Token）估算，要达到理想的1000万Clips训练量，需处理的数据规模高达52.5万亿Tokens。作为对比，当前全球顶尖的开源通用大模型Qwen 2.5训练所用的Token总量约为18万亿。由此可见，高阶自动驾驶模型在多模态数据吞吐与算力承载上的要求，在数据规模层面已超越部分主流通用大模型，这也标志着自动驾驶技术正彻底从“代码驱动”转向“数据驱动”。

除了模型训练，辅助驾驶与自动驾驶也存在大量推理算力需求。随着真实路测数据采集的边际成本效益逐渐降低，行业正利用合成数据来填补长尾场景的空白。数据显示，2023—2025年间，合成数据在辅助与自动驾驶训练数据中的占比已从20%～30%提升至50%～60%。目前，合成数据的生成技术也在持续迭代：一方面是基于传统图形引擎（如Unreal/Unity）的3D渲染技术，通过物理建模构建确定性虚拟场景；另一方面是基于生成式AI的“世界模型”技术，借助视频生成模型直接合成具有物理一致性的逼真场景。当前行业重心正迅速向后者倾斜，大幅提升了对云端推理算力的需求。

合成数据的应用主要体现在高难场景构建与自动化验证体系搭建上。一方面，针对现实中难以捕捉的极端工况，系统可通过合成数据定向生成“难例”，从而针对性地提升车辆在复杂环境下的应对能力。另一方面，基于世界模型的强化学习正在重塑验证体系。如果将自动驾驶系统的迭代比作学生学习，那么世界模型就扮演着“出题人”的角色，它能够批量生成包含各类突发状况的虚拟“考卷”，构建一个无限接近真实的数字演练场。在此闭环测试中，云端系统能够高并发地验证智能驾驶策略的适应性与安全性，从而在车辆实际路测前完成数百万公里的虚拟测试。

此外，模型蒸馏也是云端推理算力的另一重要应用场景，即“大模型教小模型”的模式。受车端芯片功耗与算力限制，车企普遍采用“云大车小”的部署策略。例如，小鹏汽车在云端部署了参数量高达720亿的超大模型，而车端模型通常仅为10亿～30亿参数量级。云端大模型凭借其强大的推理与感知能力，对海量原始数据进行高质量自动标注或生成预测结果，并将这些“知识”作为真值输送给车端小模型进行学习。这一过程使车端小模型得以继承云端大模型的“智慧”。此类大规模的推理与知识迁移，也成为云端算力持续增长的重要支撑。

总体而言，在汽车领域，辅助驾驶与自动驾驶已成为算力需求的主要驱动力之一。为实现相关功能，系统通常需要达到数十EFLOPS级别的计算能力。近年来，主流车企及供应商正加速提升算力总量。理想、小鹏等国内品牌的算力平台约在10 EFLOPS左右，引望（原华为车BU）则达到了45 EFLOPS，而行业领先者特斯拉的算力规模已达到100 EFLOPS。

当前，智能座舱的智能化体验正逐步形成以“云端为主、端云协同”为基础的算力架构。在算力需求结构上，推理算力占据绝大多数。

根据应用场景的不同，主要可分为功能性小尺寸模型与生成式大模型两类。在基础交互层面，如语音识别、语音合成、图像识别与生成等任务，通常采用技术成熟、参数规模较小的专用模型。语音识别领域常用的开源模型包括 Whisper，以及各大云厂商和语音厂商（如阿里、火山引擎、科大讯飞等）提供的商用模型；语音合成则沿用 FastSpeech、Tacotron 等架构的衍生实现或云端TTS服务。在视觉任务方面，从目标检测到语义分割与基础图像生成，常见模型的参数规模通常在数千万到数十亿级别。这类模型经过剪枝、量化、蒸馏等优化后，往往无须大规模算力集群，即可在消费级显卡或汽车座舱芯片的GPU/NPU上实现推理，满足低延迟、离线可用的需求。

要从指令执行迈向拟人化交互，必须依托云端通用大模型。这类模型主要承担复杂语义理解、逻辑推理、知识问答及多轮对话等任务，其参数规模往往达到数百亿至数千亿量级。目前，行业已出现将高性能通用大模型接入车端的趋势，例如已有车企通过云端API集成DeepSeek等先进模型，以提升座舱的逻辑思考与泛化能力。与感知小模型不同，认知大模型对算力的需求呈指数级增长，必须依靠高带宽、高并发的智算集群来支持，从而在处理知识检索与生成任务时仍能保证流畅体验。

整体来看，座舱对算力的需求相对较小。由于智能座舱交互的频次与内容相比手机应用和PC端应用，现阶段仍存在明显差距。消费者的主要交互场景仍是手机，尚未形成在车内频繁使用应用的习惯。在车内环境中，交互目前仍以语音为主，这类交互通常基于小尺寸模型，对大模型的应用也以对话为主，对算力的需求相对较少。

正如本书第五章所述，企业级应用已全面覆盖汽车产业的研发、生产、供应、销售与服务全链条。与自动驾驶侧重于模型训练不同，在企业应用中，算力需求结构呈现出明显的“推理主导”特征，即依托成熟模型开展高频的业务处理与逻辑生成。在部署架构上，行业当前已基本形成“私有化部署”与“公有云MaaS/ISaaS”并行的双轨模式。

私有化部署作为保障数据安全的“护城河”，可进一步分为本地化部署与托管私有云两种形态。本地化部署要求企业在自有数据中心搭建全套系统，尽管运维成本较高，但能实现软硬件的完全自主掌控与数据的物理隔离，因而成为核心机密业务的首选。托管私有云由第三方IDC或云厂商提供物理隔离的专属资源池，企业通过远程管理，既可享受公有云的弹性扩容优势，也能满足硬件专享的合规要求。目前，东风汽车、长安汽车等头部车企已率先通过私有化部署模式引入DeepSeek等大模型，构建起安全可控的企业内部知识流转体系。

基于公有云的MaaS与ISaaS模式凭借其快速接入与生态丰富的特点，正成为提升研发与运营效率的重要推动力。以吉利汽车为例，其研发团队采用ISaaS模式引入通义灵码专属版，覆盖超过1500名研发人员。在通用代码逻辑开发与检查测试环节，AI生成的代码占比已超过30%，带动整体代码开发效率提升20%以上。在运营管理方面，中国一汽基于阿里通义大模型打造了汽车行业首个面向全集团的AI Agent，有效打通了各业务板块的数据孤岛，显著提升了企业的决策响应速度与运营协同效率。蔚来智能座舱研发团队已有近400名成员在日常开发中深度使用通义灵码，日常代码中的AI生成比例稳定在30%～40%。

整体而言，当前汽车行业的企业级应用主要集中在IT系统与企业数字化环节，私有化部署算力的规模尚难以统计。MaaS与ISaaS等模式本质上是IT行业服务形态的一部分；尽管代码类任务目前是AI算力消耗的主要场景，但其整体仍属于云服务商所提供的服务范畴。相比庞大的传统IT行业，汽车领域在其中所占的比重仍然有限，目前整体占比并不高。