智能汽车时代 " 内卷 " 困局下，汽车行业如何以 A 驱动创新实现可持续发展 ?

在中国汽车行业，随着电动化和智能化的快速发展，汽车逐渐从单纯的交通工具演变为集科技与消费属性于一体的智能终端。然而，随之而来的是 " 内卷 " 现象的加剧，价格战、营销战、流量战和渠道战等让汽车产业上下游都陷入困局。面对这一挑战，奇瑞控股集团党委书记、董事长尹同跃表示，车企应当 " 卷 " 技术、" 卷 " 价值，而非单纯 " 卷 " 价格。智能汽车时代，汽车行业该如何通过技术创新和价值创造，突破 " 内卷 " 困局，实现可持续发展？

近日，中国电动汽车百人会副理事长兼秘书长张永伟在 2024 全球智能汽车产业大会上明确指出，汽车行业的主要变化是技术高地和企业战略竞争支点快速向人工智能（AI）驱动的智能化迁移。过去的竞争力已难以支撑汽车企业的下一步发展，未来必须基于新的高地和支点，以 AI 驱动智能化发展，实现战略转型，才能赢得未来。如果在这个领域的变革跟不上或未引起足够重视，大量企业将面临失去未来的风险。

算力：汽车企业竞争的关键

随着人工智能大模型技术的快速发展，汽车云端智能算力的需求急剧增长，算力正日益成为汽车企业竞争的关键。

" 人工智能时代，汽车行业最缺的是智算的基础设施，而不是生产能力。" 张永伟表示，随着汽车与 AI 的深度融合，端到端智能驾驶、座舱大模型等技术加速上车，行业对智能算力的需求快速增长。

在端到端智能驾驶领域，起步算力是 1EFLOPS（超级计算机浮点性能的衡量单位），而车企平均投入的算力已达到 3EFLOPS 以上，但距离 100EFLOPS 的理想算力仍相去甚远。在座舱大模型领域，基础模型算力需求大于 10E－FLOPS，座舱垂域模型算力需求为数百到数千 PFLOPS。然而，国内车企现有的算力都在 10EFLOPS 以下，中国移动、中国电信、中国联通三大运营商到 2024 年底的规划算力合计也只有 53E－FLOPS，远不能满足行业需求。

随着人工智能大模型技术的快速发展，汽车云端智能算力的需求急剧增长，算力正日益成为汽车企业竞争的关键。据中国工业报记者了解，汽车企业可以通过自建、合作建设与使用云服务多种模式发展算力。

Google、特斯拉等国际头部自动驾驶企业基于自身强大的技术积累和资金储备，从芯片、算法、软件到系统几乎全栈自研。国内百度、华为、商汤等企业基于自身在人工智能与信息通信等领域的积累，依托自建数据中心发展自动驾驶等汽车智能化业务。百度、阿里、火山引擎等科技企业已有算力中心相关布局和经验，能够向汽车企业提供包括算力中心规划、建设、运维等多种服务。通过合作建设，整车企业可以大幅节省算力建设的时间，减轻运维压力。

近年来，长安汽车、吉利、小鹏、理想、毫末智行等汽车企业纷纷联合科技企业，建设智算中心。例如，长安汽车与百度共建长安汽车智算中心，算力达 142PFLOPS；小鹏汽车联合阿里云在乌兰察布建设专用于自动驾驶模型训练的 " 扶摇 " 智算中心，算力达 600PFLOPS。

亚马逊云科技、微软云、阿里云、腾讯云、火山引擎等云服务企业本身储备了相当规模的算力，基于覆盖全球或区域的算力中心，为汽车企业提供算力服务及多种数字化解决方案。例如，亚马逊云科技围绕自动驾驶、车联网和软件定义汽车三大场景赋能汽车行业，为宝马、比亚迪、小鹏、理想等企业提供服务；微软基于 Azure 云平台，打造了完整的自动驾驶开发支持解决方案，合作企业包括通用、大众、元戎启行等；腾讯云的智能汽车 " 云专区 "，为智能汽车企业定制一站式云解决方案，已与奔驰、博世、蔚来等企业合作，助力汽车企业自动驾驶研发。另外，一些城市的智算中心也通过云服务为当地企业及科研机构提供算力支撑。

来自智能汽车与智慧城市协同发展联盟观点认为，数据驱动体系下算法是决定上限的 " 菜谱 "，云端算力是 " 燃料 "，数据是 " 食材 "，数据闭环工具是 " 厨具 "，共同决定了企业的智驾能力。在技术方面，特斯拉算力、数据、工具、算法具备先发优势。特斯拉算力规模超过国内厂商一个数量级。2023 年一季度，特斯拉云端算力达到 35EFLOPS，超过华为车 BU、百度极越、长城、蔚来、理想、吉利、小鹏等企业已公开自建算力总和的 3 倍。且特斯拉不受芯片法案影响，具备自研 AI 训练芯片能力，算力增长空间很大。马斯克表示，2024 年底算力将提升至 100EFLOPS。

张永伟提出，汽车行业未来应从四个方面加强算力共建共享，提升资源利用效率：一是算力集中，提高模型迭代效率；二是基础模型共享，减少资源重复利用；三是软硬协同，提升软硬件适配；四是生态共建，完善软件开发生态。他强调，除了算力规模不足，中国本土算力还需解决从不成熟向成熟化发展的问题。目前，虽然有了英伟达芯片，但围绕芯片的软件开发才刚刚起步，形成了 " 有芯片、缺软件 " 的不成熟算力。通过丰富软件和生态，可以将不成熟的算力转变为成熟的算力，减少未来被 " 卡脖子 " 的风险。

大模型：智能汽车的 " 灵魂 "

大模型甚至有可能推动智能驾驶汽车变革为超级智能体，让汽车能够不断从周围环境中积累数据并自主改进和优化自身表现，主动适应各种驾驶环境和交通状况，提高驾驶的舒适性和安全性。

大模型，是指那些拥有数亿乃至数十亿参数的深度学习模型，是智能汽车智能化的关键技术之一。它们在处理复杂任务时表现出色，尤其是在自然语言处理、图像识别等领域。在智能汽车领域，大模型的应用同样具有重要意义。例如，生成式 AI 为 AI 在汽车场景中的应用提供了新的机遇。火山引擎汽车行业总经理杨立伟指出，生成式 AI 不仅可以优化用户体验，还能提高汽车的智能化水平。杨立伟引用数据说明，自 2010 年至 2023 年，全球软件市场规模几乎翻了一番，其中云服务市场占据了 60%-70% 的份额，显示了云化软件的巨大价值。生成式 AI 的潜力巨大，其增长空间不容忽视。

在具体应用方面，清华大学计算机科学与技术系教授邓志东介绍了端到端一体化的自动驾驶新范式，该范式的核心是基于学习的决策推理与规划。与传统基于逻辑规则的方法相比，基于学习的方法能够更好地模拟人类驾驶行为，提高自动驾驶的安全性和可靠性。邓志东还提到，为了实现这一目标，必须构建数据闭环，确保模型能够在真实的驾驶环境中不断学习和优化。中国科技大学教授、安徽深信科创 CEO 杨子江补充道，数据闭环可以通过多种方式进行，包括基于游戏引擎的仿真、三维重建的仿真以及基于世界模型的仿真，每种方法都有其优势和局限性。

大模型以算力为基础、数据为资源、算法为放大器的技术范式具有马太倍增效应，已经产生出智能涌现的特性，可以在自动驾驶、智能座舱等多方面提升汽车的智能化水平，且能快速迭代，带来新的价值增量。大模型甚至有可能推动智能驾驶汽车变革为超级智能体，让汽车能够不断从周围环境中积累数据并自主改进和优化自身表现，主动适应各种驾驶环境和交通状况，提高驾驶的舒适性和安全性。同时，也可以帮助汽车理解人类的语言和手势，并通过语音、灯光或屏幕等方式与人类进行高效沟通。

百度智舱业务部总经理李涛指出，当前很多座舱设计简单地将平板电脑安装在车上，然后将移动 App 直接迁移到车机上，导致单台车上搭载的 App 数量多达 189 个。这种做法不仅占用宝贵的车机算力和内存资源，还严重影响用户体验。李涛认为，未来的智能座舱应具备全感融合、全局规划和全域执行能力，能够主动感知用户需求，提供更加智能化的服务。

百度近日宣布将其智能座舱升级为 Apolo 超级座舱，计划在用户交互频率上做 " 减法 "。李涛解释说，早期的座舱设计主要围绕舱内感知和操作，而现在应该让车能主动感知用户的需求，利用 " 舱—驾—云—图 " 的趋势，通过舱内的摄像头、毫米波雷达传感器等设备提升用户体验。未来，市场需要一个能够理解用户上下文、了解用户当前需求并自动生成全局化执行方案的新时代座舱。

火山引擎座舱大模型负责人张航提出了一种更为激进的方案，即将车内所有感知信号、用户信息、环境信息、车内状态交给大模型，利用大模型的推理能力在不同场景、不同状态下做出更好的判断。例如，当用户说 " 我有点冷 " 时，如果是在冬天且车窗打开，大模型会自动关上车窗，而不是简单地调高空调温度。

目前，小鹏、极越等车企 30% 以上的软件依赖于大模型自动生成。此外，大模型还为科技公司赋能汽车产业增加了一条清晰可行的路径，进一步促进了人工智能、信息通信等与汽车产业的融合，加速产业格局重塑。

AI 大模型将推动智能驾驶汽车变革为超级智能体。

标准：智能汽车发展的基石

智能座舱作为一个新兴领域，缺乏统一的标准，导致各厂商的认知模糊，行业发展受限。

除了算力和大模型，智能汽车的发展还面临着标准缺失的挑战。中国软件评测中心智能网联汽车产品与系统测评室主任王荣在 GIV2024（全球智能汽车产业大会）上多次强调标准的重要性。智能座舱作为一个新兴领域，缺乏统一的标准，导致各厂商的认知模糊，行业发展受限。

神州数码汽车业务集团 CTO 刘黎表示，无论是车内交互、车与车之间的交互，还是车与 V2X（车对外界的信息交换）、车路云的交互，都需要建立统一的标准。这些标准与现有手机 App 应用商店的框架完全不同，亟待建立。张永伟也强调，中国电动汽车百人会早在四年前就开始呼吁推动汽车操作系统的自主可控，实现规模化应用，以减少未来的切换成本。

张永伟认为，车企和操作系统企业应共同努力，实现自主可控。车企要承担起让自主操作系统上车的主要责任，操作系统企业也要创新发展模式，与车企共生共赢。通过建立商业和创新的闭环，推动智能汽车生态的健康发展。

数据与商业模式：智能汽车发展的新挑战

大模型在汽车行业落地应用过程中，面临的主要问题是数据量少且质量不高。

中国工业报记者在采访中了解到，大模型在汽车行业落地应用过程中，面临的主要问题是数据量少且质量不高。特斯拉拥有超过 1000 万个有效视频片段数据，且其在全球有超过 600 万辆智能汽车在通过影子模式持续采集数据。与之相比，国内车企场景数据普遍不足百万，且出于数据合规的考虑，车企之间数据难以共享流通，导致国内车企的高价值场景数据较特斯拉相差超过一个数量级。此外，国内车企车型多而单一车型存量少，不同车型的传感器配置不一，且采集的数据各有差异，数据的复用性很差。

智能汽车与智慧城市协同发展联盟认为，一方面加快制定汽车数据定价、权责划分、流通交易等基础制度，消除相关法规壁垒，促进汽车数据大规模流通，增加可供大模型训练的数据量。比如可借鉴北京市政府开放市区级单位高质量政务数据的做法，在合法、保证隐私的前提下逐步放开部委、地方政府的政务数据并积极引导行业机构释放部分高质量数据，形成通用型数据集并对外公开。

另一方面，探索新的商业模式，如按需付费、订阅模式等，以适应大模型的动态收费特点。同时，鼓励车企与大模型企业建立长期合作关系，共同探索可持续发展的商业模式。

中国智能汽车的发展正处于关键时期，算力不足、标准缺失、数据和商业模式不明确是当前面临的主要挑战。通过加强算力共建共享、提升大模型的应用水平、建立统一的标准和明确发展方向，中国智能汽车产业有望在未来的竞争中占据有利地位，推动智能汽车时代的到来。智能汽车将不仅仅是交通工具，而是成为人们生活中不可或缺的一部分，开启一个全新的智能出行时代。

本文来自 " 车百智库 "。