“特斯拉2016年启动自动驾驶自主研发，我们2018年跟进；特斯拉2021年发布FSD Beta，我们2023年推出类似功能，这种时间差背后是算力基建的代差。”王耀提到的算力差距，在多大程度上影响智能辅助驾驶的发展？对于这个问题，行业专家和企业人士给出了自己的解答。

特斯拉追求算力的自研账    

走纯视觉路线的特斯拉，对算力有着近乎疯狂的追求。这与其技术路线选择和数据驱动路径密不可分。

与ChatGPT、Deepseek等聊天机器人模型主要以图片、文本不同，自动驾驶系统的数据训练需要真实的驾驶视频，相比之下占用空间大得多。海量的实时视觉信息处理、复杂场景的模拟预测、神经网络模型的快速迭代训练，每一项都对自动驾驶的底层算力提出指数级增长需求。

尤其特斯拉的目标不只是FSD，还有Robotaxi及无人驾驶。在2023年二季度公司财报电话会上，特斯拉创始人兼首席执行官马斯克谈及FSD Beta的开发。他表示，要实现无人驾驶需要很高的计算能力，Dojo将提供更高效的神经网络模型训练。

Dojo是特斯拉为满足纯视觉自动驾驶需求开发的高性能计算系统，于2023年7月正式投产。该系统采用特斯拉自研的D1芯片构建分布式架构，主要处理特斯拉全球车队每日采集的约1600亿帧视频数据。这些视频需要逐一进行分析、标记和处理，帮助FSD不断学习新的边缘场景（即不可预测的罕见情况）。

正因为采用纯视觉方案发展自动驾驶，特斯拉走上了自研芯片、打造高性能视频训练的超算之路。因为一旦获得成功，特斯拉FSD的训练效率将从根本上实现跃迁。

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，不过当时还只是Demo。最早的D1芯片，采用7纳米制程工艺制造。特斯拉将一组这样的芯片放在单独的“训练瓦”上，以提供9千万亿次计算能力（9PFLOPS），其中120个“训练瓦”聚集在几个服务器机柜中，提供10PFLOPS的运算能力。

根据最新消息，特斯拉Dojo第2代芯片量产进入倒计时，性能比第一代产品提高10倍；Dojo第3代芯片，将于明年推出；此外，Dojo超算有望2026年实现规模化运营。这些进展很可能会让特斯拉FSD实现“自产自训”，从此完全摆脱英伟达的“束缚”，进而甚至向外部提供算力。

特斯拉表示，Dojo 2超算能让数据训练速度猛增一个数量级，这也意味着FSD的优化将再上一个台阶。更具战略意义的是，富余的算力潜能可能转化为新的业务增长点——向外部企业提供强大的AI训练服务，特斯拉自身则由此向“AI基础设施服务商”悄然转型。

自建算力中心的兴起与弱化    

汽车行业进入智能化发展的“下半场”，算力基建与之“强挂钩”。随着市场竞争逐渐进入同质化阶段，谁能率先以技术创新突出重围，谁就更有希望站上价值链的制高点。

国内车企对于特斯拉在AI算力上的投入反应敏锐，长城、吉利、小鹏和理想等也开始筹建自己的超算中心。

2022年8月，小鹏汽车宣布在乌兰察布建成中国最大的自动驾驶智算中心“扶摇”，用于自动驾驶模型训练。据悉，“扶摇”基于阿里云智能计算平台，算力可达600PFLOPS，将小鹏自动驾驶核心模型的训练速度提升近170倍。

要把汽车打造成“硅基家人”的理想，提出“ALL in AI”战略后，也聚焦算力中心的打造，仅算力训练一年就投入10亿元。2024年9月，理想汽车智能驾驶研发副总裁郎咸朋曾透露，该公司目前累积的训练里程已超22亿公里，预计到年底将超30亿公里；当前训练算力达到5.39EFLOPS（1EFLOPS相当于1000PFLOPS），预计到年底将超过8EFLOPS。“我们认为，自动驾驶训练所需的算力最终要达到100EFLOPS量级，折合成投入每年要超过10亿美元。”他称。

汽车行业算力基建的参与者除了车企，还有华为、商汤科技等产业链上游供应商。2022年，商汤科技宣布旗下人工智能计算中心AIDC启动运营。作为SenseCore商汤AI大装置计算基础设施的重要组成部分，AIDC一期工程的设计算力为每秒3740PFLOPs，预计每天可处理时长2.36万年的视频，占地面积13万平方米，一期机柜数量达5000个，号称“亚洲最大的超算中心之一”。目前，AIDC已成为商汤科技挑大梁的业务，公司2025年算力租赁收入预计将不低于50亿港元。

华为则于近日在2025世界人工智能大会上首次线下展示了昇腾384超节点真机，通过全互联架构实现芯片高效协同，提供高达300PFLOPS的密集算力。

虽然国内汽车行业的算力基建不断加速，但王耀的担忧并不是空穴来风。2024年，有市场研究机构分别对国内车企及特斯拉的算力情况进行了统计与对比，发现差距确实存在。

值得关注的是，与2022~2023年车企密集建设超算中心不同，虽然算力竞争越来越白热化，但车企自建的趋势似乎悄然弱化。有行业人士分析认为，这一现象的背后是行业技术路线、成本策略和算力部署模式的系统性转变，主要受以下5大因素驱动：一是芯片路线突变，英伟达Thor芯片延期与车企自研芯片崛起打破原有规划；二是算力部署策略转变，车企从自建转向混合云与专业化服务；三是成本压力倒逼，车企从重资产投入转向轻量化协作；四是技术重心迁移，车企从算力堆砌转向大模型与数据闭环落地；五是超算形态进化，分布式集群替代单一中心。

国内的算力需求尚未爆发    

清华大学苏州汽车研究院智能网联中心技术总监孙辉在接受记者采访时，分享了这样的观点：“智能辅助驾驶的发展还在路上，由于车端部署算力的限制，基于语言模型的VLM/VLA端到端大模型仍处于起步阶段，对训练算力的需求尚未完全爆发。仅从智能辅助驾驶来说，中国车企也还不到大范围铺算力的时候，具体需要调动多少算力，还要与算法挂钩。”

算力差距背后的深层次原因，还要从技术路线、实际需求以及未来趋势等方面抽丝剥茧地探究。

首先，技术路线差异是根本所在。特斯拉坚持纯视觉路线，这种解决方案先天存在逆光、弱光、测距等缺陷，必须依赖海量数据训练弥补感知不足，这直接催生了其对算力的疯狂渴求。而国内车企根据不同的产品定位，多采用视觉、激光雷达+视觉融合两套方案。其中，激光雷达提供的3D环境直接测量能力，可大幅降低对数据训练的依赖。孙辉直言：“纯视觉路线下，堆算力是特斯拉惟一的出路。”

其次，不能忽略特斯拉在战略布局上的更大“野心”。特斯拉的算力投入不仅服务于自动驾驶，更与其大语言模型、场景生成等AI业务协同。特斯拉自研的Dojo平台正在探索“世界模型”技术，通过生成式AI模拟罕见驾驶场景，这类大模型训练天然需要指数级的算力支撑。

在2025上海车展期间，地平线创始人兼首席执行官余凯曾提及，特斯拉的数据来源除了用户与自己车队的收集，更多来自虚拟世界的仿真与强化学习。这也解释了为何特斯拉对算力有如此大的需求。

在记者的采访中，不少行业人士都认为，技术路线与实际需求的差异，意味着国内汽车行业不必非要在算力上与特斯拉一较高下。就目前国内组合辅助驾驶的推广情况来看，国内头部车企与特斯拉并不存在明显差距，算力沟壑在应用层面的表现并不突出。而产业生态的差距，让国内车企不必单打独斗，协同优势下甚至在某些方面领先特斯拉几个“身位”。

据了解，国内车企推广组合辅助驾驶普遍采用分层策略，高端车型配装激光雷达，中低端走纯视觉路线，并依托供应商提供算力基建。这种分工合作让车企无需独立承担超算中心的建设成本。特斯拉则受限于北美供应链环境，只能选择全栈自研的“重投入”路径。

智能辅助驾驶竞争靠什么    

不必陷入算力焦虑，更不必落入自证陷阱，在智能辅助驾驶加快落地的过程中，行业对算力、算法、架构、数据究竟应先补齐哪块短板的讨论，尤为重要和必要。

孙辉认为，在讨论这个问题之前，要先精准定位产品。他表示：“智能辅助驾驶系统毕竟是一款产品，要与车辆本身结合统筹考虑，确定设计、成本、适配方案等。”

在孙辉看来，以数据为主的要素将是下一个关键竞争点。聚焦智能辅助驾驶本身，他分析道：“算法同质化已成定局，从BEV、OCC（占用网络）架构到端到端大模型，核心技术框架已高度趋同，一条路线以纯视觉为主，另一条路线是融合感知方案。算法无法被垄断，人才流动或技术来源会让创新快速扩散，企业很难长期维持‘护城河’。”

有鉴于此，数据在深层次的行业竞争中体现出更高的价值。拥有百万级实车数据的企业，正通过收集到的海量数据，构建不易复制的竞争力：一是解决“交互博弈”难题，例如车辆对加塞、抢道等行为的拟人化决策，需海量真实路况训练；二是优化“长尾场景”，国内复杂路况下特有的三轮车、移动路障等场景，依赖大量本土化数据积累。孙辉认为，这是新入局者或外来者无法拥有的优势，缺乏本土数据的支撑将直接制约智能辅助驾驶的体验优化。

此外，孙辉还补充说，人才密度事关落地效率，人才是决定智能辅助驾驶市场竞争力的另一个核心要素。端到端大模型并未减少工程复杂度，反而需要更多研发人员处理算法与现实的“鸿沟”，“100种加塞场景，需要100套人工规则兜底”。目前，行业头部企业的智驾团队已达数千人规模，远超早期的算法研发需求。因此，企业如何高效组织工程师团队打造数据闭环、开展规则校验，正在成为智能辅助驾驶市场竞争新焦点。

即使拥有同等算力资源，不同团队的算法效率和最终的系统性能也可能天差地别。就职于某造车新势力企业的工程师李光（化名）向记者强调了算法的重要性：“算法效率是杠杆，例如DeepSeek以同行1/10的算力达到同等体验效果。算法效率高，可以不需要那么大的算力。现在大家都在‘卷’算力，本质上是因为算法不够优。”他认为，在技术路线上，国内车企通过激光雷达以“硬件补算法”，虽能短期内能够奏效，却推高了单车成本，反观特斯拉的纯视觉路线印证了算法优化的长期价值。

总之，算力是一个核心竞争要素，但不是全部，还有感知、算法、数据等要素。系统级最优，才是最优。一位智能辅助驾驶企业人士也向记者表示：“‘数据质量+训练’策略也很重要，‘海量数据+大算力’不是惟一解，肯定还有更优解。”

算力基建是复杂性系统工程    

就当前情况来看，算力并不是直接“卡脖子”的因素，但要深耕汽车智能化赛道，这张“道具牌”也不能等闲视之。

从长远来看，汽车行业算力基建有不可忽视的战略意义。“云端算力建设本质是业务规模与前瞻储备的平衡。”李光表示，例如对特斯拉、理想、小鹏等车企而言，算力不只服务于智能辅助驾驶——理想打造的“理想同学”、小鹏推进的人形机器人、特斯拉涉及的能源等其他业务，都对大模型算力有着很高的要求。

而且，随着智能汽车销量的逐步增长，车辆产生的数据将呈指数级增长，车企对于算力基建的储备需求也必然将提上议事日程。

李光借助小米业务板块的例子，强调了算力基建的重要性：“小米集团有个独立的‘小爱’业务部，专门负责AI基座大模型的设计与开发。这一模型要统一支撑手机、IoT、汽车等多业务，算力复用率远高于单一车企。因为小米以智能手机起家，所以在算力基建方面有较深的基础。而理想等车企因业务单一且起步较晚，更需持续扩容应对车型销量增长产生的数据处理与产品智能化升级需求。”

面对算力差距，简单的“买卡建机房”思维显然不足以为继。构建真正支撑AI生态的算力基建，是一项涉及多维度协同的复杂性系统工程。2023年，工业和信息化部等六部门印发关于《算力基础设施高质量发展行动计划》通知，要求到2025年，算力规模超过300EFLOPS。我国“东数西算”工程有序推进，一批国家级智算中心在多地拔地而起，从而构建覆盖全国的算力网络。在芯片层面，尽管面临先进制程限制，华为昇腾、寒武纪等国内厂商也在持续迭代技术与产品，努力提升国产芯片的性能和构建产业生态。

中国汽车产业的智能化突围之路，必然是算力基建的全力追赶与数据算法等核心能力跃升的“多轨并行”。在正视差距的同时，行业也需要独立思考与创新性思维，在技术落地应用与构建未来竞争力之间寻找平衡。