來源：智能汽車與智慧城市協同發展聯盟執筆人：劉延

導讀

隨著以AI大模型為代表的生成式AI技術的快速發展，汽車正進入AI化發展新階段。AI將通過持續學習和環境適應推動自動駕駛和智能交互進化，讓汽車從“擬人化”做到“有頭腦會思考”，為用戶提供更“好開”和“好玩”的駕乘體驗。促進汽車與人工智能產業生態融合，拓展產業鏈、價值鏈，將成為我國汽車產業高質量發展的又一戰略支點。

一、AI正成為汽車行業競爭焦點

汽車行業競爭正快速遷移，從電動化、智能化轉向AI化。曾經“一招鮮吃遍天，一款產品打天下”的競爭模式已難以適應如今快速迭代、瞬息萬變的時代，行業呈現競爭加速、技術和投資門檻升高的特點。從企業競爭力遷移的階段來看，大致可分為以下三個階段：

第一階段：電動汽車。過去十年汽車產業加速向電動化遷移，行業主要關注充電補能效率及范圍、動力電池創新及續航里程等方面。但隨著電動化成為行業基本能力，且不再能夠決定產品的差異化水平，其邊際效益快速下降。

第二階段：智能汽車。由于智能化更有利于打造差異化，汽車行業競爭正在向第二階段智能駕駛、智能座艙、智能底盤等智能功能為主的競爭體系遷移。但由于車企在智能化領域積累不足，依靠車企很難實現跨度如此之大的硬遷移，更加需要依賴ICT、互聯網、消費電子等科技公司的賦能。

第三階段：AI汽車。當下，隨著汽車產業與人工智能深度融合，行業面臨一次新的代際升級，競爭要素又轉移到大模型、大算力、大數據等領域，行業正加速進入第三階段以AI化為主的AI汽車新階段。在智能駕駛領域，特斯拉FSD引領的數據驅動型端到端智能駕駛正在顛覆過去人工規則驅動的傳統智能駕駛開發范式；在智能座艙領域，大模型能使傳統語音交互升級到多模態交互，顯著提升用戶體驗，且能更好地實現個性化迎賓、美食推薦、VCR拍攝、AI導游、車控大師、AI律動、多媒體搜索增強等“好玩”應用。

二、AI驅動算力、算法、數據成為競爭新要素

在汽車AI化發展新階段，汽車的競爭將從產品競爭轉向產業鏈競爭，傳統汽車生態將拓展至以數據和服務為核心的新生態，不僅需要模型、算力、數據等基礎底座支撐，也需要芯片制造商、云服務提供商、軟件算法開發商等多方主體參與。

1. 數據為汽車AI化發展提供“燃料”

數據是汽車AI化發展的新生產要素。數據是AI模型學習和理解事物本質的基礎，也是汽車AI化發展的關鍵“養料”。智能駕駛應用中，端到端技術路線，需要積累海量高質量數據，據特斯拉估算，保證智能駕駛端到端模型訓練，需要至少100萬條分布多樣、質量高的視頻片段（clips），其目前已采集超過1000萬個視頻片段，累積容量超過200PB。智能座艙應用中，AI模型結合汽車使用數據訓練與微調，能體現用戶個性化訴求，為用戶提供“千人千面”的服務。

我國汽車數據產業生態已初具規模。目前，圍繞汽車數據已經形成全新的產業鏈，包括生成、采集、存儲、加工、分析、服務、安全等多個環節，參與方主要包括車企、行業機構等，如長安成立子公司安驛，將數據采集、加工環節標準化，使數據采集成本降低40%，綜合標注成本下降35%。華為、愷望數據、螞蟻集團、海天瑞聲等聚焦自身優勢，為車企提供不同類型數據閉環服務。數據存儲是底層基礎設施，為企業提供數據匯集、合規等服務，主要包括公有云和私有云，代表企業包括騰訊云、華為云、百度云、火山引擎等。

2. 智能算力為汽車AI化發展提供動力

智能算力是AI的硬件“引擎”。算力設施包括算力芯片、服務器及云端智算中心等，用以驅動AI高效運行。AI計算中數據處理量、參數量指數級提升，傳統計算方式以單核、高精度、高主頻的CPU為主，主要提供通用算力，無法滿足AI大模型訓練對芯片低精度、高并行處理能力、大數據帶寬需求。以大規模眾核設計、配備高速緩存的GPU、NPU為主的智能算力芯片具有更高的能效比和并行處理速度，將成為汽車AI化階段的主要智力基礎設施之一。汽車AI化發展對車端與云端算力需求大幅增長。車端來看，端到端智能駕駛與端側大模型對車端算力需求呈指數級提升。云端來看，據艾瑞咨詢統計，2023年大模型與智能駕駛占據我國智能算力總需求超過70%，是智能算力的最大需求方。當前各主流車企及新勢力車企均在積極布局智算中心的建設，構建自己的算力基礎設施。以特斯拉為例，其車端下一代智駕硬件AI5，算力將達HW 4.0的10倍以上。

3. AI模型算法是汽車AI化發展的“智能體”

AI驅動下的智能駕駛讓車更“好開”。當前量產車型主要采用基于規則的智能駕駛方案，感知、決策和控制分為獨立的模塊，每個模塊分別負責不同任務，但這種方式無法覆蓋所有特殊情況（Corner Case），系統的泛化性較差，駕駛能力上限較低。端到端技術將推動高階智能駕駛跨越體驗拐點，該技術通過AI發掘海量數據中隱藏的行駛規則，讓機器擁有自主學習、思考和分析的能力，能加速突破邊緣場景難題，能夠覆蓋更廣泛的行車場景。因此，國內外主流車企和智駕供應商紛紛發力端到端方案。特斯拉最早于2023年8月在FSD v12 測試版（Beta版）中實現，并在2024年上半年完成向美國全量FSD用戶推送；國內企業小鵬、蔚來、理想、華為、長城、商湯絕影、元戎啟行、地平線等積極跟進，先后推出了面向量產的端到端自動駕駛解決方案和車型，將陸續于2024年下半年至2025年上市。

AI將提升智能座艙交互能力，讓汽車更“好玩”。當前汽車座艙電氣化、智能化發展更多是硬件和功能的集成與堆疊，靠乘客主動發起實現“被動式交互”，未實現真正的個性化與智能化。AI大模型具有強大的數據生成與處理能力、多模態交互能力，通過融合語音、視覺、手勢等多種交互方式，形成主動式互動體驗。如智能座艙能提供千人千面的語音識別、娛樂信息及駕駛輔助，并將功能向更個性化的環境控制、健康管理、娛樂信息與車輛狀況監測等場景拓展，讓汽車成為會思考、懂用戶的AI汽車。目前車企大多從語音交互入手，利用AI大模型實現智能座艙更準確、更強大、更豐富的語音助手能力，并逐漸通過AI大模型實現語義識別、多模態交互等功能。海外車企大眾、奔馳、寶馬、標致雪鐵龍，以及國內車企廣汽、比亞迪、長城、長安、吉利、理想、蔚來、小鵬等已先后宣布將在座艙中接入大模型。

三、我國AI汽車發展面臨的挑戰及建議

1. 面臨挑戰

智能算力供給不足，AI算法訓練受限。2023年，中國智能算力需求約為124EFLOPS，但國內供給僅為70EFLOPS，智能算力供應面臨嚴峻挑戰。

一方面，國內智能“成熟”算力難增長，現存算力利用不充分。英偉達GPU生態成熟是全球AI算力建設的首選，但受美國出口管制影響，我國難以獲得英偉達高性能GPU，只能使用存量芯片計算。而AI模型訓練需要將先進芯片集約化利用，馬斯克旗下x.AI的100EFlops，而我國企業傾向于建設私有化算力，如華為車BU（7.5E）、百度極越（5.5E）、長城（1.64E）、蔚來（1.4E）、理想（5.39E）、小鵬（2.51E）等均遠低于特斯拉。

另一方面，供給較充沛的算力“不成熟”，算力利用效率待提升。國內智算芯片供應商包括華為昇騰、寒武紀、海光、摩爾線程等，各家硬件架構不一，軟件生態覆蓋、兼容算法尚不完善，導致算力基礎設施拓展困難，算力應用效率偏低。因此，盡管我國算法與世界先進水平僅有一年半左右差距，但基于AI的智能駕駛模型訓練、AI大模型訓練均受到較大限制。

數據“孤島效應”明顯，尚未發揮應有價值。

大規模、高質量與廣覆蓋度的數據是AI模型的訓練與調優的關鍵養料，但我國數據要素確權、定價、交易、監管等配套制度尚未成型，數據權責劃分不明、定價難等共性難題在一定程度上制約了汽車數據的流通與共享。同時，不同車企采集數據還存在融合兼容性差、數據質量參差不齊和傳輸標準不統一等問題。以智能駕駛數據為例，截至2024年4月，特斯拉FSD累計行駛里程已達到12.5億英里（20億公里），與華為的2.2億公里、小鵬XNGP的0.7億公里相比具有較大優勢。

車端基礎軟硬件體系仍不完備，AI新應用“上車”慢。

目前汽車行業仍處于智能階段向AI階段過渡時期，軟硬件的協同與適配存在較大問題，如英偉達、高通、地平線等不同企業AI算力上的芯片架構不同，操作系統、中間件等基礎軟件對AI算力調用的適配不完善，不同車企不同型號的系統接口開放性差異較大等。智能駕駛與智能座艙的AI技術在上車應用中需匹配不同算力芯片、操作系統、車端系統接口，不僅增加了適配工作的難度，也提升了工程實施的復雜性。尚不完備的軟硬件體系進一步阻礙了AI大模型技術的車端部署與應用。

2. 發展建議鼓勵智算中心共建共享。與芯片供應商共建“不成熟”算力，通過使用找出實際問題，加速芯片與開發工具之間的問題修正與改進，讓“不成熟”算力變成熟。同時，推動“成熟”算力集中共享，建立跨行業、跨區域的智算資源共享平臺，推動汽車企業、科研機構與智算中心之間的數據共享與算力協同，通過更高算力的智算中心加快基礎大模型迭代速度，提高資源利用效率。完善公共數據開放與交易體系。制定汽車相關數據開放共享的標準和規則，明確數據采集、存儲、使用、交易的法律邊界，保障數據安全和個人隱私的同時，促進公共數據資源的合理流動和有效利用。建立統一的數據標注體系，支持數據標注服務平臺的建設，確保智能駕駛訓練數據的準確性和可靠性。建立國家級或區域級的汽車數據交易中心，為數據供需雙方提供安全可靠的交易平臺，促進數據要素市場的健康發展。加強軟硬件產業協同突破。鼓勵車企與芯片、算法廠商聯合定義，增強NPU、CPU架構通用性設計，開放軟件接口，共同適配操作系統、中間件、工具鏈，降低不同AI模型算法復用難度，在最大程度發揮軟件算法的作用、提升芯片算力使用效率的同時，降低車企開發與使用成本。鼓勵基礎軟件廠商通過定制化中間件解決方案的方式，兼容異構計算資源、推動軟硬解耦，加速不同AI模型應用部署，提供更好的可擴展性和靈活性。