AI汽车发展的新阶段、新要素、新挑战

来源：智能汽车与智慧城市协同发展联盟执笔人：刘延

导读

随着以AI大模型为代表的生成式AI技术的快速发展，汽车正进入AI化发展新阶段。AI将通过持续学习和环境适应推动自动驾驶和智能交互进化，让汽车从“拟人化”做到“有头脑会思考”，为用户提供更“好开”和“好玩”的驾乘体验。促进汽车与人工智能产业生态融合，拓展产业链、价值链，将成为我国汽车产业高质量发展的又一战略支点。

一、AI正成为汽车行业竞争焦点

汽车行业竞争正快速迁移，从电动化、智能化转向AI化。曾经“一招鲜吃遍天，一款产品打天下”的竞争模式已难以适应如今快速迭代、瞬息万变的时代，行业呈现竞争加速、技术和投资门槛升高的特点。从企业竞争力迁移的阶段来看，大致可分为以下三个阶段：

第一阶段：电动汽车。过去十年汽车产业加速向电动化迁移，行业主要关注充电补能效率及范围、动力电池创新及续航里程等方面。但随着电动化成为行业基本能力，且不再能够决定产品的差异化水平，其边际效益快速下降。

第二阶段：智能汽车。由于智能化更有利于打造差异化，汽车行业竞争正在向第二阶段智能驾驶、智能座舱、智能底盘等智能功能为主的竞争体系迁移。但由于车企在智能化领域积累不足，依靠车企很难实现跨度如此之大的硬迁移，更加需要依赖ICT、互联网、消费电子等科技公司的赋能。

第三阶段：AI汽车。当下，随着汽车产业与人工智能深度融合，行业面临一次新的代际升级，竞争要素又转移到大模型、大算力、大数据等领域，行业正加速进入第三阶段以AI化为主的AI汽车新阶段。在智能驾驶领域，特斯拉FSD引领的数据驱动型端到端智能驾驶正在颠覆过去人工规则驱动的传统智能驾驶开发范式；在智能座舱领域，大模型能使传统语音交互升级到多模态交互，显著提升用户体验，且能更好地实现个性化迎宾、美食推荐、VCR拍摄、AI导游、车控大师、AI律动、多媒体搜索增强等“好玩”应用。

---

二、AI驱动算力、算法、数据成为竞争新要素

在汽车AI化发展新阶段，汽车的竞争将从产品竞争转向产业链竞争，传统汽车生态将拓展至以数据和服务为核心的新生态，不仅需要模型、算力、数据等基础底座支撑，也需要芯片制造商、云服务提供商、软件算法开发商等多方主体参与。

1. 数据为汽车AI化发展提供“燃料”

数据是汽车AI化发展的新生产要素。数据是AI模型学习和理解事物本质的基础，也是汽车AI化发展的关键“养料”。智能驾驶应用中，端到端技术路线，需要积累海量高质量数据，据特斯拉估算，保证智能驾驶端到端模型训练，需要至少100万条分布多样、质量高的视频片段（clips），其目前已采集超过1000万个视频片段，累积容量超过200PB。智能座舱应用中，AI模型结合汽车使用数据训练与微调，能体现用户个性化诉求，为用户提供“千人千面”的服务。

我国汽车数据产业生态已初具规模。目前，围绕汽车数据已经形成全新的产业链，包括生成、采集、存储、加工、分析、服务、安全等多个环节，参与方主要包括车企、行业机构等，如长安成立子公司安驿，将数据采集、加工环节标准化，使数据采集成本降低40%，综合标注成本下降35%。华为、恺望数据、蚂蚁集团、海天瑞声等聚焦自身优势，为车企提供不同类型数据闭环服务。数据存储是底层基础设施，为企业提供数据汇集、合规等服务，主要包括公有云和私有云，代表企业包括腾讯云、华为云、百度云、火山引擎等。

2. 智能算力为汽车AI化发展提供动力

智能算力是AI的硬件“引擎”。算力设施包括算力芯片、服务器及云端智算中心等，用以驱动AI高效运行。AI计算中数据处理量、参数量指数级提升，传统计算方式以单核、高精度、高主频的CPU为主，主要提供通用算力，无法满足AI大模型训练对芯片低精度、高并行处理能力、大数据带宽需求。以大规模众核设计、配备高速缓存的GPU、NPU为主的智能算力芯片具有更高的能效比和并行处理速度，将成为汽车AI化阶段的主要智力基础设施之一。汽车AI化发展对车端与云端算力需求大幅增长。车端来看，端到端智能驾驶与端侧大模型对车端算力需求呈指数级提升。云端来看，据艾瑞咨询统计，2023年大模型与智能驾驶占据我国智能算力总需求超过70%，是智能算力的最大需求方。当前各主流车企及新势力车企均在积极布局智算中心的建设，构建自己的算力基础设施。以特斯拉为例，其车端下一代智驾硬件AI5，算力将达HW 4.0的10倍以上。

3. AI模型算法是汽车AI化发展的“智能体”

AI驱动下的智能驾驶让车更“好开”。当前量产车型主要采用基于规则的智能驾驶方案，感知、决策和控制分为独立的模块，每个模块分别负责不同任务，但这种方式无法覆盖所有特殊情况（Corner Case），系统的泛化性较差，驾驶能力上限较低。端到端技术将推动高阶智能驾驶跨越体验拐点，该技术通过AI发掘海量数据中隐藏的行驶规则，让机器拥有自主学习、思考和分析的能力，能加速突破边缘场景难题，能够覆盖更广泛的行车场景。因此，国内外主流车企和智驾供应商纷纷发力端到端方案。特斯拉最早于2023年8月在FSD v12 测试版（Beta版）中实现，并在2024年上半年完成向美国全量FSD用户推送；国内企业小鹏、蔚来、理想、华为、长城、商汤绝影、元戎启行、地平线等积极跟进，先后推出了面向量产的端到端自动驾驶解决方案和车型，将陆续于2024年下半年至2025年上市。

AI将提升智能座舱交互能力，让汽车更“好玩”。当前汽车座舱电气化、智能化发展更多是硬件和功能的集成与堆叠，靠乘客主动发起实现“被动式交互”，未实现真正的个性化与智能化。AI大模型具有强大的数据生成与处理能力、多模态交互能力，通过融合语音、视觉、手势等多种交互方式，形成主动式互动体验。如智能座舱能提供千人千面的语音识别、娱乐信息及驾驶辅助，并将功能向更个性化的环境控制、健康管理、娱乐信息与车辆状况监测等场景拓展，让汽车成为会思考、懂用户的AI汽车。目前车企大多从语音交互入手，利用AI大模型实现智能座舱更准确、更强大、更丰富的语音助手能力，并逐渐通过AI大模型实现语义识别、多模态交互等功能。海外车企大众、奔驰、宝马、标致雪铁龙，以及国内车企广汽、比亚迪、长城、长安、吉利、理想、蔚来、小鹏等已先后宣布将在座舱中接入大模型。

---

三、我国AI汽车发展面临的挑战及建议

1. 面临挑战

智能算力供给不足，AI算法训练受限。2023年，中国智能算力需求约为124EFLOPS，但国内供给仅为70EFLOPS，智能算力供应面临严峻挑战。

一方面，国内智能“成熟”算力难增长，现存算力利用不充分。英伟达GPU生态成熟是全球AI算力建设的首选，但受美国出口管制影响，我国难以获得英伟达高性能GPU，只能使用存量芯片计算。而AI模型训练需要将先进芯片集约化利用，马斯克旗下x.AI的100EFlops，而我国企业倾向于建设私有化算力，如华为车BU（7.5E）、百度极越（5.5E）、长城（1.64E）、蔚来（1.4E）、理想（5.39E）、小鹏（2.51E）等均远低于特斯拉。

另一方面，供给较充沛的算力“不成熟”，算力利用效率待提升。国内智算芯片供应商包括华为昇腾、寒武纪、海光、摩尔线程等，各家硬件架构不一，软件生态覆盖、兼容算法尚不完善，导致算力基础设施拓展困难，算力应用效率偏低。因此，尽管我国算法与世界先进水平仅有一年半左右差距，但基于AI的智能驾驶模型训练、AI大模型训练均受到较大限制。

数据“孤岛效应”明显，尚未发挥应有价值。

大规模、高质量与广覆盖度的数据是AI模型的训练与调优的关键养料，但我国数据要素确权、定价、交易、监管等配套制度尚未成型，数据权责划分不明、定价难等共性难题在一定程度上制约了汽车数据的流通与共享。同时，不同车企采集数据还存在融合兼容性差、数据质量参差不齐和传输标准不统一等问题。以智能驾驶数据为例，截至2024年4月，特斯拉FSD累计行驶里程已达到12.5亿英里（20亿公里），与华为的2.2亿公里、小鹏XNGP的0.7亿公里相比具有较大优势。

车端基础软硬件体系仍不完备，AI新应用“上车”慢。

目前汽车行业仍处于智能阶段向AI阶段过渡时期，软硬件的协同与适配存在较大问题，如英伟达、高通、地平线等不同企业AI算力上的芯片架构不同，操作系统、中间件等基础软件对AI算力调用的适配不完善，不同车企不同型号的系统接口开放性差异较大等。智能驾驶与智能座舱的AI技术在上车应用中需匹配不同算力芯片、操作系统、车端系统接口，不仅增加了适配工作的难度，也提升了工程实施的复杂性。尚不完备的软硬件体系进一步阻碍了AI大模型技术的车端部署与应用。

2. 发展建议鼓励智算中心共建共享。与芯片供应商共建“不成熟”算力，通过使用找出实际问题，加速芯片与开发工具之间的问题修正与改进，让“不成熟”算力变成熟。同时，推动“成熟”算力集中共享，建立跨行业、跨区域的智算资源共享平台，推动汽车企业、科研机构与智算中心之间的数据共享与算力协同，通过更高算力的智算中心加快基础大模型迭代速度，提高资源利用效率。完善公共数据开放与交易体系。制定汽车相关数据开放共享的标准和规则，明确数据采集、存储、使用、交易的法律边界，保障数据安全和个人隐私的同时，促进公共数据资源的合理流动和有效利用。建立统一的数据标注体系，支持数据标注服务平台的建设，确保智能驾驶训练数据的准确性和可靠性。建立国家级或区域级的汽车数据交易中心，为数据供需双方提供安全可靠的交易平台，促进数据要素市场的健康发展。加强软硬件产业协同突破。鼓励车企与芯片、算法厂商联合定义，增强NPU、CPU架构通用性设计，开放软件接口，共同适配操作系统、中间件、工具链，降低不同AI模型算法复用难度，在最大程度发挥软件算法的作用、提升芯片算力使用效率的同时，降低车企开发与使用成本。鼓励基础软件厂商通过定制化中间件解决方案的方式，兼容异构计算资源、推动软硬解耦，加速不同AI模型应用部署，提供更好的可扩展性和灵活性。