车百专著 | 汽车行业未来算力发展趋势及展望

辅助驾驶与自动驾驶模型参数规模的扩大，正推动算力需求增长。行业正通过增加模型参数量，以提升辅助驾驶与自动驾驶系统的能力。以特斯拉为例，其FSD系统从V12.4版本迭代至V12.5版本，模型参数规模增长了4倍，且官方预计未来版本的参数量将进一步提升10倍。国内车企如理想、小鹏等，在推动端到端模型向VLA（视觉—语言—动作）架构演进的过程中，车端模型的参数量可达30亿至70亿级别。同时，为实现云端大模型对车端小模型的知识蒸馏与训练指导，云端模型的参数规模更为庞大，例如小鹏汽车采用的云端模型参数已达到720亿。模型规模的增长，正推动算力需求等比例提升。此外，辅助驾驶与自动驾驶对云端世界模型的场景生成，其推理算力需求也在持续增长。

智能座舱与企业级应用的智能化深入，也构成了算力需求增长的重要因素。正如本书第二、三章所述，AI技术的应用正深刻影响着汽车产品的定义与智能化供应链的发展；智能座舱正从基础功能交互向具备更强逻辑处理能力的形态演进，从而增加了对底层算力的要求。同时，结合第四章关于企业智能化升级的论述，随着汽车企业进入数字化转型的深化阶段，AI技术在研、产、供、销、服全链条中的渗透率持续提高，这些高频应用场景的落地进一步推动了汽车行业整体算力需求的持续增长。

AI训练对NVIDIA GPU的高度依赖带来了成本高昂与供应链集中的风险，正推动头部科技企业加速转向自研芯片，以实现成本优化和业务适配。由于NVIDIA硬件毛利率超过80%，自研芯片能帮助公司剥离品牌溢价，理论上可在同等采购成本下获得四倍以上的算力。这种垂直整合的成本优势直观体现在产品成本上。基于英伟达GPU的ChatGPT 5.1 Pro每百万Token输出价格为168美元，而采用自研TPU的Google Gemini 3 Pro仅需12美元，价差超过十倍。

在此趋势下，芯片自研已成为全球科技巨头的共同战略。特斯拉正在规划采用3nm制程、“训推一体”架构的AI6芯片；亚马逊、Google、微软等云服务商也在持续加大定制芯片的投入（见表8-2）。国内市场同样跟进这一潮流，百度云孵化的昆仑芯已计划赴港上市，阿里云则依托自研芯片，开始为小鹏、比亚迪等车企提供算力支持，推动算力供应走向自主化与高性价比。

在辅助驾驶与自动驾驶领域，算力分配正呈现端云协同的趋势。云端依托强大算力，主要处理非实时、高认知负荷的任务，例如理解用户意图并建立个性化驾驶画像（如激进、平稳等），从而动态调节车辆控制参数；同时，结合宏观交通流与路况预测，开展全局路径规划与预判，以延伸车端的感知范围。

在智能座舱领域，算力架构正从单一SoC集成走向“端云混合+独立加速”。当前座舱芯片算力已有显著提升，能够在边缘侧高效处理语音识别、驾驶员监控等低延迟、中小模型任务，但仍受限于显存带宽和整机功耗。整体而言，座舱算力仍以云端为主。为此，部分车企开始引入“AI BOX”或独立AI芯片方案，以扩大座舱AI模型应用能力，而将隐私内容在座舱内处理，将复杂任务交由云端处理。例如，小鹏汽车通过自研图灵芯片强化座舱智能处理，吉利则与北极雄芯合作，探索基于Chiplet技术的独立AI芯片与AI BOX。

智能汽车与具身智能在底层技术上具有高度相似性。两者均依赖AI模型来理解物理环境并与之交互。这种技术上的相似性使得二者在开发流程与算力需求上高度一致，即都需要处理海量多模态感知数据，依托算力集群进行大规模模型训练，并对边缘侧的实时推理提出严苛的低延迟要求。因此，智能驾驶所构建的算力基础设施，在架构与性能上天然契合具身智能的发展需求。

这种算力与技术栈的通用性为产业链带来了显著的协同效应。对车企与智能驾驶企业而言，其在自动驾驶领域投入巨资建立的超算中心、数据闭环体系及算法工程经验，能够高效复用于机器人等具身智能新业务，从而大幅摊薄边际成本，开拓企业的第二增长曲线。对云服务商来说，可将其在服务汽车行业过程中成熟的异构算力调度、仿真训练等解决方案向机器人领域输出，从而从单一的汽车行业供应商升级为支撑“智能物理世界”的算力底座。