智能驾驶进入算力游戏

“下半年开始，理想几乎把渠道商手里的卡都买了。”一位知情人士说。

AI大模型创业催生的抢购算力潮，今年陡然迁移到了汽车行业。以理想、华为和小鹏汽车为首，向端到端智驾发起猛冲的公司，尤为激进。

和AI大模型技术趋同，端到端的智能驾驶技术，同样有数十亿参数，也在向百亿级进发。算力就是这座数据熔炉的燃料。这也决定，端到端技术和算力资源拼抢，成了智能驾驶新的决胜规则。

“李想经常问我，算力资源够不够，不够再去买。”接受36氪专访时，理想智能驾驶副总裁朗咸鹏曾表示。据36氪了解，目前理想汽车已经囤够了万张算力卡，“同时还在物色数据中心的地址。”

7月，理想的云端算力为2.4 EFLOPS，到8月底，理想算力已经陡增至5.39EFLOPS。几乎一个月时间，理想的云端算力增加了近3EFLOPS。

同样，小鹏汽车宣布，到2025年，云端算力将从目前的2.51EFLOPS增加到10EFLOPS。

华为智驾也在两个月内迅速将云端训练算力规模从5EFLOPS扩张到7.5 EFLOPS。

这是什么概念？有智驾行业人士告诉36氪，目前车企们使用的训练显卡主要是英伟达H100和A800。美国禁令后，市场上能流通的大多是A800。

据36氪汽车了解，一台A800服务器报价约为95万元。按照FP16精度计算，单张A800的算力为320TFLOPS，1 EFLOPS(等于1000000TFLOPS)大约可计算为3125张A800，即390个8卡模组。

按每8卡模组按照95万元价格计算，1 EFLOPS算力大约需要约3.7亿元。

也就是说，理想汽车在过去1个多月，仅囤置算力芯片就耗费超10亿元，而小鹏想要实现明年总算力目标，则需要耗费约37亿元。

虽然耗资巨甚，但不容车企懈怠。智能驾驶技术已经在AI大浪潮下，发生新的范式革命:从传统方案的规则驱动，变成了“端到端”方案的AI驱动、数据驱动。

想要量产端到端的智能驾驶产品，车企们需要先成为吞噬海量数据、巨大云端算力的猛兽。

特斯拉先成为“算力狂魔”。去年9月，特斯拉AI训练芯片储备不过万张左右，而在今年三季度财报会数字显示，目前特斯拉AI算力约等效为6.75万张英伟达H100芯片。一年时间算力储备翻超6倍。

这是相当恐怖的数字。目前特斯拉总算力约为67.5 EFLOPS，对比之下，去年全球算力总规模为910 EFLOPS。

但在海量数据喂养和超大算力训练下，特斯拉基于端到端的FSD v12版本，提供了比以往更丝滑、拟人的智驾能力。这也诱使汽车行业进入这场数据和算力游戏。

「车企患上数据饥渴症」

端到端下的智能驾驶技术，是数据和算力的合谋。

对于端到端智驾所需要的数据，特斯拉曾给出过一些判断标准:一个端到端自动驾驶训练至少需要100万个、分布多样、高质量的clips才能正常工作。到了1000万个case后，系统能力会变得难以置信。

有行业人士告诉36氪，一般1个clip在15-30秒左右，没有绝 对固定的时间长度。

特斯拉有相当明显的数据优势。目前特斯拉已经在全球卖出700万辆车，即便有效的数据车辆为百万辆，如果单车每天贡献一个clip，那么特斯拉每天就有百万个clips能被拿来训练。

也有行业人士向36氪假设，假如在云端训练一个80 亿参数的模型，至少需要在这个模型“炼丹炉”中投入1万个小时训练数据，并且每两周更新要更新一遍数据。

越早建立数据驱动的智驾闭环，车企的技术与产品壁垒就越厚，也越有机会将后来者拒之门外。

理想表示，最晚明年年初，会推出大概通过超过1000万clips训练出来的端到端+VLM。前段时间小鹏智驾负责人李力耘也在公开表示，小鹏端到端模型的训练数据量已达到2000万clips。

但高质量数据并不容易寻得。马斯克曾表示，有效的用户干预行为捕捉正变得越来越难。“每行驶 10000 英里，只有 1 英里对训练 FSD 神经网络有用。”

理想也表示，目前超80万辆车主，但真正能提供高质量数据的用户只有3%。

多位智驾行业人士告诉36氪，目前车企和智驾公司获取数据主要有2种方式。

一是从量产车上挖掘。比如针对车企卖出的几十万台车，工程师会写下专门规则，如果用户的驾驶行为符合条件，特定数据会被上传。车企用户也可以主动上传一些特别案例。

而智驾供应商，也许在量产车数据回传上没有优势，但内部往往会组建一支能优质驾驶的车队，专门路跑采集数据。

数据回传本身是一笔不小的成本。据36氪汽车了解，一家头部智驾供应商公司，每年回传数据的流量费以亿元为单位。如果是新造车公司，这项费用支出会更高。

二是在存量数据中挖掘数据。在早期智驾还不成熟的阶段，车企和智驾公司往往积累大量数据，很多都是无效数据，工程师只能通过一些算法规则来挖取。

高质量数据作为养料，会决定智驾系统迭代的质量。这持续考验着车企的智驾自动化闭环能力:从数据采集、数据清洗、标注、训练、仿真验证、发版、解bug，再经历新一轮闭环。

而这背后每一步的数据流转，都在吞噬算力资源。车企和智能驾驶技术公司们，似乎难有退路。

「智驾要卖钱，“端到端”虽难必做」

端到端智能驾驶带来的收益正在触手可见。

在2023年末推出基于端到端的FSD后，马斯克曾发邮件督促一线销售让更多用户体验智驾的拟人能力，原因是FSD的体验变得更好了。

换句话说，“端到端”让智驾比过往任何时刻都接近商业化。

在国内，“端到端”也在加速智驾商业化进程。

华为最早尝到智驾商业化甜头。去年末，华为与赛力斯合作的问界新M7，上市两月余斩获10万个订单，智驾版用户超60%。

除了推出智驾版车型，华为还通过智驾软件包的方式进一步收费。而目前行业大多数车企智驾软件都是免费开放给用户。

跟特斯拉降价促销不同，华为智驾软件费用正在逐步上涨。有鸿蒙销售人士告诉36氪汽车，华为智驾ADS 1.0阶段买入价格是3000元，ADS2.0阶段买入是6000元，ADS3.0是1万元。“后续价格还会涨。”

而ADS 1.0到2.0到3.0版本，正是华为从传统多模块智驾逐步转向了端到端智驾后，带来的技术和产品体验提升。

另一个尝到智驾技术红利的选手是理想。在增程+家庭车产品力足够打动用户的前提下，理想从今年开始猛追补足智驾短板，其端到端智驾版本已经全量推送给所有车型MAX版本，智驾口碑回升。

美国作家菲利普·迪克曾在小说《仿生人会梦见电子羊吗?》中描述，仿生人拥有感情、会做梦，并希望拥有一只活宠物。

端到端加持下，智驾系统可能已经开始“梦”到电子羊。但电子梦境的维持，需要大量资源灌注，车企与智驾公司也由此患上了数据、算力饥渴症。

「算力游戏，买卡建机房」

除了卖车获取更多数据养料，车企智驾团队还在筹备芯片算力资源。

特斯拉称，到10月底，特斯拉还将增加2.1万张H100，可大致推测出，特斯拉届时总算力将达88.5 EFLOPS。

除了疯狂购入英伟达显卡之外，特斯拉自研的芯片也在路上。马斯克此前在X上发帖称，其超级计算机Dojo 1到年底，将会有约8000台H100 GPU提供等效的训练能力。特斯拉此前期望是，Dojo进入投产后，其算力集群总规模能达到100 EFLOPS。

望不见顶的算力储备，让国内车企玩家不敢轻易掉队。

不过芯片限售后，英伟达的高端AI芯片H100难以在国内流通，国内企业更容易买到的，是英伟达针对中国市场推出的特 供版芯片A800等，性能与价格都不如H100。

目前，华为智驾是国内算力储备最高的玩家，达7.5 EFLOPS。有华为人士告诉36氪，内部不仅使用英伟达的训练芯片，同时还在使用华为自研的晟腾芯片，两者混合使用。晟腾工具链虽然不算特别好用，但由于自研的缘故，供给充足，华为能在云端算力上进展很快。

理想汽车则以5.39 EFLOPS 位居华为之后。而这背后，是万张左右的英伟达显卡储备。

有行业人士给36氪算了一笔账:以A800芯片为例，按照深度学习训练一般适用的FP16精度来计算，单张A800算力为320 TFLOPS，那么5.39 EFLOPS算力实现，需要超1.68万张A800。

有行业人士告诉36氪，今年AI大模型公司算力抢购热潮消退后，云端训练显卡相对好买。去年A800的8卡模组价格轻松卖超百万元，如今回落到95万元左右。即便如此，国内车企玩家想要囤积算力，依然是一笔巨额投入。

理想的目标是年底达到8EFLOPS。据36氪了解，理想此前已经与云厂商火山引擎联合建立数据中心，但目前还在筹备新的数据中心选址。

小鹏智驾中心算力则是2.51 EFLOPS，同理可换算为超7800张A800，小鹏的目标是2025年算力将达10 EFLOPS 以上。蔚来目前的云端算力是1.4 EFLOPS，可换算为超4300张A800。

可以对比的是，据工信部信息，截至2024年6月，国内算力规模达246 EFLOPS。如果换算成FP16，即492EFLOPS。而华为、蔚小理4家企业云端算力总和，就占全国算力规模约3.5%。

但端到端不仅是巨头的游戏，中小玩家也在挤进围场。智驾供应商往往联合车企快速攻入战场，比如出现了智己与Momenta、长城与元戎启行等组合。

据36氪汽车了解，一些头部智驾供应商的训练芯片也达千张级别。如Momenta、地平线等去年就跟火山引擎达成合作，订单在亿元级别。

过去两年，全球都陷入了AI大模型疯狂状态。国内AI大模型公司的创业入场门票高达5000万美元，目前估值最高的大模型公司“月之暗面”身价已经去到236亿元。

目前国内头部AI大模型公司正朝着万亿参数量模型发展，这背后也需要巨大的算力池支撑。阶跃星辰，Kimi等大模型公司，都在通过与云厂商合作来搭建万卡集群训练。

如今同样的局面在汽车行业上演。车企们不甘心只卖车，而是朝着AI科技公司的方向进发。车企们天然拥有海量数据资源，在大模型大算力的加持下，目光已经投向了更广的无人车、具身智能等方向。

他们需要在微薄的利润水平下，投入巨资，竞逐越来越高的算力数字。这能持久吗？汽车行业正陷入价格鏖战，如果把AI作为决胜筹码，这场“经费在燃烧”的算力游戏才刚刚开始。