190 亿研发预算、四成砸在算力上：车企智驾竞赛已经从「敢不敢自研」变成「养不养得起」

结论先行：华为乾崑智驾 2026 年研发投入上调至 190 多亿元，其中训练算力近 80 亿元、占四成；云端训练算力从 2023 年 12 月的 2.8 EFLOPS 涨到 2026 年 4 月的 60 EFLOPS，29 个月涨了 21 倍，未来五年还要再投至少 700 亿元。这组数字把智驾竞争的成本结构彻底摊开了——固定成本不在硬件 BOM 上，而在算力与数据闭环上。因此「要不要自研」这个问题的答案已经没有讨论价值，该问的是能否形成规模化的数据飞轮。

一、三笔账决定自研边界

车企在决定自研智驾前，实际要算三笔账。

第一笔：销量能否摊薄。 智驾的固定成本（团队、算力、数据标注、仿真平台）几乎不随销量线性增长，而分母是年销量。百万级年销量的车企能把训练算力成本摊到每辆车几百元量级；十万级年销量的车企，同样的投入摊到单车就是几千元——直接吞掉智能化定价空间。

第二笔：算力开支能否连年投入。 算力不是买一次设备就完事的，它是持续支出。60 EFLOPS 的集群意味着对应的电费、机房、网络与运维，且必须按年追加才能跟上两三年一代的模型迭代节奏。断档一年的后果是模型能力落后一代，而落后一代在端到端架构下往往等于体验断崖。

第三笔：模型迭代能否跟上节奏。 芯片代际是 2—3 年一代，模型架构迭代更快。算力不足时，企业只能做微调而非重训，长尾场景的收敛速度会显著落后。

华为乾崑智驾今年研发投入 190 亿元，其中训练算力近 80 亿元，占四成——这个预算年中还被上调过，年初是 180 亿，9 月 28 日确认已调至 190 多亿。这不是一个随意的决定，而是算过账之后的重新排序。

二、数据飞轮的物理闭环：里程、难例、算力三者缺一不可

支撑这套高投入的是 WEWA 架构：云端世界引擎用 AI 训练 AI，难例场景密度是真实世界的 1000 倍；车端世界行为模型做实时推理。背后的支撑数据是 157 亿公里累计辅助驾驶里程，以及公开的人驾 5.5 倍安全数据——ADS 开启辅助驾驶状态下，平均 887.2 万公里才发生一次严重碰撞，是中国平均值（推算约 180 万公里）的 4.92 倍；人驾状态 560.3 万公里，是平均值的 3.11 倍；累计主动避免潜在碰撞超过 557 万次。

车队的规模曲线同样说明了问题：乾崑智驾搭载量、鸿蒙座舱搭载量及乾崑 APP 用户数均突破 200 万，首个 100 万搭载用时 44 个月，第二个 100 万仅用 12 个月，提速近 4 倍。车队越大，单位里程的数据获取成本越低，模型越好，用户越愿意付费开启，数据继续变厚——这是典型的正向循环。

三、车企自建算力的三种典型路径

不同车企选择了不同的组织形态，但底层逻辑一致：算力是底座，数据是资产，模型是产品。

长安的口径最值得拆解：其"日仿真里程 330 万公里"是一个关键指标——仿真里程与真实里程的比例，反映了企业用算力换里程的能力。真实路采里程是买不来的稀缺资源（受法规、时间、天气约束），仿真里程则几乎可以由算力线性换算。

四、竞争的真正分水岭：规模制造者的数据优势

2026 年最反直觉的变化，是年销百万辆的传统巨头第一次在数据规模上获得了结构性优势。比亚迪智驾系统保有量超 256 万辆、日有效行驶里程超 1.5 亿公里；吉利 850 万辆存量、百亿公里智驾里程；长城超 200 万辆存量车队每天回传海量数据。在端到端时代，模型能力约等于「有效数据量 × 算力 × 迭代效率」这个乘法式，新势力在短期内很难复制百万级车队每天产生的真实路况样本。

这里有一条常被忽略的工程现实：数据规模的价值不由里程总量决定，而由难例密度决定。 一亿公里的城市通勤高速，和一千万公里的复杂路口鬼探头加塞，对模型的价值完全不同。这也是为什么生成式仿真与自动标注成为标配——自动标注工具将标注人力成本降低约 70%，生成式仿真引擎可无限生成施工、极端天气、异形障碍物等稀缺长尾场景样本，弥补真实道路数据分布不均的短板。

智驾的护城河不在传感器清单上，在「每天能收到多少条难例」上；而难例的数量，等于车队规模乘以算力。

五、给供应商的三条判断

一、"卖算法"的商业模式正在被验证。 Momenta 累计定点车型超 210 款、装车量产车辆突破 90 万台，全球前十车企有九家是其客户。它不需要强制绑定自研硬件，车企可自由选择摄像头、雷达、芯片，算法授权成本可控——这正是十几万走量市场所需要的。

二、硬件预埋 + 软件付费正在成为主流，但转化率是问题。 华为鸿蒙智行 19 万元以上车辆搭载 ADS 的智驾包选装率约 70%，问界品牌 ADS 高阶智驾包选装率有信息称已达 90%；但行业统计显示，即便硬件已经预装，国内普通家用车型的高阶城市 NOA 付费解锁率不足 12%。装车率与开通率之间的这道鸿沟，是 2026—2027 年智驾商业模式最大的不确定性。

三、算力成本的下降曲线值得跟踪。 芯片端，激光雷达成本下降约 96%、主流 128 线产品批量采购价已跌破 1000 元；国产芯片能效比达到 5TOPS/W。感知硬件的成本塌方会部分缓解整车的成本压力，但云端算力的单位成本下降速度，决定了数据飞轮能转多快——这是供应商在定点谈判时最该追问的技术路线问题。

行业的共识已经收敛：模型能力 ≈ 有效数据量 × 算力 × 迭代效率。当所有人都能买到同样的芯片、能用同样的开源架构时，真正拉开差距的是后两项——而它们都需要以年为单位、以十亿元量级的持续投入来维持。

智驾竞争的上半场比的是谁先做出能用的系统，下半场比的是谁敢为系统负责、谁能把成本摊到每台车上。

×

微信分享

微信扫一扫，或复制链接发送给朋友

复制链接