特斯拉的算力战略与优势 - 特斯拉在智能辅助驾驶领域存在先发优势，其2016年启动自主研发，国内车企2018年跟进，特斯拉2021年发布FSD Beta，国内2023年推出类似功能，存在时间差 [2] - 特斯拉采用纯视觉技术路线，对算力有极高需求，其目标不仅是FSD，还包括Robotaxi及无人驾驶，需处理海量实时视觉信息并进行复杂场景模拟预测 [3] - 特斯拉自研Dojo高性能计算系统于2023年7月投产，采用自研D1芯片，处理全球车队每日采集的约1600亿帧视频数据，以训练FSD学习边缘场景 [3] - Dojo超算性能持续升级，第二代芯片性能比第一代提高10倍，第三代将于明年推出，预计2026年实现规模化运营，可实现数据训练速度猛增一个数量级 [4] - 特斯拉算力投入服务于更广泛的AI业务，包括大语言模型、场景生成及探索“世界模型”技术，富余算力可能转化为向外部企业提供AI训练服务的新增长点 [4][8] 国内车企的算力建设与策略 - 国内车企如小鹏、理想、长城、吉利等积极筹建超算中心，小鹏汽车2022年建成算力达600 PFLOPS的自动驾驶智算中心“扶摇”，将模型训练速度提升近170倍 [5] - 理想汽车聚焦算力中心打造，一年算力训练投入10亿元，截至2024年9月训练算力达5.39 EFLOPS，预计年底超8 EFLOPS，累积训练里程已超22亿公里 [6] - 除车企外，产业链上游供应商如商汤科技和华为也参与算力基建，商汤AIDC一期设计算力为3740 PFLOPS，华为昇腾384超节点可提供300 PFLOPS密集算力 [6][7] - 国内车企算力建设趋势发生变化，从自建超算中心转向混合云与专业化服务，受芯片路线突变、成本压力、技术重心迁移等五大因素驱动 [7] - 国内车企普遍采用分层策略，高端车型配装激光雷达，中低端走纯视觉路线，并依托供应商提供算力基建，无需独立承担超算中心建设成本 [9] 算力差距与技术路线分析 - 算力差距的根本原因在于技术路线差异，特斯拉坚持纯视觉方案，必须依赖海量数据训练弥补感知缺陷，而国内车企多采用激光雷达+视觉融合方案，降低了对数据训练的依赖 [8] - 智能辅助驾驶对训练算力的需求尚未完全爆发，基于语言模型的端到端大模型仍处于起步阶段，中国车企还不到大范围铺算力的时候，具体需求需与算法挂钩 [8] - 行业认为国内车企不必在算力上与特斯拉直接竞争，目前国内组合辅助驾驶的推广与特斯拉无明显差距，算力沟壑在应用层面表现不突出，产业生态的协同优势使国内车企在某些方面领先 [9] 智能辅助驾驶的核心竞争要素 - 算法同质化已成定局，从BEV、OCC架构到端到端大模型，核心技术框架已高度趋同，算法无法被垄断，难以长期维持“护城河” [10] - 数据成为关键竞争点，拥有百万级实车数据的企业可构建不易复制的竞争力，如解决“交互博弈”难题和优化本土化“长尾场景”（如三轮车、移动路障） [10][11] - 人才密度是决定市场竞争力的核心要素，端到端大模型需要大量研发人员处理算法与现实的“鸿沟”，头部企业智驾团队已达数千人规模 [11] - 算法效率至关重要，高效率算法可以较低算力达到同等体验效果，国内车企通过激光雷达“硬件补算法”推高了单车成本，而特斯拉纯视觉路线体现了算法优化的长期价值 [11] - 算力是核心竞争要素但不是全部，系统级最优才是最优，“数据质量+训练”策略比单纯的“海量数据+大算力”更重要 [12] 算力基建的行业意义与未来发展 - 算力基建具有战略意义，其本质是业务规模与前瞻储备的平衡，算力不仅服务于智能辅助驾驶，还支撑车企的语音助手、人形机器人、能源等其他业务 [12] - 随着智能汽车销量增长，车辆产生的数据将呈指数级增长，车企对算力基建的储备需求必然提升 [12] - 构建支撑AI生态的算力基建是复杂性系统工程，需多维度协同，中国推出算力基础设施发展计划，要求到2025年算力规模超过300 EFLOPS，并推进“东数西算”工程 [13] - 国内芯片厂商如华为昇腾、寒武纪持续迭代技术，努力提升国产芯片性能并构建产业生态 [13] - 中国汽车产业智能化突围需算力基建追赶与数据算法等核心能力跃升“多轨并行” [14]