1、算力竞赛——智能汽车时代的核心战场

智能汽车产业正经历从“硬件定义”向“软件定义”的深刻转型，算力已成为决定企业竞争力的核心变量。这一转变的底层驱动力源于自动驾驶技术对计算能力的爆发式需求：根据行业技术演进规律，L2级自动驾驶需50-100TOPS算力支撑，而L4级则需1000+TOPS，算力需求随自动驾驶级别提升呈现指数级增长态势。

2025-2027年将成为行业算力军备竞赛的关键窗口期，智能汽车作为继智能手机后的新一代“移动计算平台”，其对感知、决策、控制等环节的实时数据处理需求，推动算力成为与芯片、电池同等重要的战略资源。

全球算力竞赛格局在2023年后呈现加速分化态势。特斯拉的战略转向具有标志性意义：自2023年第三季度达到235万辆年化产能后，该公司连续8个季度未新增汽车产能投资，转而将资本开支重心全面投向AI基础设施。中国新能源车企在算力投资方面亦是毫不吝啬，且在开放、多元等方面走出了自己的特色。

2、特斯拉：从汽车制造商到AI公司的战略跃迁

2.1 产能投资停滞与算力投入激增

特斯拉的战略转型呈现出鲜明的“弃车保算力”特征。自2023年Q3达到235万辆年化产能后，公司已连续8个季度未新增汽车产能投资，转而将资本开支重心全面转向AI基础设施。其AI相关资本开支占投资现金流的比从2023年Q1的15%跃升至2025年Q2的32%，累计在AI固定资产领域投入超60亿美元，包括Cortex数据中心扩建与Dojo超算研发等关键项目，明确向“AI公司”转型。这种“弃车保算力”的战略选择，凸显算力在智能汽车时代的核心地位。

这种战略转向也直接反映在市场估值逻辑的变化——2024年Q2起，特斯拉股价走势与交付量增速出现显著背离，华尔街开始以“AI公司+汽车制造商”的混合估值模型对其定价。

马斯克在2025年Q2财报会上明确表示：“每增加1万辆Robotaxi车队，需要新增 1000 PFLOPS的云端算力（笔者注：即 1 EFLOPS，相当于 3125 颗英伟达 H100 GPU 的总算力）”。这一论断直接解释了为何特斯拉暂停墨西哥超级工厂建设，转而投入50亿美元扩建德州Cortex超算中心。该中心一期已部署H100/H200服务器（注：按单台服务器成本 10 万美元（含 GPU、存储、网络设备）计算，5 万台总投资 50 亿美元，与德州 Cortex 超算中心扩建预算匹配），2024年部署量达10万颗。二期完工后总算力将达25 EFLOPS，相当于全球Top500超算总和的3倍（特斯拉 2025Q2 投资者会议纪要）。2025年5月，特斯拉启动Cortex 2.0算力中心建设，采用专门设计的计算架构提升自动驾驶算法训练效率，已部署超过5万块GPU。

2.2 Robotaxi商业模式落地进展

2025年6月，特斯拉在奥斯汀启动Robotaxi商业运营，首批20辆未经改装的Model Y实现完全无人驾驶。运营数据显示：

单车日均收入：约87美元（剔除充电和维护成本后净收益42美元）

l技术指标：乘客满意度92%，零事故里程达12.7万公里

l扩张计划：2025年底前完成旧金山、洛杉矶等5个城市部署，目标车队规模1000辆。计划2026年将Robotaxi服务扩展至10个美国城市

拟采用混合运营：私人车主可选择将车辆接入Robotaxi网络，公司抽取30%服务费。这种轻资产模式显著降低扩张成本，预计2026年Q2开始对财报产生实质贡献。

值得注意的是，算力投入对商业模式的支撑作用在Robotaxi中得到集中体现。Robotaxi硬件成本仅3.5万美元，显著低于Waymo的17.4万美元，这一成本优势源于其自研AI芯片与算力优化能力。

2.3 Dojo超算平台项目失败，自研芯片受挫

2025 年 8 月 8 日，《彭博社》报道，特斯拉现解散了其 Dojo 超级计算机团队，团队负责人也将离职，自主研发无人驾驶技术芯片的计划由此受到重创。

公司最初试图通过Dojo超算平台实现算力自主，以应对纯视觉方案每日产生的1600亿帧视频数据训练需求，摆脱对英伟达GPU的依赖。然而，由于芯片性能未达预期、量产良率仅七成（低于英伟达H100的九成以上）。今年推出的第二代Dojo2芯片不仅性能也未达预期，带不动HW4.0硬件的数据处理，满足不了自动驾驶系统训练等需求，至今也还没量产，成为压垮马斯克的最后一根稻草。特斯拉宣布解散Dojo项目团队后，转而采用“软件自研+硬件合作”模式，由英伟达、AMD提供算力，三星负责芯片制造。这一决定意味着特斯拉将更加依赖外部技术合作伙伴。尽管路径调整，算力投入的战略优先级未变。

其实从2024年8月起，马斯克就不再宣传“Dojo”将成为“世界上最好”，而是转过头来宣传特斯拉的Cortex，这是特斯拉在奥斯汀总部建造的一个巨大的新AI训练超级集群，和Dojo一样背负着解决AI问题的使命。和Dojo不同的是，Cortex没有自研芯片的任务，而是完全基于英伟达的H100和H200 GPU构建，它的规模更大、算力更强，被用来训练FSD和Optimus机器人。

3、中国新势力的算力布局与技术路线

中国市场则呈现“集体加码、路径多元”的竞争态势。头部新势力企业2025年Q3算力投入占比显著提升，比亚迪以35%居首，蔚来、小鹏、理想分别为25%、20%、18%，形成差异化布局。

3.1 蔚来：全栈自研的激进派

蔚来在算力领域采取“芯片+算法+数据”全栈自研策略。5nm工艺的神玑NX9031芯片研发投入达5.4亿美元，采用32核CPU+256核NPU架构，总算力达2000 TOPS，较英伟达Orin-X提升2.3倍。2025年Q2量产良率已达82%，较Q1提升12个百分点，单芯片成本降至450美元。

智算中心建设方面，蔚来与中国电信合作构建“三中心”架构：

合肥总部：1.4 EFLOPS算力，负责模型训练

苏州研发中心：800 PFLOPS算力，专注仿真测试 –

成都灾备中心：400 PFLOPS算力，保障业务连续性

但激进投入也带来财务压力，2025年Q1研发费用率高达28.7%，净亏损扩大至62亿元。为缓解压力，蔚来计划将芯片业务拆分独立融资，目标估值120亿美元。

3.2 小鹏：生态合作的务实主义者

小鹏采取“自研+合作”的混合路线，2025年算力资本开支计划“小几十亿”人民币，重点投入三个方向：

1.扶摇智算中心：与阿里云合作升级至2.5 EFLOPS算力，采用华为昇腾910B芯片构建异构计算集群

2. 图灵芯片迭代：第二代芯片采用中芯国际14nm工艺替代台积电7nm，虽性能损失30%，但规避欧盟出口限制

3. 数据闭环系统：部署47万个边缘计算节点，实现48小时内完成数据采集-标注-训练的全流程

小鹏G6车型搭载的XNGP 4.0系统体现这种策略成效：

硬件成本：较上一代降低42%，仅占整车成本8.7% -

功能覆盖：全国95%城市道路的无图驾驶能力

用户付费率：30万以上车型选装率达63%，贡献月均1.2亿元软件收入

3.3 理想：场景驱动的精准投入

理想汽车聚焦家庭用户场景，算力投入呈现“精准打击”特点：

山西智算中心：与火山引擎合作建设750 PFLOPS算力集群，采用液冷技术PUE控制在1.18

数据策略：累计行驶里程超22亿公里，重点标注“儿童安全”相关场景（如校车识别、儿童遗留检测）

硬件方案：双Orin-X芯片冗余设计，保障家庭用车安全

这种聚焦带来差异化优势，理想L9的NOA系统在“窄路会车”场景成功率达98.3%，显著高于行业平均的82%。

3.4 比亚迪：规模化降本的领导者

比亚迪凭借垂直整合能力，开创“算力普惠”新模式：

天神之眼系统：分三档硬件方案，覆盖10万-80万元车型

芯片策略：自研IGBT+外购地平线征程6组合，算力成本控制在120美元/TOPS

数据优势：440万辆在运行车辆，日新增3000万公里真实路况数据

2025年2月发布的“天神之眼C”方案，在7.88万的海鸥车型上实现高速NOA功能，将智驾系统下探至10万级市场。这种策略推动比亚迪智驾渗透率从2024年的12%提升至2025年Q2的47%。

3.5 华为问界：生态赋能的跟随者

华为问界通过 “技术赋能 + 制造代工” 的智选车模式，构建了独特的算力布局路径。华为提供全栈智能驾驶解决方案（含算力平台、算法模型、数据闭环系统），赛力斯负责整车制造这种模式使问界在算力投入上实现 “轻资产扩张”，2025 年计划投入的 8 亿美元中，65% 用于采购华为昇腾芯片及 MDC 计算平台，仅 35% 用于自建智算中心。

芯片方案：采用华为昇腾 610 车规级 AI 芯片（200TOPS@INT8 算力），集成 16 个达芬奇架构 NPU 核心，支持多模态传感器数据融合。MDC810 计算平台搭载 4颗昇腾 610 芯片（每颗 200TOPS，总计 400TOPS），可同时运行激光雷达点云处理、视觉特征提取、路径规划等 12 个神经网络模型。

重庆智算中心一期投资 5.2 亿美元，部署华为 Atlas 900 集群（1.2 EFLOPS 算力），采用液冷技术 PUE 控制在 1.15。该中心专为 ADS 3.0 模型训练设计，可同时处理 80 万小时车载视频数据（含激光雷达点云、毫米波雷达回波），模型迭代周期从 28 天缩短至 14 天。

上述这种多元化投入推动中国车企在特定场景算法效率上实现突破，部分企业通过本土化数据优势缩小了与特斯拉的技术代差。

4、全球算力竞赛格局与技术路线对比

4.1 投资规模与效率对比

特斯拉凭借规模效应和自研芯片，在算力成本控制上领先中国新势力约43%。但中国车企通过本土化数据优势，在特定场景（如复杂路口通行）的算法效率上实现反超，小鹏XNGP系统在深圳的无保护左转成功率达92.7%，高于特斯拉FSD的87.3%。

4.2 技术路线分化与融合

特斯拉路线：纯视觉方案：8摄像头+4D毫米波雷达；端到端架构：从像素直接输出控制信号；数据闭环：影子模式采集10亿+场景。

中国新势力路线：多传感器融合：激光雷达+视觉+高精度地图；混合式架构：感知-决策-控制分层处理 ；生态合作：与华为、Mobileye等共建技术生态

值得注意的是，2025年出现路线融合迹象：特斯拉在Model Y改款中新增激光雷达选项，小鹏XNGP 4.0引入端到端的轨迹规划模块。根据 2025 年德勤《智能驾驶技术路线调研》，65% 头部车企计划采用“视觉 + 激光雷达”混合方案，行业正逐步形成“视觉为主、激光雷达为辅”的技术共识。

4.3 政策环境与供应链影响

欧盟《芯片法案》2025年8月新规对14nm以下车规芯片实施出口限制，直接影响中国新势力的算力升级：

蔚来：神玑NX9031芯片改用中芯国际14nm工艺，性能损失30%

小鹏：图灵芯片NPU频率从1.8GHz降至1.3GHz

理想：原计划采购的H200芯片数量缩减40%

为应对限制，中国车企加速供应链本土化：地平线征程6芯片2025年出货量突破120万颗，华为昇腾610在问界车型渗透率达100%，国产AI芯片市场份额从2024年的18%提升至2025年Q2的34%。

5、行业趋势

5.1 算力竞赛的三大演进方向

专用化：针对自动驾驶优化的ASIC芯片占比将从2025年的27%提升至2028年的58%；

绿色化：液冷技术渗透率加速提升，2027年智算中心PUE将普遍低于1.2；

分布式：边缘计算节点与云端协同，时延敏感任务在车端完成推理。

专用化、绿色化与分布式三大趋势形成协同效应：ASIC 芯片提升算力密度（从 2025 年 27%→2028 年 58%），液冷技术将 PUE 压降至 1.2 以下，边缘计算节点（47 万→150 万）优化实时响应。三者共同推动智算中心从“通用平台”向“自动驾驶专用系统”转型，预计 2027 年单车智能硬件成本下降 40%。

5.2 中国车企的突围路径

在全球算力竞赛加剧的背景下，中国车企需基于技术演进趋势，构建差异化突围路径。

1. 差异化场景：聚焦本土复杂路况（如无保护左转、电驴混行）构建算法优势

2. 生态联盟：借鉴“扶摇智算联盟”模式，通过资源共享降低单位算力成本

3. 政策协同：利用“车路云一体化”政策红利，获取政府智算中心资源支持

差异化场景挖掘（如比亚迪 10 万级车型智驾渗透 47%）、生态资源整合（小鹏与华为昇腾合作）、政策红利利用（三大运营商智算中心开放）的三维策略，使中国车企在算力成本（215 美元 / TOPS）高于特斯拉（123 美元 / TOPS）的情况下，有望实现算法效率反超（如小鹏 XNGP 场景成功率 92.7% vs 特斯拉 87.3%）。

5.3 风险预警

• 技术路线风险：过度依赖单一传感器方案可能导致系统性风险

• 资本约束：年算力投入超过营收15%的企业需警惕现金流压力

• 伦理合规：自动驾驶决策透明性要求提升，算法可解释性成为新竞争焦点

• 供应链风险：蔚来因中芯国际 14nm 工艺良率不足（78%），神玑芯片交付延迟 2 周，影响 ET9 车型上市节奏（2025 年 Q3 公告）

技术路线风险可能加剧资本约束（如蔚来芯片自研导致研发费用率 28.7%），而伦理合规要求提升将进一步推高验证成本，形成“风险共振”。

6、结语

全球汽车产业正处于“算力定义汽车”的关键转折期。特斯拉凭借先发优势建立起AI训练能力的领先，但中国新势力通过本土化创新和生态合作，正在缩小差距。未来竞争将不仅是技术比拼，更是数据质量、算力效率与商业闭环能力的综合较量。