本報記者 尹麗梅 張碩 合肥報道
汽車產業技術高地以及車企的戰略競爭支點，正在向AI（人工智能）驅動的智能化快速遷移。過去的競爭力已經很難支撐車企下一步的發展，未來的發展必須建立在以AI驅動的智能化發展上，透過AI去實作戰略遷移，只有這樣車企才能贏得未來。反之，如果在智能化領域的變革中跟不上步伐，或是沒有引起足夠的重視，那麽許多企業將失去未來。
9月29日，在中國電動汽車百人會舉辦的全球智能汽車產業大會（2024GIV）上，中國電動汽車百人會副理事長兼秘書長張永偉作出上述表述。並且，他指出，汽車智能化的發展速度太快，超出了業內預判。
智能化轉型需要巨大的研發投入。【中國經營報】記者註意到，按照官方口徑，2024年特斯拉FSD（Full-Self Driving，全自動駕駛）累積研發投入將超100億美元。截至2023年年底，華為車BU（華為智能汽車解決方案事業部）在智能化軟件、硬件方面的投入也已經達到300億元。比亞迪亦提出要在智能化領域投入1000億元。
張永偉認為，到目前這個階段，在智能化方面各個企業比拼的不僅僅是認識和速度，還是實力的較量，智能化發展的門檻已經越來越高。
AI已成驅動汽車變革決定性因素
「汽車產業變化周期越來越短，甚至出現了變化疊加的特征：過去的變革還沒有完成，新的變革又要開始，這種疊加的發展成為汽車產業發展的新常態，百年汽車產業在繼續演進，最新的驅動因素是人工智能。」張永偉表示，以大算力、大數據、大模型為主要代表的人工智能開始與汽車融合，人工智能時代給汽車行業帶來的最大變化是AI成為驅動汽車變革的新的決定性因素。
在這種情境下，中國汽車產業如何適應新的變化做出新的調整，成為一道必答題。張永偉給出的解題思路是，中國智能網聯汽車的發展需要聚焦AI技術與數據價值去塑造產業新競爭力。即一方面發揮數據作為生產要素的價值，構建數據競爭力，另一方面利用好AI模型能力，促進汽車智能化水平躍升。
數據是智能駕駛技術叠代的關鍵要素。中國在智能化方面並不具備數據優勢，大部份企業手裏擁有的算力資源非常有限。
以自動駕駛Clips（有效影片片段）數據作為對比，國內企業不足百萬個有效影片片段，而特斯拉已經擁有超過1000萬個有效影片片段數據。特斯拉擁有的算力水平已經達到100 EFLOPS，是所有車企所擁有的算力的總和。目前華為的算力水平也只有7.5 EFLOPS，與特斯拉相比差距明顯。
記者了解到，國內車企的絕大部份數據分布在密集的幾個場景，「頭部效應」明顯。與此同時，不同車型傳感器配置不一，采集的數據存在差異，數據復用性差。此外，車企在數據梳理、價值挖掘方面能力積累和沈澱不足。
張永偉認為，國內企業要從數據的角度出發，去解決好兩大核心問題：第一，要讓數據成為企業核心的資產和要素，讓數據創造價值，改變汽車企業對資料探勘能力不足、對數據價值利用不利的現狀，要讓數據變成資產，讓資產產生價值。
第二，在數據領域要解決好數據的協同效應問題。張永偉表示：「在訓練軟件、系統方面，我們很難做到像特斯拉一樣擁有大量的數據，對我們而言靠單一車企的數據量是不夠的。在AI時代，競爭力都是靠數據堆疊出來的，因此就必須去解決規模化數據的問題，這就需要創造我們的機制，促進數據匯聚，讓大家能夠按照市場化原則為平台投入數據以及使用數據，解決數據目前規模不大的問題。」
智能算力存在結構性短缺成為主要矛盾
在解決好數據不足的問題後，對於國內企業而言，還要去解決大模型的問題。
今年大模型頗為火爆，汽車行業距離大模型大面積地落地套用，還面臨著一系列挑戰，這些挑戰涉及模型、數據、算力幾個方面。
張永偉建議，汽車企業當下要去研發大模型，利用大模型。在他看來，在智能化方面打造競爭力要去解決汽車「新五域」：一是利用人工智能解決汽車電子電氣架構的設計問題，二是利用人工智能融合解決動力的問題，三是智能駕駛，四是智能座艙，五是汽車底盤。因為汽車「新五域」均與人工智能、大模型深度融合。
「我們需要用人工智能的邏輯去做研發，形成新的架構和解決方案。我們既要去解決通用和垂類模型，也要去解決汽車企業用模型，在新的發展領域形成自己的AI競爭力。」張永偉說道。
在資訊時代，算力就是生產力。在智能汽車下半場，各大企業之間比拼的就是AI和算力。可以說，芯片算力一定程度上決定了智能汽車的智能化極限，算力越高，汽車智能水平潛力越大。
隨著汽車與AI深度融合，端到端智能駕駛、座艙大模型等加速上車，汽車產業對智能算力的需求快速增長。然而，目前國內汽車智能算力仍存在結構性短缺，軟件生態完善的「成熟」算力缺口較大。
張永偉建議，要建設汽車智算基礎設施，加強算力共建共享。「在人工智能時代，汽車企業缺的不是產能，當下汽車行業最缺的是智算基礎設施，國內汽車行業的主要矛盾是智能算力存在結構性短缺。」
張永偉稱，要完成端到端智能駕駛的研發和訓練，智能算力的需求至少要達到1 EFLOPS，目前車企的平均算力是3 EFLOPS，理想算力是100 EFLOPS。我們要在算力方面投入巨資，而且要持續投入，圍繞數據、算力、演算法形成規模化效應。
根據公開數據，累積到2024年年底，三大營運商規劃的算力資源總量是53 EFLOPS，然而就一個端到端大模型而言，一個企業需要的算力就達到100 EFLOPS。
「現階段，如何解決智能駕駛、人工智能對算力的需求是當務之急。我們要做到既要保障有算力可用，又要追求可用的算力成本較低，甚至還要去解決本土算力由不成熟走向成熟化發展的問題。」張永偉解釋稱，輝達所具備的「有芯片、有軟件生態」的算力我們稱之為成熟的算力，「有芯片、缺軟件」的算力即為不成熟的算力。「我們的任務是要加快解決國內算力不成熟的問題，透過豐富軟件和生態，打造成熟的算力，減少算力在硬件上未來被‘卡脖子’的問題。」
在智能網聯時代，智能駕駛的技術發展正從單一的技術路線向融合單車智能和車路雲的中國特色智能駕駛發展路線轉變。張永偉在大會上表示，中國要致力於走通智能駕駛融合發展路線，即融合單車FSD和車路雲的智能駕駛新方案（C-FSD）。
在張永偉看來，過去行業普遍認為單車智能、車路雲為兩條技術路線，但隨著Al大模型技術、AI訓練芯片及數據閉環能力的快速發展，單車智能技術上限大幅提升，可應對絕大多數場景，單車FSD和車路雲實際上已成為走向自動駕駛目標的兩個支撐性力量，兩者正快速融合成為一條技術路線，單車FSD為「基礎分」，而車路雲為「加分項」。
張永偉認為，基於C-FSD的智能駕駛新方案可以實作數據共享、算力統籌、模型共建，降低企業研發門檻，一定程度解決技術、資源、市場分布不均的現狀，實作創新平權，釋放初創企業的創新活力。
