打不過“獨(dú)一專研”的車企們，確實(shí)該迷途知返了！

在2025年中國(guó)電動(dòng)汽車百人會(huì)論壇上，地平線創(chuàng)始人兼CEO余凱的發(fā)言引發(fā)了智能駕駛行業(yè)的廣泛討論。他指出，車企一味追求全面自研并非明智之舉，聚焦差異化功能研發(fā)，將標(biāo)準(zhǔn)化功能交由第三方專業(yè)供應(yīng)商，才是更具前瞻性的戰(zhàn)略選擇。

全面自研：吃力不討好的困局

當(dāng)下，智能駕駛技術(shù)以令人驚嘆的“十倍速”迅猛發(fā)展，這無(wú)疑給車企的全面自研之路設(shè)置了重重障礙。從資金和技術(shù)積累的角度來(lái)看，研發(fā)智能駕駛相關(guān)技術(shù)所需的投入堪稱天文數(shù)字。以某知名芯片研發(fā)項(xiàng)目為例，其歷經(jīng)數(shù)年時(shí)間，耗費(fèi)數(shù)十億資金才得以完成，如此巨大的成本并非所有車企都能承受得起。

全面自研的效率問題也不容忽視。智能駕駛技術(shù)的迭代速度遠(yuǎn)遠(yuǎn)超過傳統(tǒng)汽車研發(fā)周期。車企若選擇全面自研，不僅要組建規(guī)模龐大的研發(fā)團(tuán)隊(duì)，還得時(shí)刻應(yīng)對(duì)技術(shù)快速更新帶來(lái)的風(fēng)險(xiǎn)。余凱提到，智能駕駛的底層邏輯已從“模仿人類”轉(zhuǎn)變?yōu)椤俺饺祟悺保@意味著車企需要在數(shù)學(xué)邏輯和虛擬仿真數(shù)據(jù)等方面投入更多精力，而不能再單純依賴用戶數(shù)據(jù)積累。然而，全面自研模式下，車企的精力被分散在各個(gè)環(huán)節(jié)，難以在這些關(guān)鍵領(lǐng)域做到深入鉆研，技術(shù)進(jìn)步自然也就受到了限制。

數(shù)據(jù)與算力：智能駕駛的基石

智能駕駛技術(shù)的發(fā)展離不開強(qiáng)大的數(shù)據(jù)支持和算力保障。智能汽車在運(yùn)行過程中會(huì)產(chǎn)生海量的數(shù)據(jù)，據(jù)華為預(yù)測(cè)，自動(dòng)駕駛研發(fā)階段單車每日會(huì)產(chǎn)生近10TB數(shù)據(jù)，商業(yè)落地階段每日也會(huì)產(chǎn)生近2TB數(shù)據(jù)。這些數(shù)據(jù)包括車輛運(yùn)行狀態(tài)、路況信息、駕駛行為等，為AI模型的訓(xùn)練提供了豐富的素材。同時(shí)，強(qiáng)大的算力支持是處理這些海量數(shù)據(jù)、實(shí)現(xiàn)快速?zèng)Q策的關(guān)鍵。

基于LLM（大語(yǔ)言模型）和VLM（視覺語(yǔ)言模型）的大模型訓(xùn)練對(duì)于提升智能駕駛的性能至關(guān)重要。LLM能夠理解自然語(yǔ)言指令，為用戶提供更個(gè)性化的駕駛體驗(yàn)；VLM則能夠處理視覺信息，提升車輛對(duì)環(huán)境的感知能力。通過這些大模型的訓(xùn)練，智能駕駛系統(tǒng)能夠更好地理解復(fù)雜的交通場(chǎng)景，做出更精準(zhǔn)的決策。

物理世界AI：系統(tǒng)解法的必要性

隨著人工智能技術(shù)的不斷發(fā)展，其下一階段的重要發(fā)展方向是深度融入物理世界，與實(shí)體經(jīng)濟(jì)緊密結(jié)合，實(shí)現(xiàn)對(duì)真實(shí)場(chǎng)景的深刻理解與全面賦能。具身智能作為這一進(jìn)程中的典型應(yīng)用場(chǎng)景，其未來(lái)規(guī)模化推廣面臨三大核心挑戰(zhàn)：安全性、協(xié)同性和經(jīng)濟(jì)性。

智能體終端的傳感器覆蓋范圍有限，存在無(wú)法處理和理解的盲區(qū)；多智能體大規(guī)模投入使用時(shí)，需要通過網(wǎng)絡(luò)實(shí)現(xiàn)交互協(xié)同與意圖共享；而智能體無(wú)法無(wú)限制地堆疊硬件、感知設(shè)備和算力，最終需像手機(jī)終端一樣實(shí)現(xiàn)后臺(tái)化，將部分功能置于云端。這些系統(tǒng)性問題亟待通過構(gòu)建實(shí)時(shí)物理世界的AI網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)整體突破。

除了AI網(wǎng)絡(luò)，還需要一個(gè)深度理解物理世界的AI大模型，其本質(zhì)是物理世界的“認(rèn)知中樞”。與傳統(tǒng)依賴靜態(tài)數(shù)據(jù)的AI模型不同，AI模型將融合多模態(tài)模型（VLM）和大語(yǔ)言模型（LLM），具備多模態(tài)理解、時(shí)空推理與自適應(yīng)進(jìn)化三大核心能力。能夠?qū)ξ锢硎澜邕M(jìn)行深度理解和認(rèn)知，可識(shí)別和理解視頻、圖像、文檔等多模態(tài)數(shù)據(jù)，并支持人機(jī)自然語(yǔ)言對(duì)話交互和邏輯推理。

基于AI大模型構(gòu)建的物理世界AI網(wǎng)絡(luò)，能夠提供全量的環(huán)境實(shí)時(shí)信息，將智能體周圍數(shù)公里范圍內(nèi)的所有信息完整呈現(xiàn)，不受氣象條件或遮擋物的影響。同時(shí)，AI基礎(chǔ)設(shè)施能夠及時(shí)預(yù)測(cè)或發(fā)現(xiàn)問題，并通過AI網(wǎng)絡(luò)將信息傳遞至每個(gè)智能終端，從而規(guī)避因信息缺失或處理不及時(shí)帶來(lái)的安全風(fēng)險(xiǎn)。

車路云一體化：協(xié)同網(wǎng)絡(luò)的實(shí)踐

在智能駕駛領(lǐng)域，車路云一體化是“獨(dú)一專研”理念的絕佳實(shí)踐范例。真正的車路云一體化，絕非車、路、云三端技術(shù)各自發(fā)展后簡(jiǎn)單的拼湊擬合，而是深度融合、協(xié)同運(yùn)作。

在一些城市的智能交通試點(diǎn)項(xiàng)目中，專業(yè)團(tuán)隊(duì)專注于車路云一體化的整體架構(gòu)設(shè)計(jì)與技術(shù)融合。他們通過在道路上部署先進(jìn)的傳感器和通信設(shè)備，讓道路具備實(shí)時(shí)感知交通狀況的能力；車輛則配備相應(yīng)的智能終端，能夠接收道路和云端傳來(lái)的信息，并做出精準(zhǔn)的駕駛決策；云端則如同大腦，整合分析車與路上傳的數(shù)據(jù)，進(jìn)行全局的交通調(diào)度和優(yōu)化。

這種一體化的模式，相較于車企各自為戰(zhàn)，單獨(dú)發(fā)展車端技術(shù)、路端技術(shù)和云端技術(shù)，優(yōu)勢(shì)明顯。它不僅降低了整體的研發(fā)成本，避免了重復(fù)建設(shè)和資源浪費(fèi)，而且大大提升了智能駕駛的安全性和通行效率。

行業(yè)未來(lái)：“20% 自研 + 80% 外采”成趨勢(shì)

余凱大膽預(yù)測(cè)，未來(lái)智能駕駛行業(yè)將逐漸形成“20% 自研 + 80% 外采”的穩(wěn)態(tài)格局。20%的頭部車企憑借自身強(qiáng)大的實(shí)力，可以選擇自研差異化功能，打造獨(dú)特的競(jìng)爭(zhēng)優(yōu)勢(shì)；而80%的車企則更適合依賴第三方供應(yīng)商提供標(biāo)準(zhǔn)化功能，實(shí)現(xiàn)資源的優(yōu)化配置。

這種格局的形成有其內(nèi)在的必然性。一方面，智能駕駛技術(shù)的標(biāo)準(zhǔn)化特性使得在這些方面很難通過差異化來(lái)塑造品牌價(jià)值；另一方面，技術(shù)的快速演進(jìn)和高昂的研發(fā)成本，讓全面自研變得愈發(fā)不切實(shí)際。地平線通過開放合作模式，已經(jīng)助力多家車企實(shí)現(xiàn)了智駕平權(quán)，未來(lái)這一趨勢(shì)還將進(jìn)一步加速發(fā)展。

專注協(xié)同，車企方能行穩(wěn)致遠(yuǎn)

智能駕駛時(shí)代的競(jìng)爭(zhēng)，早已不再是單純的速度競(jìng)賽，而是一場(chǎng)比拼穩(wěn)定性和可持續(xù)發(fā)展能力的長(zhǎng)跑。車企如果仍然固執(zhí)地堅(jiān)持全面自研，很可能陷入資源浪費(fèi)的困境，與技術(shù)快速發(fā)展的紅利失之交臂。與其盲目追求大而全，不如專注于差異化功能的研發(fā)，將標(biāo)準(zhǔn)化功能放心地交給第三方供應(yīng)商。只有這樣，車企才能在智能化轉(zhuǎn)型的浪潮中找準(zhǔn)自身的核心競(jìng)爭(zhēng)力，實(shí)現(xiàn)高質(zhì)量的穩(wěn)健發(fā)展。