阿里云，接得住中國智駕嗎？

智駕團隊還在吵路線，產線已經開始交卷

作者｜李蘇

編輯｜靖宇

8 月，烏蘭察布。

近 30 位來自核心車企和方案商的智駕關鍵力量，被請進了阿里巴巴數據中心。

這里承載著中國智能駕駛研發 60% 的算力。數據中心晝夜不停，像一顆強健搏動的心臟；而道路上智能駕駛的車輛每一次從容的轉彎、精準的剎停、安穩的跟車，背后都可能是這里徹夜的計算。幾乎所有參會者正在訓練的模型，就跑在腳下這片機房里。

把論壇開在數據中心所在地，本身就是一個信號：智駕的競爭，已經從算法下沉到工程。

阿里云智能集團資深副總裁、公共云事業部總裁劉偉光的開場白很簡短——模型、芯片、云，這三樣東西過去由三類供應商分別提供，在三種不同的會上討論。這一次，它們被放在同一張桌上，由同一批決策者一起追問。

沒有人再爭論車企要不要上云，問題變成了：當智駕進入大模型時代，中國車企需要什么樣的基礎設施？誰能把芯片、云、模型三層都做通，而不是只賣其中一層？

阿里云給出的答案，是一條產線——從數據到模型再到算力，完整打通。

阿里巴巴在烏蘭察布的數據中心之一｜圖片來源：阿里云

01

問題在下沉

如今，智駕的路線正在分化。

端到端已成共識，但再往上，有人押注 VLA，有人賭世界模型，也有公司選擇繼續深耕端到端本身。

但不管是哪條路，范式一旦切換到「訓模型」，瓶頸就變成了三件事的困境——數據供得上嗎？模型底子夠好嗎？算力扛得住嗎？任何一項是短板，另兩項的投入都會被浪費。

過去一年，行業里出現了一個怪現象。

各家車企和方案商都在搶卡，但買了卡之后，很多人發現模型迭代速度并沒有明顯提升。

不少車企有過類似的經歷：集群建起來了，算法團隊反而更焦慮——數據清洗和標注的周期仍以周計，多模態數據從車端回流到進入訓練，中間要經過大量人工和半自動化工序，可用的訓練樣本遲遲供不上來。

算力卡只是入場券，而數據產線才是瓶頸。

在這輪技術切換里，特斯拉始終是被反復研究的樣本。它的數據飛輪不是秘密，行業里人人都在談，但很多人只看到了模型架構的切換，沒看到背后的工程化。

對此，阿里云智能集團副總裁、計算平臺事業部負責人汪軍華的判斷很直接：特斯拉的真正壁壘，不僅是算法，更是其極度高效的數據到模型產線閉環能力；而數據到模型產線的閉環效率，往往是模型迭代速度中最短的那塊木板。

車企和智駕公司關鍵力量齊聚智駕論壇｜圖片來源：阿里云

阿里云的解法是重構整條產線——簡單來說，阿里云提供的不是一個標注工具或一個存儲方案，而是從多模態數據接入、自動化清洗、向量化、大模型自動標注，到基于歷史訓練分布的混合樣本檢索的全鏈路支持。通過分布式計算引擎與千萬級任務調度，數據包處理效率相比傳統自建方案提升一個數量級。

按照汪軍華的說法，阿里云日處理能力達到百萬級 clips，支撐模型以天為單位迭代。

這個數字背后是一個工程現實。過去，車企的數據團隊要先把車端回流的原始數據拷到本地服務器，再分批上傳到云，然后進行格式轉換、去重、清洗，最后交給標注團隊，每一個環節都是斷點。阿里云的產線把這些斷點接了起來：數據從車端回流后，不再需要人工搬運，而是順著管道一路走下去，自動完成轉換、清洗和標注，最后直接拿去訓練。

會場上，有人拋出一個尖銳的問題：過去積累的數據，到底還算不算護城河？一個沒有歷史包袱、從零直接做 VLA 的新玩家，有沒有可能彎道超車？

這個問題沒有得到一致的答案。VLA 對數據的要求，與上一代端到端不盡相同，歷史數據的價值確實需要重新評估；但自動駕駛的長尾問題，又離不開海量真實場景的持續積累。

阿里云的回應給出了另一個視角：真正的護城河，可能不是硬盤里存了多少數據，而是那條能把海量、雜亂的非結構化數據，持續煉成高質量訓練樣本的數據閉環產線。數據會隨著技術路線切換而貶值，產線不會——路線換了，產線還在高速運轉。這恰恰是從零起步的新玩家最缺的東西：數據可以補采，產線的工程能力和迭代節奏，卻需要時間一米一米地修出來。

爭論難有結論，但共識是清晰的——只解決數據層是不夠的。當智駕進入大模型時代，車企缺的不是更多的卡，也不是一個更聰明的模型，而是一條從數據、到模型、到算力被完整打通的產線。

02

芯、云、模一體

芯片對應算力，云對應數據產線，模型對應基座與世界模型——所謂芯云模一體，就是把三層串成一條產線。

這要從產線的上下游關系理解。數據產線把 clips 準備好，模型訓練才能啟動；模型一旦進入訓練，算力層必須跟得上。三者是上下游關系，缺了哪一環，另外兩環的投入都會打折。

模型層是阿里云區別于任何一家純算力或純芯片供應商的地方。劉偉光在論壇上表示：「千問模型，正在成為智駕 VLA 的一種基座選擇；萬相，可以作為世界模型的生成引擎，去出題、去評價。讓中國的大模型，真正開進現實世界。」

這兩句話，對應車企在模型層最現實的兩個問題：基座從哪里來，考題由誰來出。

先看基座。VLA 模型需要理解物理世界的因果——前車為什么剎車、行人會不會突然橫穿，也需要大量常識——識別臨時路牌、判斷潮汐車道、給救護車讓行。這些能力并非來自駕駛數據本身，而是語言大模型經過海量數據訓練才具備的。

對車企而言，從零自研基座意味著重復這筆投入，更可行的路徑是在云上對大參數量基座模型做后訓練，再蒸餾成小模型，以適配不同的車端算力平臺。千問成為「一種基座選擇」，指向的正是這一需求。

再看考題。模型學會了開車，不等于經得起所有路況。訓練必須覆蓋那些現實中很少遇到、卻決定安全上限的場景——極端天氣、罕見路況、突發狀況。靠路測去等這些場景出現，成本和周期都不可接受；世界模型的價值，是把它們生成出來，給模型出考卷，再給答卷打分。萬相承擔的正是這個角色。

這條路徑，就是劉偉光概括的方向——「從模仿，到強化；從會開車，到懂世界」。

這已經不是概念階段了。小鵬汽車自動駕駛產品高級總監、Robotaxi 事業部負責人袁婷婷在會上提到，小鵬的第二代 VLA 讓視覺原始數據更快進入模型、直接產生動作，帶來斷代式的安全與體驗提升。

小鵬與阿里云的合作也不止于一層：四年前，雙方共建烏蘭察布智算中心「扶搖」，那是當時中國規模最大的自動駕駛專用智算中心；如今，小鵬也開始用阿里云的國產芯片做訓練。

注：2022 年 8 月，小鵬汽車與阿里云合作，在烏蘭察布建成中國最大的自動駕駛智算中心「扶搖」。

基座與考題就位之后，壓力順產線傳導到算力層。

第一個問題，是卡怎么管。頭部車企與智駕公司都在推進多元算力戰略，國產芯片占比顯著提升，但不同國產芯片的軟件棧、算子庫差異較大，遷移適配成本很高。

阿里云用人工智能平臺 PAI 統一調度訓練卡和推理卡，不管是何種芯片，都納進同一個資源池，深度適配主流的國產 AI 芯片；通過統一的軟件棧和編譯優化技術屏蔽底層異構差異，平臺可支持萬卡可擴展的國產資源集群，有效算力利用率穩定在 97%以上，工程上對齊前沿卡的使用體驗，包括鏡像組件、工具鏈、部署、調優等細節。同時，基于人工智能平臺 PAI 構建的端到端世界模型訓練平臺，覆蓋大規模駕駛場景數據的模型訓練、仿真驗證與迭代優化。

面對臺下的算力采購決策者，阿里云智能集團加速計算產品和技術負責人王超把問題挑明了。他說，今天到場的人心里其實只有三個問題：「算力穩不穩、值不值和夠不夠。」這三問的答案不在調度層，在卡本身。

當模型越來越大，數據吞吐越來越高，芯片層就成了這條產線的最后一道閘門。

平頭哥半導體副總裁高慧在演講中說，市面上「超節點」眾多，但很多標榜超節點的產品本質上仍是基于以太網等傳統網絡協議的服務器堆疊。真正的判據只有一個：是否實現了支持同步內存語義的統一編址。只有做到這一點，節點內的算力才能真正跳出通信瓶頸，作為一個完整的巨型 GPU 被統一調度，從而讓總有效算力最大極限地逼近單卡的線性疊加。

在這個標準下，平頭哥做出了國內首個 64 卡單層、全對稱超節點架構：卡間帶寬一致，64 卡單跳時延一致，統一內存語義并無縫兼容 NCCL 底層通信原語。

注：圖為平頭哥 M890 芯片。

在智駕的世界里，有時候數字是最硬的。2024 年 12 月，首臺 PPU 服務器在車企上線；如今汽車行業 PPU 使用規模正向數十萬卡邁進，30 多家車企與智駕方案商在使用，50 余個自動駕駛主流模型已驗證兼容。

如今看來，三層同時在場的真正意義，不在于每一層有多強，而在于它們能被拼成一件事。

阿里云表態，硬件廠商繼續提升單卡算力與互聯帶寬、完善基礎生態，而阿里云會做好算力底座的兜底，用軟件定義的優勢，彌補硬件生態初期的碎片化。

這句話只有在同時擁有芯片和云的公司口中才成立。

三層協同還有一筆經濟賬。訓練需求天然是波動的：模型迭代的關鍵期算力需求陡增，平日回落。統一調度讓車企可以在業務波峰時瞬間拉起大規模集群，既滿足突發計算需求，又避免算力在閑置中貶值。

03

不確定中的確定性

路線分化帶來的不是選擇的自由，而是焦慮。每一條路都需要重資產投入，而車企的預算和耐心都是有限的。

從 2026 阿里云智駕論壇參會者的口中能聽出，很多人擔心基礎設施選錯，這種焦慮在行業里很普遍。去年下半年以來，不少車企的智駕團隊經歷了組織架構調整，有的從自研轉向與方案商合作，有的從方案商手中收回自研權。搖擺的背后，是對投入產出比的重新計算。

但把幾條路線擺到一起看會發現，分歧集中在算法層，對地基的要求卻出奇一致：數據都要以天為單位供上來，算力都要以萬卡為單位管起來，基座模型與世界模型的能力，按各家的路線各取所需。

這決定了地基不存在「押錯」的問題。無論 VLA、世界模型還是端到端最終跑通，贏家都要跑在同一條產線上。阿里云把投入放在地基而不是路線上：數據產線兼容不同架構的模型輸入，基座模型支持多種下游任務，算力集群適配不同的訓練框架和推理需求。

阿里云 AI 汽車行業總經理李強把這個定位說得更直白：「阿里云不替各位選路線，我們想把這塊地基修得夠厚。」

在劉偉光看來，算力全棧自研，是這條路走得遠、走得穩的底氣。而地基的終點，是他在致辭結尾給出的定位：「云之于 AI，絕不僅僅是算力供應。我們要做的，是一朵全棧AI 的云，是為中國建一座 AI 工廠。讓每一家車企都能在這座工廠里，造出自己的智能。」

這句話的分量，在會后得到了驗證。

8 月 10 日，靈駿·真武 M890 超節點實例正式開售，訂單成功后 1 小時內交付。幾天前，它還只是閉門會上的技術參數；從公布到商用，中間只隔了不到一周。這種節奏在國產芯片領域并不常見——它說明這塊地基不是實驗室產品，而是已經進入規模化部署和持續迭代的商業軌道。

從扶搖到烏蘭察布，阿里云在汽車行業的角色已經變了。2022 年，小鵬攜手阿里云共建自動駕駛專用智算中心「扶搖」，那時阿里云回答的問題是「要不要上云」；今天它回答的是「云要提供什么」——從芯片到軟件棧，從數據平臺到模型基座，全部自研。

當車企與方案商的核心決策者在烏蘭察布數據中心走廊里擦肩而過時，中國智駕正在完成一次身份轉換：從算法競賽，走向工業化競爭。

算法競賽里可以有黑馬，工業化競爭里沒有奇跡。路線之爭還會繼續，會有人押對，也會有人調頭，但無論哪條路先跑通，它都會跑在一條被完整打通的產線上。

這就是不確定中的確定性。

*頭圖來源：AI 生成

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO

極客一問

你認為目前智駕發展

最大的障礙是什么？