智驾大模型四类玩家竞争分析：数据飞轮与商业闭环是关键

最近各家新车发布会，如果你稍微留意，几乎都会听到同一句话：“我们的智驾系统已经升级为端到端大模型。”从造车新势力到传统主机厂，从互联网科技公司到汽车供应链巨头，“智驾大模型”已经从一个技术概念变成了人人必讲的标准话术。但真要钻进这个赛道去看，你会发现站在牌桌边上的玩家其实可以分成四类：手握量产车和真实用户数据的主机厂、带着底层技术平台和云能力入局的科技巨头、靠算法和工程能力吃饭的独立自动驾驶方案商，以及正从传统零部件供应商向“智驾大脑”转型的Tier 1。

我前段时间跟几位做智能驾驶的朋友聊了一圈，再从公开资料和企业发布的信息梳理下来，最大的感受是：这四类企业虽然都在喊“智驾大模型”，但各自的切入逻辑、核心优势、致命短板和最终想要的东西，完全不是一回事。这篇文章不打算做概念科普，也不想纠结某一个网络结构，而是想把这四类玩家为什么会挤进同一个赛道、各自手里握的牌有什么不同、落地进展到了什么程度，以及后续竞争的胜负手可能出现在哪里，尽量讲透。

1. “智驾大模型”到底在争什么：技术底座已经变了

想理解四类企业的竞争，得先搞清楚一个底层问题：智驾大模型到底改变了什么？这不是一个营销包装出来的新词，行业的技术底座确实发生了一次比较大的迁移。

1.1 从“拼装式智驾”到“一体化模型”的结构变化

在端到端大模型流行之前，量产智驾系统的典型结构是模块化的：感知模块负责识别车道线、车辆、行人、红绿灯；预测模块负责预估周围交通参与者的运动轨迹；规划模块根据感知和预测结果，结合一系列人工编写的规则来决定怎么走。这个架构不是不好，而是存在一个很明显的瓶颈——规则是写不完的。城市里一个加塞、一次鬼探头、一段没有车道线的路口，背后都是无穷无尽的边缘场景。工程师可以调参数、加规则，但每条规则都是一锤子买卖，工程效率会越来越低。

大模型带来的核心变化，是把原本割裂的感知、预测、规划环节，逐步整合到一个统一的大模型框架里。现在大家频繁提到的BEV加Transformer、占用网络、端到端神经网络规划器，都是这个趋势下的产物。传感器数据进来之后，先通过神经网络生成一个统一的鸟瞰视角空间表达，再在这个表达之上完成目标检测、可通行区域推理，甚至是直接输出方向盘转角和加减速指令。通俗一点类比：过去是“眼睛”看到东西，“大脑”里储备了大量经验规则来判断，再“手脚”去执行——每一步之间靠工程师写的中间接口来衔接；现在是“眼睛、大脑、手脚”被塞进了一套可以一起优化的系统里，摄像头看到什么，最终转向和速度就直接被计算出来，中间没有那么多人工规则层。

这带来的直接好处有两个。第一，系统的行为更像人了，不会因为某个规则没覆盖到就出现很“机械”的决策；第二，当你收集到新的数据、发现新的问题场景时，不需要一位顶尖工程师熬夜写规则，只需要把高质量的数据样本喂给模型去重新训练，系统的整体表现就可能上一个台阶。

1.2 竞争的本质从“写规则”变成了“养数据”

模块化时代的智驾竞争，拼的是工程师密度和工程管理能力——谁写的规则多、谁的标定做得好，谁先用上更高精度的传感器，谁就有优势。但在大模型时代，竞争的实质迁移到了另一条链路：数据采集、数据筛选、数据标注、模型训练、仿真验证、OTA部署。这个闭环在行业里被称为“数据飞轮”。

说得直白一点，大模型不是稀缺品，大部分智驾团队都具备训练一个大模型的能力，稀缺的是高质量数据和把这些数据转化成模型能力提升的工程效率。你开了一万辆车，每天跑出来的里程虽然多，但绝大多数都是普通路况，对模型没太多训练价值。真正值钱的，是那些让系统“差点搞砸”的危险场景、极端光照、恶劣天气、诡异交通行为。如何从巨量行车数据里把这些困难样本筛出来，如何低成本地完成高质量标注，如何快速放到仿真环境里验证修复效果，这一整套能力，才是四类企业的真正分水岭。

这其实也解释了为什么智驾大模型赛道会把这么多不同类型的公司卷进来：主机厂有车有用户有数据，科技巨头有模型算法和云算力，方案商有全栈技术积累和落地经验，Tier 1有供应链和工程化能力。没有一家能在所有环节通吃，但每一家都想往饼心咬一口。

2. 主机厂：把大模型攥在自己手里，已经成了默认答案

第一类玩家，是主机厂。过去十年我可以很明确地说，不少车企对高阶智驾的态度是“找供应商买方案”——博世、安波福、Mobileye等Tier 1提供一套打包好的系统，车企做点标定和适配就行。但到了智驾大模型时代，头部车企几乎无一例外地在讲自研，而且不是嘴上说说的自研。

2.1 新势力的“自研叙事”：从跟随特斯拉到正面交锋

特斯拉FSD V12在行业内引起很大震动，它是最早把大范围城市驾驶策略交给端到端神经网络的量产系统之一。国内的新势力反应很快，小鹏、理想、蔚来都在过去两年里陆续把自家的感知模型切到BEV加Transformer架构，并且开始在城市NOA（Navigate on Autopilot，领航辅助驾驶）中大范围推送。这几家的共同特点，是“车是自己的、数据是自己的、算力网络是自己搭的”。

为什么新势力这么执着于自研？根本原因在于迭代速度。过去用供应商方案时，一个功能模块的修改往往要等供应商排期，一次OTA升级可能要数月。而自研之后，公司内部可以快速组建数据闭环，今天发现一个系统表现不好的场景，明天就能把数据拉回来、筛选、标注，后天开启模型训练，一周内就能验证修复效果并推送到测试车队。智能驾驶正在变成一个需要极高迭代频率的软件开发问题，而软件开发问题的核心解法就是团队和代码在自己手里。

2.2 自研背后的“数据产权”逻辑

还有一层很容易被忽视的原因：数据产权。高阶智驾系统每天会产生海量真实的驾驶数据，这些数据在未来不仅是训练大模型的燃料，还可能衍生出保险、出行服务、车辆运营等多种价值。如果数据和处理能力放在供应商那里，车企就失去了最重要的数字资产。特斯拉之所以被行业反复研究，不只是它FSD功能多，而是它构建了一套从车辆采集到数据训练的完整闭环。国内头部主机厂现在做的，本质上也是这件事——把数据留在自己的数据湖里，把模型训练放在自己的超算中心里，把OTA推送握在产品团队手里。

2.3 不同段位的主机厂策略开始分化

当然，不是所有车企都具备全栈自研的资源。我观察下来，主机厂在智驾大模型策略上已经出现了明显的分层。

一种是以头部新势力和个别传统大厂为代表的“全栈自研派”，它们愿意长期投入，自建超算中心、自研芯片、自研算法，典型如蔚小理和比亚迪等。这类玩家短期内研发投入巨大，但一旦数据飞轮转起来，后期的系统迭代边际成本会很低，而且差异化体验是别人拿不走的。

另一种是以部分传统车企和合资品牌为代表的“深度合作派”，它们一方面承认智驾大模型是未来核心卖点，另一方面很难在短期内组建数千人的算法团队，于是选择和科技公司或方案商深度绑定，以“联合开发”“合资公司”的方式获取能力和数据。这条路不是没有机会，但如果合作边界不清晰，最容易出现的问题就是：技术上被伙伴牵着走，数据上分不到核心资产，最终变成“替别人打工”。

3. 科技巨头：瞄准的不是一辆车，而是“智驾基座”

第二类玩家，是科技巨头。它们和主机厂最大的差别在于，主机厂的终局是把自己品牌的车做好、卖好，而科技巨头更多想的是把智驾大模型做成一个可以被广泛调用的“基础设施”。

3.1 华为模式：全栈软硬一体的“黑土地”

这一波智驾大模型竞争中，最绕不开的科技巨头就是华为。华为的路径比较特别，它不自己造车，但提供从芯片、域控制器、传感器到操作系统、自动驾驶全栈方案的打包能力。在行业里，这种模式被称为“全栈方案供应商”，但它的野心显然不只是卖几个零部件。华为把自己的ADS系统标榜为“基于大模型的智驾系统”，强调端到端学习和持续OTA进化，并且通过和多家车企的合作，积累了相当规模的跨品牌车队数据。这条路的特点是：技术底座非常深，软硬件垂直整合度高，它对车企几乎是“要不要把灵魂交出来”的选择题。

3.2 互联网大厂：云、算法与地图的“组合拳”

在华为之外，百度和部分头部互联网公司也在明显加码智驾大模型。百度的逻辑不完全一样，它既有自动驾驶开放平台，也有Robotaxi车队，还有高精地图和云服务能力，甚至在文心大模型这样的基础模型上也投入了大量资源。它的意图相对清晰：智能汽车需要云端的模型训练、仿真测试、高精地图更新、语音交互等一整套基础设施，互联网公司愿意把“云加算法加地图”作为服务卖给车企。

在这个过程中，科技巨头的优势是算力和基础模型研发能力。训练一个高阶智驾大模型，需要成千上万张加速卡组成的超算集群，需要大量顶尖的算法研究员，还需要成熟的分布式训练框架。这些能力恰恰是互联网科技公司的老本行。相比之下，传统车企在基建和数据中心运营上的经验要欠缺不少。因此不少主机厂即便决定自研算法，在算力平台和基础设施上仍然会选择与云厂商合作。

3.3 科技巨头绕不开的障碍：车企的“安全感”

科技巨头做智驾大模型，最大的挑战其实不是技术，而是信任关系。车企对于“把核心智驾代码和数据交给一家科技巨头”这件事天然心怀警惕，因为这意味着未来产品的差异化能力和用户数据资产都可能被对方掌握。

这种博弈状态导致了一个很有意思的现象：科技巨头一方面高调宣传自己的智驾能力，另一方面又不断调整姿态，强调“平台化”“供应商”属性，努力让车企相信自己可以安心“把后台交给别人”。但从实际落地看，能够被车企深度信任并长期采购方案，远不是技术领先就能解决的问题，还要看合作模式、数据边界、品牌调性和商业条款是否互相匹配。可以说，这个赛道上每家科技巨头都在解一道“既要深度介入、又不能越界”的复杂方程。

4. 独立方案商：在巨头和主机厂的夹缝中打“效率战”

第三类玩家，是独立的自动驾驶方案商。它们的典型特征是：不造车，也没有庞大的云和手机生态，唯一的产品就是智驾算法系统、软件栈和相关工具链。在市场格局中处于一个比较微妙的生态位——技术上要跟科技巨头比垂直深度，落地能力上要跟主机厂自研比性价比，工程化上还要跟Tier 1比灵活度。

4.1 独立方案商的立身之本：全栈能力与快速适配

头部独立方案商常说自己是“全栈式智驾方案提供商”，这五个字背后意味着：从传感器接入、底层中间件，到感知算法、预测规划、车辆控制、数据平台，全部都要自己打通。为什么必须全栈？因为客户是主机厂，主机厂不可能自己把一个供应商的模块和另一个供应商的模块缝起来，它更希望拿到一个能快速适配到量产项目上的完整系统。方案商要做的不是“提供某个模型”，而是要证明“这个模型装到你的车上能搞定城市NOA，还能赶上你新车型的上市节点”。

方案商的另一大优势是跨客户积累。一家头部的独立方案商，可以同时服务多家车企的不同车型，这意味着它可以接触到更多样的场景数据、更复杂的工程问题，从而加速系统能力迭代。当然，这种积累也带来新的工程挑战：各家车企的传感器配置不同，算力平台不同，电子电气架构不同，适配工作量大得惊人。能不能打造一套足够通用的模型底座，再针对不同硬件配置做快速适配，是方案商能否实现规模效应的关键。

4.2 绑定算力芯片，构筑“下场资格”

还有一个细节值得注意：独立方案商的竞争力，很大一部分取决于和芯片厂商的合作关系。现在的量产智驾大模型，普遍需要在高算力芯片上运行，而国内智驾芯片市场除了英伟达的Orin和Thor系列之外，地平线等国产芯片也占据了相当重要的位置。方案商如果能在芯片平台选择上保持多元和深度，就能在成本、供货稳定性和性能释放之间找到平衡；如果过度依赖某一家芯片厂商，议价空间和技术灵活性都会受到压制。

在实操层面，很多方案商现在都把“软硬件联合优化”当作项目交付的一部分内容——同样的算法，在A家芯片上怎么剪枝、量化、算子优化，在B家芯片上又怎么适配，要提供一套相当细致的工程服务。这已经不是模型论文比赛，而是实打实的量产工程能力比拼。

4.3 活下去的出路：细分场景是方案商的机会

独立方案商面临的竞争压力是明摆着的：主机厂自研抢走了最头部的订单，科技巨头用大平台碾压成本，传统Tier 1又靠车规级制造能力卡住了中低端市场。在这种格局下，独立方案商的出路往往在两类地方。

一类是高速推进的Robotaxi商业化。Robotaxi对系统的可靠性要求极高，营运方自己往往不具备全栈算法能力，相比卖车场景更愿意引入专业方案商合作。另一类是干线物流、港口、矿区等限定场景的自动驾驶。这些场景路线相对固定、法规边界更清晰、规模化验证周期短，方案商可以把城市NOA里积累的大模型能力做降维适配，快速跑通商业闭环。

5. 传统Tier 1与硬件供应链：从“供零件”到“供大脑”的转型战

第四类玩家，是传统Tier 1和硬件供应链企业，包括国际零部件巨头和国内深耕汽车电子的一批公司。过去大家提到它们，第一反应是座椅、刹车、车身控制器、传感器这些硬件部件；但到了智驾大模型时代，它们正在面临一场非常痛苦的转型：从“掌控底盘与安全件的供应链角色”转向“智驾大脑的承载者”。

5.1 Tier 1为什么要咬着牙碰大模型

一个最基本的商业原因是价值转移。传统汽车产业链里，Tier 1在整个供应链条中占据高附加值的环节，一套底盘控制系统、一套车身域控制器对企业营收意义重大。但智驾时代的核心价值正在从机械件和基础电子件，转移到算法、数据和软件体验上。如果Tier 1只卖硬件，就会一步步沦为低毛利代工厂；如果它能把域控制器、中央计算平台、传感器、操作系统和算法以一个“整体大脑”的形式交付给车企，那它依然能守住自己的产业链身位。

还有一层原因是车规级能力和数据的稀缺性。智驾大模型再强，最终必须跑在车规级芯片上，必须满足功能安全要求，必须经历从台架测试到实车耐久等一系列严苛验证。这些领域恰恰是传统Tier 1几十年积累的看家本领。从单纯的“会造硬件”到“能为大模型提供车规级载体”，正是这些企业最可行的转型路径。

5.2 域控、芯片与传感器：硬件侧的新卡位战

在智驾大模型时代，硬件侧的几个环节特别关键。第一是智驾域控制器，它相当于智驾系统的大脑刀片服务器，所有算法都在上面运行；第二是高算力芯片，直接决定了模型能否在车端跑得动、跑得快；第三是传感器组合，摄像头、激光雷达、毫米波雷达的数据质量直接决定了大模型的地基是否可靠。

这里补充一点我自己的观察：在一年前的行业讨论中，不少观点认为大模型会降低对传感器的依赖，尤其是降低对激光雷达的需求。但在实际量产中，大多数高端车型仍然保留激光雷达，主要原因是大模型对“小概率但高危险场景”的应对能力还不够稳定，多一种感知冗余就是多一层保险。随着大模型车端推理能力的增强和硬件成本下降，传感器配置方案还会继续调整，但短期内“重感知、多冗余”仍是主流。Tier 1需要同时押注多种传感器方案，还要提供配套的清洗、加热、防护等工程方案，这种“做复杂系统”的能力门槛比想象中要高得多。

6. 四类企业的数据飞轮与商业闭环：真正的分水岭在这里

把四类玩家都摆到桌面上之后，问题就变成了：决定这场竞争胜负的关键指标到底是什么？在我看来，不是单看谁的模型跑分更好，而是谁的能量化实现“数据飞轮转得更快”和“商业闭环走得更通”。

6.1 数据规模不等于数据价值：筛选和标注才是胜负手

很多行业外的人容易有一个朴素认知：车卖得多、跑得里程多，智驾就一定强。这个认知在智驾大模型时代并不完全成立，因为前面已经提到过，真正用于模型训练的高价值数据，是大规模车队数据中的极小比例。四类玩家在数据维度上的侧重点完全不同：

从这张表能看出一条很清晰的逻辑：没有任何一类玩家能同时拥有一手数据、强大算法和完整工程化能力。于是，几乎所有头部玩家都在试图通过合作或并购补齐自己的短板。比如主机厂买初创算法团队，方案商和芯片厂商绑定，Tier 1与软件公司成立合资公司，科技巨头入股独立方案商，都是这个逻辑的体现。

6.2 算力基础设施的军备竞赛：训练大模型的硬门槛

训练一个大模型需要多大的算力？这已经不只是服务器数量的问题了。头部智驾企业普遍在建设自己的超算中心，单个集群的投入动辄数十亿元，同时还面临电力消耗、网络带宽、调度运维等一系列复杂问题。在成本上，一次大规模模型训练的成本也非常高，研发团队需要在训练效率和效果之间不断做工程折中。

这里可以分享一个判断方法：当你去看一家智驾公司是否真正投入大模型时，不用听发布会怎么说五成功，直接看它有没有自建训练集群、有没有跑通自动化的数据回流管线、有没有把云端仿真平台和车端数据系统打通。如果这两件事都没有，所谓“智驾大模型”大概率只是做PPT的包装词。

6.3 商业闭环才是终点：三种变现模式正在成形

智驾大模型的竞争不只是技术竞赛，最后一定要落到商业模式上。从目前行业实践看，变现模式主要有三条路线。

第一，卖车增值体验路线。主机厂把高阶智驾作为车型的核心卖点，以选装包或付费订阅的方式向车主收费。这个路径最直接，但考验的是用户对智驾功能的付费意愿和复购口碑。

第二，方案供应与软件授权路线。方案商、科技巨头和Tier 1通过向车企出售算法方案、域控制器或软件授权来赚钱。问题在于，车企的压价能力很强，智驾方案的市场价格正在快速下行，只靠硬件和一次性开发费用很难撑起长期价值，后续的OTA升级服务费和数据增值服务会成为越来越重要的收入来源。

第三，出行即服务路线。Robotaxi、无人配送、干线物流等场景，让算法团队直接变成运营方，赚的是出行服务本身的钱，而不是卖软件的钱。这条路线前景最大，但落地速度受制于法规验证、道路测试成本和运营效率，短期内还很难成为主流利润来源。

7. 关于智驾大模型竞争终局的几点个人判断

前面已经讲了四类玩家各自的处境，最后我想跳出具体格局，聊聊自己对这个行业后续演进的一些判断。

7.1 短期看开城速度，中期看数据效率，长期看组织能力

如果给这场竞争画一个时间坐标，我的观察是：短期拼的是城市NOA的开城速度和用户口碑。2024年到2025年头部车企都会加速“开城”，大家会看到各种“百城NOA”“全国都能开”的发布频率越来越高。谁的覆盖范围广、接管率低、体验一致性高，谁就首先拿到用户心智。

中期拼的是数据效率和模型迭代能力。当智驾系统的体验差距缩到一个区间时，决定谁也不掉队的，是你能否以更低的成本从海量数据中挖出有效场景并转化为模型能力。这个环节，技术基础设施投入和数据管理方法论远比几个孤立的算法创新重要。

长期拼的是组织能力。智驾大模型是一个极其复杂的系统工程，需要算法、硬件、工程、数据、仿真、安全、产品等多个团队高度协同。很多公司在早期有明星团队和足够资金，但真正拉开差距的往往是能不能在长途跑中持续组织、执行和迭代。可以这样说，这个赛道到最后正在比的，是谁能把一家几千人的科技组织管理到“像一个人一样高效”。

7.2 我给从业者、车企和关注者的一些实在建议

如果你是智驾相关领域的从业者，我的建议是不要被“模型越大越厉害”这种情绪带着走。在一个极其依赖工程和数据质量的领域，真正稀缺的是能把数据管好、把训练跑稳、把车端问题定位清楚的人才。这些能力在短期市值和话题度上不如“某个爆款模型”抓眼球，但它们才是未来五年的护城河。

如果你是车企内部参与选型决策的人，建议把合作开发中的“数据归属权”和“模型可迁移性”这两条写死在合同里。很多项目表面上进展顺利，直到下一代车型切换平台或供应商时，才发现过去的积累根本带不走，这个教训在行业里已经出现过不止一次了。

如果你只是关注智驾趋势的用户，最实用的判断标准是：不要只看品牌方发布的宣传视频，那通常是“剪辑过的最理想情况”；多看看第三方媒体和真实车主在复杂路况下的实测反馈，特别是雨天、夜晚、无保护左转、施工路段这些场景。大模型的强大与否，在这些地方最藏不住。

智驾大模型这场竞争，从格局看是四类企业的基因碰撞，从本质看是数据、算力和商业模式的重新分配。它最终不会只属于某一类玩家，但一定会长期向“能把数据闭环转到最快”的那一方倾斜。