一、智驾飞轮
1.1算力、算法、数据缺一不可
人工智能有三大基石——算力、算法、数据，三者如同齿轮般互相咬合，缺一不可。想要让智能驾驶从”能用”进化到”好用”乃至”放心用”，必须让这三个齿轮高速转动起来，形成所谓的“飞轮效应”：数据是燃料——车辆每天在路上跑，传感器采集的海量真实路况数据回传云端；算力是引擎——海量原始数据需要云端算力清洗、标注、训练才能转化为模型能力，算力强弱直接决定模型迭代的速度。算法是方向盘——它决定了数据如何被利用、算力如何被组织，优秀的算法能在同等条件下榨取出更高的智能水平。芯片设计优化、算法架构迭代、模型参数调优都有赖于对实际数据处理的反馈。更聪明的模型下发到车端后又吸引更多用户使用、产生更多数据——循环往复，飞轮越转越快，系统能力呈指数级提升。
任何一家想要在高阶智驾赛道存活的企业，都必须打通这个闭环。
1.2自动驾驶没有个性化，只有先到者得天下
与很多消费互联网产品不同，自动驾驶本质上是一个没有个性化的赛道。用户对智驾的需求高度一致：安全、顺畅、少接管。这意味着智驾赛道的终局不会是”各美其美”的多极格局，而是”赢者通吃”的寡头格局。
头部厂商拼命烧钱、抢时间、堆数据的本质，就是要在通往L4的过程中靠阶段性领先击垮对手。当特斯拉的FSD已经能在北美城区实现数百公里才需一次接管，当华为ADS的碰撞安全间隔达到757万公里（人驾的4.2倍），当小鹏的第二代VLA让复杂小路的平均接管里程提升13倍——这些能力差距会直接转化为用户口碑、销量规模和数据回流的滚雪球效应。落后者会陷入”能力弱→用户少→数据少→能力更弱”的死亡螺旋。
Momenta CEO曹旭东预判：2026年智驾终局竞争将结束，中国智驾将收缩到2-3家，全球3-4家。智驾不是一场马拉松，而是一场”谁先跑到下一个补给站谁就能拿到所有补给”的生存竞赛。
二、智驾能力的三个”准奇点”
行业公认三大阶段性能力临界点（三段准奇点区域）
2.1. 第一临界点：约1 亿有效公里（高速为主）
能力跃迁：L2 基础辅助驾驶彻底成熟
突破表现：高速车道保持、自适应巡航、常规超车、跟车启停零失误，可稳定覆盖90% 常规路况，高速场景事故率大幅低于人工驾驶；从 “偶尔能用” 变成高速全程可信赖工具。
边际特征：此阶段数据收益最高，少量新增里程就能带来巨大体验提升。
2.2. 第二临界点：50 亿有效公里（城市道路占比≥30%）
能力跃迁：城市高阶智驾（NOA）从 “演示可用” 进化为全域量产可靠
突破表现：无保护左转、环岛绕行、拥堵加塞、鬼探头、人车混行等复杂交互场景稳定处理；模型获得场景组合泛化能力，没见过的陌生路口、非常规路况也能自主决策，是城市智驾最关键的质变奇点区间。
2.3 容易被误解的 “奇点误区”
总里程≠有效训练里程
几百万公里封闭测试、固定路线反复跑，哪怕累积10 亿公里，场景高度重复，永远触发不了能力跃迁；只有多样化、高风险、低频次的长尾场景数据，才能推动抵达临界点。每一次对一类场景覆盖率从 95% 提升到 99.9%，就是一次小的能力奇点；全场景覆盖率逼近 99.99%，就是行业期待的终极智驾质变临界点。
到达临界点不是能力天花板，只是收益斜率变化
跨过奇点后，常规场景性能不再大幅提升，但新增长尾数据依然能持续降低事故率，只是提升速度大幅放缓；越靠近L4，需要的数据量级呈指数级上涨。
仿真数据可以缩短奇点距离，但无法替代真实数据
仿真能快速补齐常规极端场景，但真实世界的传感器噪声、人类随机违规、路况不规则退化等隐性分布偏差，必须依靠真实路采数据完成最后一段奇点跨越。
2.4 五家企业智驾数据积累 + 所处数据奇点阶段对照表（截至 2026 年 5 月官方公开口径）
2.4.1统计口径：
特斯拉、华为、小鹏、比亚迪：统计高阶智驾开启下的真实有效行驶里程（用于模型训练的闭环回传里程）；
地平线：不直接拥有车队路采里程，属于芯片+ 算法方案供应商，数据来自合作车企授权 + 自有封闭测试 + 仿真数据集，无全域车队累计路测里程；
2.4.2 五家企业详细数据与奇点位置总表
企业 | 累计有效智驾里程 | 当前所处数据奇点阶段 | 核心数据结构 | 数据优势 & 短板 |
特斯拉（FSD） | 104 亿英里≈167.4 亿公里城市路况占比 37.6% | ✅跨过第二奇点（50 亿），逼近第三终极奇点（160 亿）已踩中 L4 安全数据门槛阈值 | 全球多国家路况；高速 + 城郊 + 城市均衡；海量接管失败长尾场景；纯视觉数据集 | 优势：全球 600 万 + 车队，日均新增 4667 万公里，长尾场景密度行业第一短板：国内 FSD 数据独立闭环、无法跨境复用，中国本地化路况数据需要重新积累 |
华为（乾崑 ADS） | 111 亿公里（国内全域）城市道路占比≈42% | ✅稳稳跨过第二奇点（50 亿）国内唯一百亿公里级高阶智驾数据池 | 全部为中国本土复杂路况；人车混行、非机动车、拥堵加塞、无保护左转等高价值场景密度极高；95% 用户高频开启智驾 | 优势：国内地级市全覆盖，高危接管场景样本丰富，适配国内交通法规与出行习惯短板：仅覆盖中国市场，缺少海外极端路况、异域交通场景数据 |
小鹏（XNGP） | ≈28 亿公里（行业权威测算）城市路况占比 35% | ✅跨过第一奇点（1 亿），尚未抵达第二奇点（50 亿）处于城市 NOA 从 “可用” 向 “全域可靠” 爬坡阶段 | 覆盖国内 400 + 城市，无图 NOA 早期数据积累充分，自主数据闭环搭建早 | 优势：城市场景精细化标注体系成熟，最早跑通全国无图高阶智驾短板：车队保有量低于华为、比亚迪，数据增速慢于头部两家，距离 50 亿质变阈值仍有缺口 |
比亚迪（天神之眼） | ≈100 亿公里全域辅助总里程高阶城市 NOA 有效训练里程≈32 亿公里 | ✅跨过第一奇点，接近第二奇点（50 亿）海量 L2 基础数据，高阶城市场景仍在快速补量 | 保有量 315 万 +，日均新增 2 亿公里路采数据；下沉城市、乡镇、乡村路况数据最全；高低速均衡 | 优势：海量下沉市场场景，极端恶劣路况（山路、暴雨、非铺装路）样本极多，数据增长速度国内第一短板：早期以 L2 基础辅助数据为主，高阶城市博弈类长尾高价值场景占比偏低，有效训练数据提纯需要时间 |
地平线（征程 + HSD） | 无车队累计路采里程自有：3 万 + 场景数据集、千万公里封闭测试回灌数据依托 800 万套芯片上车，间接沉淀车企脱敏脱敏数据集，仿真数据占训练总数据 80% | 仅完成第一奇点（1 亿）数据验证定位 L2 + 普惠智驾方案，尚未冲刺全域高阶城市 NOA 数据门槛 | 以国内高速、常规城区标准化场景为主；大量仿真生成场景，真实高危长尾场景依赖车企授权脱敏数据 | 优势：国产最大 L2 场景库，标准化路况数据成本极低，适配多家车企快速落地短板：无法直接采集车主行车数据，缺少海量真实人车博弈、突发事故类长尾场景，很难独立跨过 50 亿城市智驾质变奇点 |
2.4.3分企业深度拆解（结合之前三大奇点能力跃迁）
1. 特斯拉：全球唯一逼近 L4 终极数据奇点
里程：167.4 亿公里，刚好越过马斯克设定的 100 亿英里（160 亿公里）L4 安全数据门槛；
能力阶段：高速L2 完全成熟→城市 NOA 全域可靠→进入无监督自动驾驶安全验证阶段；
数据特点：32.57 亿英里城市复杂路况，大量动物横穿、乡村小路、欧美交通规则场景，统计学上可证明事故率显著优于人类驾驶员。
2. 华为 ADS：国内率先跨过城市智驾核心奇点（50 亿公里）
华为乾崑累计107.5亿公里
111 亿公里全部来自中国真实路况，城市场景占比超 4 成，完美匹配国内非机动车密集、路口博弈多的交通特征；
质变结果：从依赖高精地图，全面落地全国无图ADS，陌生城市道路泛化能力拉满，接管率持续走低，是国内唯一靠数据完成全域高阶智驾规模化可靠验证的方案。
3. 小鹏 XNGP：第一梯队中距离第二奇点最近的追赶者
28 亿有效里程，早早完成全国 400 城落地，是国内最早跑通无图城市 NOA 的车企；
当前阶段：常规城市路况稳定可用，但小众县城、极端拥堵、罕见违规场景覆盖率不足，还需要20 亿 + 高价值长尾数据才能跨过 50 亿质变门槛。
4. 比亚迪：海量基础数据池，高阶数据正在快速突围
总辅助里程破百亿，但大部分是高速L2、自适应巡航等基础场景；城市 NOA 有效训练里程约 32 亿公里；
核心价值：下沉市场、乡镇山路、城乡结合部这类其他厂商缺失的场景数据储备全球第一，一旦完成数据精细化提纯，将快速冲刺50 亿城市智驾奇点。
5. 地平线：方案商，不参与全域车队数据竞赛
地平线数据基础设施
商业模式决定：不能直接抓取车企用户原始行车数据，只能拿到脱敏片段、标准化场景；
训练数据结构：80% 依赖仿真生成补齐常规场景，仅 20% 来自真实封闭路测 + 车企脱敏数据；
定位：主打普惠L2 + 高速 NOA，依靠成熟标准化数据集跨过 1 亿公里基础奇点，不独立冲刺 L4 全域自动驾驶，依托海量客户生态间接积累场景资产。
三、Scaling Law与边际收益递减的资金绞杀
3.1 智驾训练的”幂律缩放”规律
大模型时代有一个被广泛验证的规律——Scaling Law（缩放定律）：模型的性能与参数量、训练数据量、计算量三者之间呈现可预测的幂律关系。在相当宽的范围内，只要按比例增加模型规模、数据量和算力投入，模型性能就会稳步提升。这个规律在自动驾驶领域同样适用。
Scaling Law带来了一个令人兴奋但也令人恐惧的推论：智驾能力的质变，需要场景覆盖率的饱和突破。在高速NOA阶段，几千万公里的数据就能覆盖绝大多数场景；但到了城市NOA阶段，几亿公里只是起步；而要从城市NOA跨越到L4，可能需要数十亿甚至上百亿公里的数据来覆盖所有长尾场景。每一次能力跃迁，都需要在数据量上实现一个数量级的突破。
但Scaling Law的另一面是边际收益递减。当你已经用1亿公里数据训练过模型后，再增加1亿公里数据带来的性能提升，明显小于从0到1亿公里的提升。这意味着从L3到L4的数据训练，需要不成比例地更大的资金投入——可能不是10倍的关系，而是50倍甚至100倍的关系。
3.2 头部企业的”烧钱”军备竞赛
面对Scaling Law和边际收益递减的双重挤压，头部企业被迫卷入了一场史无前例的资金军备竞赛。
特斯拉是这场竞赛的”头号赌徒”。2024年，特斯拉在AI训练和推理上的投入高达约100亿美元，2025年计划花费30-40亿美元购买英伟达H100等硬件。特斯拉目前拥有100 EFLOPS的云端算力，相当于约10万张H100芯片，超过了中国所有车企算力之和。
华为的投入同样惊人。2025年，华为仅在训练算力这一项的投入就计划超过40亿元，云端算力达到45 EFLOPS。华为智能汽车解决方案BU的年度研发投入据传超过100亿元。更关键的是，华为的投入是”有回报”的——搭载华为ADS的车型智驾使用率高，华为甚至可以将智驾方案作为付费选装包销售（全套价格3-6万元），形成了商业闭环。
小鹏汽车则在”砸锅卖铁”押注智驾。何小鹏透露，从2024年至今，小鹏建成了3万卡规模的智算集群，仅训练费用投入就高达20亿元。2024年全年小鹏投入35亿元用于智能研发。2025年95亿元的研发总投入中，与AI直接相关的投入达到了45亿元
理想汽车同样All in AI。李想表示2025年研发投入将超过100亿元，其中AI投入占60亿元。理想云端算力已达13 EFLOPS，每年训练算力投入超过10亿元。
企业 | 2024-2025年智驾相关投入 | 云端算力（2025年） | 投入方向 |
特斯拉 | ~100亿美元（2024年AI投入） | ~100 EFLOPS | 超算中心、H100集群、自研Dojo芯片 |
华为 | >100亿元/年（车BU研发）；训练算力>40亿元/年 | 45 EFLOPS | 昇腾芯片、ADS算法、华为云、WEWA架构 |
小鹏 | 45亿元智能研发（2025年）；20亿元+训练费用 | 10 EFLOPS | 万卡智算集群、720亿参数基座模型、图灵芯片 |
理想 | 100亿元研发（2025年），其中AI占60亿元 | 13 EFLOPS | 智算中心、VLA模型、端到端大模型 |
比亚迪 | 预期投入1000亿（2024年提出） | 2.3 EFLOPS（26年扩大到7-8EFLOPS） | 璇玑架构、芯片、天神之眼DiPilot 云计算中心、物理AI 大模型 |
地平线 | 51.54亿元研发开支（2025年，占营收137%） | 2.1EFLOPS | 征程6系列芯片、HSD方案、算法研发 |
3.3 资金投入的门槛效应
这场军备竞赛最残酷的地方在于：它存在一条”最低参与门槛”，达不到门槛的企业连上牌桌的资格都没有。搭建1 EFLOPS的算力所需成本约为3.7亿元，而完成端到端智能驾驶的研发和训练，1 EFLOPS只是起步算力。行业平均算力已达3 EFLOPS以上，单家企业在AI算力上的研发投入至少10亿元起。
理想汽车智能驾驶研发副总裁郎咸朋坦言：“自动驾驶训练所需的算力最终要达到100 EFLOPS量级，折合成投入每年要超过10亿美元”。这意味着未来三到五年，头部车企每年在智驾训练上的投入可能需要50-100亿元人民币甚至更多。对于年利润只有几十亿元的新势力车企来说，这几乎等于”All in”。
而对于地平线这样的第三方供应商，问题更加严峻。地平线2025年研发开支51.54亿元，占营收比例高达137.1%——这意味着公司每实现1元收入，就要投入1.37元的研发支出。虽然地平线现金储备尚有202亿元，但其收入规模（37.58亿元）与研发投入之间的鸿沟正在扩大。更关键的是，地平线的研发投入中有相当一部分要用于芯片硬件研发，而能用于云端模型训练的投入相对有限。
四、地平线的困境：算法强，但飞轮转不动
4.1 地平线的算法优势毋庸置疑
平心而论，地平线是中国智驾产业链中技术实力最强的第三方供应商之一。其征程系列芯片已累计出货超过1000万套，服务超过40家车企、310款车型，2024年以33.97%的市场份额稳居国内自主品牌乘用车智驾计算方案供应商第一。在ADAS（基础辅助驾驶）市场，地平线2025年的市占率高达47.7%，几乎占据半壁江山。
在高阶智驾芯片领域，征程6P算力达到560 TOPS，专门为城区高阶智驾场景而生。地平线全场景城区辅助驾驶方案HSD于2025年11月正式量产，成为中国首个量产的端到端智能驾驶大模型。在20万元以内主流车型市场，地平线的份额达到44.2%，位列第一。
地平线的核心优势在于算法与芯片的软硬结合：它不是卖一块裸芯片，而是提供”芯片+算法工具链+参考方案”的一揽子解决方案，这让车企的开发和集成效率大幅提升。
4.2 比亚迪自研：地平线最大的客户正在”断奶”
地平线的最大困境，恰恰是它最成功的客户案例反过来构成的威胁。比亚迪是地平线最早、最大的客户之一——2021年双方达成战略合作，地平线作为比亚迪的核心智驾供应商，征程系列已在百万台比亚迪汽车上搭载。但比亚迪的野心远不止做一个”用别人芯片的车企”。
比亚迪智驾团队从2022年的100多人暴增至2025年的5000多人，成为国内智驾人数规模最大的团队。比亚迪推出自研的”天神之眼”智驾系统，分为A（DiPilot 600，三激光雷达+双Orin X）、B（DiPilot 300，单激光雷达+单Orin X）、C（DiPilot 100，纯视觉+地平线J6M/英伟达Orin N）三个版本。今年5月28日智能大会公布了自己的璇玑2.0架构和A3芯片，地平线最大的客户，正在以实际行动”去地平线化”。
这不是个案，而是行业大趋势。蔚来推出自研”神玑”芯片，小鹏推出自研”图灵”芯片，理想也在加速推进自研芯片”舒马赫”。有能力的头部车企，都在走”芯片+算法+训练”的全栈自研路线。
4.3 数据主权：整车厂不愿把”命脉”交给地平线
如果说比亚迪自研只是地平线的”大客户流失”问题，那么更深层的困境在于数据闭环的断裂。
智驾飞轮要转起来，数据必须回流。车辆在路上跑，产生海量的感知、决策、接管数据，这些数据回传云端后经过清洗和标注，成为训练模型的宝贵燃料。但对于采用地平线方案的车企来说，一个敏感的问题立刻浮现：这些核心数据，要不要交给地平线？
答案是：不愿意。
智驾数据是车企最核心的战略资产之一。它包含了用户的驾驶习惯、道路环境的细节、极端案例的处理方式——这些数据一旦外泄，就等于把自家的”技术命脉”交给了别人。更现实的是，如果车企把数据交给地平线，地平线用这些数据训练出更好的模型，岂不是可以反过来要价更高、或者把更好的方案卖给竞争对手？
这种顾虑导致了一个尴尬的局面：地平线可以向车企出售芯片和算法工具链，但很难获取车企的核心路测数据。没有数据回流，地平线的模型训练就成了”无米之炊”。HSD方案的训练数据主要依赖地平线自己的测试车队和少量愿意分享的客户数据——与特斯拉、华为、小鹏、比亚迪动辄数亿甚至数十亿公里的数据积累相比，简直是杯水车薪。
余凯曾在采访中试图淡化数据的重要性，称”在人工智能时代，数据的重要性其实没那么高”，认为AI可以通过自我学习逼近世界真相。但这种说法在行业实践中站不住脚——如果数据真的不重要，特斯拉为何要花100亿美元建算力中心、攒40亿公里数据？华为为何要积累10亿公里训练数据？数据不是不重要，而是地平线拿不到。
4.4 华为vs地平线：同为第三方，命运却截然不同
地平线和华为同属智驾第三方供应商，但两者的闭环能力存在天壤之别。
华为形成了“算力（昇腾芯片和集群）+算法（ADS）+数据（合作车企数据回流+华为云）”的完整飞轮。华为与车企的合作模式通常是深度绑定：华为提供从芯片到算法到云服务的全栈方案，合作车企的数据在华为云上进行训练，训练出的模型再通过OTA下发给所有搭载华为ADS的车辆。截至2025年，华为乾崑智驾累计装车超过140万套，拥有45 EFLOPS云端算力和10亿公里训练数据。
而地平线呢？它提供芯片和算法，但数据主权在车企手中。车企可以选择把数据留在自己的云端训练，也可以选择不给地平线。地平线的HSD方案，本质上是基于有限数据训练出来的”示范模型”——它能证明地平线芯片和算法的性能不错，但永远没法形成真正的飞轮效应。
更严峻的是，地平线的客户结构正在恶化。2025年上半年，地平线前五大客户收入占比仍高达52.48%。而对比2024年同期，曾于2024年上半年贡献37.62%营收的第一大客户，在2025年同期骤降至11.16%；第二大客户从22.85%跌至1.03%。业内普遍猜测这些流失的大客户正是比亚迪等头部车企——它们正在加速自研。
地平线当前客户中大多是缺乏全栈自研能力的二线车企。这些车企选择地平线，是因为它们买不起英伟达、用不起华为、养不起自研团队。但2025-2026年，中国汽车市场进入残酷的淘汰赛，年销量低于100万辆的品牌正在加速出清。如果地平线的客户纷纷破产或边缘化，地平线将失去最重要的收入来源和数据来源。
五、结论：没有闭环，就没有未来
地平线2025年财报中最刺眼的数字，不是营收增长57.7%，而是年内亏损高达104.69亿元。经调整经营亏损23.72亿元，同比扩大58.7%。公司现金储备虽然尚有202亿元，但按照这个烧钱速度，撑不了几年。
余凯在财报会上依然信心满满：2026年要实现60%的汽车营收增速、HSD出货量达到40万套。但问题是：即使HSD卖出40万套，如果没有数据闭环，这40万套车产生的数据能回流多少到地平线？如果没有数据回流，HSD的迭代速度如何与特斯拉、华为、小鹏乃至比亚迪竞争？
地平线的困境本质上是第三方供应商在智驾时代的结构性困境：算法再强、芯片再好，如果没有数据飞轮，就只能做一个”卖铲子的”——但大淘金者纷纷自己造铲子，小淘金者处境日益艰难但不甘心将智驾全栈委托地平线，一旦这些小淘金者败亡卖铲子的生意也就走到了尽头。
“兄弟，你们不信我大家都得完蛋”——这句话或许道出了地平线最深的焦虑：如果地平线的整车客户（尤其是那些缺乏自研能力的弱势厂商）不能在智驾军备竞赛中存活下来，那么作为供应商的地平线，也将面对商业模式的彻底崩塌。没有闭环，就没有飞轮；没有飞轮，就没有未来。
但是，稍微大一点的整车厂商，比如奇瑞，还在同时用几家的智驾方案来与第三方博弈；地平线余凯面对投资者仍然风轻云淡，智珠在握。他们谁都“不急”。
