从“十五五”到智能网联车：中国协同式AI与特斯拉数据飞轮的分野

2026-04-03，工信部电子信息司电子信息制造业“十五五”规划编制组先后与中兴通讯、小米集团开展专题座谈调研，讨论芯片、基础网络、智能终端、彩电等方向。新闻本身不长，但信号很明确：以人工智能为核心的新一轮技术演进，正在被“规划—产业链—场景”这种方式系统性推进，并将外溢到算力基础设施与智能网联汽车。

我一直觉得，很多人看 AI 汽车只盯两件事：大模型和智驾。真正决定胜负的，往往是更“土”的三样：网络、算力、终端。它们决定数据怎么来、怎么传、怎么用。把这条链条打通，中国路径与 Tesla 路径的差异会一下子清晰起来：中国更像“产业合奏”，Tesla 更像“独奏+数据飞轮”。

本文放在《人工智能在通信与 5G/6G》系列里聊这条主线：为什么工信部与中兴、小米的对接，会成为理解“智能网联车 AI 战略分化”的一个好入口；以及对整车厂、零部件、通信与云厂商来说，接下来该怎么选技术路线、怎么落地。

这条快讯真正讲的是什么：AI把“电子信息制造业”变成汽车底座

结论先说：“十五五”电子信息制造业规划讨论的，不只是手机、彩电或基站，而是在为 AI 时代的“终端+网络+算力”重新定标准、定节奏。 这会直接影响智能网联汽车的成本结构、供应安全、以及产品迭代速度。

快讯里有几个关键词值得反复读：

• “关键窗口期”：意味着 2026-2030 这段时间，产业结构会从“硬件规模”转向“软硬一体+智能化能力”。
• “智能化、绿色化、融合化”：融合化的本质是跨行业打通——通信、终端、车、云、芯片共同对齐。
• “AI 终端、算力基础设施、智能网联汽车加速崛起”：汽车被直接列为新兴增长的承载体之一。

把它放到通信与 5G/6G 的语境里，这句话等于在说：未来车端 AI 不可能脱离网络能力谈落地。端侧模型、车云协同、V2X、OTA 安全更新、车队数据闭环，全部依赖稳定的网络覆盖与可控的算力供给。

中国路线：政策牵引+产业链协同，把AI能力“铺”到每个环节

结论先说：中国企业的 AI 战略更强调“体系化供给”，即通过政策目标、行业标准与产业分工，把 AI 能力快速规模化。 这和中国制造业的优势一致：供应链深、工程化强、扩散速度快。

为什么中兴、小米出现在“十五五”对接里很关键

这不是简单的“企业建言”。中兴代表的是基础网络与连接，小米代表的是消费级终端生态与 IoT 入口。两者共同点是：都掌握海量终端、连接协议与工程化落地经验。

把它映射到智能网联车，会出现一条很现实的落地链路：

1. 连接侧：5G-A/迈向 6G 的网络能力（低时延、高可靠、切片、边缘计算）。
2. 终端侧：手机/穿戴/车机/家庭 IoT 的多终端协同，让“车”成为全场景智能的一部分。
3. 算力侧：数据中心+边缘节点为车云协同提供弹性算力，支撑训练、推理与仿真。

如果说很多人把“智能驾驶”当作单点能力，中国更像在做一张“智能网联底座网”。这张网的价值在于：任何一家车企都能接入，任何一类零部件都能复用，规模化后成本会被打下来。

这种协同式 AI 的优势与代价

优势很直接：

• 扩散快：标准与产业链对齐后，能力能从头部外溢到腰部甚至长尾。
• 抗风险强：关键环节国产替代、供应安全、合规路径更清晰。
• 更适合“车路云一体化”：交通侧与城市侧需要统一规范，协同模式更顺。

代价也不小：

• 创新节奏更像“阶段性跃迁”：当标准与工程体系定下来，局部最优会被压制，突破往往依赖下一轮体系升级。
• 数据闭环更分散：多主体协作下，数据权属、接口、隐私合规与收益分配会更复杂。

一句话：中国模式擅长把 AI 变成“基础设施”，但要在“极致体验”的单点上做到压倒性领先，需要更强的软件组织能力。

Tesla 路线：软件优先+数据驱动，把汽车当“会进化的终端”

结论先说：Tesla 的核心不是某一个模型，而是“数据—训练—迭代—再上路”的飞轮，以及围绕飞轮构建的软硬件一体组织。

如果用一句可引用的话概括：

Tesla 把 AI 当作产品本身；中国很多企业把 AI 当作产业升级的共同语言。

Tesla 为什么更像“独奏”

• 高度垂直整合：硬件选型、软件栈、数据采集、训练管线到 OTA 都尽量自己掌握。
• 产品迭代以用户体验为锚：功能上线、回滚、A/B、灰度发布节奏更互联网化。
• 数据飞轮依赖规模车队：车越多、场景越多，模型越能迭代，反过来带动销量与口碑。

但它也有明显边界：

• 对外部生态依赖更低，意味着遇到法规、道路基础设施、跨区域标准不一致时，需要更强的“本地化工程”。
• 在通信与车云协同上，Tesla 依旧需要运营商网络与基础设施，只是它会倾向于把关键能力留在自己体系内。

放到通信与 5G/6G：差异不在“有没有网络”，在“网络为谁服务”

结论先说：中国更容易把 5G/6G 能力做成公共底座（面向产业），Tesla 更倾向把网络当作数据管道（面向自身闭环）。

三个最容易被忽视的技术分水岭

1）边缘计算（MEC）到底做什么

• 中国路线：MEC 更像城市/园区的能力池，服务车路协同、路侧感知融合、交通调度等。
• Tesla 路线：更强调云端训练与车端推理的闭环，MEC 是否参与取决于其对体验提升的边际价值。

2）网络切片与确定性时延的商业化

• 中国路线：通过政策与行业项目推动，形成“先建设、再规模化”的路径。
• Tesla 路线：如果不能直接改善成本或体验，可能不会主动“为技术而技术”。

3）数据合规与跨域流动

• 中国路线：更强调合规框架下的数据分级、脱敏、审计，适合多主体协作。
• Tesla 路线：闭环效率高，但在不同国家/地区面临更高的合规适配成本。

对整车与零部件企业：2026-2028年最该做的四件事

结论先说：别再把“AI 战略”写成口号，先把数据、网络、算力、软件组织这四个地基打牢。 我建议按优先级做以下四件事：

1. 把“车云协同”从架构图变成可度量指标

   • 指标示例：端到端时延（ms）、弱网可用率（%）、关键功能 OTA 成功率（%）、单位里程数据成本（元/公里）。

2. 把数据闭环产品化，而不是项目化

   • 具体做法：建立统一数据字典、场景库与自动化回灌流程；把“采集—标注—训练—验证—上线”变成周级节奏。

3. 和运营商/设备商谈“共同收益”的网络能力，而不是只谈资费

   • 例如：对特定城市走廊开通车联网切片、在关键路段部署边缘节点，用“事故率下降/拥堵时间缩短/服务收入分成”来定义 ROI。

4. 软件组织要敢于重构：把智驾、座舱、车控、通信协同到同一套工程体系

   • 不少企业的真实问题是：模型不错，发布体系不行；网络不错，端侧接不稳。解决它靠组织，而不是靠买更贵的 GPU。

一句很现实的判断：2026 年开始，智能网联车的差距会越来越像“系统工程能力”的差距，而不是“单点算法”的差距。

结尾：协同与飞轮并不是二选一，关键在“你想规模化哪一段”

“十五五”规划对接释放的信号是：中国会用更强的产业协同，把 AI 终端、算力基础设施与智能网联车串成一条可规模复制的路线。 这条路线的最大价值，是让更多企业能上车、能迭代、能形成合规可控的商业闭环。

Tesla 的数据飞轮则提醒所有人：如果你想在体验上赢，软件与数据闭环必须更像互联网公司那样运转，否则协同带来的只是“平均水平提高”，很难出现“产品代差”。

接下来一年（2026 年二季度到 2027 年），我更关注一个问题：当 5G-A 走向更确定的车联网能力、端侧大模型快速下沉，中国汽车企业会不会把协同优势进一步推到“软件平台化”，从而在数据飞轮上也跑起来？ 这是最值得押注的分水岭。