GPU与存储短缺延续至2028：AI汽车算力战怎么打

2026-02-04，英特尔CEO陈立武在接受媒体采访时提到两件事：英特尔正在加速布局GPU，同时他判断存储芯片短缺可能延续到2028年。这不是“芯片圈自说自话”的新闻，它直接影响一个更现实的问题：自动驾驶与车载大模型到底能跑多快、落地多深。

很多人把AI汽车的差距理解成“算法更聪明”“模型更大”。我更愿意把它讲得直白一点：算力与存储供给，正在决定车企AI战略的天花板。当GPU供给紧张、HBM/DRAM等存储持续短缺，最先被影响的往往不是实验室demo，而是训练节奏、迭代速度、以及最终上车的功能边界。

这篇文章放在《人工智能在半导体与芯片设计》系列里聊，核心就是把一条看似偏硬件的快讯，落到车企最关心的三件事：算力结构怎么选、供应链风险怎么控、AI能力怎么变成可持续的产品节奏。并且借这个窗口，讲清楚“特斯拉 vs 中国汽车品牌”在AI战略上的一个关键分野：特斯拉更像一体化的“算力工厂”，中国车企更像多供应商协同的“算力拼图”。

英特尔加码GPU：AI算力不再只靠一家

直接结论：英特尔押注GPU，意味着AI计算的供给结构在变，但短期内难以立刻缓解车企的算力焦虑。

英特尔任命新的首席架构师、加速GPU布局，本质是争夺AI硬件市场份额。过去几年，AI训练与推理对GPU的依赖几乎成了行业共识，云厂商、模型公司、自动驾驶团队都在“排队买卡”。当英特尔把GPU当成战略重点，它在向市场释放一个信号：通用算力平台的竞争会更激烈，生态将出现更多替代路径。

但对汽车行业来说，关键不只是“多了一个GPU供应商”。真正的变化点在于：

• 数据中心侧训练：自动驾驶从感知到规划再到端到端训练，训练集规模与迭代频率决定上限；
• 车端推理：座舱大模型、驾驶辅助、融合感知都在吃算力，且对功耗、成本、稳定性更苛刻；
• 软硬协同：同样的模型，落在不同硬件与工具链上，工程代价能差出一个数量级。

我见过不少团队吃过亏：训练在一种GPU生态里做得很顺，上车时换到另一套芯片与编译栈，性能、精度、时延、稳定性全要重做一遍。硬件多元化不是免费午餐，它要求更强的工程能力与更成熟的模型压缩/部署体系。

存储芯片短缺到2028：AI汽车被卡的往往不是GPU

直接结论：很多AI项目的瓶颈不是算力本身，而是“算力+存储+带宽”的组合；存储短缺延续，会把训练成本与交付周期拉长。

陈立武提到的“存储芯片短缺”更值得车企警惕。AI训练与大规模数据处理，真正消耗的不只是GPU计算单元，还有：

• HBM（高带宽存储）：直接影响GPU喂数据的效率；
• DRAM/SSD：决定数据管线、缓存、样本吞吐；
• 数据中心网络与存储阵列：决定分布式训练效率与故障恢复能力。

当数据中心建设热潮持续，供需失衡会带来两类后果：

1. 训练“排期化”：你不是缺算法人才，你是缺资源窗口。模型迭代从“每天更新”变成“每两周一更”。
2. 成本“结构性上行”：GPU价格只是账面，真正的总拥有成本（TCO）里，存储、带宽、电力、机房运维会更突出。

对自动驾驶尤其致命的是：一旦训练节奏被拉慢，路测闭环、版本回归、数据再标注就会连锁延迟。最终表现为：功能上车变慢，城市NOA开城更谨慎，座舱大模型更新频率下降。

一句话：AI汽车的竞争，会越来越像“工业化生产”，而不是“做一套聪明算法”。工业化生产最怕供应链不稳定。

特斯拉 vs 中国车企：AI战略差异的核心在“算力组织方式”

直接结论：特斯拉倾向于用自建训练基础设施把算力变成“内生能力”；中国车企更依赖供应链与云生态，把算力当作“可采购资源”。两种路线各有代价。

把焦点从英特尔拉回汽车行业，你会发现：算力与存储短缺，会放大不同AI战略的差异。

特斯拉：把AI当制造业做，关键是算力自洽

特斯拉的思路更像“纵向一体化”：

• 数据闭环（车队数据回传—训练—部署）更强；
• 训练基础设施投入更重，强调规模化；
• 目标是把训练与部署的工程链条标准化、自动化。

这种路线的优势是：当外部GPU/存储短缺时，只要你能提前锁定产能或自建能力，迭代就不容易被打断。劣势也很明显：资金压力大、组织复杂度高，而且一旦方向判断错，回头成本更高。

中国车企：供应链弹性更强，但更怕“卡脖子式波动”

中国品牌过去几年在智能化上走得很快，常见特点是：

• 芯片与平台多供应商并行（车端SoC/域控方案多元）；
• 训练更多依赖云厂商与算力租赁；
• 产品节奏更贴近市场，重视“可交付、可量产、可控成本”。

优势是弹性：某一代芯片供给吃紧，可以切换方案或降级功能。问题在于：当短缺持续到2028年这种长周期事件出现，‘切换’本身会变成长期工程负担——工具链碎片化、模型多版本维护、供应商协同成本上升。

我更尖锐一点说：

• 特斯拉赌的是“我能把算力做成自家护城河”；
• 中国车企赌的是“我能用产业链速度与成本效率赢”。

当GPU与存储不稳定时，第二种赌法更考验组织能力：谁能把软硬件工程体系做扎实，谁才不会被供应链波动牵着走。

芯片短缺下，车企AI负责人该怎么做：4个可执行动作

直接结论：把“算力风险”当成产品风险管理；用工程方法减少对单一GPU与单一存储路径的依赖。

这里给一些我认为更落地的做法，适合研发负责人、产品线负责人、以及供应链/战略团队一起推动。

1）把训练资源做成“组合资产”，而不是单点依赖

• 训练侧至少准备两条可跑通的路径（不同GPU/不同云）；
• 关键任务预留冗余配额，避免临近发布被“挤出机房”；
• 对核心模型建立可迁移的训练脚本与监控指标体系。

2）优先投入“数据管线与存储效率”，回报比堆卡更稳定

当存储短缺延续，数据效率会成为隐形竞争力：

• 数据去重、分层存储、冷热分离；
• 训练样本采样策略升级（用更少数据达到同等效果）；
• 标注与回归测试的自动化，减少“人等资源”。

3）车端部署要“面向波动设计”：模型可伸缩、功能可降级

• 建立统一的模型压缩/量化/蒸馏流水线；
• 关键功能提供多档算力版本（高配满血/中配平衡/低配基础）；
• 把“算力预算”写进PRD，不要发布前才发现跑不动。

4）在芯片选型上，别只看峰值TOPS，更要看生态与交付确定性

车企最容易被宣传页的峰值指标带偏。更实用的评估框架是：

1. 工具链成熟度（编译器、算子、调试与Profiling）
2. 量产与供货周期（含存储配套、封装、备货）
3. 端云协同能力（训练—部署的一致性）
4. 成本结构（BOM + 开发/维护成本）

算力不是越大越好，算力是要“按期交付、可持续迭代”。

回到半导体与芯片设计：AI也在反过来塑造芯片路线

直接结论：AI需求正在推动GPU与存储的架构迭代，而AI也在加速芯片设计验证、制程优化与良率提升。

在《人工智能在半导体与芯片设计》这个系列里，我们反复讲一个趋势：AI不只是芯片的客户，也是芯片的工程方法。当GPU竞争加剧、存储持续短缺，芯片厂商会更在意两件事：

• 用AI做EDA与验证，提高设计收敛速度；
• 用AI做制程与良率优化，让产能更快爬坡。

这会形成一个“自我增强回路”：AI越热，对GPU/存储需求越大；供给越紧，厂商越需要用AI提升研发与制造效率。

对车企来说，这意味着未来3年（2026-2028）很可能出现一种常态：硬件供给紧张与技术迭代并存。能活得舒服的团队，通常不是“抢到最多卡”的团队，而是“最会用卡、最会省存储、最会做工程闭环”的团队。

该把这条快讯记在产品日历里，而不是收藏夹里

英特尔加码GPU、存储短缺或延续至2028年，这两句话合在一起，其实是在提醒汽车行业：AI能力不再只是软件部门的KPI，而是从芯片到数据中心到车端的系统工程。

如果你负责的是智能驾驶或智能座舱，我建议把2026-2028当成一个“基础设施约束期”来规划：功能路线要更现实，资源预算要更精细，供应链要更前置。谁能把算力不确定性变成可管理的流程，谁就更可能把AI做成稳定的产品竞争力。

你所在的团队，更接近特斯拉式的“自建算力工厂”，还是更接近中国车企常见的“多供应商算力拼图”？如果存储与GPU的紧张持续到2028年，你们的迭代节奏准备怎么保证？