10吉瓦算力被“预订”：Tesla与中国车企AI基础设施分野

2026-02-09 的一条快讯很短，却足够刺眼：Anthropic 正在考虑锁定多达 10 吉瓦（GW）的算力容量。把它换算成更直观的概念：这不是“多买几张 GPU 卡”，而是接近“用电站规模”去规划 AI 的长期供给。

这条新闻和汽车有什么关系？关系非常大。智能驾驶、座舱大模型、车端多模态感知正在把“算力”从 IT 预算里的一个科目，变成整车企业的“战略资源”。而算力的获得方式——自建、合建、租用、锁定、分期扩容——会直接决定 AI 能不能持续迭代，进而决定产品体验能不能拉开差距。

作为「人工智能在能源与智能电网」系列的一部分，我更关心另一个问题：**当 AI 公司开始用“吉瓦”来谈算力，车企该用什么逻辑把算力与电力、数据中心、负荷管理串起来？**也正是在这一点上，Tesla 与中国汽车品牌走出了两条明显不同的路。

10吉瓦锁定算力，真正锁定的是什么？

答案是：锁定的不仅是 GPU，更是电力、机房、交付节奏与成本曲线。“算力容量”之所以能用 GW 来描述，本质上是因为大规模训练与推理集群最终受制于电力与散热，而不是采购单。

从基础设施视角看，锁定算力通常意味着企业在以下几件事上提前下注：

• 电力与接入：数据中心可用电力指标、变电站容量、线路接入周期。
• 机房与液冷：高功率机柜密度下，空冷很快到瓶颈，液冷成为“硬门槛”。
• 供应链与交付：GPU 只是其中一环，还包括网络（RDMA/IB）、存储、光模块等。
• 长期价格：把未来 24-60 个月的“单位算力成本”尽量压平，避免被市场波动反复教育。

对汽车行业来说，这种“锁定”尤其有意义，因为智能驾驶的能力曲线往往不是线性的：

当数据规模、模型规模和训练频率一起上升时，算力不足会让迭代速度直接掉档。

而一旦迭代速度掉档，体验就会变成“同样的功能，别人每两周更新一次，你每两个月更新一次”。用户感知非常直接。

算力战争升级，对智能电网意味着什么？

**答案是：AI 算力扩张正在把数据中心变成新的“超级用电负荷”，电网侧必须更精细地预测、调度与定价。**这也是为什么我们在能源与智能电网话题里讨论车企 AI，并不违和。

数据中心从“用电大户”变成“可调负荷”

传统工业负荷往往相对稳定，但 AI 数据中心具有更强的波动性：

• 训练任务可排程，具有一定可移峰能力；
• 推理负载更贴近实时业务，峰谷更像互联网业务；
• 高密度机柜对电能质量更敏感，对可靠性要求更高。

这会推动两类趋势：

1. 电力侧更智能：更依赖 AI 做负荷预测、故障预警、优化调度。
2. 算力侧更“电力友好”：更多采用液冷、余热回收、就地消纳可再生能源，甚至配置储能与微电网。

对于整车企业而言，如果把智能驾驶训练、座舱大模型、仿真与回放都压到同一条算力管线里，那么它实际上已经是一个“隐形的数据中心运营方”。你不理解电力，你就很难把算力成本打下来。

“锁算力”背后是电价与PUE的博弈

车企与 AI 公司最终会在两个指标上越来越敏感：

• PUE（电能使用效率）：越接近 1 越好，液冷与高效供配电是关键。
• 单位训练/推理成本：不只是 GPU 折旧，还包括电费、运维、人力、场地与网络。

当 Anthropic 这类公司讨论 10GW 时，本质上是在用“能源约束”倒推“模型能力上限”。汽车企业也会越来越像这样思考：不是先定功能再找算力，而是先把算力与电力的上限算清楚，再规划产品迭代节奏。

Tesla 的路径：把AI当成“整车系统”的底座工程

答案是：Tesla 更像“自营基础设施 + 闭环数据飞轮”的路线，算力是产品的一部分，而不是外包资源。

我观察到 Tesla 的 AI 战略有三个非常工程化的特点：

1）从车端到云端的“同一套逻辑”

Tesla 强调端到端能力与持续学习（不展开争论其路线优劣），但关键在于：

• 车端传感与计算决定“采什么数据”；
• 云端训练决定“学到什么能力”；
• 再通过 OTA 回到车端，决定“用户体验是否提升”。

这是一套闭环系统。闭环系统最怕什么？最怕中间的某一环“供给不稳定”。因此 Tesla 需要更强的算力确定性。

2）自建更容易把单位成本打穿

自建算力的最大价值不只是性能，而是把成本拆到可控：

• 训练频率可控：你想多跑多少轮，决定权更大；
• 数据管线与安全合规更容易统一；
• 能源策略更可控：选址、电价、液冷、储能，都可以做长期优化。

这也解释了为什么 Tesla 经常被拿来和“垂直整合”绑定：当 AI 成为整车的核心能力，基础设施就不再是后台，而是前台竞争力。

3）算力与能源是一盘棋

在能源与智能电网的视角里，Tesla 的另一个优势是“天然跨域”：

• 车是移动负荷与储能载体；
• 充电网络是电网的边缘节点；
• 储能业务让它更理解电力系统的约束。

这会让它更早把“AI 数据中心的电力问题”当成战略问题来解。

中国汽车品牌的路径：更像“多供应商拼装”，速度快但摩擦大

**答案是：很多中国车企更倾向“云服务/大模型/芯片多方合作”，短期上线快，但长期算力确定性与系统一致性更难。**这并不是贬义，而是商业现实：车型多、节奏快、成本压力大，合作比自建更容易推进。

1）算力获取更灵活，但容易被价格与供给卡脖子

常见组合是：

• 训练：云上 GPU/算力租赁，按需扩缩；
• 推理：车端 SoC + 部分云端推理；
• 大模型：与头部模型方合作或共建。

这种模式的优势是“快”，劣势是“不可控”：

• 市场紧张时，算力价格上涨、交付周期变长；
• 多家供应商的工具链、数据格式、评测体系不一致；
• 迭代节奏受制于外部排期。

当 AI 进入“周更”时代，外部依赖会放大摩擦成本。

2）更强的本地化优势，但需要更强的系统工程

中国品牌在数据、场景、道路复杂度、用户需求多样性方面有明显优势。问题在于：优势要变成模型能力，需要稳定的训练管线与持续的算力供给。

这就把企业推向一个选择题：

• 要么逐步“锁定算力”（长约、合建、定制集群）；
• 要么把模型策略改成更节省算力的路线（更高效的数据筛选、更强的仿真、更小但更专的模型）。

现实里，很多公司两条路会同时走，但资源分配必须清楚，否则容易“两头不靠”。

给整车企业的4条可执行建议：把算力当成能源项目来管

**答案是：把算力规划升级为“算力-电力-数据中心”一体化项目，并用可量化指标管理。**以下是我认为 2026 年最实用的四步。

1）用“训练吞吐”而不是“GPU数量”做规划

把目标从“买多少卡”换成：

• 每周可完成多少次全量训练/增量训练
• 每天可完成多少里程的回放与仿真
• 从数据采集到上线的平均周期（例如 14 天或 30 天）

这会迫使团队把数据管线、标注、仿真、评测一起纳入算力规划。

2）尽早做算力长约或合建，买的是确定性

像 Anthropic 的“锁定容量”，对车企的启发是：

• 算力长约：锁价格、锁交付、锁网络与存储资源；
• 合建集群：与云厂商/IDC/地方能源平台共建，减少 CAPEX 压力；
• 分期扩容：把 18-36 个月的扩容路径写进合同与工程计划。

3）把电力指标纳入KPI：PUE、电价、峰谷策略

建议至少建立三项“能源侧”指标：

• 机房 PUE（按月/季度追踪）
• 综合电价（含需量电费、峰谷价、绿电协议等）
• 训练任务移峰比例（可排程任务的占比）

当你开始追这些指标，数据中心就不再是黑箱。

4）模型策略也要“算力友好”：数据更干净，训练更有节奏

算力紧张时最常见的浪费是：

• 数据冗余高、无效样本多
• 评测体系不稳定，反复返工
• 训练节奏无计划，临时插队

更聪明的做法是把“数据治理”和“训练计划”产品化：用更严格的样本筛选、更强的自动评测与可复现实验，让每一瓦电都产生可解释的收益。

算力会成为车企的新“护城河”吗？

会，但不是简单的“谁卡多谁赢”。**真正的差异在于：谁能把算力变成持续迭代的组织能力，并把电力与数据中心当成长期经营资产。**Anthropic 讨论 10GW，提醒所有人：AI 的竞争正在从模型走向基础设施，从算法走向能源约束。

对 Tesla 来说，路线更像“把 AI 基础设施当作整车系统底座”，长期一致性强；对许多中国汽车品牌来说，路线更像“多方协作快速落地”，短期速度快、但需要尽早补上算力确定性与系统工程能力。

下一次你看到某家车企发布“城市 NOA”“端到端”“座舱大模型”时，我建议多问一句：**它的算力从哪里来？电从哪里来？扩容要多久？**这些问题看似不性感，却往往决定产品体验的上限。