小米SU7电池18个月跑26.5万公里：自动驾驶规模化的底层门槛

一辆车在18个月里跑完26.5万公里（约16.5万英里），听起来像网约车司机的“地狱强度”。更夸张的是，这位中国车主公开的数据显示：小米SU7在如此高里程下，电池健康度（SOH）仍为94.5%。

很多人聊自动驾驶，总把焦点放在算力、算法、激光雷达或纯视觉路线。我的看法更直接：自动驾驶的规模化，先要过“车本身能不能长期扛住”的硬门槛。如果电池、热管理、线束、底盘与传感器供电系统在高负载、长周期里掉链子，再聪明的AI也只能“聪明地趴窝”。

这篇文章把这条新闻当作一个现实样本，谈清楚三个问题：为什么电池寿命对自动驾驶商业化这么关键、这份数据意味着什么、以及中国车企（包括小米）在“整车基本功”上如何反向推动自动驾驶落地。这也呼应我们“人工智能在汽车制造”系列的主线：AI不只在车上跑，也在工厂里决定一致性与可靠性。

26.5万公里、SOH 94.5%：这到底有多“硬核”？

先给结论：18个月跑26.5万公里还能保持94.5%电池健康度，至少说明两件事——电芯体系与电池包热管理在高循环、高倍率、长时间使用下表现稳定；同时整车能耗与充放电策略没有把电池“往死里用”。

把强度换算一下更直观：

• 26.5万公里 / 18个月 ≈ 1.47万公里/月
• 折算到每天约 490公里/天（不排除部分天数更高强度运营）

这已经接近部分运营车辆（网约车、城际通勤、跨城商务）才会出现的里程曲线。对普通家用车而言，很多车10年都跑不到20万公里。

SOH 94.5%意味着什么？

**SOH（State of Health）**通常用来描述电池相对新电池的容量保持与内阻变化等综合状态。简化理解：

• 94.5% 表示电池可用容量（或综合健康指标）相比出厂状态下降约 5.5%。
• 这一水平意味着续航衰减相对可控，也意味着在相同工况下电池发热、功率输出能力可能仍较稳定。

不过也要说清楚边界：这类车主数据往往来自车机或BMS估算，可能受温度、标定、充电习惯影响。即便如此，在如此高里程下仍能给出接近95%的健康度读数，本身就释放出强信号：整套电池系统与策略的“长期一致性”做得不差。

一句能被引用的结论：自动驾驶拼的不只是“今天能跑”，而是“连续跑三年还能保持一致表现”。电池健康度就是那条最早暴露问题的曲线。

为什么说电池寿命是自动驾驶规模化的“隐藏门槛”？

答案很简单：自动驾驶把车从“低频资产”变成“高频生产工具”。从家用车到Robotaxi/无人配送车，使用强度会从每年1-2万公里跃迁到每年8-15万公里甚至更高。强度一上来，电池寿命立刻从“车主体验”升级为“商业模型”。

1）TCO（总拥有成本）决定自动驾驶能不能赚钱

Robotaxi、无人配送、园区无人接驳，最终都要算账。电池是电动车最贵的部件之一：

• 电池衰减越快，车辆越早需要更换电池或降级运营
• 停运检修时间越长，单车日均订单越少
• 运营方的融资与保险成本也会因可靠性波动而上升

所以，高里程下的SOH曲线是一条非常“财务化”的曲线：它决定一辆车能不能在运营周期内把成本摊薄。

2）自动驾驶更依赖稳定供电与热管理

自动驾驶系统不是只在“开机瞬间”吃电，它长期稳定运行，涉及：

• 传感器（摄像头、毫米波雷达、超声波等）的持续供电
• 车载计算平台的持续高负载
• 辅助系统（空调、热泵、加热）对能耗与热平衡的影响

电池性能不稳定，会带来连锁反应：电压平台波动、热失衡、功率受限，最终影响到自动驾驶系统的可用性（availability）。运营场景里，“偶发降功率”就是事故与投诉的起点。

3）长寿命=可持续的数据闭环

自动驾驶的迭代靠数据闭环：采集—训练—回灌—再验证。如果车辆寿命短、性能漂移大，会导致：

• 同一车型在不同生命周期阶段的表现差异变大
• 数据标签与模型评估的噪声变高
• 车队一致性下降，规模化更难

耐久的车辆更像“稳定的实验平台”，能让算法迭代更快、更可控。

从小米SU7看中国车企的“基本功路线”：先把车造扎实，再谈AI上车

把话说得尖锐一点：很多自动驾驶宣传，其实是在给整车基本功打补丁。传感器再多，底盘一致性差、热管理不稳、供电系统波动，最终都会以“体验不稳”“故障率高”体现出来。

中国车企这两年一个明显趋势是：在“智能化”之外，更重视三电与整车工程的系统化能力，而小米SU7这条高里程样本，恰好能被读作“系统工程的结果”。

1）电池寿命是“制造一致性”的结果，不只是材料配方

电芯材料重要，但高里程下的稳定性往往更依赖：

• 电芯分选与一致性控制
• 电池包结构强度与应力管理
• 热界面材料与冷却通道设计
• BMS估算模型与标定（SOC/SOH）

这些东西都属于“制造端的能力”。而这正是“人工智能在汽车制造”系列要强调的重点：AI正在把质量控制从抽检变成全量数据驱动。

举个制造侧更接地气的例子：

• 过去依赖人工经验调参的焊接、涂胶、压装工艺，现在越来越多用机器视觉+时序数据做异常检测
• 电池包出厂一致性越好，后续BMS的估算误差越小，SOH曲线也更“干净”

2）长里程车辆更接近“自动驾驶运营真实工况”

普通评测常用的几千公里、几万公里，很难暴露长周期问题。26.5万公里这种量级更接近未来Robotaxi车队的真实压测：

• 高频快充导致的锂沉积风险管理
• 高温/低温季节跨越后的衰减斜率变化
• 悬架、轮胎、制动与能耗之间的长期耦合

所以我更愿意把这条新闻看作一个“运营级信号”：这类车在高强度工况下的耐久性，正在逼近自动驾驶商业化需要的底线。

3）Tesla vs 中国车企：路径不同，但终点都绕不开“可靠性曲线”

放到“Tesla与中国车企发展路径对比”的语境里看：

• Tesla更像“软件先行”，用大规模车队数据推动FSD能力演进，同时反推硬件迭代
• 许多中国车企更像“系统工程并行”，在智能化竞争之外，把三电、热管理、舒适性与制造一致性拉到更高水位

两条路都能走，但自动驾驶最终拼的是：同一套系统在不同地区、不同车况、不同年龄段车辆上，能否保持一致可预期的表现。这就是可靠性曲线。

可操作：想让电池更耐久、也更“适配自动驾驶”，你能做什么？

先给结论：电池耐久=习惯+策略+维护。即便不是运营车辆，按运营逻辑使用，也能显著降低衰减斜率。

车主/车队的4个实操建议

1. 把日常SOC窗口控制在20%-80%（长途再充满）

   • 高SOC长时间静置更容易加速老化；运营车辆尤其要避免“充满停一夜”。

2. 优先“慢充补能+必要时快充”

   • 快充不是不能用，关键是频率与温度管理。连着快充、且电池高温，是衰减的放大器。

3. 尽量让电池在“可控温度区间”工作

   • 冬季出发前预热、夏季避免暴晒后立即大功率快充。

4. 关注SOH、单体一致性、异常温差这三类信号

   • SOH看趋势而不是看单点；如果出现某次更新后SOH跳变，也要考虑BMS标定变化。

对自动驾驶团队/制造团队的3个建议（更偏工程）

• 把“电池健康预测”纳入车队运维体系：用车端数据（温度、倍率、充电曲线、内阻估计）做寿命预测，提前安排维护窗口。
• 用AI做制造过程的异常追溯：当某批次车辆在高里程出现一致性问题，必须能快速回溯到工艺参数与供应链批次。
• 把能耗与热管理当作自动驾驶KPI的一部分：自动驾驶越“保守”可能越耗电，越耗电越发热，发热又影响传感器与计算平台稳定性。

我一直认为：自动驾驶不是只比“谁更聪明”，更比“谁更耐用、谁更可运营”。

结尾：电池耐久不是配角，它决定自动驾驶能跑多远

小米SU7这位车主的18个月26.5万公里、SOH 94.5%案例，最有价值的地方不在“噱头”，而在它把一个常被忽略的事实摆到台面上：自动驾驶要走向规模化，首先需要可靠、耐久、可预测的电动车基础能力。

放到“人工智能在汽车制造”的视角里，这也解释了为什么越来越多车企把AI用在工厂端：良率、过程控制、质量追溯、供应链协同。这些看似不酷，但它们直接决定了车队三年后的稳定性——而那时才是真正的自动驾驶战场。

如果你正在评估自动驾驶项目、车队采购或技术路线，别只问“能不能开”。多问一句：“跑到20万公里后，还能不能稳定开、成本还剩多少空间？”