万卡超算落地后，车企AI算力路线为何分化？

2026-02-03 08:05 左右，36氪快讯提到：中科曙光 scaleX 万卡超集群已进入国内 AI 大模型及行业智能化重大工程的应用阶段，相关项目将于近期上线试运行。一句话信息量很大：万卡不是“展厅里摆出来的算力”，而是开始进入工程化交付与业务试运行。

我一直觉得，判断一家车企（或一个国家）AI 是否能跑通，不看发布会“参数”，看两件事：算力是否可持续供给、模型是否能在真实场景闭环迭代。scaleX 这样的工程化万卡集群落地，恰好把这两件事摆到了台面上，也让“特斯拉 vs 中国车企”的 AI 路线差异更清晰：一个更像垂直一体化的模型工厂，一个更像产业级算力底座的集群供给。

作为《人工智能在物流与供应链》系列的一篇，这个话题不只关乎自动驾驶。它直接影响到：车队调度、仓储机器人、干线运输路径规划、需求预测——这些看似“供应链软件”的能力，背后拼的往往是训练效率、推理成本、数据治理与工程化能力。

万卡超集群进入工程应用，意味着什么？

答案先说清：这意味着国内 AI 算力建设从“能跑通”进入“能交付”，从单点科研进入多行业的工程化复用。

万卡（上万张加速卡）集群真正难的不是“堆卡”，而是把它变成稳定产能：

• 网络与通信：跨机柜、跨机房的带宽、延迟、拥塞控制，决定大模型训练是否“越多卡越快”。
• 存储与数据管道：训练数据要能稳定、持续、高吞吐地喂给模型，否则 GPU 利用率上不去，算力就变“电暖器”。
• 调度与容错：工程应用意味着 7×24 运行，节点故障要能自动迁移、自动恢复。
• 多租户与安全：重大工程往往是多部门、多单位协作，权限、隔离、审计必须体系化。

所以，当 scaleX 被描述为进入“重大工程应用阶段”，更像是在宣告：它已具备被行业项目消化的工程成熟度。这对汽车产业链的信号非常直接——大模型能力的门槛，正在从“有没有算法团队”转向“有没有算力与工程体系”。

中国算力底座的“实用主义”：先把产业跑起来

答案：国内万卡集群更强调“可复用的基础设施”，服务多个行业的真实需求，而不是只为一家公司的单一模型服务。

从产业角度看，中国的 AI 基建呈现出很强的“实用主义”：

1）算力被当作“公共生产资料”去建设

无论是科研、政务、制造还是交通，工程项目共同点是：预算约束、交付周期、合规要求强。这会倒逼算力平台走向标准化与可运维。

对于汽车 AI 来说，这种公共底座的好处是：

• 降低训练门槛：中型车企、零部件、物流科技公司也能租到稳定算力，不必自建“烧钱工厂”。
• 促进跨行业数据与模型迁移：路径规划、异常检测、预测模型等能力，可在制造与物流之间迁移复用。

2）国产化倾向更强：不是口号，是供应链现实

当算力进入重大工程，采购与交付就会面对现实问题：供货周期、维护成本、合规审计、长期可用性。由此带来一个趋势：算力与软硬件栈的自主可控被更系统地要求。

这对车企 AI 战略的影响是：你不仅要会训练模型，还要能在不同芯片、不同框架、不同部署环境下保持一致的性能与稳定性。换句话说，工程能力比“单次训练跑分”更值钱。

特斯拉的算法工厂逻辑：算力为单一闭环服务

答案：特斯拉更像在建“垂直一体化的模型工厂”，用算力直接服务数据闭环与产品迭代速度。

把特斯拉的 AI 路线看成一条简单链路就更好理解：

车端采集数据 → 数据筛选与标注 → 训练（大规模算力）→ 部署到车端推理 → 再采数据

它的核心追求不是“算力平台被多少行业复用”，而是：单一产品（智能驾驶/机器人等）迭代速度最大化。

这也解释了特斯拉与很多中国车企在算力上的差异：

• 特斯拉更容易为单一目标做深度定制（数据结构、训练框架、推理栈一体化）。
• 中国车企往往处在“多业务并行”的现实里：智能驾驶、座舱、车云、营销、供应链预测、售后等都要算力，组织目标更分散。

所以你会看到两种不同的“正确”：

• 特斯拉式：算力围绕一个闭环，越专注越快。
• 中国式（产业底座）：算力作为底座，先解决规模化落地与供给安全。

回到物流与供应链：万卡算力会怎么改变车企的“隐形竞争”？

答案：它会把供应链与车队运营从“规则+经验”推向“模型驱动”，并重新定义成本结构。

很多人把 AI 算力只等同于“自动驾驶训练”，其实在供应链里更常见的应用是：预测、优化、调度、异常识别。而这些能力一旦规模化，极其吃两样东西：数据与算力。

1）需求预测与库存优化：从月度滚动到小时级更新

对于整车厂和零部件企业，需求波动会迅速传导到产能与库存。

• 传统方法多是时间序列+人工修正，更新频率有限。
• 大模型/多模态模型引入后，可以融合：经销商订单、线上线索、区域政策、舆情、天气、节假日、竞品价格等。

要把这些数据源融合并稳定训练，背后需要的是高吞吐数据管道 + 大规模训练。万卡集群进入工程应用，意味着这类“看起来不酷但很赚钱”的模型更容易跑起来。

2）车队调度与路径规划：从“最短路”到“全局最优”

干线运输与城配调度不是求一条最短路，而是求一个综合目标：准时率、油耗/电耗、充电窗口、司机工时、路况、仓库吞吐、装卸时长。

当你把问题升级为“全局最优”，模型规模与仿真规模都会上去。算力底座成熟后，企业更可能采用：

• 强化学习/仿真优化做全局策略
• 图神经网络或时空模型做路网预测
• 生成式模型做调度方案生成与解释

这些都需要稳定算力作为“日常生产工具”，而不是临时申请的科研资源。

3）仓储自动化：从单机视觉到群体智能

仓储机器人、AMR、分拣系统的难点在“协同”。协同意味着要在仿真里训练大量场景，验证策略鲁棒性。万卡集群能显著提升：

• 仿真并行数量
• 多策略对比实验速度
• 模型迭代频率

最终体现为更低的错分率、更少的拥堵、更高的吞吐。

给中国车企与物流科技公司的三条策略建议（更落地）

答案：别把算力当采购项目，把它当“产线”；别只追训练规模，要追可运维与可复用。

1. 把“数据治理”放在算力前面排期

   • 训练效率的瓶颈往往是脏数据、弱标注、不可追溯。
   • 建议用“数据产品化”思路：定义数据血缘、质量指标、版本管理与合规模板。

2. 采用“训练—推理—反馈”的运营指标，而不是模型指标

   • 不只看 mAP、BLEU、损失下降。
   • 更该看：推理成本/单、延迟、故障恢复时间、线上收益（如准时率提升、空驶率下降）。

3. 算力策略走“双轨”：公共底座 + 关键环节自建

   • 公共底座（如工程化超算集群）适合：大规模训练、批量实验、通用模型。
   • 自建适合：高度敏感数据、强实时推理、关键闭环（例如车端策略迭代）。

我更偏向这个判断：未来 2-3 年中国汽车 AI 的分水岭，不在模型参数大小，而在“能不能把算力与数据变成稳定产能”。

结尾：当中国在建“算力底座”，特斯拉在建“模型工厂”

scaleX 万卡超集群进入重大工程应用阶段，是一个很现实的信号：中国的 AI 战略正在把算力当作基础设施来经营。这条路看起来慢，但一旦跑通，会让更多行业（包括汽车、物流与供应链）具备持续迭代的能力。

特斯拉的路线则更锋利：围绕核心闭环，把算力变成产品迭代速度。两者并不矛盾，甚至可能在未来相互借鉴。

如果你正在做车企数字化、物流算法、供应链优化，我建议你把问题换个问法：你现在缺的是更大的模型，还是更稳定的算力产线与数据闭环？