首页 / 资讯详情
阿里云，接得住中国智驾吗？
摘要
作者｜李苏 编辑｜靖宇 8 月，乌兰察布。 近 30 位来自核心车企和方案商的智驾关键力量，被请进了阿里巴巴数据中心。 这里承载着中国智能驾驶研发 60% 的算力。数据中心昼夜不停，像一颗强健搏动的心脏；而道路上智能驾驶的车辆每一次从容的转弯、精准的刹停、安稳的跟车，背后都可能是这里彻夜的计算。几乎所有参会者正在训练的模型，就跑在脚下这片机房里。 把论坛开在数据中心所在地，本身就是一个信号： 智驾的竞争，已经从算法下沉到工程。 阿里云智能集团资深副总裁、公共云事业部总裁刘伟光的开场白很简短—— 模型、芯片、云，这三样东西过去由三类供应商分别提供 ，在三种不同的会上讨论。 这一次，它们被放在同一张桌上，由同一批决策者一起追问。 没有人再争论车企要不要上云，问题变成了：当智驾进入大模型时代，中国车企需要什么样的基础设施？谁能把芯片、云、模型三层都做通，而不是只卖其中一层？ 阿里云给出的答案，是一条产线——从数据到模型再到算力，完整打通。 阿里巴巴在乌兰察布的数据中心之一｜图片来源：阿里云 01 问题在下沉 如今，智驾的路线正在分化。 端到端已成共识，但再往上，有人押注 VLA，有人赌世界模型，也有公司选择继续深耕端到端本身。 但不管是哪条路，范式一旦切换到「训模型」，瓶颈就变成了三件事的困境—— 数据供得上吗？模型底子够好吗？算力扛得住吗？任何一项是短板，另两项的投入都会被浪费。 过去一年，行业里出现了一个怪现象。 各家车企和方案商都在抢卡，但买了卡之后，很多人发现模型迭代速度并没有明显提升。 不少车企有过类似的经历： 集群建起来了，算法团队反而更焦虑 ——数据清洗和标注的周期仍以周计，多模态数据从车端回流到进入训练，中间要经过大量人工和半自动化工序，可用的训练样本迟迟供不上来。 算力卡只是入场券，而数据产线才是瓶颈。 在这轮技术切换里，特斯拉始终是被反复研究的样本。它的数据飞轮不是秘密，行业里人人都在谈，但很多人只看到了模型架构的切换，没看到背后的工程化。 对此，阿里云智能集团副总裁、计算平台事业部负责人汪军华的判断很直接：特斯拉的真正壁垒，不仅是算法，更是其极度高效的数据到模型产线闭环能力； 而数据到模型产线的闭环效率，往往是模型迭代速度中最短的那块木板。 车企和智驾公司关键力量齐聚智驾论坛｜图片来源：阿里云 阿里云的解法是重构整条产线——简单来说， 阿里云提供的不是一个标注工具或一个存储方案，而是从多模态数据接入、自动化清洗、向量化、大模型自动标注，到基于历史训练分布的混合样本检索的全链路支持。 通过分布式计算引擎与千万级任务调度，数据包处理效率相比传统自建方案提升一个数量级。 按照汪军华的说法，阿里云日处理能力达到百万级 clips，支撑模型以天为单位迭代。 这个数字背后是一个工程现实。过去，车企的数据团队要先把车端回流的原始数据拷到本地服务器，再分批上传到云，然后进行格式转换、去重、清洗，最后交给标注团队，每一个环节都是断点。阿里云的产线把这些断点接了起来：数据从车端回流后，不再需要人工搬运，而是顺着管道一路走下去，自动完成转换、清洗和标注，最后直接拿去训练。 会场上，有人抛出一个尖锐的问题：过去积累的数据，到底还算不算护城河？一个没有历史包袱、从零直接做 VLA 的新玩家，有没有可能弯道超车？ 这个问题没有得到一致的答案。VLA 对数据的要求，与上一代端到端不尽相同，历史数据的价值确实需要重新评估；但自动驾驶的长