赵福全对话安筱鹏（4/5）：数字化将改变汽车产业的底层逻辑与分工关系

【核心观点】

重新定义：数字化或者说人工智能正在重新定义汽车企业的核心竞争力，不过这一定义是一个持续的过程，需要放在足够长的时间尺度上来看。

端到端模型：过去开发自动驾驶系统需要很多工程师人工处理各种极端情况，既费时费力，又难以穷尽。而现在，基于Transformer架构的端到端模型，完全可以用少得多的工程师获得相似甚至更好的自动驾驶效果。

连锁反应：AI大模型对于自动驾驶的影响绝不仅仅局限于技术，而是会带来一系列的连锁反应，最终将改变整个汽车产业。

定位转型：很多汽车企业纷纷调整自身的定位，从原来的制造公司向出行科技公司、出行服务公司转型。

产业分工：大智能产业与汽车产业之间可行的分工方式是——汽车企业在算法和数据方面“以我为主”，而算力则由云计算公司提供。

专业模型：自动驾驶的专业模型不可能脱离大模型的支撑，这就需要车企与开发构建基础大模型的公司加强合作。

创新生态：专业化分工的协同创新生态是未来企业取得成功的最重要支撑。而这样的生态一定是开放性的，因为封闭性的生态难以成长和进化，即使原本体量很大、实力很强，也会逐渐落后和退化。

清华大学教授、汽车产业与技术战略研究院院长赵福全（左）与中国信息化百人会执委安筱鹏博士（右）

【对话实录】

数字化正在重新定义汽车企业

的核心竞争力

赵福全：我之前曾经讲过，当前汽车产业的情况可以概括为三句话。一是“听起来很热”，数字化和智能化的前景尤其让人心潮澎湃，吸引了大量资本和科技公司不断涌入；二是“看起来很乱”，数字化和智能化的核心技术及能力涉及到大大小小的各类不同企业，相关的业务既有芯片、先进传感器等新增硬件，更有各种软件、操作系统以及复杂的软件平台等，很多不同层面的问题交织在一起，看起来非常乱；三是“做起来很难”，每一项核心技术都必须有效落地，同时还必须确保各项技术融合起来达到良好的效果，这其中涉及到资金投入、人力部署、知识产权、产品管理以及责任划分等诸多难题。以责任划分为例，原来汽车产品出现问题基本上都是因为硬件，即使问题是嵌入硬件的软件造成的，责任也是清晰的；而现在软件所占的比重越来越大，并且软件与硬件逐渐相互解耦，这时候如果出现问题，责任就变得模糊了。例如自动驾驶汽车的制动失灵导致发生碰撞事故，这可能是制动器硬件出现了故障，也可能是调用制动器的软件出了问题，还可能是该软件受到了其他软件的影响，此时具体责任应该怎样判定以及如何处理，就需要全新的方法和规范了。可见，企业在数字化和智能化转型的道路上，将面临全新的挑战。

上述情况之所以会出现，根本原因在于，汽车产业边界正在不断扩展，汽车核心技术正变得日益多元。特别是汽车产业必须与大智能产业紧密地融合起来，要应用数据技术、网联技术、云技术、大模型等各种智能技术，还要解决芯片、操作系统等各类关键问题。这些技术都是汽车企业此前并不拥有的，今后也很难或者说不宜拥有，却是ICT科技公司所擅长的。因此，汽车产业必将涌入新的重要参与者，形成新的竞争格局。这就让汽车企业倍感纠结：究竟哪些核心技术应该自己掌握，又有哪些核心技术只能借助外力？事实上，车企原本引以为豪的传统汽车核心技术，如发动机、变速器等，其重要性已经由于汽车电动化而大幅下降了；而智能化给汽车核心技术带来的影响可能会更大。

在这种情况下，安博士，您觉得大智能产业与汽车产业之间的边界应该怎样划分？在数字化和智能化时代，汽车核心技术到底包括哪些？又应该由哪类企业掌握呢？

安筱鹏：这是一个很大的话题，可以讲的内容非常多。

赵福全：您可以分享一下结论性的观点。实际上，安博士对传统汽车产业来说是局外人，而对新汽车产业来说又是局内人，您有自己独特的视角，这也是我邀请您来参加本期对话的原因。在产业变革之际，AI产业和汽车产业究竟怎样分工才最合适？汽车产业应该做多少？AI产业又该做多少？说起来，业界对此也不乏争议。有一种说法是软件将赋予汽车灵魂，因此ICT公司对汽车企业会构成降维打击，传统汽车制造业已经没有多少发展空间了；另一种说法是汽车硬件始终是基础，如果没有汽车企业打造的底盘、车身以及制动、转向等硬件，软件何以依托？那岂不成了“孤魂野鬼”？您怎么看这些观点？

安筱鹏：我先说一个结论——数字化或者说人工智能正在重新定义汽车企业的核心竞争力，不过这一定义是一个持续的过程，需要放在足够长的时间尺度上来看。就近期而言，我们更应该关注数字化在汽车产业各个细分领域应用的情况。我认为主要有几个方面：一是自动驾驶，二是智能座舱，三是汽车制造体系。前两个主要影响产品力，后一个关乎生产力，也就是您说的创造力。

这其中自动驾驶应该是当前业内讨论最多的，而以我从外部视角的观察来看，AI正在引发自动驾驶技术路线的重大转变。2023年9月，马斯克曾经在全球1200万网民的关注下展示了特斯拉当时最新的自动驾驶技术。我认为，马斯克从车里走出之后说的那句话非常关键。他说，我的工程师们从来没有写过任何一行代码来让车停在什么地方，但车总是停在它应该停的地方。这句话表明AI大模型开始与自动驾驶关联了，端到端的技术路线呼之欲出。

以前的自动驾驶技术路线，包括特斯拉的FSD 11版本的自驾系统，都是通过人工进行海量数据标注和编写规则代码的方式来开发的。比如，要让汽车识别出红灯后停下来，就要编写这一规则的代码，在各种场景下加起来可能会有几十万行。而今天基于大模型，可以把原来的感知、规划、控制三个模型，统一到一个基于Transformer架构的端到端模型中，然后只要提供足够多的数据让其自学习，到一定阶段后模型就能学会什么时候停车、什么时候左转或右转等等。这样自动驾驶技术的开发就大不相同了，可能只需要几千行的代码就可以了。

过去，开发自动驾驶系统需要很多工程师人工处理各种极端情况，即所谓的Corner Case，这既费时费力，又难以穷尽。而现在，基于Transformer架构的端到端模型，完全可以用少得多的工程师获得相似甚至更好的自动驾驶效果。所以，目前国内外很多车企都在朝着这个方向努力，这无疑是大模型对汽车产业的一个重要影响。

由此我们不妨延伸一下来思考，AI大模型对于汽车产业及产品到底意味着什么？反过来，汽车产业及产品又会对AI大模型产生什么影响？现在基于新的Transformer技术路线，同时利用海量里程的车辆行驶数据，车企就可以实现效果相当不错并且还能持续提升的自动驾驶，从而使其更接近于成为一种易被消费者接受的商品。当然，自动驾驶技术当前的市场售价并不低。如果从技术经济学的角度来看，我们可以从中得出三个判断。

第一，自动驾驶系统会改变汽车的定价逻辑和价格结构。自动驾驶系统除了芯片、传感器等基本硬件之外，主要价值体现在软件上。那么，与传统汽车的各种物理硬件相比，自动驾驶这套软件系统应该在一辆车的价格中占据多大比重呢？在自动驾驶系统的效果还不够好时，这当然不能很高；可是当一套很有竞争力的自动驾驶系统搭载到车上时，我觉得完全可能会占到整车售价的1/5-1/4，甚至在低价车型中可以占到1/3。因为这相当于为用户提供了一个专职代驾，将使汽车产品的定价逻辑和价格结构发生重大改变。

我们知道，软件在经济学上的特点就是具有相对高的固定成本和非常低的边际成本，其边际成本甚至可以趋近于零。当一套软件开发出来之后，后续让更多的用户下载使用，企业并不需要付出什么额外的成本，比如微软的操作系统就是如此。而汽车自动驾驶系统作为软件，也符合同样的经济学规律。

那么，自动驾驶系统的固定成本有多高呢？马斯克说过，他要投资100亿美元建设算力集群，因为开发端对端的自动驾驶系统不仅需要海量数据、大模型算法，还需要有强大的算力，只有把这三个要素集成起来，才能训练出效果极好的自动驾驶系统。显然，这是需要大量资金投入的。我们就按100亿美元来衡量，试问全球有多少家公司具备在这个赛道上竞争的实力？未来自动驾驶将越来越成为汽车产品竞争的焦点，而车企要想把自动驾驶做好，就必须在算力、数据和算法上加大投入，这意味着自动驾驶系统会有很高的固定成本。显然，车企唯有给自动驾驶系统合理定价，并努力扩大其使用规模，才有可能承受得起这样的成本。

也就是说，对于软件定义硬件的全新汽车产品来说，其定价逻辑一定会发生变化。越来越多的车企将采用“硬件部分不涨价、软件部分不降价”的竞争策略，我判断这是未来汽车产业的必然发展趋势，并将由此引发产业格局的根本性改变。

第二，自动驾驶会影响汽车保险行业。当自动驾驶真正落地时，必须出台很多新的保险规则。比如一旦发生交通事故，车企要不要承担责任，承担多少责任？这需要有颗粒度很细的规则以及相关的数据来确定和判断责任方。由此汽车保险的定价方式将发生全方位改变，进而可能会影响到整个保险行业。

第三，自动驾驶会影响消费者的购车心理和决策依据。当高级别自动驾驶成为现实，汽车完全可以“招之即来、挥之即去”，届时消费者是继续购买汽车产品，还是转为购买汽车出行服务，这也是一个很大的问题。

总体而言，我认为AI大模型对于自动驾驶的影响绝不仅仅局限于技术，而是会带来一系列的连锁反应，最终将改变整个汽车产业。我觉得，这个例子很能说明AI如何重新定义汽车企业的核心竞争力。当然，AI也非常需要像汽车这样重要的大产业来扩展其应用价值。

赵福全：我非常认同安博士的这段分享，这其实正是当前汽车人既深感焦虑、又希望寻求突破的关键点。数字化和智能化将使汽车产业的内涵外延、汽车企业的商业模式以及汽车产品的属性定位等都发生革命性的改变。特别是，原来汽车产品是以硬件为主导的，车企对硬件的特点非常了解，只要不断打磨和升级硬件就可以了；而今后汽车产品将越来越以软件为主导，产品竞争力及价值也越来越指向软件，这就需要车企转变理念，努力加深对软件的理解和掌握。

正如安博士谈到的，今后汽车企业可以通过数字化手段不断对产品进行迭代优化，这将成为未来汽车产业竞争的重点。在此情况下，硬件可以基本不变或少变，而通过软件来实现产品持续改进，不断提升用户的个性化体验。事实上，汽车业内的同仁们应该都能感受到，现在硬件已经越来越同质化了，车企要靠硬件来实现产品差异化越来越难了；相比之下，凭借软件来实现产品差异化的空间却越来越大。比如，特斯拉的车型换代速度很慢，但是通过不断推出新软件或升级软件版本，用户在原来的车型上一样可以持续获得新体验。这就是所谓的“常用常新、越用越好”，我认为这个理念至关重要。

正因如此，很多汽车企业纷纷调整自身的定位，从原来的制造公司向出行科技公司、出行服务公司转型。我觉得，这反映出这些企业的领军人对汽车产业数字化和智能化的高度重视与深刻认识，他们意识到汽车企业的核心竞争力正在被重新定义，为此企业必须调整经营管理的理念、方向和模式。

未来车企应自行掌握算法和

数据，并利用好外部算力资源

赵福全：这就带来了一个新问题——未来支撑出行科技公司、出行服务公司的核心能力是什么？现在的汽车企业要怎样做才能转型成功？您刚才举了特斯拉自动驾驶系统的例子，强调这背后既有数据、又有算法、还有算力。作为人工智能的三大支撑要素，三者缺一不可，每一个都很重要。而目前掌握这三个要素的主体各不相同，总体而言，算力、算法基本掌握在大智能产业的科技公司手中，而数据则掌握在整车企业手中，因为直接面对用户的还是车企。

在这种情况下，很多企业的高层都曾与我交流过一个核心问题：整车企业应不应该、又能不能够自己拥有算力和算法呢？现在看来，特斯拉可能是将人工智能和汽车合二为一的唯一一家企业，它本身也自认为是科技公司，而非汽车企业。那么，特斯拉是一个特殊的存在吗？还是说这是未来汽车企业转型的必然方向，像大众、丰田这样的全球顶级车企今后也要努力成为人工智能科技公司？

说到底，这还是未来整车企业应该具备什么核心能力的问题。毫无疑问，自动驾驶技术逐渐投入产业化应用，并且不断进化升级，一定离不开算力、算法等的支撑，这些AI技术当然是大智能产业的强项；但是AI大模型必须用数据来训练，而数据掌握在整车企业手中。所以，大智能产业和汽车产业必须相互融合、紧密合作。不过这两个产业之间总还是要有一个边界吧，如果交集始终是灰色地带恐怕行不通。具体来说，您觉得汽车企业应该向人工智能的方向拓展多少？又应该把重点放在哪里？假如说10年之后，人工智能将实现全面的重大突破，那么汽车企业现在要做哪些布局和储备，届时才足以拥抱更强大的人工智能呢？

目前的情况是，面向未来的汽车智能化竞争，汽车企业缺少AI技术；而像阿里这样的ICT科技公司，也缺少汽车技术。这样一来，是不是谁都无法与特斯拉抗衡了呢？说实话，我并不这样认为。我觉得，现在有点类似春秋战国时期，各方八仙过海、各显神通，但最终还是会有殊途同归的一天。安博士，您怎样看这个问题？这可能也是收看我们栏目的企业家们最关注的问题之一，其中既涉及未来发展的大方向，又涉及具体时间节点的判断。

安筱鹏：我们不妨分析一下支撑智能产业生态系统的这几个核心要素。第一个要素是算力。前面提到，马斯克宣称要投资100亿美元来建设算力集群。可见，要构建一个可以进行自动驾驶大模型训练的智能算力集群，门槛是非常高的。可能国内车企可以建立几百、几千GPU卡的算力集群，能够支撑小模型的运行，但面向未来自动驾驶大模型的算力需求，这是远远不够的。所以，我觉得车企应该与国内的云计算公司合作，让其提供算力服务，帮助车企进行所需的模型训练。当然，这个训练本身还是由汽车企业来做，云计算公司负责为车企提供高效、安全的算力基础设施即可，这就是双方的职责与分工。

需要注意的是，现在有一个认知误区。我们今天谈大模型时经常会提到万卡算力集群，但是很多企业可能都低估了从百卡、千卡集群到万卡集群的技术门槛。实际上，并不是简单地把上万张GPU卡堆积起来就是万卡集群了，这其中还需要一套非常复杂的调度优化系统，其技术门槛是很高的。也就是说，即便车企有足够的资金，也未必有足够的技术能力来构建大模型算力。因此我的结论是：中国乃至全球最终能够真正具备万卡乃至超万卡算力集群的公司，数量会非常有限。

当然对于汽车产业的垂直模型来说，并不需要像大模型那么高的算力。不过车企训练自动驾驶系统的算力需求，肯定会越来越高，这部分算力完全可以由云计算公司来提供。而且既然车企有这样的商业诉求，那么云计算公司就会做好相关的服务。例如，阿里目前就在和小鹏汽车合作，为其提供自动驾驶模型训练的云解决方案。我相信，未来这类需求的规模会更大。

第二、第三个要素是算法和数据。对于汽车企业来说，自动驾驶的算法是其核心竞争力，数据也是其核心竞争力。而这两个要素还会相互影响，形成一个不断迭代和演进的过程。例如，现有的自动驾驶系统不断采集到新数据，再用这些数据进行训练，持续迭代改进算法，然后演进出下一个版本的自动驾驶系统。今后这种技术发展模式将越来越成为一种常态，并且这也是汽车企业和自动驾驶公司在激烈的市场竞争中必须做好的一项工作。

所以我认为，从较长的周期来看，大智能产业与汽车产业之间可行的分工方式是：汽车企业在算法和数据方面“以我为主”，而算力则由云计算公司提供。或许部分汽车企业也会自己构建较小的算力集群，但同时其更多的算力需求还是要依靠大型的云计算公司满足。毕竟算力集群的资金和技术门槛都非常高，而且相关核心技术又变化得非常快。

当然，特斯拉可能确实比较特殊，因为其创始人马斯克出身于IT领域，之后才去做汽车企业，2023年他又成立了一家人工智能公司。也就是说，马斯克麾下既有汽车、也有人工智能的技术和人才等资源。从这个角度看，特斯拉有点像是一家纵向一体化整合的独特企业。

中国车企要通过构建并用好

汽车产业生态来赢得优势

赵福全：应该说，这样的分工是清晰的。同时，您也认为特斯拉有其独特性，不具有普适的参考价值。而我们都知道，在产业转型期，颠覆者往往都是那些“另类”的企业，那么特斯拉会不会成为颠覆者？进而导致很多汽车企业尤其是传统车企，失去向人工智能方向成功转型的机会呢？刚才安博士谈到了美国的大模型已经基本形成了相对稳定的“3+1+1”竞争格局，而特斯拉就位列其中，这不能不说是其重要优势。

当然反过来看，特斯拉既在算法和数据上有深厚的积累，又有自己强大的算力，这会不会造成自我封闭呢？也就是说，将来特斯拉的大模型很可能没有其他车企使用，从而影响其迭代优化的速度。从企业战略的角度看，我认为这其实涉及到要不要垂直整合的重大问题。就短期来说，垂直整合可以助力企业提升速度、降低成本，因此是有利的，甚至企业可能因此抢先抓住转型机遇而赢得眼前的优势；但长期而言，垂直整合就不一定是合适的商业模式了，否则当年通用也就不必把德尔福拆分出去了。我觉得，这个问题值得我们进行更深层次的思考。

问题的关键在于，未来企业的核心竞争力究竟是什么？而要获得这种竞争力，企业采取怎样的策略才是最佳选择？应该说，刚刚安博士的分享让汽车企业安心不少。因为您认为，车企自己掌握数据和算法，同时使用外部的算力资源即可，并不是一定要把三个要素都抓在自己手里。我们不妨再具体看看：算力可以依靠合作伙伴即云计算公司来提供。数据本来就是由车企掌握的，正如我一直讲的，谁拥有汽车品牌，谁直接面对用户，谁就拥有相关数据。当然如果车企不能把数据真正用起来，转变为自身的核心竞争力，那就会逐渐失去用户、直至品牌不复存在，最终也就无法再获得数据了。而数据的充分利用有赖于算法，所以，车企必须在自动驾驶、智能座舱等的算法上形成能力。获得这些能力当然也可以借助一些外力，但绝对不是简单的“拿来主义”。

安博士，算法的背后其实就是模型。我们前面交流过，未来各个产业的专业模型都必须构建在大模型之上，才能实现能力的跃升。显然，自动驾驶的专业模型也不可能脱离大模型的支撑，这就需要车企与开发构建基础大模型的公司加强合作。在这种情况下，面对特斯拉这样既有专业模型、又有基础大模型的竞争对手，中国车企应该怎样与其竞争呢？请您为大家指点迷津。

安筱鹏：这确实是一个业界高度关注的问题。前面提到，马斯克成立了一家大模型公司，叫做xAI。这是特斯拉之外，马斯克的又一家公司。同时，特斯拉本身也有自己的AI部门。可以说，在人工智能方面，马斯克麾下的团队是有着很强的实力的。

不过从大模型的角度来看，自动驾驶大模型与大语言模型的核心并不完全相同，虽然自动驾驶大模型也是基于Transformer基础架构的，但其参数要求没有大语言模型那么高。所以，国内车企应该也有可能形成部分这样的能力，即基于Transformer架构做出自己的自动驾驶大模型。目前国内车企特别是造车新势力，在这方面已经做了一定的布局，而且发展速度都还比较快。

在全球范围内，中国车企包括传统车企和造车新势力，可能还是对特斯拉跟得最紧的。目前已经有不少车企宣布，正在基于Transformer架构构建自己的端到端自动驾驶解决方案。所以，全球自动驾驶的第一梯队仍然是以美国和中国的企业为主，二者之间的差距有时候大一些，有时候小一些，各自都在不断迭代和进步中。

我认为，过去六七年甚至更长的时间里，国内车企特别是造车新势力一直在智能化的赛道上不懈努力，到如今在组织、管理和人才等方面都已经有了很多积累，同时也形成了对新技术的洞察能力。尽管在前进的道路上仍然会有严峻挑战，但目前来看，我感觉中国汽车企业是有信心也有能力追上特斯拉的。

赵福全：特斯拉确实是一个特例，这家公司作为整车制造商，在数据上是有优势的；同时一直以自动驾驶作为核心竞争力，在算法上已经做了很大的投入，也取得了不小的成果；而在算力以及AI大模型方面，又可以获得新成立的人工智能公司的助力。虽然特斯拉和xAI并不是一家公司，但同属于马斯克，肯定会“左手帮右手”，这样形成的合力绝对不可小觑。不过就像安博士谈到的，尽管中国车企要成为特斯拉这样的公司可能不太现实，但这并不意味着未来我们就没有赶超的机会了。至于具体行动，我认为主要有以下三点：

第一，车企一定要掌握数据和算法，并且要通过算法，让数据真正发挥作用。为此，应该在自身更擅长的专业模型上下足功夫。在此过程中，也可以借助外力，但是核心工作必须由车企主导。如果想要引领未来的产业发展，不充分挖掘数据和算法潜力的车企是没有机会的。

第二，对于自动驾驶技术，车企没有必要自建大模型，但是不自建不代表不需要，而是可以借助外部更专业的力量。为此，车企要选择国内顶级的大模型公司建立真正的战略合作伙伴关系，互相赋能。即由合作伙伴提供车企所需的大模型，而车企的着力点应该放在大模型支撑下的专业模型上。这样就能把车企的数据和专业模型算法，与合作伙伴的算力和大模型算法结合起来，共同驱动自动驾驶技术的快速发展。在这方面，中国车企甚至还可以利用国家的算力资源，这可能也是中国体制优势的一个表现。

第三，汽车及相关企业还要携手努力，共同构建开放性的全新汽车产业大生态，并充分发挥其作用。汽车原本就是由上万个零部件组成的复杂工业品，未来还要加上成千上万套软件，最终汽车软硬件将共同构成了一个可移动的AI机器人。这样的AI机器人涉及到诸多领域各不相同的核心技术，没有任何一家乃至一类企业能够拥有全部这些核心技术。因此，所有企业都必须借助汽车产业大生态来获取自己不具备的技术及能力等资源。整车企业也不例外，既不可能也不需要自己“包打天下”，只要扮演好集大成的角色即可。

实际上，奉行开放理念和模式的汽车企业，相对于特斯拉这种独自掌握了很多核心资源、可能会相对封闭的公司来说，说不定还会具有某种优势。当然具体能否形成这种优势，还要看企业有没有极强的集成能力，同时有没有找准专业化的生态伙伴，并以创新性的商业模式来实现有效分工和共同发展。我始终认为，专业化分工的协同创新生态是未来企业取得成功的最重要支撑。而这样的生态一定是开放性的，因为封闭性的生态难以成长和进化，即使原本体量很大、实力很强，也会逐渐落后和退化。从这个角度来看，中国车企其实有很好的发展前景，完全有机会在未来汽车产业生态的全球竞争中占据制高点。

未完待续，请继续关注《赵福全对话安筱鹏（5/5）》