知嘹汽车/Jasper

不只在央视上表现领先，更有170万人使用，两个月，0 事故。

除了特斯拉，没有一家车企的自动驾驶能够做到这个水平。而这项成绩也意味着特斯拉的自动驾驶水平已经到了完全自动驾驶的L5级别的水准，车型机器人也能够顺利落地。

而我们的自动驾驶，距离差的还很远。

先不说技术路线的差异，单是一个超算中心的算力，特斯拉就已经超越了近乎所有的车企。

根据2024年的数据显示，特斯拉的DOJO智算中心，算力已经达到了100EFLOPS。

而去年的华为鸿蒙智行，算力只有5EFLOPS，今年的吉利，就算喊出了“中国车企第一”的口号，但算力也只有23.5 EFLOPS。

单是特斯拉一家，就已经几乎达到了我们所有车企算力的总和。

自动驾驶需要识别道路上的所有信息，需要训练复杂的深度神经网络，如果算力不够，这将会直接影响模型的精度和系统的研发周期。

并且自动驾驶还需要用仿真平台来模拟各种交通场景、天气路况，超算中心的算力与运行仿真任务的速度、验证周期有着深度的关系。

换句话说，因为在算力上的差异，我们的自动驾驶在模型精度、模型算法、研发周期上与特斯拉只会越来越远。当人家都已经在处理新的采集信息并更新算法时，我们的算力甚至连库存都没有办法学习完。

而除了超算中心在算力上的差异之外，我们在训练模型的成本上也有很大的距离。

特斯拉自己造出了专用的芯片，再加上分布式的训练架构。而我们大多数车企采用的则仍然是GPU集群，从成本造价上来看，我们超算中心的单位算力基本上是特斯拉的3-5倍。

不光算力不足，甚至成本还高。这么一比，特斯拉每增加一点算力，我们的成本都会成指数型上升，可能现在还撑得住，但从长远看只会被“拖垮”。

而最后，则是仍然在技术路线上的差异。

特斯拉采用的纯视觉路线已经成功，但我们的部分车企仍然在用协同融合模式。

纯视觉不行，那就加个激光雷达，再不行就再加一些摄像头，这样一来不光本身的造车成本增加，算力负担增加，用车电耗也在增加。

而且特斯拉的端到端采用的是一段式技术，识别直接到做出决策。而我们很多的车企仍然在用两段式技术。

两段式的技术不能一棒子打死就说不好，但是中间多出的分析阶段会在很多时候影响决策速度、增加算力压力。对于自动驾驶来说，技术路线追求的就应该是用更少的工程来处理更多的数据，而两段式在这里就有着天然的劣势。

但这也不代表着我们中国在自动驾驶上全是劣势。

我们新能源的覆盖率逐渐增大，而且人口用车数据有着天然的优势，我们能有更多的数据来让神经系统进行学习。

从长远来看我们的数据库足够丰富，能够达成的上限也就更高，但前提是我们要先解决算力、超算中心成本以及技术上的劣势。

以目前的水平来看，我们的差距还有很远。

企业软件支出持续增长，AI投资回报率仍面临挑战（来源：银信科技）近日，Futurum发布的最新研究表明，尽管全球经济环境存在不确定性，企业软件市场依然展现出强劲的增长势头。2024年，全球企业软件市场规模已达到3414亿美元，并预计将在2029年达到5697亿美元，复合年增长率高达10.8%