问题——汽车智能化进入深水区，算力与模型成为竞争“硬通货”。近年来，围绕智能驾驶与座舱体验升级，越来越多车企提出“全栈自研”，从域控制器、车规芯片到算法模型加快布局。蔚来涉及的芯片业务获得22亿元融资，显示资本市场对硬科技投入与长期研发的关注仍延续。但此外，上游平台型企业在基础模型与生态层面的投入明显提速，使“仅靠自研芯片就能显著降本增效”的叙事需要重新审视。 原因——外部供给不确定与模型迭代加快，推动竞争从“单点性能”转向“生态能力”。一上，过去几年芯片供需波动与关键器件短缺，促使车企更重视供应链安全与自主可控，通过自研或深度定制提升对关键部件的掌控力。另一方面，智能驾驶正从规则驱动加速转向数据与大模型驱动，模型参数规模、训练数据量以及训练与推理算力需求持续攀升。英伟达披露将投入约260亿美元推进开源大模型生态，反映上游企业正以“模型+工具链+硬件平台”的组合构建标准与壁垒。鉴于此，车企若只把目标锁定“替代某一代芯片、压降单车硬件成本”，可能难以应对模型快速迭代带来的系统性变化。 影响——自研并非“成本锁定”，反而可能带来新约束与新风险。业内人士指出，自研芯片确实有机会在特定工况下取得性能、功耗与成本的更优平衡，但前提是稳定的先进制造产能、持续的研发投入以及成熟的软硬协同能力。若模型复杂度继续提升，围绕当下算法定制的专用方案可能出现迭代节奏与产品周期错配，带来“硬件更新跟不上模型升级”的压力。同时，算力成本整体上行也值得关注。近期部分云服务与模型调用价格调整，折射出训练与推理资源紧张、算力供给结构性不足等现实问题。从产业链看，车企即便降低对单一成品芯片的依赖，仍可能受制于代工产能、关键IP、EDA工具、人才供给以及数据与合规成本，竞争焦点也从“卡芯片”转向“卡生态、卡产能、卡人才”。 对策——从“单点突破”走向“组合策略”，在开放生态与自主能力之间寻求平衡。多位行业观察人士建议，车企推进自研芯片与模型能力建设时，不宜简单做“二选一”。一是明确自研边界：将自研集中在差异化价值高、可规模复用的核心模块，非核心环节通过合作提升效率。二是强化软硬协同与架构弹性：以模块化、可扩展计算平台和兼容多模型的运行环境，降低硬件被单一算法绑定的风险。三是完善供应链多元化与风险管理：在先进制程、封装测试、关键材料与工具链上建立更稳健的伙伴体系，提升抗波动能力。四是补齐基础软件与数据能力：在合规框架下完善数据闭环、仿真与评测体系，把“持续迭代”的能力沉淀为长期竞争力。 前景——竞争将从“车端算力”延伸至“通用智能与具身场景”，产业边界加速外溢。随着大模型开源与工具链平台化推进，汽车智能化的竞争维度正从单车芯片算力扩展到训练平台、模型生态与跨场景应用。与此同时，机器人等具身智能方向受到资本与产业关注，部分企业提出量产时间表，意味着“理解并操控物理世界”的能力可能成为下一阶段关键赛道。对车企而言，如何在智能驾驶的工程落地与更广泛的通用智能趋势之间把握投入节奏，将考验战略定力与资源配置能力。
资本对芯片与硬科技的支持，有助于增强产业韧性与创新能力；但智能化竞争的核心正从“单点突破”转向“系统作战”。当上游算力与模型生态快速演进，车企更需要以长期视角审视路线选择：既要敢于投入关键能力，也要善于借力开放生态，把有限资源投向最能形成闭环优势的环节。地图在变，方向要稳；节奏要快，底盘更要牢。