端到端智驾架构的落地，对车企的算力和数据能力提出了前所未有的要求。华泰证券研报显示，特斯拉云端算力2024Q4将达100EFLOPS，大幅领先行业；理想（8.1EFLOPS）、小鹏（7.5EFLOPS）、蔚来（378.1EFLOPS）等国内厂商持续加码。端到端架构由规则驱动转向数据驱动，对数据量、数据质量、标注精度和数据闭环能力提出更高要求。DeepSeek的横空出世有望缓解短期算力紧缺、加速VLA/世界模型上车，但长期云端算力需求仍将持续增长。算力和数据，正成为智驾竞争的新护城河。
云端算力——特斯拉100EFLOPS大幅领先，国内厂商加速追赶
云端算力是端到端模型训练的基础设施。特斯拉Dojo智算中心2024Q4将达到100EFLOPS，2024年7月时算力等效9万块H100加上4万个HW4.0，总计可达10000PFLOPS。国内厂商方面，理想智算中心（合作火山引擎）24年12月达8.1EFLOPS；小鹏“扶摇”智算中心（合作阿里云）7.5EFLOPS（24年9月）；蔚来智算中心（合作腾讯云）24年11月达378.1EFLOPS；华为车BU云智算中心7.5EFLOPS（24年9月）。
国内主机厂超算中心建设大多选择与云服务提供商合作（蔚小理分别与腾讯云、阿里云、火山引擎合作）。高算力AI芯片稀缺的背景下，算力资源获取能力成为智驾竞争的关键壁垒。随着端到端架构落地和AI大模型引入，算法迭代更加倾向数据驱动，国内厂商对于算力投资持续加码，算力差距正在缩小但特斯拉领先优势依然显著。
数据挑战——量、质、标注、闭环四维升级
端到端架构下，数据驱动成为主流，考验厂商数据闭环能力。
数据量：大规模数据有助于模型泛化能力和长尾场景覆盖。特斯拉通过“影子模式”积累海量驾驶数据；理想24年底智驾里程达29.31亿公里；小鹏12亿公里。合成数据和仿真测试开辟另一途径，理想和蔚来通过世界模型生成驾驶视频训练端到端模型。
数据质量：端到端不仅需要海量数据，更需要高质量数据。理想采用“老司机”策略，从车主中挑选3%高评分驾驶员数据作为高质量训练样本。华为等车企也通过用户驾驶数据深度挖掘，不断丰富训练数据集。
数据标注：端到端要求标注涵盖系统从输入到输出的整体流程，标注质量要求更高。自动化标注技术运用更加普遍，Waymo和特斯拉广泛使用AI辅助自动化标注系统，大幅减少手工标注的主观偏差。
数据闭环能力：决定系统能否快速迭代和持续改进。模块化方案的数据闭环往往更为割裂，端到端架构依赖统一数据流，改进过程更为高效。
DeepSeek催化——短期缓解算力紧缺，长期需求仍增长
DeepSeek的横空出世有望从多个维度影响智驾算力格局。在算法层面，MOE/MLA/MTP等方式提升模型性能和训练效率，可借鉴相关技术加速智驾模型训练速度并降低训练成本。在车端算力层面，DeepSeek高效蒸馏技术可启发车企创新，使得车端算力要求降低，加速VLA、世界模型上车。
但需要注意，蒸馏技术开发的模型无法超越基础模型的能力，且可能导致研发人员放弃对基础模型的探索。未来云端车端协同分工将是：云端模型负责复杂模型训练和迭代，不断探索上限；车端模型更注重效率和成本，将云端模型蒸馏到车端，负责实时推理和决策。
短期看，DeepSeek低成本训练模式使国内厂商能利用相对有限算力开展大模型训练，获得追赶窗口期。长期看，随着模型复杂度提升、应用场景拓展、数据规模指数级增长，自动驾驶对云端整体算力需求仍将呈长期增长趋势。
算力产业链投资机会
AI算力产业链上游为算力基础硬件设施（元器件、ICT基础设施、AI芯片等），中游为算力网络与平台（IDC服务、云计算服务），下游为应用层（智能驾驶等）。高算力AI芯片较为稀缺，国内主机厂大多选择与云服务商合作。
投资建议上，关注三个方向：①云端算力基础设施：受益于智驾算力需求持续增长，与车企深度绑定的云服务商（火山引擎、阿里云、腾讯云等）将长期受益；②车端AI芯片：具备软硬一体能力的头部玩家（特斯拉、华为、蔚小理等自研芯片）以及第三方芯片供应商（地平线等）；③数据闭环服务：在数据标注、合成数据、仿真测试等领域的第三方公司（如万马科技等）。DeepSeek技术突破有望加速智驾产业发展，带动算力产业链整体需求增长。
