2026年2月3日下午，科大讯飞股份有限公司联合创始人、总裁吴晓如做客《赵福全研究院》高端对话栏目，作为栏目第78期嘉宾，与世界汽车工程师学会联合会（FISITA）终身名誉主席、清华大学车辆学院教授、汽车产业与技术战略研究院院长赵福全进行了一场一对一的深度对话。本栏目由盖斯特管理咨询公司策划、赞助并在其官方视频号播出。在直播之后，我们精心整理了对话内容，因篇幅较长，故分四部分推送。本文为第三部分的文字、视频和音频。

【核心观点】

统一规范：整车企业无论是打造汽车大智能体，还是其中的小智能体，最终目标始终是通过智能化技术优化用户体验、提升用户满意度。因此，车企应该建立一套能够精准反映用户体验的评价标准与规范。

不被绑架：车企避免被供应商绑架的根本前提是要始终保持对用户的深刻洞察，车企必须“最懂用户”。在此基础上，车企应该牢牢掌控两大核心要点：一是产品关键功能的定义权，二是最终用户体验的评价标准。

非健康模式：一是车企以“随时替换”为筹码逼迫供应商不停地降价，这会大幅压缩供应商的生存空间，使之无力继续投入研发；二是供应商凭借技术或资源优势而抬高供货价格，这会增加汽车产品的成本，降低车企的竞争力，进而影响产业创新的进程。

新型模式：在新汽车时代的生态化发展模式下，整供车企的协作共创模式将超越简单的接口统一、标准一致以及联合开发，甚至还会涉及到知识产权的交叉融合。

数据应用瓶颈：破解数据应用瓶颈需解决四大问题——数据脱敏、数据质量、数据合规、利益一致。

可用与高质量：对于数据的可用性和高质量，首先要明确数据是否有用或者说价值的高低，比如哪些数据是金矿、哪些是铁矿、哪些则是没有开采价值的贫矿。

价值最大化：整供企业应该在确保合规底线和统一技术标准的前提下，提前明确数据共享与使用的范围和方式，然后各自加工相关数据，进而融合双方的数据应用成果，以实现数据价值的最大化。

算力布局：整车企业应当遵循“最小需求”原则，其核心在于围绕实际业务需求来配置算力资源。整体而言，对于企业需要经常使用的基本算力，或者说支撑关键数据存储和使用的算力基础设施，建议以自建为主，以保障核心业务的稳定性与安全性。但是企业也不应盲目囤积算力。

【对话实录】

车企要建立用户体验的评价标准并定义多方协作的统一规范

赵福全：前面我们谈到，今后汽车产品的打造需要由整车企业搭建整体架构，并明确各个接口的标准和规范，基于此与各类供应商一起协同共创。但在实践中整供之间的合作难免存在灰色地带。对此我想与吴总继续探讨：您觉得在理想状态下，整车企业有哪些能力需要自行掌控，有哪些能力需要与供应商协作获取，又有哪些能力可以直接由供应商提供？另一方面，当供应商按照既定的接口标准开展工作时，整车企业应该采用什么标准来衡量其适配效果呢？

更进一步来说，智能汽车就像一个人一样，既需要聪慧的大脑，也需要灵活的手脚和敏锐的感官，也就是说，汽车软件与硬件必须有效组合起来，才能真正实现智能化。为此，我之前提出了整供车企融合共创的理念，旨在强调智能汽车绝不是简单的软硬件叠加，而是要实现软硬件融合。同时我还提出了智能汽车产品开发的方法论：首先要软硬分离，以适应软件和硬件在开发周期及相关技术等方面的明显差异；继而要软硬组合，以确保不同的软硬件能够在物理上有效连接、灵活组合；进而要软硬融合，这既涵盖了知识和技术层面的融合，也涵盖了整供各方开发团队的融合，以实现极致的产品功能、性能和用户体验；最后还要软硬平衡，以确保硬件与软件适配的成本受控。说实话，要做到以上四点并不容易，这涉及到产品创新模式的重构，也涉及到产业分工或者说不同主体协作模式的重构。不过随着AI时代的到来，有一种观点认为，未来可以把各项工作都交给机器来完成。由于机器没有人性的弱点，只要定义好规则，就不会有推诿扯皮、各行其是等问题了。您如何看待这一观点？

吴晓如：对于赵老师提出的第二个问题，我认为，至少在现阶段，将所有工作都交给机器并不现实，而且这可能会彻底抹杀人的主动性。

而对于您提出的第一个问题，我有两点看法：一要坚持以终为始。整车企业无论是打造汽车大智能体，还是其中的小智能体，最终目标始终是通过智能化技术优化用户体验、提升用户满意度。因此，车企应该建立一套能够精准反映用户体验的评价标准与规范，这一点至关重要。基于这套标准与规范，车企就可以在产品开发的各个阶段及时发现问题，并检验目标的达成度，包括对供应商的工作进行评判。二要明确主次分工。在产品开发过程中，很多时候都需要多家供应商同时参与。在此情况下，如果车企事事都亲自牵头，不仅头绪繁多、分散精力，而且还会增加管理成本。所以在硬件主导的传统汽车时代，才会出现层级分明的Tier1、Tier2等供应商——车企只需把相关工作整体交给Tier1，再由其协同各家Tier2并对最终结果负责即可；到了软件主导的新汽车时代，我觉得这个逻辑并没有改变，只是行业需要适配智能化的新Tier1，同时某些车企可能自行承担了部分Tier1的职责。

比如说，有些车企选择将智能化功能从定义到打造都交给供应商来做，类似于华为鸿蒙模式；也有些车企为凸显个性化，选择保留核心的定义权，并自行牵头完成相关业务，此时车企就扮演了超级Tier1的角色；当然，如果所有业务都是车企自己做超级Tier1，那负担就太重了，所以车企必须清晰划定分工的边界，将部分业务交给有能力的新Tier1来承担。

无论由谁负责，整车企业都必须建立最终体验的评价标准，避免出现各个模块单独都能达标、但集成起来却出现种种问题的情况。同时，整车企业与各级供应商的分工，即上下序关系以及输入、输出内容等，也必须界定清楚，明确谁要对哪个功能模块负责、谁要对模块集成起来的系统负责、而谁要对相关场景的最终体验负责，以确保供应商的交付与车企的诉求相符，至少不能出现较大偏差。

赵福全：我认为，未来有很多“黑盒子”的软硬件，车企都无法也不必自行打造，但是必须深刻理解其底层逻辑，并建立适宜的评价标准。否则，车企很难把握相关业务的重点及边界，也无法在供应商之间出现争议时做出合理裁决。当然，要做到这一点并不容易。在硬件主导的传统汽车时代，对零部件的验收标准相对简单，只要物理尺寸合格、并能够通过相关试验测试即可。然而进入到软件乃至AI定义的新汽车时代，带有很强主观性的用户体验成为产品最重要的目标，要对其建立直观量化的评价标准无疑非常困难，这就给整车企业带来了严峻挑战。毕竟车企对诸多新领域可能并不精通，所以有时候难以有效评价供应商的工作。这正是当前众多车企高层面临的困惑所在：如果一直使用一家供应商，担心会被“绑架”；可如果更换供应商，又担心会导致前期积累归零。

吴晓如：我觉得，根本前提是整车企业要始终保持对用户的深刻洞察，车企必须“最懂用户”，这一点毋庸置疑。在此基础上，车企应该牢牢掌控两大核心要点：一是产品关键功能的定义权，二是最终用户体验的评价标准。

正如赵老师所言，当前汽车核心技术日益多元且复杂，车企不可能样样精通，所以供应商的角色开始发生变化。以语音交互为例，早期车企只是采购科大讯飞的语音技术，测试一下语音转换成文字或者说语音指令识别的准确度即可。然而后来车企逐渐发现，很多时候即使语音指令被准确识别了，用户在调用车控功能时仍然存在体验不佳的问题。于是部分车企就把语音交互的全部功能都交给我们负责，其核心诉求也从“语音指令识别的准确度”转变为“语音调用车控功能的有效性”。说到底，车企的目标就是要让用户能够用自然语言顺畅、快捷地调用汽车产品的各项功能，为此才会把科大讯飞推到前台，以期更好地达成上述目标。

在这种模式下，车企并不是放手不管了，其职责主要体现在两个层面：一是洞察用户需求、定义相关功能并评价使用体验，也就是说，车企要有能力判断出用户需要哪种功能，还要有能力评价用户使用该功能时体验的好坏。二是制定技术标准和规范，包括各种车控功能的接口等，以确保能与各家供应商有效对接、充分协作。仍以语音交互为例，无论是科大讯飞等科技公司，还是各种零部件的供应商，都必须按照车企统一的标准和规范输出。事实上，车企明确技术标准和规范，不仅可以为供应商后续的技术更新提供支撑，也最大限度降低了更换供应商带来的潜在风险。

整供车企应积极探索协同共创的新型合作模式

赵福全：汽车产品竞争力不仅与用户体验相关，还涉及到成本、质量、交付速度、供货能力乃至全球化协同布局等要素。在此情况下，整车企业如果事事都由自己主导，根本不可能把新汽车产品做到最好。所以，车企即便担心可能会被供应商“绑架”，也要把部分核心业务交给能力强大的供应商来负责，毕竟这是提升产品竞争力的有效手段。

与此同时，正如吴总刚才谈到的，未来汽车技术越来越多元、也越来越复杂，车企不要说全面自研，就是独自定义全部技术标准，也很难做得到，因此很多技术标准都要由供应商来提供。这就愈发需要车企与相关供应商建立长期的战略伙伴关系，不断强化彼此的紧密协作。那么，这种战略伙伴关系要怎样才能稳固地建立起来？是不是一定需要以资本进行绑定或控制？还是说有其他创新模式可供选择？

吴晓如：当前车企要通过资本控制供应商是很难的，尤其是大多数AI科技公司本身就规模大、实力强，车企不见得有足够的资金来掌控这些公司。说起来，企业之间要建立深度合作关系，可能大家最先想到的就是资本合作，但这只是其中的一种方式而已，而且有时候还未必就能充分奏效。所以，我们也应该关注可以实现深度融合的其他多种方式。

比如，共建联合实验室的模式，可以有效化解车企对“黑盒子”技术的顾虑。因为在联合研发的过程中，车企能够了解到各种技术细节，对技术不受控的担忧就会小得多。同时，车企还可以把科技公司提供的技术标准变成自身认可的标准，甚至在此基础上逐步掌握标准的主导权，从而降低“被绑架”的风险。

我认为，现阶段整供车企之间应该积极探索协同共创的新型合作模式。当然，这种新合作模式需要车企投入更多资源，而不是像传统的甲乙方买卖关系那样，车企只安排采购经理来对接即可。具体来说，除了采购经理之外，车企还需要安排技术经理与供应商进行对接，共同确定满足用户需求的技术方案，同时了解、消化供应商的相关技术，以提升产品竞争力和掌控力；而供应商通过与车企深度对接，也可以减少之前不得不频繁修改方案的成本和时间。如果双方都希望进行长期的紧密合作，成为彼此的战略伙伴，那么上述新模式无疑是互利共赢的最佳选择。至于具体的达成方式则是多元的，既包括资本层面的运作，也包括技术层面的协同，还包括其他任何可能的举措。

赵福全：由此我们可以得出一个重要的结论：在新汽车时代的生态化发展模式下，整供车企的协作不再是传统的“交付图纸＋试验验收”，而是深度交融的协同共创。正如吴总刚才谈到的，整车企业的项目经理、采购经理、质量工程师、特别是技术工程师，都要与供应商的相关团队紧密对接，双方一起明确需求、制定方案、联合开发，这样才能确保供应商能够真正理解并满足车企的需求，携手打造出用户体验突出甚至能与用户形成情感共鸣的汽车产品。同时，相关技术标准也将在整供车企的共创过程中得到完善。而且这种模式也不是封闭的，车企完全可以基于该模式与多家供应商一起合作，或者随时引入所需的新合作伙伴。

更进一步来说，我认为，这种共创模式将超越简单的接口统一、标准一致以及联合开发，甚至还会涉及到知识产权的交叉融合。在传统协作模式下，整车企业与供应商的IP（知识产权）是相互独立的；而在新型共创模式下，可能很多IP都将由整车企业和相关供应商共同拥有。这种共有IP的机制能够对整供双方形成强有力的约束：整车企业不能随意替换供应商，供应商也不能随意退出合作，即便双方并无资本绑定关系。总之，未来汽车产业必将走向基于专业化分工的协同创新的全新发展模式。

吴晓如：确实如此。而这一切的前提是，整供双方都抱有长期持续合作的意愿和心态。如果还是把合作视为一次性的，那无论是资本绑定，还是技术融合，都难以一直奏效。我认为，至少在人工智能领域，整车企业一定要有长期合作的考虑：必须认真筛选人工智能领域的核心供应商，然后努力强化与之的技术合作、标准协同等。老实说，为此车企可能要投入远超传统买卖关系下的资源，或者说要支付远高于采购成本本身的代价，但这却是让产品持续保持竞争力的唯一途径。当然，AI科技公司也同样如此，我们要与车企深化协同共创的长期合作。而在具体实践中，选择理念契合且实力强大的合作伙伴，是保障协同共创模式获得成功的关键所在。

赵福全：也就是说，今后整车企业在选择供应商伙伴时，不能只看交付价格、质量以及速度等硬性指标；这些指标依然重要，但从长期协同共创的诉求出发，车企必须更新合作伙伴的选择标准——除了关注供应商的技术能力、成本控制能力和供货保障能力之外，更重要的是看对方有没有协同共创、长期合作的意愿，或者说有没有构建命运共同体的认识。不久前我在主持学会年会的巅峰对话时，地平线创始人余凯就提到了价值观共识的重要性。比如说，如果整车企业和供应商都认为，企业必须追求长久的发展，为此要把产品安全乃至企业经营安全作为品牌的底线与基本的价值观，那么这样的整供车企就具有了价值观共识，就更容易成为长期的战略合作伙伴。展望未来，如果车企只是从成本优势或供货能力的角度来选择或者更换供应商，这在本质上仍是传统买卖思维的延续，很难确保持续成功；而如果车企秉持共进退、共迭代、共享有的理念，与供应商共创技术、共享成果，才有可能实现长期的共同发展。至于那种以长期供货为由向供应商漫天压价，或者依托销量规模要求供应商极限降价的做法，完全不符合新汽车时代的要求，根本无法真正建立可持续的整供合作关系。

吴晓如：我觉得，有两种不健康的合作形式尤其不可取。一是车企以“随时替换”为筹码逼迫供应商不停地降价，这会大幅压缩供应商的生存空间，使之无力继续投入研发；二是供应商凭借技术或资源优势而抬高供货价格，这会增加汽车产品的成本，降低车企的竞争力，进而影响产业创新的进程。正如我前面所讲的，健康的整供关系应该是双方围绕着“为用户提供更好的产品”这一共同目标，实现合理的利润共享。这样双方才有能力、也有互信，能够进行持续的协同创新，从而既能使车企不断提升产品竞争力，又能使供应商不断提升技术能力，形成一个良性的循环。

赵福全：实际上，整供车企紧密合作可以共同提升竞争力的底层逻辑一直没有改变。在传统汽车时代，最典型的案例就是丰田的整供合作模式——丰田汽车对核心供应商给予了大力支持，包括帮助其培养能力、改进质量、提升效率、降低成本等，确保这些供应商有能力不断导入新技术，始终跟得上不断进步的丰田，并且能够与丰田一起进行全球化布局。而在新汽车时代，整供车企的紧密合作正变得更加重要，并且具有了全新的内涵。因为在AI定义汽车的前景下，多元数据的积累与应用必将成为企业的核心竞争力。而整车企业和各类供应商分别掌握的全产业链数据，如整车及系统的开发数据、成本数据、质量数据和应用数据等，都是提升AI能力的重要支撑。显然，整供车企如果没有共享互利的紧密合作，是不可能把各自的数据有效打通，并充分发挥其作用的。

总之，今后仍然秉持“一家独大”理念的整车企业，终将陷入孤立境地，难以兼顾各个关键领域；而试图凭借自身优势拿捏车企、“客大欺店”的供应商，也不可能真正获得车企的信任，无法建立长期受益的伙伴关系。

突破数据应用瓶颈：数据脱敏、数据质量、数据合规、利益一致

赵福全：吴总，我们都知道，数据、算法和算力是人工智能的三大要素。前面我们围绕着算法，也即AI模型，谈了很多。接下来，我想与您探讨一下数据的相关问题。说起来，数据最突出的痛点就是难以打通和共享：一方面，企业内部的数据由于部门壁垒而不易打通；另一方面，企业之间的数据共享机制就更难建立起来了。例如，供应商开发各种系统需要的大量相关数据，都分别存储在不同车企的系统内。这些数据究竟怎样才能实现跨主体的高效共享，这是行业普遍感到困惑的难题。

那么，您认为数据作为新生产要素，要如何实现顺畅流动和充分打通呢？企业层面、行业层面、国家层面分别需要采取哪些措施？特别是，您能否从汽车行业的角度谈谈具体的落地路径？

吴晓如：数据确实是核心问题之一。当前数据可谓无处不在，且数量日益增多，但要提取可利用的高质量数据，并真正发挥其作用，仍面临诸多挑战。我认为，破解数据应用瓶颈，需要解决以下主要问题。

一是数据脱敏，这是数据应用的前提。以智能驾驶的数据为例，因为车辆在行驶过程中会采集到一些敏感信息和隐私信息，所以必须先进行精准过滤和处理，然后才能使用这些数据。这是行业必须攻克的难题之一。

二是数据质量，这是数据应用的保障。一般来说，数据应用需要两步：第一步是实现数据可用，这涉及到数据采集、传输、存储和预处理等技术能力。目前数据虽然看起来很多，但多数尚未有效结构化，且存储分散、标准不一，远没有实现有效的集中管理，导致很多数据无法使用。从零散的不可用数据到结构化的可用数据，这是一个需要长期技术攻关的课题。第二步是把可用数据变成高质量数据，这涉及到对数据更精细的优化处理能力。最终企业只有基于高质量数据，才能充分挖掘数据的价值，显著提升AI的效能。这同样需要长期的持续攻关，包括科技公司、整车企业等都要为之努力。事实上，如果没有高质量的数据，数据共享的意义将大打折扣。

三是数据合规，这是数据应用的底线。当前国家针对数据安全、隐私保护等出台了一系列法律法规，数据采集、使用和共享的全流程都必须严格遵守这些要求。这一点至关重要，否则数据应用根本无从谈起。

四是利益一致，这是数据应用的动力。以汽车产业为例，各方都可以从数据共享和使用中获利才行。一方面，整车企业必须清楚，供应商伙伴使用相关数据，最终还是为了给车企赋能，即基于数据持续优化和提升汽车产品的用户体验。供应商并不是单纯想获取数据资源，而不履行相应的责任。只要供应商在合法合规的情况下使用数据，最后为车企提供了增值服务，整车企业就应该与其共享数据。另一方面，供应商基于整车企业提供的数据，提升了自身的基础能力，也就更有动力投入额外的资源为车企提供更好的服务。由此出发，双方应该相向而行，积极构建长效性的数据共享模式，以合法合规与隐私保护为底线，以共同的利益为目标，一起推动数据共享的常态化落地。

赵福全：请您再具体谈谈，为了实现数据的可用，科大讯飞内部在标准规范等方面都做了哪些工作？同时，在与整车企业以及其他供应商等合作时，又采取了哪些举措？

吴晓如：由于数据体量庞大，不可能全部采集和标注处理，所以我们分三个层面来确保数据的可用性：第一层是建立基础数据的采集规范，明确数据采集的范围、取舍的标准以及合规的底线——哪些数据需要采集、哪些数据不需要采集、哪些数据不允许采集，都规定得清清楚楚。在此基础上，第二层是搭建并完善数据的脱敏与标注体系，把采集来的数据转变为可用的数据。一般来说，每家企业都有自己的数据脱敏与标注体系。至于数据脱敏及标注工作到底是在车企开展，还是在供应商开展，需要双方通过协议明确约定。最后，第三层当然就是数据的使用，即基于可用数据来优化相关模型及服务，为车企主导的OTA升级以及AI模型的训练提供有力支撑。

实际上，数据从采集到脱敏、标注，再到最终应用，整个过程的投入非常大。以科大讯飞为例，我们每年的研发经费中约有1/4都用在了数据方面。因此，企业必须制定清晰的数据战略，确保将资源集中投入到高价值的数据上，以提高数据方面的投入产出比。

整供企业应明确数据归属、统一数据标准，确保数据共享落地

赵福全：那么围绕数据共享，您觉得整车企业和供应商各自需要采取哪些有针对性的举措？您刚才谈到了数据的可用性和高质量，强调先要明确数据是否有用或者说价值的高低，比如哪些数据是金矿、哪些是铁矿、哪些则是没有开采价值的贫矿。那么对于那些可用的高质量数据，要如何推动其流通、共享并应用起来呢？除了国家层面的行动之外，整供企业之间应该如何从不同维度发力？怎样才能真正实现数据的高效互通与多方复用呢？

吴晓如：我个人觉得，相较于其他行业，汽车行业可能更容易在数据共享上达成共识、确定目标。核心原因在于，整车企业是直接面对用户、为用户提供产品及服务的主体，所以很多数据都掌握在车企手上，而车企往往有强烈的意愿，想通过数据来优化自身产品及服务；与此同时，作为供应商的科技公司则聚焦于帮助车企挖掘数据价值。双方的目标是高度契合的。

具体来说，科大讯飞与车企围绕数据的合作是这样展开的：一是明确数据归属。核心数据基本上都归车企所有，因为最有价值的数据往往产生于车辆实际使用的过程中，然后双方再基于需求进行协作、调用相关数据。二是统一数据标准。包括数据采集、加工和应用的标准体系，都要提前约定、确保一致。我们知道，为了后续能够更有效地采集数据，需要提前进行埋点，而埋点必须依据相同的标准；同样，在获取数据之后，加工和使用这些数据也必须依据相同的标准。如果科技公司与车企的标准不同，那么各自的数据就无法相互共享和二次应用。所以，提前统一标准是双方可以使用彼此数据的前提。三是优化数据加工。车企与科技公司都要基于自身需求和能力分别加工数据，并不断迭代优化，再将各自的应用成果融合起来。

总之，整供企业应该在确保合规底线和统一技术标准的前提下，提前明确数据共享与使用的范围和方式，然后各自加工相关数据，进而融合双方的数据应用成果，以实现数据价值的最大化。

赵福全：在此，我对数据这部分的交流做个简单梳理。实际上，现在几乎所有企业都在讲数字化转型，都在讲数据的重要性，但真正做到位的企业却并不多。而我认为，吴总刚才谈的观点对汽车行业具有很强的指导意义。

首先，高价值的数据至关重要。所谓“数据是黄金”，并不是指所有的数据，有些数据的含金量有限，挖掘的性价比太低。所以，企业必须明确各类数据的价值，这是首要任务，然后再选择其中高价值的数据进行重点采集、加工和应用。我想强调的是，此前大家更关注数据的数量，毕竟大模型就是基于大数据涌现出来的；不过今后我们可能更要重视数据的质量，真正可用、能用、好用的高质量数据，是提升AI能力的有力支撑和必备基础。反之，即便数据的数量非常庞大，但如果质量很低，还是无法有效训练AI模型，甚至会产生负面效果。

其次，无论是整车企业，还是各类供应商，都应该建立自身的数据采集、加工及应用体系，并不断提升其能力。

最后，整供企业之间还需要进行数据共享和共用，以支撑产品竞争力的持续提升。为此，双方先要通过协议明确数据的归属与共享的规则。我认为，数据归属应结合开发主体及业务场景来界定，并不是说整车企业就应该独占全部数据。例如，供应商围绕自身核心技术及产品开发而产生的基础数据理应归其所有，即便这是为某家车企来开发的。显然，这部分数据如果供应商不共享给车企，后续整车产品就难以改进。但是如果整车企业基于这些数据进行了二次开发，用于其他车型或功能，甚至分享给其他供应商，那就会挫伤原供应商共享数据的积极性。所以，双方必须提前约定授权范围和使用边界。反过来，整车企业也应将用户偏好、功能使用情况等数据共享给相关供应商，否则只靠自己是无法做好各个系统、各项功能的迭代优化的。这同样需要以明确的协议规定数据的使用权限，毕竟供应商通常都是为多家车企服务的。

当前企业普遍重视数据的产生、存储、加工及应用等环节，却往往忽视了数据治理架构和共享机制的建设。而我认为，后者其实更为关键。为了实现数据的有效共享，既要打通企业内部壁垒，也要规范企业外部协同。这是涉及到法律法规、商业协议以及相互信任、利益分配等多重维度的复杂问题，各类主体都要为之共同努力。

车企算力布局策略：自建满足“最小需求”、外购满足“最大需求”

赵福全：吴总，下面我们再来聊聊算力的话题。当前企业对算力的争夺犹如“军备竞赛”般激烈，甚至有观点认为，企业拥有显卡的数量决定其AI的发展水平。那么，您如何看待整车企业的AI算力布局？是应该以自建算力为主，还是应该以利用社会资源为主？

吴晓如：我认为，整车企业的算力布局应当遵循“最小需求”原则，其核心在于围绕实际业务需求来配置资源。举例来说，车企如果想要自主开发完整的智能驾驶技术，那算力的需求就很大；而如果只是聚集在应用层面、不涉及底层模型的研发，那算力的需求就会大幅缩减。所以，车企先要明确自身的目标，再据此评估出内部使用算力的最小需求。整体而言，对于企业需要经常使用的基本算力，或者说支撑关键数据存储和使用的算力基础设施，建议以自建为主，以保障核心业务的稳定性与安全性。

但是企业也不应盲目囤积算力。一方面，当前算力技术迭代迅速，新架构不断涌现；另一方面，算力的价格变化很大，一般来说，未来算力的性价比只会越来越高。所以，企业并没有超前大规模自建算力的必要性。同时，目前商业化的数据中心及算力服务已经很成熟了，整车企业在自建算力满足“最小需求”之外，完全可以通过外购第三方的算力来满足“最大需求”。我觉得，这种组合模式既能应对算力价格可能的波动，又能降低算力系统的建设、运营和管理等成本，是更具经济性的合理选择。

赵福全：有些车企高层曾向我表达过这样一种担忧——未来随着AI技术的爆发式增长，会不会出现公共算力资源供不应求以至于影响车企AI发展的情况？也就是说，车企会不会陷入两难的困境：如果以自建算力为主，需要高昂投入，且利用率偏低；而如果以外购算力为主，又担心资源不足、不敷使用。

吴晓如：我认为大可不必担忧。汽车行业所需的算力规模，在全社会的算力供给中占比是很小的。而且汽车企业通常不会自行训练大规模的通用AI模型底座，而是更多聚焦于应用层面的专业模型，后者的算力需求是远远低于前者的。从供需角度来看，未来公共算力资源完全能够满足车企几千张到几万张显卡的算力需求，不会出现算力短缺、供不应求的问题。

赵福全：吴总的这个判断非常重要。算力是发展AI的三大要素之一，而且训练AI基础模型的算力需求堪称巨大。不过整车企业作为应用方，无需也不宜以此为标准来规划自建算力的规模，否则就会导致算力利用率低下、资源严重浪费。

而吴总提出的“最小需求”原则，我认为是适合车企的算力布局策略。说起来，我在清华上课时曾经专门讲授过“研发经济学”的理论：通常研发核心能力中的70%需要自投自建，以支撑自主创新；而其余的30%，特别是所需投入很大、使用频率较低的业务能力，则始终应该依靠外部资源。这种基于经济性考量的选择模式是一种共性规律，车企在算力布局时也可以参考。从本质上讲，车企必须对自建算力和使用公共资源进行经济效益的准确评估及有效权衡。比如车企自建算力固然可以规避公共算力价格波动的影响，但其投入非常巨大，而且后续还可能要面对算法结构变化、技术迭代优化引发旧算力被淘汰的风险。车企一定要算好这笔经济账，切不可盲目扩大算力规模。