端到端智能驾驶产业链全景图

展望未来，算力与数据重要性将逐步凸显，领先厂商优势有望逐渐放大。由于端到端自动驾驶系统属于一种数据驱动的模型，所以其必须借助大量真实世界的驾驶数据来展开训练。这些数据不仅要在数量上足够庞大，而且还需具备高质量以及多样性的特点，以此确保模型能够泛化到各种不同的驾驶场景之中。例如，马斯克透露，截至2024年10月，FSD完全自动驾驶能力（监管版）已累计行驶里程超过32亿公里用以支持其端到端模型的训练。

此外，训练一个端到端自动驾驶模型需要耗费巨大的计算资源。这是因为模型既要处理和学习大量的传感器数据，又通常会涉及复杂的深度学习算法。目前，头部智驾厂商已投入大量资本开支进行训练中心的搭建工作。例如，特斯拉拥有近10万张A100GPU，在全球位居Top5，并且预计到年底将拥有100EFLOPS的算力，同时还针对自动驾驶自研了Dojo芯片，以此来支持其端到端模型的训练。此外，理想汽车也表示将在未来每年投入超10亿美元用以进行端到端算力训练。

因此总体而言，高质量数据的收集以及大算力的投入都需要大量的资金成本，这就致使自动驾驶领域的龙头效应和马太效应变得愈发显著。拥有更多资源的大公司能够投入更多资金用于收集数据以及提升算力，进而在技术上保持领先地位。