该报告由中国汽车工程学会人工智能分会、中国智能网联汽车产业创新联盟等联合发起，清华大学、国家智能网联汽车创新中心等牵头编制，聚焦智能驾驶智算数据平台的定义、现状、痛点及建设路径，旨在通过行业级平台整合数据、算力、算法资源，破解智能驾驶研发瓶颈，核心内容如下：

一、智能驾驶智算数据平台的定义与核心功能

1. 平台定义

智能驾驶智算数据平台是服务于智能驾驶模型开发与测试的 “数据 - 算力 - 算法” 综合服务平台，分为企业级（单一主体自用）与行业级（跨主体共享）两类：

核心目标：解决智能驾驶领域 “数据碎片化、算力分散、算法适配不足” 问题，支撑端到端自动驾驶模型的训练、测试与落地；

技术底座：以 GPU / 专用 AI 芯片并行集群为硬件核心，支持深度学习模型开发，推动车辆感知、决策、规划等能力趋近真实驾驶场景。

2. 行业级平台预期功能

覆盖数据、算力、算法三大核心维度，提供全链条服务：

数据服务：数据汇聚与传输、确权鉴权、清洗脱敏、质量评估、交易共享等，解决 “数据孤岛” 与合规流通问题；

算力服务：跨地域算力汇聚、异构算力支持（GPU/TPU/FPGA）、资源隔离调度、性能监控，优化算力资源配置；

算法服务：基础算法库、数据标注模型、仿真测试环境、模型训练 / 剪枝工具，降低企业研发成本，统一技术标准。

二、国内外发展现状分析

1. 国外现状：头部企业领跑，联盟构建生态

企业层面：

特斯拉：通过 “影子模式” 采集标准化数据，算力规模达 100 EFLOPS（FP16），引领 BEV、端到端技术，兼具高保真仿真能力；

Waymo：依托 Google 用户网络实现数据标注，高保真仿真补充真实数据；

英伟达：推出 Drive 系列平台（含仿真工具 DRIVE Sim），与奔驰等车企合作，提供全栈式智驾研发支持。

联盟 / 项目层面：

GAIA-X（欧盟）：构建欧洲数据主权基础设施，制定数据共享标准与信任框架，保障数据可控性与互操作性；

Catena-X（德国主导）：聚焦汽车供应链数据共享，基于 GAIA-X 原则建立端到端数据链，为智驾数据流通提供借鉴。

2. 国内现状：资源快速积累，但存在明显短板

（1）智算中心建设热潮

企业端：整车企业（吉利、小鹏、理想等）、智驾供应商（商汤、华为）、互联网厂商（阿里、百度、腾讯）纷纷布局智算中心，例如阿里张北智算中心规模达 12 EFLOPS，商汤绝影算力达 23 EFLOPS；

政府端：2023 年起政府智算中心加速建设，多地规划 1000P 以上算力（如甘肃庆阳 3500PFLOPS），17 个国家级智能网联测试区、7 个车联网先导区积累海量路侧数据；

示范区端：20 个 “车路云一体化” 试点城市推动路侧感知与云控平台协同，为数据 / 算力汇聚奠定基础。

（2）核心短板：生态薄弱与资源不均

国产算力 / 框架适配不足：AI 算力以英伟达 GPU 为主，国产芯片（华为昇腾、寒武纪）规模化出货有限；AI 框架（如华为 MindSpore）市占率低，工具链兼容性、算子完备性落后于 TensorFlow/PyTorch；

数据共享机制缺失：公开数据集（如 nuPlan、Waymo Open Dataset）远少于国外，企业数据格式不统一，Corner Case（极端场景）数据占比不足 5%，且确权、定价、合规流通规则模糊；

人才与技术路径瓶颈：AI 与汽车复合型人才缺口大（预计 2030 年需求 600 万，供给仅 200 万），端到端架构（分块式 / 一体式）技术路径不明确，模型结构、高价值数据不足制约研发。

三、行业痛点与核心需求

1. 核心痛点

（1）数据层面

高价值数据稀缺：常规驾驶数据充足，但事故数据、Corner Case 数据占比极低，仿真场景生成依赖手动设计，无法支撑复杂场景模型训练；

成本与流通难题：数据采集 / 标注成本占比高（人工核验率仍高），企业间数据格式不统一，敏感数据（舱内 / 地理信息）合规边界模糊，共享意愿低；

安全与确权空白：数据加密、追踪技术不成熟，产权界定与定价机制缺失，担心数据泄露或被无偿使用。

（2）算力层面

国产生态弱势：自建算力中心中国产 AI 卡占比低于 10%，面临框架适配、大规模调度难题，依赖英伟达产品存在 “卡脖子” 风险；

资源分配不均：整车企业 / 头部供应商算力基本满足需求，高校与中小企业算力严重不足，制约技术研发进度。

（3）算法与平台层面

技术路径不确定：70% 企业已启动端到端模型训练，但整车企业倾向分块式（加速量产）、智驾供应商倾向一体式（长期潜力），模型结构与训练算法尚未定型；

平台建设顾虑：企业支持行业级平台建设，但担忧资金投入大、商业模式不清晰，且需国家层面突破合规与流通机制。

2. 行业需求排序

需求迫切度：数据 > 算力 > 算法

优先解决数据标准化、共享交易、高价值数据筛选；

其次整合闲置算力，扶持国产算力生态；

最后提供数据标注、仿真测试等共性算法服务，降低研发门槛。

四、行业级平台建设的关键问题与定位

1. 建设必要性：六大核心价值

机制层面：搭建行业协作平台，联合攻克感知、决策等技术难题，加速智能驾驶商业化；

规范层面：制定数据采集 / 流通 / 测试标准，突破合规与制度瓶颈；

数据层面：建立可信数据交易平台，疏通高价值数据流通渠道，释放数据资产价值；

算力层面：汇聚闲置算力，扶持国产算力卡与框架，优化资源配置；

算法层面：提供标注、仿真等共性服务，降低企业研发成本，统一测试标准；

生态层面：推动产学研融合，培养复合型人才，构建自主可控的智能驾驶生态。

2. 平台定位与建设目标

总体定位：汽车行业 AI 关键要素流通的 “依托服务机构”，打造公信力强的行业基础设施；

具体目标：

数据：建立 “共建 - 共享 - 交易” 机制，实现安全合规流通；

算力：构建闲置算力共享体系，提升资源利用率；

算法：提供标准化辅助服务（标注 / 仿真 / 测试）；

生态：举办竞赛与研讨，推动国产生态完善。

3. 建设风险与难点

风险点：资金需求大（单一主体难支撑）、技术迭代快（平台可能落后于需求）、政策不确定（数据合规 / 自动驾驶政策未明晰）、市场认可度不足（企业观望态度）；

核心难点：

公信力技术：需突破资源标准化、质检、数据安全（隐私计算 / 区块链）技术；

资源保有：储备高覆盖场景数据、国产算力资源、基础工具链；

五、平台建设模式与阶段性规划

1. 建设模式：“前期集中试点 + 后期分布式运营”

（1）前期（小规模集中式）

依托现有资源：以智能网联示范区、车路云试点城市为基础，整合路侧 / 车端 / 云端数据与算力，快速搭建核心功能；

重点突破：制定数据存储 / 格式标准，接入标注、仿真等基础服务，推动设备互联互通。

（2）后期（分布式增量运营）

机制创新：搭建行业级数据交易系统（确权 / 定价 / 追踪）、算力调度平台（闲置算力有偿共享）、算法授权市场；

生态扩展：联合头部企业、高校开展技术攻关，举办行业竞赛，推动数据 / 算力 / 算法跨区域流通，形成开放共赢生态。

2. 阶段性目标（三步走）

（1）短期（1-2 年）：核心功能搭建

数据：整合试点区域车路云数据，建立标准化存储与管理体系；

算力：构建区域算力池，开发闲置算力信息发布系统；

算法：提供初级标注、测试工具，建立基础确权机制；

生态：推动试点企业合作，依赖政府补贴与融资支撑建设。

（2）中期（3-5 年）：行业资源整合

数据：扩展全国数据来源，开发高保真仿真数据生成工具，完善交易平台；

算力：增加分布式算力节点，引入异构计算，优化国产算力适配；

算法：完善仿真测试工具链，支持复杂场景模型验证；

生态：建立数据 / 算法商业化模式，举办行业竞赛，参与国家标准制定，实现收支平衡。

（3）长期（5 年以上）：生态完善与盈利

数据：构建全国数据流通体系，探索跨境数据合作；

算力：形成全国算力调度网络，结合边缘计算与云计算；

算法：支持大规模端到端模型开发，推出行业级算法评测认证；

六、总结与展望

报告指出，行业级智能驾驶智算数据平台是破解我国智能驾驶 “数据孤岛、算力不均、生态薄弱” 的关键基础设施。需以 “数据为核心、算力为支撑、算法为辅助”，通过 “国家推动 + 市场运作” 模式，分阶段突破标准规范、资源整合与商业化难题，最终构建自主可控的智能驾驶生态，助力我国从 “跟跑” 向 “领跑” 转变，加速高级别自动驾驶的研发与落地。