中国智能汽车，进入了拼地基的时代

许多汽车的OTA，正在变成一张无法兑现的空头支票。

2025年，比亚迪全年推送了约200次OTA更新，大众5次，丰田8次。这组数字流传很广，但它说明的并不是中国车企比外资更勤快，而是“软件和硬件如何协同进化”这件事，远比大多数人想的要难。

即便是在智能化做得最好的那批中国车企里，OTA其实也早已分裂成两件完全不同的事：一种是换个UI、加个小功能、调几个参数，就算一次推送；另一种，是让几年前就交付的老车，也能通过一次OTA，跑上这个时代最新的智能驾驶模型。前者几乎人人都能做，后者，在此之前几乎只有特斯拉摸到过门槛。

但2026年6月，一则新闻引起了我们的注意。蔚来宣布超70万用户同步升级蔚来世界模型最新版本，最早能够覆盖到2022年3月交付的车型。这次升级横跨蔚来和乐道两个品牌、四个平台（NT2 Banyan、NT3 Cedar、Cedar S、Coconut+），是行业首次在成熟芯片平台与自研芯片平台上实现新版本同步推送。恐怕当年第一批蔚来ET7车主提车的时候，大概也没几个人能想到，四年之后，这辆车还能用上和最新款车型一模一样的智能驾驶。

而当一些公司已经能把最新的智能驾驶能力一次性铺到几年前的老车上，另一些却还困在“新车能更、老车停更”的局面里。

一场行业的分野，或许已经悄然到来。

真正的竞争，都在水面之下

任何一次让大众惊叹的技术爆发，几乎都不是突然发生的。

半导体产业就是最典型的例子。今天我们习以为常的AI芯片繁荣、大模型算力狂飙，看起来是英伟达们在台前的高光时刻，但真正托起这一切的，是几层往前铺了几十年、且极其枯燥的地基。最底层，是新思、Cadence这些公司几十年打磨出来的EDA设计工具，没有它，再复杂的芯片连画都画不出来；往上一层，是ASML用二十多年、集结了全球上千家供应商才磨出一台的EUV光刻机；再往上，是台积电、三星把图纸变成实物的制造工艺。这些东西在当年大多不被理解，投入巨大、回报遥远，但正是它们，决定了几十年后，谁有资格站在浪潮之巅。

这个规律，几乎在每一个技术密集的产业里都成立：真正的竞争，往往发生在水面之下。谁在需求爆发前就把地基铺好了，谁才能在浪潮真正到来时，把能力稳稳地接住。

智能汽车，显然正在重演同样的故事。

过去几年，这个行业习惯用技术路线来标记进步。BEV、OCC、无图、端到端、VLA，……车企忙着证明自己没掉队，供应商忙着证明自己最领先。

但事实是，只比算法，已经不够了。

以世界模型为例，模型越大、越接近对真实世界的理解，它对底层系统的依赖就越深。从底层来看，需要足够强的车端芯片去承载它，需要一套能把模型快速部署到不同硬件上的工具链，需要海量且精准的数据不断喂养它，还需要一张能把数十万乃至百万辆车组织起来做验证的网络。这些东西，没有一样能在发布会前一晚临时搭出来。

而基础设施还有一个残酷的特点：它平时藏在水下，谁也看不出高低；可它一旦开始兑现，差距会在很短的时间里集中显形。

蔚来这次70万辆推送，之所以值得被拿出来当作一个样本，正是因为它恰好站在了这个显形的时刻上。当它能把最新的世界模型一次性铺到四年前的老车、两套完全不同的芯片、四个平台上时，它其实是把自己埋在水下六年的那套基础设施，第一次完整地摆到了台面上。

冗余，是一种远见

要看清什么才是智能化时代汽车产业的竞争核心，首先就要弄清楚自动驾驶这门技术最初的骨架。

二十年前，DARPA连办三届无人车大赛，用几年时间摸出了此后所有自动驾驶系统的基础架构：感知层、决策层、执行层。

说白了就是眼睛、大脑、四肢。眼睛负责看清世界，大脑负责理解路况、做出判断，四肢负责把决策变成车轮上的动作。

这套骨架到今天依然成立。变化的是，当智能驾驶迈入大模型时代，“大脑”这一层变得越来越重，重到它内部又裂成了两块：承载模型运算的芯片，以及让模型能训练、能上车、能持续进化的软件体系。于是，眼睛这一层的传感器、大脑那一层的芯片、加上支撑大脑运转的数据与工具链，共同构成了现代智能驾驶的四根支柱。

蔚来智能驾驶研发负责人任少卿，曾把这套系统概括为“两个硬件、两个软件”：硬件是传感器和芯片，负责让车看得见世界、跑得动模型；软件是AI基础设施和数据基础设施，负责让模型能上车、数据能回流、验证能闭环。

换句话说，要让一辆四年前的老车也能跑上今天最新的世界模型，意味着这四根支柱得同时立起来。而当智能驾驶进入大模型时代，一家车企所有的竞争力，最终也都会落到这四根支柱之上。

比如感知层，蔚来在2021年NT2平台上选择的，就是一条偏重的路：高线数激光雷达上车顶、瞭望塔式布局，800万像素摄像头，到NT3又率先上4D毫米波雷达。这些配置今天看已不稀奇，当时却都是很重的决定。

激光雷达放车顶，看得高看得远、维修成本也低，却直接挑战整车造型和风阻；高像素摄像头则意味着更高成本和更大的数据处理压力。这条路的价值几年后才显现：正是这批五年前被外界批判“过度配置”的传感器，在五年后撑起了今天世界模型在老车上运行的硬件基础。

而一旦解决了“看见世界”的问题，接下来就得有一个足够强的大脑去“理解世界”。

决策层里，芯片是最硬的骨头。这道必答题特斯拉最早撞上过：视觉数据量暴涨，处理芯片的性能就直接决定系统的上限。所以它早在2016年就请来“芯片之神”吉姆·凯勒组建自研团队，三年后才拿出自研的FSD芯片架构，逐渐开始摆脱对英伟达的依赖。

自研芯片这条路上，蔚来则算得上今天中国整车企业中，成绩斐然的一家。

2022年，行业主流的智驾网络还是CNN，距离ChatGPT让所有人重新认识Transformer还有大半年。但蔚来反复讨论后赌了一个方向：下一代智驾模型，大概率会走向纯Transformer。按任少卿的说法，同样计算量下，Transformer对内存带宽的需求是CNN的8到70倍。也就是说，进入大模型上车阶段后，芯片瓶颈不再是算力够不够高，而是数据搬不搬得动。

所以，蔚来早在规划自研智驾芯片神玑NX9031时，就选择了单颗内存带宽超500GB/s、算力超1000 TOPS的参数，即便放到今天，这个数据依然是领先的。只不过，代价是芯片设计、工艺难度和成本的倾斜。以至于在当年被一些媒体批为好高骛远，经历舆论场诸多唱衰。

但四年后的结果是，许多早期设计参数不够“大胆”的芯片，还没出生就已经退环境了。而神玑NX9031则在这类受带宽强约束的Transformer模型上，实现了与四颗Orin-X持平的性能水平。上半场大家用TOPS比芯片，到世界模型阶段，内存带宽这些更隐蔽的东西反而成了胜负手。

传感器让车看见世界，芯片给了它一个够强的大脑。但硬件再好，也只是把舞台搭了起来。真正决定这颗大脑能不能持续变聪明、又能不能及时把新本事送到每辆车上的，是另外两根支柱。

捷径，是一种陷阱

如果说硬件决定了一辆车的下限，那么软件决定的，就是同等硬件条件下，一辆车的上限。

而数据与工具链，正是软件的核心。先说数据。

星海在过往文章中，曾经多次解读过特斯拉的FSD，并认为它最大的优势，一直是巨大出货量所带来的庞大数据量。但这并不意味着“数据即一切”。在业界一度陷入“数据为王”的陷阱时，如果观察蔚来的进化路径，你会发现这家公司给出的是一个有点反直觉的判断：蔚来认为“数据的本质是算力”。

任少卿对此有过一个很妙的解释，大语言模型之所以能一夜爆发，是因为互联网上现成躺着几十亿网民、花了十几年上传的海量数据，而且人们上传时天然只发新奇有趣的东西，等于替AI做了一轮免费的筛选。

但智驾没有这样的运气，它既没有那么大的现成数据量，也没有"十亿网民"帮它把有价值的场景挑出来。它想要的，是某个模型会犯错、会犹豫、会失控的那些Corner case。比如鬼探头、逆行车、暴雨路口的突然加塞。这类场景一辆车开一年也未必碰上一次，却恰恰是模型最需要的。而要找到它们，靠拷贝现成数据没用，只能让模型在真实路况、云端仿真和人为扰动里反复跑，靠算力一点点筛出来、逼出来。

所以数据不是存出来的，是算出来的，而且一定要在车端去算。加上不同模型需要的Corner case还不一样，这意味着它甚至无法在企业间零成本共享。正因如此，蔚来没把体系建在数据仓库上，而是建在了车端算力调度上，这就是它的群体智能系统。

几十万辆量产车不只是数据来源，在蔚来的调度下，变成了一张分布式的算力和验证网络。通过云端调度这些车的闲置算力，蔚来能在用户无感、不影响安全的前提下，完成大规模的数据筛选与验证。主动安全每周验证里程超4000万公里，整体每周超1亿公里。这个量级靠传统测试车队根本跑不出来。

眼睛、大脑、养料都齐了，最后还差一步：怎么把练好的模型稳稳送到每辆车上。

工具链的建设，是最不容易被外界感知、却最能拉开迭代速度的一环。模型在云端训好只完成一半，真正折磨人的是上车：车端芯片不止一种，有Orin也有神玑，传感器还各不相同，每种组合都单独适配，迭代会被工程部署活活拖死。

行业通行的做法，是给不同芯片配不同代码、用现成的英伟达工具链，这在Orin时代最省事。

但蔚来从2020年起就已经在自研上层的部署框架、推理引擎、AI编译器。这在当时吃力不讨好，赌的是一件还没发生的事：未来一定会进入多芯片时代，工具链一旦被单一芯片绑死，以后每多一种芯片，整套软件都得撕开重来。

很多公司自研芯片真正上车时，都会撞上“芯片能跑、但软件生态用不了”的鸿沟，而蔚来相当于提前几年就替它交了学费。只不过这份学费，也曾被外界误解为“瞎花钱”。

比如自研编译器，任少卿有个生动的形容：过去是“算法工程师在前面改得很开心，后面一堆工程的兄弟跑断腿”。每改一次架构，后面就要一堆人手写优化、逐个芯片适配，用通用工具链，一个模型部署要一到两周。而蔚来自研编泽器通过自动的算子与图优化，把这过程压到一到两天，推理效率还提升20%以上；后来又把量化、集成、发版交给AI Agent自动跑，整个流程压到两小时以内。

用户永远看不见这套东西，但它决定了一件要命的事：谁能更快把新模型送上车。在一个算法每年都在变的阶段，这种迭代速度本身，就是最硬的竞争力之一。

数据能买，工具链能用现成的，这些都是看得见的捷径。但看似省事的路，往往都藏着陷阱——买来的数据喂不出你自己模型要的Corner case，绑死的工具链，在换芯片那天会让你推倒重来。今天省下的每一步，日后都得连本带利还回去。

四个选择，一种判断

把四根支柱拆开看，是四个孤立的技术决策；但如果退后一步，把它们放在一起看，会发现它们其实共享着同一种判断方式。

在传感器上多埋冗余，在芯片还没设计时就押注Transformer路线，宁可自己吃苦也不过分依赖英伟达的工具链，以及把数据当成算力而不是普通的资产。这四个决定，落在四个完全不同的技术领域，却指向同一个共同点：它们都不是当下最快、最省事、最讨好的选择，而是那种回报更慢，投入更高，却更不容易过时的选择。

这背后其实藏着一个很多企业没想清楚的问题：在一个正在以高速变化的汽车产业里，到底什么是不变的？

过去几年，智能驾驶几乎是被一连串算法名词推着往前走的。BEV、OCC、无图、端到端、VLA、世界模型，几乎每年都有新热点，每出一个，行业就要集体迁移一次，生怕自己被落下。但如果反观蔚来的布局，可以看到这家公司很少被“热点”带着走，每一个决策基本上都是深思熟虑后的长线布局。

这就解释了蔚来为什么总是在做“不合群”的选择，又为什么总是在舆论场上不断被质疑。这种“赌不变的底层，而不是追善变的热点”的思路，在多年质疑之下，却逐渐成为了这家公司的立身之本。

它固然不保证每一步都踩在最短的路径上，甚至常常要为超前付出真金白银的代价、遭受外界质疑，但它的好处是，一旦方向赌对，前面埋下的每一份冗余、每一次自研、每一层看不见的地基，都会在某个时刻集中兑现。

这次被我们注意到的针对70万辆车的OTA推送，在我们看来，就是这样一个集中兑现的时刻。

而如果把镜头从蔚来拉远，你会看到一个更大的图景：

这些年中国汽车产业真正在发生的，是一场集体性的“基建补课”。过去很长时间，中国车企擅长的是整合与制造。大家把最好的零部件买来、装出一辆有竞争力的车。但当竞争进入智能化的深水区，能不能自己把芯片、算法、数据、工程系统这一整套复杂的东西搭起来、并且持续迭代，成了新的分水岭。

这道题没有捷径，也不是靠某一款爆款车、某一场发布会能跨过去的，只能靠一家家企业各自往水下扎地基、各自蹚各自的雷，慢慢把整个产业的能力水位抬起来。

蔚来显然是所有正在探索的中国车企里的佼佼者，已经率先走到了兑现的时刻。但它一定不是唯一的一个。

结语

回到文章的开头，OTA这件事，说到底从来不是一个功能，而是一家公司全部技术家底的一次集中体现。它背后的传感器、芯片、数据、工具链，没有一样能靠一场发布会临时搭起来。

蔚来这次70万辆车的同步推送，与其说是一次技术秀，不如说是它埋在水下六年的地基，第一次集中露出了水面。而这些地基一旦扎稳，价值就不再只属于它自己：自研的神玑芯片已经开始向外授权，牵头的换电网络也聚拢起长安、吉利、奇瑞等一批车企——那些当年被质疑“太重、太慢”的选择，正在慢慢变成整个行业可以共享的公共资源。

从这个角度看，蔚来更像是一个缩影。这些年中国汽车产业真正发生的变化，是竞争的核心正在从比拼算法名词、比拼单一爆款，转向比拼谁的系统工程能力更扎实。这是一场更深、也更慢的转身，中国车企们，正在从过去那个擅长整合与制造的角色，走向能够自己定义技术、搭建底层系统的角色。

这条路很重，很难，没有捷径。但正是一批像蔚来这样愿意在看不见的地方下笨功夫的公司，在各自蹚雷、各自填坑的过程中，打下了整个中国汽车产业的地基。

浪花之上的热闹，总有一天会退去。而真正决定这个产业能走多远的，从来都是水面之下，那些未曾被人看见的故事。