2026年，汽车行业里有个挺有意思的现象。各家车企在发布新车时，越来越喜欢在发布会上贴一张巨大的算力对比图，从几十TOPS到几百TOPS，再到EFLOPS，数字一路飙升。仿佛谁家的算力小数点后多一位，谁就握住了智能驾驶的未来。吉利近期宣布其星睿智算中心的算力达到了23.5 EFLOPS，这个数字放在全球来看，也排进了前列。
说实话，我第一次看到这个数字，第一反应不是“厉害”，而是有点困惑。23.5 EFLOPS到底意味着什么？它相当于大约23.5乘以10的18次方次浮点运算每秒。这个量级，大概比很多国家级超算中心的总和还要高。一个车企，真的需要这么多算力吗？还是说，这已经变成了一种新的军备竞赛，数字本身成了最核心的宣传口径？
我之前也信过一个说法，觉得算力储备越高，智能驾驶迭代就越快。但现在这个判断，我有点动摇了。我翻了一些公开的技术资料和行业分析，发现一个普遍存在但很少被媒体点透的现象：大部分号称用于自动驾驶训练的算力集群，其峰值利用率其实远低于标称值。原因很多，比如存储墙瓶颈、通信延迟、软件栈不匹配、模型并行效率低等等。
一个做数据中心的朋友跟我提过一个大概的比例。他说，很多商用AI集群，能把峰值算力的两三成用满，就已经算优化得相当不错了。行业平均的“有效算力”或许不到标称值的15%。这么算下来，23.5 EFLOPS的标称值，落实到真正用来跑模型迭代的有效部分，可能不到5 EFLOPS。当然，这个估算非常粗糙，不同场景差异巨大，但它指向了一个核心问题：我们是不是过度关注了那个最大的数字，而忽略了背后的实际转化效率？
| 对比维度 | 标称峰值算力 | 行业典型有效利用率 | 大致有效算力区间 |
|---|
换个角度看，吉利建设这么大一个算力中心，肯定不只是为了跑自动驾驶的模型训练。从它的公开规划来看，星睿智算中心还承载着仿真测试、大数据分析、甚至整个集团内部的通用AI研发。把这些业务全部加起来，23.5 EFLOPS是否仍然绰绰有余，或者刚好满足未来两三年的需求，外界很难准确判断。但有一点值得琢磨：算力这东西，跟盖厂房不一样，它贬值速度极快。英伟达的GPU迭代周期大概两年，性能翻几倍。今年花巨资建成的集群，过两年在工程和成本上可能就不再是最优解了。
所以，一个更理性的观察角度，或许不是去计算23.5这个数字大不大，而是去衡量它背后带来的实际结果。比方说，有了这个算力池之后，吉利车型上的智驾功能，其模型迭代周期是从原来的几周缩短到了几天？仿真测试的场景覆盖率提升了多少倍？那些困扰行业的长尾问题，比如城区无保护左转、异形障碍物识别，解决效率有没有出现量级上的变化？这些才是用户最终能感知到的东西。
有意思的是，我对比了几家头部车企在算力宣传上的措辞。有的强调总算力，有的强调单位成本算力，有的强调芯片自研。吉利这次直接甩出一个超大的绝对值，在传播上确实有冲击力。但做技术的人都知道，系统工程的瓶颈往往不在单一环节。你有再强的算力，如果数据标注跟不上、模型架构落后、或者车端芯片的算力跑不动大模型，那云端算力的大头其实是被闲置的。这就像修了一条16车道的高速公路，但收费站只有两个窗口。
说到底，我对23.5 EFLOPS这个数字本身没有质疑，数字大概率是真实的。我好奇的是，接下来的一年里，我们能否看到一些与之匹配的结果。比如，搭载相关技术的车型，在第三方评测中，接管里程有没有翻倍增长？或者，吉利会不会效仿某些科技公司，定期公布其算力中心的平均利用率？
也许，算力竞赛的第一阶段是“拥有”，第二阶段才真正进入“运用”。2026年，大多数头部玩家已经完成了第一阶段的布局。接下来真正拉开差距的，不是谁的数字更大，而是谁能把现有算力的每一分都榨出更高效的迭代。这个判断不一定对，也可能过两年回看会觉得很幼稚。但就此刻而言，我确实还没看到算力数字与用户体验改善之间那个清晰的、线性的关系图。