📊 报告来源：华为
导语
智驾模型参数量从百万级冲到千亿级，算力堆到万卡乃至十万卡量级后，胜负手不再是买卡，而是运营——华为这份白皮书本质上是给行业的一本“算力经营账”手册。
核心发现
- 智驾模型参数量从百万级跃升至百亿乃至千亿级，对应训练算力需求呈跨越式增长，行业进入万卡级至十万卡级超大规模集群化阶段。
- 部分车企与智驾算法供应商已建成数万卡级AI算力集群，支撑百万级智驾车辆的数据回传与模型迭代。
- 智驾研发呈多模型、多范式并行：单一研发团队同时有数十乃至上百个训练、推理、仿真任务在跑，长周期大模型训练与高频小任务争抢资源。
- 白皮书提出经营层、业务层、任务层、资源层四层指标体系，核心指标包括ETTR有效训练时间占比、线性度、单模型训练成本、闲置资源成本占比等，覆盖约20余项可计算口径。
- 运营机制强调预算前置与闭环治理：年度配额规划、按月审报次月需求、高优先级任务可抢占低优先级资源、闲置资源自动回收，配合周报/月报/季度复盘形成整改闭环。
深度解读
这份白皮书最有价值的地方，是把智驾算力从“基础设施”重新定义为“战略资源”，并且直面一个行业不太愿意细算的问题：万卡集群究竟浪费了多少。文中直言需求峰值难以预判、资源错配和调度低效的无效消耗“更具隐蔽性”，并用闲置资源成本占比、算力投入产出效率（交付模型版本数÷千卡·周）这类指标把浪费量化到经营层——等于告诉车企：你买的卡和你交付的模型版本之间，有一道可以考核的效率鸿沟。
方法论上，四层指标体系的设计逻辑很清晰：资源层看“每块算力是否物尽其用”（利用率、HBM带宽、网络通信占比），任务层看“任务跑得快不快稳不稳”（ETTR、断点续训恢复时长、Checkpoint开销），业务层看算力是否加速研发迭代，最后传导到经营层回答“算力这笔账是否划算”。这个因果链实际上把智驾研发变成了一条可审计的流水线，也意味着算力团队的KPI将从“保障供给”转向“对投入产出负责”。
对行业而言，另一个信号是国产算力角色的变化：白皮书明确提到多元异构体系下国产算力在智驾训练中的占比正在快速提升，异构资源的价值折算被单列为四大挑战之一。谁能先在GPU+NPU混合集群上跑通统一度量和池化调度，谁就能在供应链安全和成本上拿到先手。
一句话总结
算力堆到万卡只是入场券，精细运营才是智驾研发的下一个分水岭。