问题：智能驾驶竞争进入“快速迭代、规模上车”的新阶段。随着城市NOA、高速NOA等功能从“能用”走向“好用”，车企算法能力、数据闭环、算力基础设施以及软硬件协同上的较量愈发激烈。对传统车企来说，如何在既有供应链合作模式下补齐自研能力——实现关键技术自主可控——并尽快推动量产落地，已成为迫切课题。 原因：一上，行业技术路线正从模块化叠加转向端到端与大模型驱动的融合方案。VLA（视觉—语言—动作）等路线强调感知、决策与控制的一体化学习，对数据、训练、工程化和安全验证提出更高的系统要求。另一方面，智能驾驶要实现规模化，离不开稳定算力与持续人才供给；同时，芯片平台与软件架构适配、法规与安全门槛抬升，也推动企业关键能力上加快“自建、自控、自迭代”。鉴于此，长城汽车在继续采用多芯片平台并与外部算法团队合作的同时，推动自研方案上车，属于顺应行业从“集成能力竞争”走向“体系能力竞争”的选择。 影响：自研方案若能如期量产，将直接影响企业的产品节奏与成本结构。其一，自研有望提升算法迭代效率，缩短从开发到上车的周期，并提高跨车型复用度。其二，通过自建算力与数据闭环，可降低对单一供应商的依赖，增强供应链韧性与技术路线的连续性。其三，长城统筹智能驾驶与智能座舱团队，有利于推进舱驾融合：在统一计算平台上实现感知、交互与控制协同，减少系统冗余，提升体验一致性。对行业而言，更多主流车企加入自研阵营，也将带动算力基础设施、数据工具链、车规工程与安全验证等环节投入，推动竞争从“功能堆叠”转向“安全与体验并重”。 对策：从公开信息及对应的披露看，长城汽车正从算力与组织两端加大投入。其一，建设超算与训练平台，为大模型训练与部署提供支撑，总算力规模达5EFLOPS，并具备超万卡级扩展能力，以满足多任务训练、仿真测试与持续学习需求。其二，在人才与研发布局上，企业推进海外研发中心筹建，面向全球技术高地吸纳高端人才、加强前沿交流，提升算法、工具链与工程化能力。其三，在产品路径上，延续“合作+自研并举”：芯片端兼容多平台，算法端在城市与高速场景引入合作方案的同时加快自研能力成型，以降低研发风险并保障量产进度。其四，在组织协同上，统一智驾与智舱团队，有助于在计算平台、操作系统、中间件与应用层进行一体化规划，为后续舱驾一体架构升级预留空间。 前景：业内普遍认为，2025年至2026年将是舱驾融合与大模型上车的关键窗口期。随着算力成本下降、数据闭环能力增强以及车端计算平台升级，VLA等端到端方案有望在部分车型上率先实现规模化应用，但安全验证、长尾场景处理与工程可解释性仍是必须跨越的门槛。对车企而言，能否在安全合规前提下，把“功能上车”变成“体验稳定”，把“演示效果”变成“全量可用”，将决定下一阶段竞争格局。长城汽车若能在年内完成自研方案量产并持续迭代，同时在2026年前后推动舱驾融合平台形成规模，有望在智能化“下半场”建立更稳固的体系优势；但也需要在数据治理、软件质量、供应链协同与用户安全教育各上同步推进，降低技术跃迁带来的交付波动。
智能驾驶的竞争，表面是功能与参数，核心是组织、工程与生态的综合能力。以自研上车为起点，车企仍需在算力、数据、软件架构与人才体系上持续沉淀可复制的能力。能否在安全可控前提下实现高质量迭代，将决定智能化投入最终转化为用户体验与产业竞争力的成效。