上个月朋友亏了2000万，我才看懂2026年车企竞争转向拼AI算力闭环和出海建厂布局

上个月一个在造车供应链干了快十年的朋友，半夜给我发语音。声音听着不太对，说他们公司刚砍掉整个智能驾驶部门，两百多人就地解散。他投进去的钱——我记得好像是2000来万吧——基本打了水漂。我问他为什么，他说了句让我愣住的话：“我们光买了算力，没建闭环。出海也只会建组装厂，人家一卡脖子就完蛋。”说实话，我当时心里咯噔一下。2026年车企竞争转向拼AI算力闭环和出海建厂布局，这事我早就在行业里听过，但真有人亏了这么多钱给我上了一课，我才开始认真琢磨。

你细想，过去两年多少人喊着“算力即权力”？几十块A100往机房里一搁，觉得自己就是下一个特斯拉。别傻了。算力堆再高，如果数据进来是一团乱麻，模型训练完发现和真实路况对不上，那就是个电热炉——除了费电和发热，屁用没有。我问那个朋友，你们有没有做数据闭环？他苦笑：以为买几台服务器就自动闭环了。这不对。真正的闭环是从数据采集、清洗、标注，到模型迭代、仿真验证，再到OTA推送，最后回到车上继续跑数据。一圈下来，中间断一截，前面全白费。

为什么花了几个亿买算力，却跑不出一个能用的自动驾驶模型？

有个反面案例挺典型的。去年一家第二梯队的车企，跟风上了两千多张H800，号称要做“中国最强智算中心”。结果呢？半年后我发现他们招聘网站上一直在招“数据清洗工程师”，同一个岗位挂了四个月。问到内部的人，说是因为数据标注标准来回改了八版，标注公司换了两家，之前标好的几十万帧图片格式不兼容，等于废了。算力中心跑得像超跑，但油路不通，车轱辘转不动。

正面例子倒也有。我记得好像是比亚迪还是哪家，从2024年就开始悄悄布局“影子模式”——所有装了L2的车，每天把驾驶员接管的关键场景回传。不算多，大概每天40来万条。然后他们自己搞了一套标注工具，效率据说比外包高大概70%（这个数我记不太准，但应该差不多）。到2025年底，他们的城区NOA在很多复杂路口突然变稳了。别问我为什么知道，有次跟一个算法工程师喝酒，他说“我们算力不算最大，但数据转起来最顺”。这话我一直记着。

说回出海建厂布局。这件事更荒诞。我那个朋友当初也在海外投了一个组装厂，在东南亚，以为把国内零件运过去拧拧螺丝就行了。结果当地要求40%的本地化供应链，他们临时找的供应商质量一塌糊涂，车还没下生产线就被经销商投诉。加上汇率波动，物流成本涨了大概30%，去年底那个厂基本在亏钱运转。你猜怎么着？同时期特斯拉在墨西哥建厂，拉了一整套电池、压铸、供应链过去，不止是组装。这就是差距。

2026年车企竞争转向拼AI算力闭环和出海建厂布局，这两个事其实是一个逻辑：闭环能力。算力要闭环——数据进去、模型出来、上车验证、再回来。出海要闭环——不只是产能出去，而是供应链、服务、数据合规、本地运营全部捏在一起。单点砸钱的时代过去了，别傻了。

实操上到底怎么补这两门课？我自己也踩过坑

先说算力闭环。我做过一件特别蠢的事——两年前帮朋友公司梳理数据流程，我建议他们直接用开源框架搞个快速原型。结果选了某个不太成熟的数据版本管理系统，跑了三个月发现回滚机制有问题，模型版本和生产版本对不上，车在测试场里碰到一个之前修过的bug又犯了。气得我当晚没睡好。后来老老实实用成熟的工业级工具，虽然贵一点，但至少不会让你半夜被电话叫醒。

具体步骤其实不难，但很多人懒得做：第一，把数据采集传感器的标定参数统一，别让摄像头和毫米波雷达各说各话；第二，建一个自动化的标注质检流水线，我见过最狠的做法是每张图片让三个不同标注员标，不一致就退回；第三，模型训练完必须通过至少200个真实corner case仿真才能上车。这三步做到，算力才不算白买。

出海建厂就更折腾了。我之前咨询过一个中东的项目，当地政府要求数据必须留在境内，而且每年要交一份算法安全审计报告。很多中国车企一听到这个就嫌麻烦，随便找个本地代理挂个名，结果被罚了不少钱。我学到的教训是：出海第一件事不是买地，是找一个靠谱的本地法务和合规合伙人。然后才是供应链本地化——别想着把国内那套照搬过去，比如在泰国，皮卡改装市场特别大，你可能需要在工厂预留改装工位。这些细节，国内总部的决策层很难想到。

有一个小案例挺有意思。一家名字我不方便说的车企，在巴西建厂时提前两年让供应链团队住在当地，把周边300公里内的螺丝、线束、塑料件厂家全部摸排了一遍，甚至投资了两家关键的小供应商。等到工厂投产，本地化率已经干到55%，超过法律要求的40%。而且因为供应商就在附近，库存周转比同行快了好几天。这就是用心和不用心的区别。

AI算力闭环和出海建厂，这两条线怎么才能不打架？

你可能觉得这是两拨人干的事——搞AI的在国内架服务器，出海的在外面建工厂。但真正的冲突发生在数据合规上。欧盟的GDPR、东南亚的个人数据保护法，都不允许你把当地采集的路况数据直接传回国内算力中心。这就麻烦了：你的模型没法用当地数据迭代。

那怎么办？我看到的几个头部玩家正在做一件事：“边端闭环”——在海外工厂或研发中心部署一个小型的边缘算力节点（不需要几千万，大概几百万就能搭起来），当地数据本地训练，只把脱敏后的模型参数传回国内。这样既合规，又保持了迭代速度。说实话，这个方案也不是万能的，上周我一个同行说他那边因为当地网络带宽不够，模型同步延迟了三四天，但还是比完全不能迭代强。

提示：别想着一步到位。我见过最务实的做法是先在一个海外市场（比如泰国或匈牙利）跑通“小闭环”，从算力部署到数据合规到本地运营，花6到9个月把坑全踩一遍，然后再复制到其他区域。贪多嚼不烂。

还有一个容易被忽略的点：出海建厂其实反过来会影响AI算力闭环。因为不同国家的路况、交通标志、驾驶习惯差异太大了。你在国内训练得再好的模型，到印度或巴西可能连车道线都认不准。所以海外工厂旁边最好配一个小的数据标注基地，专门做本地化场景采集。这个投入不大，但能救命。

写着写着发现已经快两千字了。其实我到现在也没完全搞懂，为什么那么多车企宁愿花几十亿买算力和地皮，也不愿意花十分之一的钱先把闭环逻辑搭顺。可能是我太理想主义了？上周又跟那个朋友聊了一次，他说他们公司现在想明白了，准备从零开始做一个小闭环试点，预算只有当初的十分之一。我也不知道这次能不能成，但至少方向对了，对吧？

反正后来就这样了。你要是也在做类似的事，不妨跟我聊聊你踩过的坑——我最近可能又要帮人折腾中东的项目，心里其实挺没底的。