华体会科技有限公司_华体会体育官方网站_华体会HTH数据服务

　　正在探索自研云端推理芯片，项目仍处早期阶段，并可能采用与其车端智驾芯片相近的数据流架构。

　　对此，《每日经济新闻》记者向方面求证，对方表示：“暂时还没有听到这方面的消息。”

　　尽管这一消息未获官方印证，但云端推理芯片这一方向，确实触及智能汽车竞争中的一个新问题：随着大模型、智能驾驶和车载智能体持续演进，车企需要掌握的算力是否正从车端延伸到云端？

　　一家云端推理芯片企业的工作人员告诉记者，所谓云端推理芯片，本质上是部署在数据中心或云服务器中的AI加速芯片。AI模型通常分为训练和推理两个环节：训练像“上学”，通过大量数据和算力让模型获得能力；推理则像“上岗”，模型训练完成后，每一次回答问题、识别图像、生成规划，或由模型判断并发起工具调用，背后通常都涉及推理过程。

　　“像我们公司做的云端推理芯片，要解决的就是让这些AI调用更快、更便宜、更稳定。”上述云端推理芯片企业工作人员表示。

　　值得一提的是，在AI优化云基础设施领域，推理负载的重要性正在上升。信息技术研究和顾问公司Gartner在2026年8月发布的预测中提到，2026年全球AI优化IaaS（Infrastructure as a Service，基础设施即服务）支出预计将达到422.76亿美元，其中推理相关支出将达到233亿美元，超过训练相关支出的190亿美元，占比约55%。到2027年，这一比例预计可升至59%。

　　尽管Gartner这一预测面向的是AI优化IaaS支出，并不等同于云端推理芯片市场规模，但它反映出的趋势是明确的——随着AI应用从模型开发走向规模化部署，推理正在成为AI基础设施消耗中的重要部分。

　　这意味着，过去行业更关注“谁能训练大模型”，接下来则会更关注“谁能以更低成本、更高稳定性和更大规模使用大模型”。

　　从技术特征看，云端推理芯片通常部署在及公有云服务器中，需要兼顾算华体会股份有限公司力、内存/显存带宽、互联能力、稳定性、功耗控制和高并发处理能力，可用于大模型推理、搜索推荐、智能客服、多模态理解等场景。

　　目前，云端AI加速芯片并不等同于某一种固定形态，GPU（Graphics Processing Unit，图形处理器）、NPU（Neural Processing Unit，神经网络处理器）、ASIC（Application-Specific Integrated Circuit，专用集成电路）都可能承担类似任务。随着大模型应用从训练走向规模化部署，英伟达、华为等厂商也在围绕AI训练与推理需求，持续布局AI加速芯片、服务器、集群互联和软件生态。

　　在智能领域，云端推理芯片的潜在价值，并不直接体现在车辆实时行驶决策上。车辆行驶过程中的感知、规划和控制，仍主要依赖车端算力完成。云端推理能力更可能服务于车企背后的模型迭代、数据闭环和智能服务体系。

　　具体来看，相关能力可能用于道路数据的批量识别与筛选、长尾场景检索、自动标注、仿真评测中的模型调用、云端大模型对车端模型的能力蒸馏，以及车载智能助手、座舱大模型和智能体服务等环节。其中既包括面向用户的在线推理，也包括研发侧的离线批量推理和模型调用。

　　随着、车载大模型和智能体功能不断迭代，车辆背后的云端系统需要持续处理路测数据、筛选长尾场景、调用模型进行分析和评测，并通过OTA将新能力同步到车端。在这一过程中，如果车企能够获得更稳定、更低成本的云端推理能力，就可能提升模型迭代效率，并降低大规模AI服务的长期成本。

　　在车端AI推理芯片上已有公开布局。公开资料显示，理想汽车自研的马赫M100芯片采用数据流架构，定位于AI推理芯片，并计划用于、座舱交互等场景。如果理想汽车进一步探索云端推理芯片，其逻辑可能并非简单复制车端芯片，而是尝试在模型、工具链、编译器和算力体系上形成更高程度的协同。

　　不过，云端推理芯片并不是把车端芯片简单“搬到机房”。车端芯片强调车规级可靠性、低时延、功耗约束和车辆运行环境适配；云端芯片则更强调数据中心规模化部署、高并发吞吐、集群效率、单位推理成本，以及与云平台、模型框架和业务系统的协同。

　　在阿里云开发者社区发布的一篇对话中，阿里云和平头哥相关技术负责人曾提到，推理优化不是单点突破，而是模型、芯片、云平台和业务场景协同的系统工程。这意味着，芯片本身只是基础，真正难的是把硬件能力转化为稳定、低成本、可规模化交付的推理服务。

　　因此，即便理想汽车确有相关探索，云端推理芯片短期内也更可能是一项前瞻性技术储备。对于车企而言，自研云端推理芯片不仅需要芯片设计能力，也需要足够大的模型调用需求、数据规模、软件工具链和云端工程能力支撑。

　　业内人士认为，随着智能驾驶大模型、车载智能体和多模态交互功能持续演进，智能汽车背后的云端推理需求还会继续增长。未来车企之间的智能化竞争，或许不只取决于车上有多少算力，也取决于车企能否建立一套支撑模型持续迭代、低成本调用和规模化交付的云端AI基础设施。