汽车下一个胜负手，是数据不是电池。

作者 | 王蕊

编辑 | 西子

" 每天现在汽车行业产生多少数据呢？数亿 GB/ 日。要花多少钱？一个月车厂要花几百万甚至数千万。"

但与此同时，" 能用于训练的真正的 Corner Case，也就是模型需要的大约只有 5%"，也就意味着 " 一批数据里面，可能 95% 的数据模型用不上 "。

每天数亿 GB、单月投入几百万甚至数千万，真正被模型需要的关键数据却可能只有 5%。

9 月 23 日，2026 世界新能源汽车大会（WNEVC）" 创新驱动与韧性增长 " 主论坛上，四维图新 CEO 程鹏以《数据是第二战场：从中国效率到全球合规》为题发表演讲。

本届大会以 " 转型升级 · 韧性增长 " 为主题，而程鹏抛出的这组数字，恰好点出了智能汽车进入 AI 时代后一个越来越现实的问题：

当全行业都在堆算力、上大模型，高喊 "AI 定义汽车 " 时，最核心的生产资料——数据，正陷入 " 天量投入、极致低效 " 的黑洞。

汽车开始进入 " 持续进化 " 时代

汽车产业数十年的演进，本质是三次定义权的底层重构。

2010 年以前，硬件定义汽车时代，功能靠硬件堆叠实现。新增一项用户需求，就要加装一套硬件模组与 ECU，车辆的能力边界在出厂那一刻就已彻底定格。

2012 年，特斯拉 Model S 开启软件定义汽车时代，硬件提前预留算力冗余，功能通过 OTA 远程推送延展。汽车从 " 交付即定型 " 的机械产品，正式蜕变为可持续迭代的软件载体。

而当下的 AI 定义汽车时代，带来的是更本质的颠覆：车辆交付不再是研发的终点，而是进化的起点。

过去，新车交付意味着研发周期的彻底闭环。现在，车辆行驶产生的环境感知、驾驶行为数据持续回传，反哺模型反复重训，用户实际使用本身，也开始成为产品持续迭代的一部分。

但眼下行业竞相内卷的智能驾驶，只是 AI 定义汽车的序章。在程鹏看来，真正成熟的 AI 汽车，必须将这种数据闭环的能力渗透至全车域 —— 从底盘控制、热管理乃至轮胎与地面的交互。

当 AI 能够提前识别前方路面的摩擦系数与坑洼障碍，毫秒级联动悬架、制动系统做出预判微调时，AI 就不再是一个独立的 " 智驾功能插件 "，而是驱动整车跨域协同进化的核心大脑。

他判断，这一阶段可能要到 2030 — 2035 年逐步成熟。

落地的标志不止停留在技术层面，更在于车企组织架构的底层重构：当 AI 院、数据院推倒座舱、底盘、智驾之间的传统部门墙，成为企业的研发驱动核心，AI 定义汽车才算真正落地。

这也意味着汽车产业核心驱动力的彻底切换：过去 10 年，新能源汽车的胜负手是电池，行业利润向产能环节集中；进入 AI 定义汽车时代，数据正取代电池，成为最核心的生产资料。

行业真正缺的是 " 能用的数据 "

为了淘出那 5% 真正有价值的 Corner Case，车企几乎都选择了最 " 笨 "，也最稳妥的办法：全量采集、全量标注、全量存储。

代价是海量算力、存储与标注成本，最终都消耗在了根本不会进入模型训练的无效数据上。

比低效更致命的，是数据的 " 跨代作废 " ——传感器方案一升级，历史积累直接归零。

做 11V 方案复用不了 7V 时代的采集成果，7V 架构也兼容不了 5V 阶段的数据沉淀。硬件迭代一次，数据就推翻重来，整个行业陷入无休止的重复建设与资源内耗。

与此同时，" 数据孤岛 " 的高墙处处耸立。车企、出行平台、物流巨头各自手握海量道路与场景数据，却任由它们沉睡在各自的服务器中，无法形成行业合力。

这也解释了，为什么四维图新正在把自己的角色，从传统意义上的地图和汽车智能化供应商，向数据基础设施延伸。

一方面，它希望参与制定更长期的数据标准，让今天采集的数据尽可能在未来继续复用；另一方面，则推动数据治理、流通和确权，让不同企业的数据能够在合规前提下交换。

程鹏透露，过去几年四维图新已经撮合过多家企业达成数据交换合作。不同主体分工采集、互相补位，直接省去了大量重复投入。用他的话说，数据一交换，" 各家都省了一半成本 "。

而当中国汽车加速出海，这道题的复杂度还会再上一个台阶。数据的价值不只在于 " 能用 "，更在于 " 能合法地用 "。

程鹏判断，全球数据监管整体趋严已是定局，数据主权、数据本地化、安全审查构成三大明确趋势。

他直言已有客户因为数据采集与用户隐私保护不合规，直接影响了欧洲市场的正常销售。数据合规一旦失守，前期在渠道、市场、品牌上的所有投入都可能付诸东流。

这也是为什么他反复强调，数据合规是 " 市场入场券 "，而绝非单纯的成本项。

这一逻辑同样适用于智能驾驶的全球化。程鹏以 FSD 为例，车辆本身进入一个市场相对容易，但要真正跑通 " 数据采集—模型训练—车端迭代 " 的完整闭环，就会牵扯数据主权、本地化要求、安全审查等一整套复杂体系，难度远超硬件出海。

对此四维图新给出的解法是：数据本地化，模型全球化。

数据的采集、治理与合规处理尽量在本地完成，模型能力则可以跨市场复用；同时用 AI 工具大幅提升合规效率。

过去一款车型要进入全球 100 多个国家，仅法规与合规筛查就要耗时半年。而通过与火山、飞书联合打造的合规审查智能体，这一周期被压缩到了仅 6 周。

跨界具身，数据难题几何级暴增

把数据治理做成汽车行业的基础设施，只是四维图新的第一步。

正如程鹏所言，四维图新已全面向 " 移动智能体 " 进军。其跨界核心，正是将过去 20 多年在汽车领域用真金白银换来的数据治理、时空感知与合规能力，完整复刻至具身智能赛道。

用汽车的 " 前车之鉴 "，帮机器人行业避开 " 重复采集、数据孤岛、标准缺失 " 的死循环。

况且，机器人对数据的需求与治理难度，比汽车复杂得多。

首先是感知模态更多。汽车主要依靠摄像头、激光雷达、毫米波等传感器感知环境，而机器人除了视觉，还要处理触觉、力反馈、声音，甚至嗅觉，多模态物理交互使数据量呈几何级暴增。

其次是场景更复杂。汽车绝大多数时间运行在规则明确的公共道路上；机器人则要深入工厂、商用、家庭等非标场景，长尾需求无限细分。

第三是控制精度更高。汽车主要解决加速、制动和转向，厘米级控制已经能够满足大量场景；但机器人一只手就可能拥有 20 多个自由度，精细操作甚至要达到零点几毫米级。

感知、场景与精度的三重叠加，让具身智能的数据治理难度迎来指数级跃迁。

这也决定了四维图新在具身赛道的战略落子：不做卷硬件规模的整机玩家，而做中立的数据基础设施 " 铺路人 "。牵头制定行业数据标准、搭建数据交易平台、落地数据确权机制、筑牢全球合规防线。

毕竟当前全球机器人整机年出货量仅在 10 万级别，与汽车每年 8000 万辆的产业规模相去甚远。在产业爆发的前夜，数据基础设施的普适性与长期价值，远比单一硬件产品更具备终局壁垒。

从智能汽车到具身智能，产业演进的逻辑正回归理性。正如程鹏所说：" 数据是移动智能体共同的血液，中国汽车下一个胜负手是数据。" 只有解决好数据治理、跨代复用与合规流通，天量的数据投入才能转化为真正的产业竞争力。

最真诚的智能汽车报道