（问题）自动驾驶正从示范运营迈向规模化落地，“安全与成本如何兼顾”成为核心难题之一；一方面，L4级自动驾驶需要更强的复杂长尾场景覆盖能力，模型训练依赖更大规模、更高质量的数据，并需要更长周期的迭代与验证；另一方面，训练、仿真和部署对算力供给的稳定性、可控性以及成本结构提出更严要求。业内普遍认为，算力体系能否实现可靠供给并形成生态协同，将直接影响自动驾驶的迭代速度和商业化节奏。 （原因），小马智行与摩尔线程达成战略合作，聚焦世界模型及虚拟司机系统的训练与优化，并推动车端模型训练的适配与验证，旨从“底座能力”入手破解规模化难题。随着大模型方法在自动驾驶领域加速应用，世界模型等路径强调对真实交通系统的高维建模与预测，训练链路对算力吞吐、稳定性以及软硬协同能力提出更高门槛。此外，外部环境变化与供应链安全要求提升，使关键环节采用可控算力、构建本土化生态，成为企业降低系统性风险、保障持续迭代的重要选择。 （影响）此次合作发出两上信号：其一，国产全功能GPU正加速进入自动驾驶训练与仿真等核心环节，成为推动产业链协同创新的重要变量；其二，自动驾驶商业化竞争的焦点，正从单一算法能力扩展到“算法—数据—算力—工程化—运营”的全链路效率。按双方披露信息，合作将基于摩尔线程MTTS5000训推一体智算卡及夸娥智算集群，联合推进小马智行世界模型与车端模型的训练适配、验证与优化。这意味着国产算力不只承担通用计算任务，也将接受自动驾驶高复杂度工作负载的实际检验，有望训练效率、成本控制与可持续供给上形成可复制经验。对智慧出行与物流行业而言，若关键模型迭代更快、单位算力成本更下降，将有助于推动无人化能力限定场景更快落地，同时提升运营效率与安全冗余水平。 （对策）从产业规律看，自动驾驶规模化落地需要“硬件可用、软件可配、数据可闭环、运营可复制”。此次合作的重点不仅是提供算力，更在于共建算力生态：一是围绕训练与仿真链路推进框架、编译、算子与工具链适配，提升软硬协同效率；二是以场景为牵引建立评测与验证体系，在安全指标、稳定性与长时间运行等维度形成可量化标准；三是以工程化方法沉淀流程，打通从离线训练到车端部署的闭环，缩短迭代周期；四是在商业应用侧，以边界更清晰的智慧出行与物流场景为突破口，积累运营数据，反哺模型与系统优化。企业负责人表示，本次合作将推动算力与算法更深度融合，为世界模型与车端模型训练提供更可靠支撑，并共同探索下一代智慧出行与物流基础设施。 （前景）面向未来，L4自动驾驶将更依赖“基础设施式能力”的长期投入：一上，世界模型与生成式仿真有望提升长尾风险覆盖效率，但也会持续抬高对算力规模、并行效率与验证体系的要求；另一方面，国产算力关键行业的深入应用，需要在性能、兼容性、稳定性与生态完善上实现从“可用”到“好用”的升级。业内预计，随着更多企业将训练、仿真与部署链路迁移到可控算力平台，国内自动驾驶有望在安全验证、成本优化与供应链韧性上形成新的竞争优势，并推动对应的标准、工具链与产业协作机制进一步成熟。
当前，我国自动驾驶产业正处于从技术积累走向规模化应用的关键阶段。小马智行与摩尔线程的合作，不仅说明了企业在关键底座能力上的提前布局，也折射出我国人工智能与制造业加速融合的趋势。从算法创新到算力支撑、从技术突破到生态共建的系统性探索，将为自动驾驶产业实现自主可控与高质量发展提供路径参考。可以预见，类似的产业协同创新将持续出现，并为新质生产力发展带来新的动能。