中国车企有没有可能搭载特斯拉的FSD？

文 | 华芸

自动驾驶本质上是AI的命题。在“预见2026”的时间窗口里，全球汽车产业正在经历一场从“电动化竞争”向“智能化博弈”的深度拐点。

过去十年，中国车企在电驱、电池、整车集成以及供应链效率上，已经证明了自身在硬件制造和成本控制方面的强大能力，并在国内市场对合资品牌形成了全面反攻。然而，当叙事从“谁卖得更多”“谁性价比更高”转向“谁掌握车的大脑、谁掌握数据与算法”时，竞争的底层逻辑正在被重写。

特斯拉以端到端的技术路线、统一的平台架构和长期构建的数据飞轮，正在把自己从一家“电动车公司”推向一家以智能驾驶和AI为核心的基础设施型企业。拿月度销量、阶段性价格战对标特斯拉，容易陷入指标错位、判断失焦的迷局。

当特斯拉把FSD从自用能力，进一步演化为可授权、可输出的“智能驾驶操作系统”时，中国车企究竟是把它视作单一“对手”，还是可能的借力 “合作伙伴”？

本期访谈，智库君邀请到“互联网汽车第一人”施雪松先生，他先后任职斑马网络技术有限公司CEO（首任）、腾讯智慧出行副总裁、腾讯云副总裁，目前担任南京隼眼电子科技有限公司CEO。他将从技术路线、数据与算力、组织架构到生态观念，系统拆解特斯拉与中国自动驾驶之间的真实差距。

他认为：从手机产业看汽车，苹果之于手机正如特斯拉之于汽车，而中国手机企业的崛起，很大程度上建立在安卓这一开放平台之上——先借力，再逐步强化自研能力。

核心观点：

• 今天的FSD+Grok 实际上已经演化成一个 AI Agent，FSD与 Grok 的结合，形成了两个相互驱动的数据飞轮：一个是 FSD自动驾驶数据飞轮，用于持续积累高质量驾驶数据并通过预训练提升车端推理质量；另一个是 Grok 数据飞轮，用于认知与交互中枢能力的持续进化。这是特斯拉形成指数级技术进化的核心底层逻辑。
• 如果把特斯拉视作威胁或对手，而不是一个可以学习和借鉴的对象，反而会限制我们自身的成长空间。
• 即便不谈自动驾驶，单就通用 AI 能力而言，今天中国头部互联网公司的整体 AI 水平，未必就有足够把握与“特斯拉加 xAI”的组合去硬碰硬。
• 表面上看，特斯拉是一家车企，但从组织特征和能力结构上讲，它同时具备互联网公司和 AI 公司的基因——高敏捷、高迭代、强工程导向，加上极度扁平化的管理方式，这些恰恰是很多 OEM，尤其是合资企业和国有企业，非常值得认真研究和借鉴的地方。

特斯拉FSD已演化成AI Agent

智库君：您怎么评价特斯拉当前在自动驾驶技术上的领先程度？在最新一轮的迭代之后，您觉得中国的自动驾驶与特斯拉之间的这个差距是不是被拉大了？

施雪松：目前，在自动驾驶领域，我们与特斯拉在能力积累和技术深度上仍存在一定差距。回过头来看，特斯拉的技术路线核心几乎完全围绕“共平台规划”展开，将“物理层面的整车”与“智能层面的车脑”高度融合为一个整体。

智库君：所以不仅是技术上的，还有生态上的布局上的，差距在哪里？

施雪松：首先，先从最基础的部分讲起——以特斯拉的几款主力车型为例，比如 Model Y 和 Model 3（暂且不谈 Model S 和 Model X）。这些车型在最初规划时，电子电气架构的设计目标就已经锁定在“从自动驾驶走向无人驾驶”的长期路径上。

正因特斯拉先进的电子电气架构，这也是为什么它的线束长度在全行业中最短。国内目前还没有哪家车企能够在架构层面真正做到彻底去掉保险丝和继电器。也就是说，从基础平台的领先程度来看，特斯拉在安全性等关键指标上，还是超出了国内多数车企的平台能力。

今天的FSD+Grok 实际上已经演化成一个 AI Agent，FSD与 Grok 的结合，形成了两个相互驱动的数据飞轮：一个是 FSD自动驾驶数据飞轮，用于持续积累高质量驾驶数据并通过预训练提升车端推理质量；另一个是 Grok 数据飞轮，用于认知与交互中枢能力的持续进化。这是特斯拉形成指数级技术进化的核心底层逻辑。

从市值角度看，特斯拉的市值几乎等于国内几家头部互联网公司的总和。而在人员规模上，特斯拉大约有15万人，其中研发工程师不到2万人；国内头部互联网公司大多有12万人左右的公司规模，而据我所知某国内头部车企车企员工数量接近100万，其中研发工程师约在12万到17万之间。

通过这组对比，可以看到：特斯拉在用极少的人力，支撑起极高的研发效率和技术领先度。同时，它在建设数据飞轮的过程中，从一开始就实现了高度自动化，这也是外界往往忽视的一点。

因此无论是传统整车厂、新势力车企，还是国内自动驾驶技术公司，目前在投入强度与整体能力积累上，都还无法与特斯拉相提并论。

中国车企有没有可能和特斯拉合作？

智库君：所以这差距确实很明显。不过最近也有人在讨论——像今年一月，比亚迪的全球销量超过了特斯拉，但也有声音说，这样的销量比较意义其实并不大。您怎么看待这种说法？

施雪松：如果只是单纯比销量，比如比亚迪超过了特斯拉，但放眼全球依然排在丰田之后，那么这种比较其实意义并不大。

我们真正要思考的是，如果像 FSD 这样的“车脑”系统，未来成为行业的统治性技术，会带来什么？换句话说，如果把特斯拉视作威胁或对手，而不是一个可以学习和借鉴的对象，反而会限制我们自身的成长空间。

我举一个类似的例子—手机行业品牌的崛起无疑是中国制造的成功案例。但要知道，这一行业的真正转折点起源于苹果。苹果构建了一个封闭系统，就像今天的特斯拉。而安卓的出现，才真正让整个生态开放了出来。正是因为有了安卓，中国手机厂商才有机会在开放操作系统的基础上壮大。换句话说，中国的手机产业，正是站在安卓的肩膀上成长起来的。

回到汽车行业也是同样的逻辑。过去这些年，中国车企在传统“物理汽车”层面已经积累了非常扎实的经验，无论是整车设计还是供应链体系，都非常成熟。但在“汽车大脑”——也就是软件、算法和操作系统层面——我们还没有形成一个类似安卓那样的开放通用平台，能让不同车厂在其之上快速发展。

当然，现在也有一些企业正在尝试去做这件事。但要看到，这个方向距离特斯拉的 FSD 体系仍然存在不小差距。

所以，当讨论“销量超过特斯拉”这类话题时，其实它给了我们另一个信号。假如特斯拉今天已经不再以销量为主要目标，而是选择将 FSD 授权给汽车品牌例如福特去使用，那么我们是否也可以反过来思考——中国的车企有没有可能和特斯拉合作，用我们的车去搭载它的 FSD？

这其实是一个非常有想象空间的方向。事实上，马斯克一直有这样的意愿，只是我们国内的企业可能还缺乏这种战略上的勇气和开放度。

我认为，如果能在自动驾驶方向上与特斯拉合作，就像当年中国车企与海外品牌进行合资那样，不仅能快速提升整车智能化水平，更能从中学习到他们在工程体系、算法训练与数据自动化方面的核心能力。要知道，特斯拉用相对很少的工程师，就能搭建出全自动的数据系统，这本身就是我们值得深度研究和反思的地方。

智库君：就像特斯拉FSD进入中国，如果中国车厂跟特斯拉合作的话，其中非常核心的问题也是数据安全，然后功能的安全，还有责任如何界定？

施雪松：就数据安全而言，目前这个问题实际上已经不大了。为什么这么说？因为特斯拉在中国建立了本地数据中心，并在数据收集、存储和使用方面，都严格遵守中国的数据安全与个人信息保护相关法律。

从实际执行来看，特斯拉在中国的合规意识非常强。例如，目前它在训练自动驾驶模型时仍主要使用公开场景的视频数据，而并未直接调用中国本地车辆的私有数据。这也是为什么我们会看到，特斯拉在中国场景下的自动驾驶能力，相比在美国的表现仍存在明显差距——这恰恰说明它在数据使用上保持了高度的谨慎与合规。

实际上，包括腾讯在内的许多中国科技企业，在与特斯拉、英伟达、博世等国际公司合作过程中，也普遍感受到这些外企在中国市场对数据合规性的重视程度。因此，从数据安全的角度来看，我认为这一问题已经不必成为担忧的重点。

至于责任划分的问题，我认为在众多车企中，特斯拉在承担风险与责任方面的勇气和态度是走在行业前列的。如果能够让特斯拉在一个公平、开放的竞争环境中，与国内自动驾驶企业同场竞技，这对于整个行业的技术进步和生态完善都将非常有益。这将成为推动变革的“蝴蝶之翼”，带动中国智能汽车产业的整体跃升。

智库君：您也说到我们现在跟特斯拉的差距，如果一旦特斯拉进入中国，就是现在这个阶段的话，会对中国车市竞争格局带来什么连锁反应？中国的车企或者自动驾驶公司怎样应对？

施雪松：我今天没有对这个问题做特别详细的研究和分析。但之所以提出刚才的那个思路，是因为我认为从本质上来看，特斯拉并不仅仅是一家汽车公司，而是一家真正意义上的 AI 公司。

这里的关键点在于，特斯拉并不是“后来转型”成 AI 公司，而是从最初的产品规划、架构设计到商业模式设定，就以 AI 为核心理念进行布局的。

因此，如果我们希望真正看清特斯拉的本质，就必须从更宏观的视角去审视马斯克的整体产业布局——无论是汽车、通信、航天，还是他正在构建的完整 AI 生态，这些其实都是相互关联、协同演化的体系。

也正因为如此，特斯拉在当前阶段开始放弃对销量的极致追求，转而更注重订阅模式和软件授权，这本身就表明：对于马斯克而言，“车”已经不再是公司未来增长的唯一方向。

对中国车企而言，这或许意味着另一种思考路径——我们是否可以把特斯拉视为一个潜在的合作伙伴，而不仅仅是竞争对手？无论是整车厂还是科技公司，都可能需要重新审视自己的战略定位与生态角色。

回到之前手机行业的例子，当年很多厂商都想做自己的操作系统，但最终真正成功的，只有安卓。安卓的成功，不在于它造了一部更好的手机，而在于它构建了一个开放、普适的系统平台。今天的汽车行业，其实正处在一个相似的拐点。

中国头部互联网公司整体 AI 水平未必能与特斯拉硬碰硬

智库君：从这个角度来看，理想汽车最近的一系列动作，以及李想本人高调宣布公司将全面转型为一家 AI 企业，确实引发了不少关注。当然，理想在纯电业务上正面临不小挑战，他本人也遭遇了一些阶段性的困难。您认为，他此次战略转向，在多大程度上是受到了特斯拉的启发与影响？

施雪松：我认为理想是非常认真地在研究特斯拉的，是真正下功夫去“琢磨特斯拉”的那一类企业。放在整个新势力里看，有理想，也有小鹏。小鹏是从一开始就选择了“对标并坚持学习特斯拉”的路线，一直坚持到现在，我觉得这一点还是值得肯定的。

李想也看到了这一趋势。正因为他对特斯拉的研究足够深入，所以现在选择在战略层面更加全面地向特斯拉学习，我认为从方向上来说是没有问题的。

但我们同时也要看到另外一面——我刚才提到，特斯拉在 AI 方向上的投入，是一个极其长期、系统化的工程，这里的“投入”远远不只是资金层面的砸钱。特斯拉是从自研芯片、算力和云平台基础设施，到整车电子电气架构，再到模型体系，以及底层数据的采集、标注、回流和积累，进行了贯穿全栈、多年的持续投入，已经在这个方向上砸下了巨额的时间和资本成本。

对李想来说，更关键的问题在于：今天理想汽车要以怎样的投入强度和节奏，才有可能真正跟上特斯拉这条 AI 路线的步伐？这个判断，最终还是要他自己来做。因为很现实的一点是，即便不谈自动驾驶，单就通用 AI 能力而言，今天中国头部互联网公司的整体 AI 水平，未必就有足够把握与“特斯拉加 xAI”的组合去硬碰硬。

一旦把特斯拉与“xAI” 结合起来看，它在算力、算法、数据、落地载体上的综合能力，很可能已经超过了中国几个头部互联网公司加总之后的水平。这就是差距所在，也是它真正的底气所在。

智库君：从您刚才的分析出发，如果再看回国内阵营，包括华为在内的一些企业——一方面是它围绕鸿蒙所做的整体操作系统布局，另一方面是在汽车行业通过“引望”等模式打造的整套生态合作路径——在您看来，这样的技术与生态组合，能否真正与特斯拉形成对抗甚至抗衡？

施雪松：我觉得目前还谈不上“抗衡”。最直接的一点，国内企业在真实车辆端的数据积累，规模和维度都远不及特斯拉。

其次，从整体组织与管理架构来看，特斯拉为了服务这条以自动驾驶和 AI 为核心的技术路线，进行了高度扁平化和强工程导向的组织设计，这与大多数国内企业，包括一些大型科技公司的传统管理模式，存在不小差异。

再往下看，在大模型和基础 AI 能力层面，无论是模型规模、训练算力，还是数据闭环和工程落地能力，国内相关玩家与特斯拉叠加 xAI 之后的整体实力相比，仍有明显差距。

当前来看，即便是国内在自动驾驶领域最领先的一批企业，与特斯拉之间在数据工程体系上的差距依然相当明显，尤其是在真实车辆数据规模、自动化标注能力以及数据闭环效率等方面，都存在不小的鸿沟。

正因如此，通过与特斯拉开展一定程度的技术合作，在数据采集、标注、训练和迭代的全流程上汲取实战经验，其实是非常值得认真考虑的选项，有助于我们补上工程体系这一关键短板。

AI 时代OEM最需要补的“必修课”： 组织变革

智库君：在AI的这个转型过程中，您觉得现在的企业他们最急需要去放弃的或者改掉的“旧基因”是什么？还有要做好哪些比较关键的组织架构上的事情？

施雪松：之前我参加了中欧汽车行业论坛，大家在讨论的一个核心问题，就是在迈向“软件定义汽车”“AI 定义汽车”的过程中，车企的组织架构到底该怎么适配和演进。可以看出，行业层面确实已经在做这方面的探索，既有实践也有不少偏理论性的研究，这说明大家已经意识到这是一个绕不过去的大方向。

但有一个现象值得深思——到目前为止，我们几乎没有看到哪家 OEM 真正系统梳理过特斯拉过去 15 年里组织架构和关键角色的演进历史，更没有深入解析，那些关键岗位是怎么被定义出来的，马斯克在这些调整过程中踩过哪些坑、发生过哪些冲突、有哪些正反两面的故事，以及这些故事背后的本质到底是什么。

以 Jim Keller 的案例为例。当年特斯拉为了自研 FSD 芯片，把他请进来，从他加入那一天开始算，到车规级芯片完成并实现整车量产 SOP，整个周期大概只有 36 个月，这在汽车行业是非常罕见的节奏。 关键不只是“请来一个大牛”，而是马斯克在组织设计上的一个重要安排：名义上是为做 FSD 芯片而引进，但实际把他任命为整个硬件的一号位，赋予足够的端到端权责，把前后链路全部打通，这样才能支撑起如此快的工程推进速度。

表面上看，特斯拉是一家车企，但从组织特征和能力结构上讲，它同时具备互联网公司和 AI 公司的基因——高敏捷、高迭代、强工程导向，加上极度扁平化的管理方式，这些恰恰是很多 OEM，尤其是合资企业和国有企业，非常值得认真研究和借鉴的地方。

我一再强调：组织架构往往只是主机厂“一号位认知”的结果。如果一把手对自己到底要干什么、通过怎样的路径去实现，并没有真正想清楚，后面的组织设计就只会停留在形式上。

比如，一个车厂首先要想明白：我是要自己去搭建完整的数据飞轮，还是阶段性地接入别人已经跑起来的数据飞轮？这些关键问题如果没有定下来，组织架构根本定不住。于是我们就会看到，现在很多企业内部都在纠结：自动驾驶团队和传统电子电器架构团队到底是什么关系？谁向谁汇报？如果再叠加外部技术伙伴进来，那与合作方之间的权责边界又怎么划？这些表面的“争论”，本质都是组织架构与顶层定位没有对齐。

在这类讨论中，其实有一个非常关键、但在国内还不够普及的角色概念，就是 AO——Architect Owner，也就是架构负责人。这里的“架构”，包括产品架构、技术架构、数据架构，以及整车电子电气架构与上述各类架构之间的关系和边界。当 AI 能力快速涌入的时候，整体到底是围绕哪个“主架构”来组织资源？谁才是真正的 Owner？这件事如果不清晰，组织很快就会陷入多头博弈和低效内耗。

现在 AI 发展速度非常快，加上行业内卷，很多 OEM 原本相对稳定的节奏被彻底打乱，对组织架构提出的挑战也就成倍放大。某种意义上说，今天不少车企的问题，看起来是技术、产品和竞争问题，往下深挖，最后都会落到一个词上——组织。