影子模式通过“数据回传—算法过滤—算力训练”的闭环，正在把海量真实驾驶场景转化为自动驾驶迭代的燃料，而这一机制直接拉高了整车智驾算力的需求基线。 在特斯拉的实践中，影子模式会将模拟决策与驾驶员操作进行对比，不一致的场景才回传，并提前过滤掉算法已覆盖的数据，以保证处理效率。这种对数据吞吐与训练算力的高要求，正是智驾算力市场持续扩张的核心逻辑。目前行业普遍认为，该市场的增长空间主要由自动驾驶等级提升、城市NOA普及、大模型上车以及数据合规要求共同驱动。

影子模式如何定义算力需求基线

影子模式本质上是一种“低成本采数据、高效率做筛选”的机制：车辆在行驶中持续运行自动驾驶算法，但由人类驾驶员接管控制，系统仅记录算法决策与真实操作的差异点。这个机制对算力的需求体现在两端——车端需要实时完成感知与决策的推理运算，云端则需要处理海量回传数据并进行模型训练。

以特斯拉为例，其自研的Dojo超算系统正是在这一背景下推出的。根据中金公司研究部引用的数据，截至2021年6月，Dojo在全球主要超算中心FP32算力排名中位列第五，算力规模达到67,800 TFlop/s。这一量级的云端算力投入，反映出影子模式对超算资源的依赖程度，也侧面说明智驾数据闭环对算力基础设施的刚性需求。

智驾算力市场的增长驱动因素

整车智驾算力市场的扩容并非单一因素推动，而是技术路线、法规环境与消费者需求三股力量叠加的结果。自动驾驶等级提升是最基础的驱动力——从L2到L3乃至更高级别，感知传感器的数量增加、决策算法的复杂度上升，都要求车端芯片提供更高的算力冗余。

与此同时，城市NOA（导航辅助驾驶）的普及正在把智驾从高速场景推向城市场景，后者道路参与者更多、长尾场景更丰富，对算力的需求呈指数级上升。大模型上车则进一步改变了算力消耗结构，Transformer等大参数量模型在车端推理时对芯片的利用率要求更高。此外，数据合规要求也在推动算力投入——数据本地化存储与处理的规定，促使车企在云端训练侧加大自建算力或采购第三方算力的力度。

常见问题

影子模式的数据回传会消耗大量流量吗？

影子模式并非全量回传数据，而是通过“差异对比+场景过滤”机制实现高效传输。特斯拉的做法是，仅回传算法决策与驾驶员操作不一致的场景，同时提前过滤掉算法已覆盖的常见情况，从而在数据质量与传输成本之间取得平衡。

智驾算力需求主要由车端还是云端承担？

两端都有显著需求。车端需要满足实时推理的算力要求，云端则承担数据训练与模型迭代的重任。以特斯拉Dojo超算的投入为例，云端训练算力已成为智驾技术竞争的重要基础设施。

除了特斯拉，其他车企也采用影子模式吗？

影子模式作为数据闭环的重要技术路径，已被行业广泛关注。不过，不同车企在数据采集策略、算力自研或外购的选择上存在差异，具体进展需以各企业官方披露及第三方实测为准。