小鹏扶摇600PFLOPS算力成本几何？整车智算中心的投入产出如何拆解？

小鹏扶摇智算中心的600PFLOPS算力建设，其成本并非单一数字，而是由AI芯片与服务器采购、电力与冷却、机房建设与运维人力、软件工具链等构成的综合投入。对于整车厂而言，这笔投入的ROI不能只看硬件账单，更要看其能否转化为智能驾驶算法的迭代速度与研发效率的提升。

扶摇600PFLOPS的成本结构拆解

智算中心的成本构成中，硬件采购（AI芯片与服务器）是绝对的大头，通常占据总投入的六成以上。其次是长期运行的电力与冷却费用，PFLOPS级算力的功耗极高，这部分是持续的运营成本。此外，机房基建、运维团队人力以及软件工具链的授权费用，也构成不可忽视的固定支出。

自建与租用云算力的ROI权衡

整车厂在算力获取上有自建与租用两条路径。租用云算力前期投入低、弹性高，适合算法尚在验证阶段的早期；但长期看，高频训练场景下单位算力成本会持续累积。自建智算中心则前期资本开支巨大，但边际成本随利用率提升而下降，且数据安全与定制化程度更高。小鹏选择自建扶摇，意味着其智能驾驶训练量已跨过“租不如建”的规模临界点。资料显示，小鹏在自动驾驶芯片上已开始自研，同时其云上训练数据此前依托阿里云，扶摇的落地标志着算力策略从“租”向“建”的关键转变。

整车厂算力投入的盈利模型

算力投入的ROI无法用短期财务数字衡量，其价值体现在三个层面：缩短算法迭代周期（训练效率直接决定OTA更新频率）、降低单次训练成本（规模化摊薄）、以及构建数据闭环壁垒（自建算力才能支撑海量车队数据的持续回传与训练）。在智能化竞争的下半场，算力中心是支撑“数据-训练-算法-量产”飞轮运转的基础设施，其产出体现在车型产品力的持续领先上，而非直接的财务报表。

常见问题

扶摇600PFLOPS在行业内处于什么水平？

在主流车企的智算中心布局中，小鹏扶摇的600PFLOPS与特斯拉Dojo（68.75FLOPS口径）同属第一梯队的自建算力设施，体现了头部新势力在算法训练上的重资产投入决心。

自建智算中心是否适合所有车企？

并非如此。自建模式适合智能驾驶全栈自研且量产规模足以产生海量训练数据的车企；对于算法外包或销量规模较小的厂商，租用云算力在财务上更为审慎，可避免算力闲置导致的资源浪费。

如何评估智算中心的真实ROI？

建议从三个维度评估：训练效率（同等数据量的训练耗时）、迭代速度（自动驾驶功能的OTA更新频率）、以及研发人效（算法团队的产出比）。脱离这些业务指标，仅看硬件投入的财务回报并无意义。