從買算力到賣能力：嬴徹科技七億商用裡程背後的雲上飛輪

　　大模型爆發後，所有 AI 公司都陷入了同一種競争模式：争搶數據、比拼算力、内卷模型。但真正能拉開差距的，往往不是這些資源本身，而是誰能把這三者整合起來，形成一條持續運轉的完整生産線。

　　這種“資源整合”的挑戰，很多大模型公司如今才深有體會，但自動駕駛行業早已被它反複考驗。對自動駕駛而言，運營裡程本身并不能直接轉化為智能，它所帶回的，大多是零散、雜亂且海量的原始數據;隻有将這些數據持續轉化為模型能力，裡程才能真正成為企業的核心競争力。

　　這也讓雲底座的角色發生了根本性變化：它不再隻是後台的資源儲備池，而是貫穿數據處理、模型訓練、仿真驗證和業務交付全流程的生産系統。短期來看，它影響的是研發效率;長期來看，它決定了業務能走多遠、能做到多大。

　　基于這樣的洞察，嬴徹科技在 2018 年成立之初，就做出了極具前瞻性的選擇——全面上雲。不僅研發系統上雲，數據工程、在線業務、生産交付等所有環節，都全部運行在雲端，不保留本地機房，徹底擺脫了技術包袱。

　　這家公司專注于卡車自動駕駛技術的研發和商業運營，為物流客戶提供從自動駕駛技術到新一代 TaaS 貨運網絡服務的一站式系統解決方案。八年時間裡，其雲原生底座支撐起了令人驚歎的業務規模：嬴徹智能輔助駕駛系統的商用運營裡程已超過 7 億公裡，處于全球領先水平;覆蓋了中國 97% 的高速網絡;數千台搭載嬴徹智駕系統的智能重卡，平均智駕裡程占比超過 90%。

　　近日，作者與嬴徹科技雲與數據基礎設施負責人曹學成及其團隊深入交流，試圖還原這套雲原生體系的發展過程。拆解嬴徹八年的雲上實踐，本質上是在回答一個更具普遍性的問題：一家 AI 公司，如何借助雲原生架構，将解決算力極限的工程能力，轉化為可對外交付的商業優勢。

　　重卡智駕的護城河究竟是什麼?

　　自動駕駛行業常被認為是“算法驅動”的領域，但進入規模化發展階段，單一的算法已不再決定産品能力上限，真正決定企業勝負的，是“數據飛輪”(也就是數據閉環)。

　　它不是靜止的數據池，而是一個能自我強化的循環體系：無論是車隊在真實場景中産生的運營數據，還是虛拟場景下生成的合成數據，都必須經過标注、訓練、驗證等環節，才能轉化為模型的核心能力;而模型上線後的實際表現，又會實時反哺數據采集，推動模型不斷疊代優化。

　　在這條完整鍊路中，隻有讓數據順暢循環，才能将其沉澱為企業的核心資産。任何一個環節出現卡頓，整個生産線的效率都會被拖累。

　　圖注：嬴徹科技自動駕駛研發鍊路基于阿裡雲雲原生底座，涵蓋車端數據采集、清洗、訓練、仿真評測與部署等環節，可支撐大規模任務編排、異構算力調度(AMD)和模型的持續疊代(其中模型訓練環節目前采用多雲架構)。

　　這也是理解嬴徹科技的關鍵切入點。它聚焦的并非普通乘用車場景，而是幹線物流領域——這裡的核心載體，是長期在高速網絡上運行的重卡。重卡絕不是放大版的乘用車，其車體尺寸、載重結構、控制響應速度和運營場景，都讓數據閉環的實現難度大幅提升。

　　具體來說，這種挑戰主要體現在三個方面：

　　物理約束極嚴：重卡車體寬度可達 3.2 米，與 3.75 米的車道線之間僅剩下 25 厘米的餘量;車貨總重接近 50 噸，燃油底盤的響應延遲達 0.7 秒。這就要求智駕系統必須具備 400 米以上的遠距離感知能力和 7 厘米級的橫向控制精度。

　　挂車變量極大：占整車大部分重量的挂車，是缺乏傳感器的柔性結構，會随着載重變化不斷擺動，算法隻能依靠車頭的傳感器，來推斷整車的重心和姿态。

　　運營環境極嚴苛：在真實的物流網絡中，重卡會遇到大霧、車輛加塞等複雜場景，任何一次判斷失誤，都會因重卡巨大的慣性和較長的制動距離被放大，對行駛安全提出了極高要求。

　　這三大約束決定了：重卡智駕不能靠“堆砌數據量”盲目發力。如果海量的零散數據無法被高效處理，反而會成為系統的負擔。數據閉環的關鍵，在于能否在這些極限約束下，快速将零散的長尾場景，轉化為可驗證、可落地的模型能力。

　　嬴徹科技超 7 億公裡的智駕商用運營裡程，正體現了這種高效處理數據的能力：從 0 到 5 億公裡，用了數年時間;從 5 億到 6 億公裡，不到四個月;從 6 億到 7 億公裡，僅用了一個月。按照預期，到 2028 年中期，這一裡程數字将達到 50 億公裡。

　　圖注：嬴徹智能輔助駕駛系統商用運營裡程持續加速增長

　　從 7 億公裡向 50 億公裡邁進，意味着嬴徹科技面臨的不再是線性的規模增長，而是一條加速運轉的數據飛輪。更多真實場景的數據進入系統，更多零散的長尾問題被識别、挖掘和驗證，模型的訓練、仿真與疊代速度也必須同步提升。此時，核心矛盾已不再是“算法能否更優”，而是“這條智能生産線能否持續穩定運轉”。

　　這也揭示了重卡智駕護城河的真正形态：表面上看是智駕算法和裡程數據，深層次來看，是一套能在極限高壓下，持續将數據轉化為模型能力的工程系統。

　　飛輪的共性難題：異構算力與潮汐式負載

　　當理論上的數據閉環落地為真實的工程系統，AI 公司的焦慮就從“如何用數據”，轉變為“如何更好地用資源支撐數據閉環運轉”。

　　數據閉環的鍊路本身具有極強的關聯性：從數據采集、清洗、挖掘、标注，到模型訓練、評估、仿真回歸，任何一個環節出現阻塞，都會導緻整體疊代周期變長、反饋速度變慢。

　　更棘手的是，這條鍊路上的每個環節，對算力的需求截然不同。

　　數據處理和場景挖掘屬于 CPU 與 I/O 混合型負載，大規模的數據清洗、解析和特征提取，瓶頸往往不在于純算力，而在于存儲帶寬、小文件處理和元數據服務的效率。

　　模型訓練屬于 GPU 密集型負載，分布式訓練和超參搜索，需要高吞吐的存儲和網絡支持，同時還需要對 GPU 進行精細化的配額、優先級和搶占管理。

　　仿真驗證屬于高并發彈性計算負載，場景級的并行回歸會在版本發布前集中觸發，對任務啟動速度、調度效率和資源回收能力提出了極高要求。

　　這三類負載必須運行在同一條生産線上，共享同一套基礎設施，但它們對資源的需求差異極大，幾乎沒有“共同語言”。這就是“異構資源調度”的核心難題：不是某一類算力不足，而是三種形态的算力需求同時存在、相互競争，調度系統必須持續進行動态平衡。

　　對業務而言，這不是底層資源的簡單問題，而是直接影響研發節奏的關鍵：資源調度慢一步，模型疊代就慢一步;仿真回歸排隊一天，算法落地裝車就晚一天。

　　讓問題更複雜的，是這些算力需求的時間分布特征——潮汐式負載。

　　日常狀态下，模型訓練與數據處理任務持續運行，資源需求相對穩定，系統處于低負載狀态;但每到版本發布或回歸驗證前，仿真任務會集中爆發，并發需求瞬間達到日常的十倍甚至更高。

　　這種極端的峰谷落差，讓任何基于固定資源池的方案都陷入兩難：按照峰值需求配置資源，平時會出現大量閑置;按照日常負載配置資源，峰值時生産線會出現排隊，疊代周期被拉長，反饋速度帶來的優勢也會徹底消失。

　　異構算力與潮汐負載，共同構成了數據飛輪難以跨越的結構性困境。

　　飛輪加速逼出雲上進化：從“可用”到“極限可用”

　　随着量産車規模擴大、數據回傳量激增，行業的結構性困境很快在嬴徹的生産線上顯現出來，最終聚焦為兩個必須解決的核心問題：高并發的任務編排，以及潮汐負載下的彈性算力。

　　突破并發瓶頸：從“兼容開源”到“企業級增強”

　　在發展早期，嬴徹科技采用開源版本的 Argo Workflows，來串聯數據清洗、仿真、訓練等不同類型的任務。在中小規模的業務場景下，這套方案運轉良好。但随着數據飛輪轉速加快，當并發任務量攀升至萬級甚至十萬級時，開源組件在控制面穩定性和資源争搶隔離方面的固有瓶頸，開始逐漸顯現。

　　面對這一挑戰，嬴徹科技沒有選擇投入大量人力進行運維修補，而是與阿裡雲團隊達成深度合作，将任務編排系統全面遷移至阿裡雲容器 Argo 工作流集群(托管版)。

　　這次遷移并非簡單的“系統搬家”，而是一次架構層面的全面增強。阿裡雲團隊在保持社區協議兼容的前提下，針對高并發場景進行了系統性的内核優化：

　　控制面加固：解決了海量任務調度下的狀态同步延遲問題，确保工作流引擎在極端壓力下，依然能保持穩定、可預期的表現。

　　可觀測性升級：針對百萬級任務規模，重構了監控數據采集鍊路，消除了大規模集群下的監控盲區和性能損耗。

　　精細化治理：引入基于 OIDC Token 的 SSO 登錄和細粒度的資源 Quota 分配機制，滿足了企業級多團隊協作的安全與隔離需求。

　　這種深度合作帶來了顯著的“反哺效應”：嬴徹科技在生産環境中遇到的極端場景(如 Sidecar 事件的高頻回寫、複雜工作流的參數透傳)，成為檢驗雲産品穩定性的最佳測試場景。這些問題被逐一攻克後，沉澱進阿裡雲的産品代碼庫，不僅支撐了嬴徹科技的業務發展，也提升了阿裡雲面向所有大規模 AI 客戶的交付能力。

　　破解彈性難題：定義“瞬時爆發力”

　　如果說調度系統是數據飛輪的神經中樞，那麼算力就是它的肌肉。自動駕駛的仿真驗證具有典型的“潮汐效應”：日常運行平穩，但在版本發布前的回歸驗證階段，并發需求會瞬間爆發至日常的十倍甚至百倍。

　　傳統的雲計算彈性伸縮，往往存在分鐘級的滞後，且單集群的并發實例數有上限。對嬴徹科技而言，這意味着每次版本發布都是一場與時間的賽跑——如果容器啟動速度慢，算法上車的節奏就會推遲一天。

　　為了打破這一技術瓶頸，阿裡雲以 ACS 作為雲基座核心，對底層調度邏輯進行了專項定制化優化：

　　極速啟動優化：協同優化了實例創建流程和鏡像分發鍊路，大幅縮短了冷啟動時間，讓算力能夠“召之即來”。

　　并發上限突破：通過重構資源分配算法，顯著提升了單賬号及單集群的并發實例上限，讓“萬級容器同時啟動”從理論變為實際可實現的工程常态。

　　确定性服務保障：引入分層隊列與優先級調度機制，确保在資源極度緊張時，“回歸門禁”等關鍵路徑任務依然能獲得穩定的算力支持，不受其他低優先級任務的幹擾。

　　優化完成後，曾經制約數據飛輪轉速的“彈性牆”徹底消失。萬級并發不再是系統的負擔，反而成為一種可被精準調度和治理的工程能力。

　　從降本到治理：重塑算力成本

　　當高并發和大數據處理吞吐率成為常态後，成本就成為了影響業務發展的另一關鍵因素。

　　雲原生的成本優化，核心不是“把資源用滿”，而是通過合理的調度與治理，将業務負載匹配到“更合适的資源組合”，在不修改或盡量少修改應用的前提下，持續降低單位算力的成本。

　　具體來說，以計算資源為例，嬴徹科技圍繞三個維度，開展了系統性的成本優化工作：

　　4.1 通用計算資源：異構混部與負載畫像匹配

　　自動駕駛涉及海量的離線批處理和數據清洗任務，傳統的“單一機型、按量采購”模式，不僅導緻算力成本居高不下，還難以應對負載波峰波谷帶來的資源浪費。

　　在這類 CPU 與 I/O 混合型負載中，真正實現“省錢”的關鍵，是找到性能、吞吐與成本之間的最佳平衡點。以 AMD 通用計算為代表的高性價比算力，配合雲上調度的無感遷移和彈性伸縮能力，讓嬴徹科技在不改變既有數據鍊路代碼的前提下，将大規模離線批處理、清洗解析等作業，穩定運行在更合适的資源組合上，為後續的模型訓練與仿真環節，“騰出”更稀缺的高端算力。

　　多架構 CPU 混部：引入 AMD 算力的同時，通過阿裡雲調度機制，在不改動代碼的前提下，将任務優先調度至高性價比機型，實現 10%-20% 的成本優化。

　　Spot 與按量混合調度：将大規模回放等容錯性高的作業，部署在 Spot 實例上;而“門禁回歸”等關鍵路徑任務，則用預留資源兜底，實現穩定性與成本的最佳平衡。

　　精準負載畫像：根據任務的 CPU、内存、I/O 密集度，動态匹配合适的實例規格，避免“大規格機型通吃”帶來的算力浪費。

　　計算引擎性能調優：針對 Spark、Flink 等分布式引擎，通過優化執行計劃、内存分配和數據傾斜處理，同時利用 Ray 等框架，在數據加載和預處理環節實現 I/O 與計算的并行，大幅提升單位 CPU 資源的吞吐效率。

　　4.2 GPU 資源：精細化治理與彈性填充

　　GPU 是自動駕駛研發中最昂貴的核心資産。傳統的“獨占式、人工占卡”模式，導緻顯存利用率低下，且實驗任務之間的資源争搶，嚴重影響研發疊代效率。

　　優先級與搶占機制：依托雲上資源調度能力，實現訓練、評估與生産任務的分層管理，對空閑的 GPU 資源自動回收或降配，提升整體資源填充率。

　　細粒度共享：在短任務場景中引入時間片分配策略，支持小模型共享 GPU 資源，大幅提高昂貴算力的有效利用率。

　　國産 AI 芯片遷移：将部分訓練、推理與評估場景，遷移至國産芯片，通過異構算力分流，進一步降低算力開支。

　　4.3 應用與資源解耦：構建工程化閉環

　　如果頻繁因為底層資源變動而修改業務邏輯，會導緻系統維護成本激增，且難以将“成本控制”沉澱為可量化、可優化的工程指标。嬴徹科技的解決方案，是将彈性、容錯與調度邏輯，固化在底座層：

　　抽象編排層：将彈性、容錯與調度邏輯固化在底座層，确保業務邏輯與物理資源完全分離，互不影響。

　　全鍊路可觀測性：通過統一的任務定義與指标回寫機制，實現對算力消耗的分鐘級審計與追溯，讓每一分算力支出，都能對應明确的業務産出。

　　從内部成本，到外部壁壘

　　解決了萬級并發的難題，克服了調度雪崩的風險後，嬴徹科技在阿裡雲上，沉澱出了一套完整的自動駕駛研發工具鍊。

　　這套工具鍊最初隻是公司内部的成本中心，但随着技術成熟度和成本控制能力實現雙重突破，它完成了一次關鍵的角色躍遷：從内部工具，轉型為具備對外交付能力的商業化産品。

　　這次躍遷的關鍵，在于嬴徹科技早期就遵循“标準接口優先”的選型原則，優先采用 Argo、Ray、Flink、Spark、Kubeflow 等開源生态工具，與社區技術路線保持一緻。

　　這種架構選擇，讓平台天然具備多租戶隔離、彈性擴縮和跨雲可移植的能力，為商業化落地奠定了堅實基礎。

　　而真正能夠對外出售的，并非某個單一模塊，而是一套經過真實業務極限測試的“确定性能力”——包括任務如何編排、資源如何分配、異常如何恢複、成本如何控制等全套解決方案。

　　但同一套工具鍊，對内和對外的雲平台需求截然不同：對内，為了完成任務可以接受資源的“大起大落”;對外，必須保障多個客戶之間的安全隔離和穩定交付。

　　為此，阿裡雲通過 ACK 的命名空間隔離與 ACS 的彈性配額管理，讓嬴徹科技在同一套物理架構上，實現了内部業務與外部業務的邏輯隔離，以及資源的按需彈性伸縮。

　　行業内，很多傳統主機廠都有自動駕駛研發需求，但從零搭建這樣一套完整的生産線，不僅需要大量的時間和資金，更缺乏在極端并發、調度瓶頸中積累的工程判斷力。

　　如今，嬴徹科技将整套工具鍊平台基于阿裡雲，交付給 OEM 廠商，并結合包括 AMD 在内的異構算力資源，為其提供大規模數據處理、仿真驗證和成本優化的支撐。外部車廠的工程師，無需從零搭建系統，就可以直接在雲端完成算法開發、規控調試、仿真驗證和數據分析，同時受益于 AMD 等高性價比計算資源及科學的資源調度策略。

　　可以說，嬴徹科技交付的不僅僅是一套軟件授權，更是一條經過八年幹線物流場景極限驗證的研發流水線，以及讓這條流水線穩定運轉的全套工程能力。

　　更重要的是，這種“按負載選擇資源”的能力，可以被規模化複制到不同客戶的場景中：AMD 通用算力作為更易獲取、成本更友好的選擇，讓 OEM 廠商在快速搭建研發産線時，可以優先用高性價比的 CPU 資源，承載數據工程與仿真前後處理任務，将預算集中在關鍵的模型訓練與驗證環節，從而讓“同樣的流程、不同的資源組合”，成為可交付的核心價值之一。

　　通過接入更多 OEM 主機廠的研發場景，嬴徹科技本身也能持續獲得新的反饋，進一步驅動核心能力的疊代優化。

　　從雲算力的消費者，轉變為智駕雲平台能力的構建者，嬴徹科技的這次角色轉變，并非簡單“上雲”就能實現，而是八年雲原生實踐沉澱出的能力外溢。技術選型中堅持的标準化原則，最終成為了對外賦能的開放性基礎。

　　結 語

　　雲原生在最初階段，往往隻是優化系統架構的工程工具。但當業務被推向極限，它的真正價值才會顯現：它不僅能重塑系統，更能決定企業能否将“應對極限的工程能力”，轉化為“對外輸出的商業壁壘”。

　　嬴徹科技用八年時間，走出了這樣一條道路：搭建起讓數據自我強化的智能生産線，将生産線推向極限，再突破極限，最終讓生産線本身成為可交付的産品。

　　如今，幾乎所有 AI 公司都在面對同樣的考驗：數據飛輪如何持續運轉、算力如何合理控制、并發壓力如何支撐。或許隻需兩三年，它們也會面臨嬴徹科技曾經遇到的高強度并發挑戰。

　　那些關于架構、合規與成本的前置選擇，平時看似隻是技術上的取舍，但到了業務規模化的關鍵節點，終将轉化為一家公司的核心能力底座。

　　雲原生的最終目标，不是把系統搬到雲上，而是在雲上拓展業務的新邊界;當這個邊界可以被複制和交付，基礎設施就不再隻是成本中心，更會成為平台能力對外輸出的起點。