物界前沿百万辆装车之后，下一个瓶颈是数据闭环的效率
百万辆装车，对华为乾崑来说究竟是里程碑还是新马拉松的起点。从2022年1月到2025年8月，44个月啃下第一个百万辆，第二个百万辆预计只用12个月。这个增速确实亮眼，但作为天天在工具链里摸爬滚打的人，我看到的不是用户规模刷榜的成就感，而是数据量暴增带来的工程压力。
数据闭环的本质是效率竞赛
乾崑智驾能做到这个增速，说明训练数据已经在源源不断地从量产车回流。很多人在讲端到端模型，在讲算力规模，但真正拉开差距的地方，其实是数据闭环的吞吐效率。我试过一些开源方案，数据从采集标注到模型迭代，周期动不动就按周计算。这种效率在百万辆规模下根本撑不住，因为每辆车每天产生的驾驶数据是海量的，如果不能快速筛选出有价值的长尾场景，训练成本会直接爆炸。
华为的Shadow模式其实是个巧妙的解法。它让车端直接做场景筛选，把有价值的片段上传，而不是把所有原始数据都倒回云端。这相当于在数据管道的入口加了一个智能过滤器，大幅降低了传输和存储的带宽压力。但接下来新的问题来了：筛选标准怎么定，谁来决定哪些场景值得上传。如果规则写死了，模型会过拟合在已知的bad case上，而真正颠覆性的长尾问题反而可能漏掉。这个尺度把控，是工程实践里最难的部分。
从刷榜到落地，鸿蒙座舱的生态横跳
说完智驾，再看鸿蒙座舱。第二个百万辆的增速从42个月缩短到12个月，这个节奏和智驾几乎是同步的。但作为开发者，我关心的是这个生态能不能真正跑通。很多车厂在发布会上吹的生态打通，到实际落地时往往就是几个预装应用，联调效率低到让人崩溃。
华为走的是终端设备生态的路子，用一套底层框架把手机、平板、车机串起来。这个思路省事，因为创新成本被分摊到整个鸿蒙生态上，车厂不需要从头造轮子。但踩坑的地方也很明显：车机屏幕的交互逻辑和手机完全不一样，强行复用手势和布局，用户学习成本反而更高。而且车机版本的更新节奏通常比手机慢很多，几个月的延迟会导致体验割裂。这个问题在现阶段的百辆级规模下还能忍，但到了千万辆级别，任何一个体验问题都会变成巨大的声量反噬。
行业竞争的终局不在技术而在成本
业内一直有个争论：智驾是应该车载全栈自研，还是走开放平台。从乾崑的路径看，它选择了后者，通过开放平台让车厂接入，快速铺量。这种做法在早期确实能抢占市场份额，但到了百万辆