腾讯云智算与数据底座：重构自动驾驶算力调度与海量数据存储成本

报告来源： 腾讯智慧出行技术开放日 (2025 TIME DAY)

核心主讲人： 宋丹丹（腾讯云异构计算产品副总经理）、王登宇（腾讯云存储专家架构师）

应对智能汽车数据爆炸与算力调度瓶颈

随着自动驾驶从算法为核心向数据为核心演进，行业正面临指数级的数据规模扩张。从L2到L5级别的跃升，单车数据产生速度从280GB/小时激增至5.8TB/小时。这种行业演进带来了系统性的技术瓶颈：

• 存储与传输压载： 百万量级路测与量产车并发接入，产生海量并发请求，传统架构无法应对超百EB级数据的弹性存储与跨地域稳定传输。
• 计算资源浪费与时效滞后： 业务训练模型参数规模不一，大规模组网存在算力冗余；数据合规（如T+1小时内完成脱敏处理）要求极高，传统处理流水线导致GPU等待时间过长。
• 多元化数据治理复杂： 跨模态大模型（文本、图像、视频）训练需要极高的数据检索与标注效率，异构数据的整合抬高了整体运维与研发成本。

部署端到端云智算与数据存储引擎

为解决算力与存储解耦带来的效率损耗，腾讯云构建了覆盖“数据采集、预处理、算法训练、仿真测试、OTA升级”五大阶段的智算服务矩阵：

• 全栈自研vRDMA网络： 无需额外网卡硬件成本，提供200Gbps加速网络带宽及us级低延时，深度适配智能驾驶流体仿真与所有算法模型训练。
• 云函数SCF（国内首发GPU混合调度）： 支持自动跨Zone容灾与毫秒级弹性扩缩容（上不封顶下可到零），高度兼容MQTT/COS/Kafka等车企现有触发器，实现错峰调度与资源复用。
• Tencent Cloud Data Platform（新一代存储底座）：
  • COS对象存储 (YottaStore)： 提供12个9的数据可靠性，原生多AZ架构支持数据自动均衡与过载保护。
  • GooseFS 2.0 加速器： 部署近计算端缓存，支持数据预读和并行IO，元数据节点平行扩展，减少GPU空转等待。
  • MetaInsight 智能数据引擎： 结合大模型提供数据智能检索服务，实现场景数据自动打标与清洗。

释放算力潜能与量化研发降本指标

基于上述技术架构的落地，企业研发效能与运维成本（Ops Cost）得到具体量化改善，核心业务指标显著提升：

• 算力成本大幅削减： 云函数SCF按毫秒级精确计费，最高节省超70%的数据预处理成本；vRDMA多机互联技术在实现集群算力近无损扩展（扩展比达98%）的同时，节省20%的业务训练成本。
• 系统吞吐与IO效率倍增： GooseFS 2.0 缓存算法优化使数据IO路径缩短10倍，OPS和元数据能力提升5倍。面向海量小文件训练数据集，GooseFS-X 加速写入能力达到 500万 OPS。
• 资源利用率与稳定性重构： 仿真测试环节通过多任务共享GPU与精准隔离，GPU利用率提升至60%，仿真成本降低30%。同时，千卡单日故障率低至0.16，设备到位至开始训练周期由30天缩短至1天，故障恢复仅需5分钟。

落地车企数据合规与海量模型训练实战

通过构建定制化解决方案，腾讯云智算底座已在多家头部车企的核心业务流中完成验证：

• 实战案例一：某头部车企百万级车辆数据合规脱敏
  • 业务冲突： 应对649.5Gbps的数据峰值吞吐，需在国家法规要求的T+1小时内完成端到端脱敏。
  • 执行效果： 引入云函数SCF进行多任务共享算力，单卡可实现每秒处理30MB视频文件，整体数据预处理成本降低50%；部署上海自动驾驶专区，打通数据采集、配送、注入至算法训练的安全闭环。
• 实战案例二：某主流自动驾驶模型100PB+级训练
  • 业务冲突： 训练参数规模小但组网带宽要求高，超100PB数据量级面临读写效率瓶颈。
  • 执行效果： 采用vRDMA网络支持200Gbps高效互联，性价比提升20%；结合 COS+GooseFS 架构提供低成本海量缓存，使自动驾驶模型训练性能整体提升30%。

依托自研基础设施确立亚太区技术壁垒

腾讯云通过底层硬件设施的全面重构，建立了行业技术确定性。其自研的星脉网络（3.2 Tbps RDMA）与星星海自研AI服务器，支持从CPU到qGPU（5%超细粒度切分）的异构算力池化管理，并实现软硬协同的框架独家优化。

根据国际权威机构评估，腾讯云在 Gartner® 生成式AI云基础设施领域新兴市场象限中位列“新兴领导者”，其产品性能与未来潜力维度均位列亚太厂商第一，证明了其在解决自动驾驶及大模型AI生产力瓶颈上的工程落地能力。