Im Jahr 2025 befindet sich der chinesische Markt für autonome Fahrzeugtechnologie in einem entscheidenden Übergang von der frühen Entwicklung („0→1“) hin zu einer Phase der hochwertigen und hoch-effizienten Weiterentwicklung. Zentrales Element dieser Transformation ist das autonome Daten-Schleifen-System, das aus den Phasen Datensammlung, -übertragung, -verarbeitung, -trainieren und -bereitstellung besteht. Ein zentrales Ziel ist die Verbesserung der Abdeckung seltener, aber kritischer Szenarien („Long-tail-Scenarios“) sowie die Kontrolle der Kosten. Hersteller (OEMs) und Zulieferer (Tier-1) bauen daher zunehmend eigene, integrierte Daten-Schleifen-Lösungen auf, um die Genauigkeit und Stabilität ihrer intelligenten Fahrsysteme kontinuierlich zu optimieren. Ein signifikanter Trend ist die steigende Bedeutung synthetischer Daten: Während 2023 noch 20–30 % der Trainingsdaten aus synthetischen Quellen stammten, übersteigt dieser Anteil im Jahr 2025 bereits 50 %. Diese Entwicklung wird durch Fortschritte in der Weltmodell-basierten Daten-Synthese (z. B. mit GANs und Diffusionsmodellen) ermöglicht. Synthetische Daten ermöglichen es, seltene oder gefährliche Szenarien kostengünstig und sicher zu generieren, was die Trainingsdatenbasis erheblich erweitert. Gleichzeitig bleibt echte Fahrzeugdaten aus Serienfahrzeugen weiterhin essenziell, da sie die Grundlage für die Validierung bildet. Parallel dazu wird die vollständige Automatisierung der Daten-Schleife vorangetrieben. Die früher auf einzelne Schritte wie die Annotation beschränkten Systeme entwickeln sich zu end-to-end-automatisierten Toolchains, die von der Datensammlung über die Simulation bis zur Fahrzeug-Bereitstellung reichen. Durch den Einsatz von KI-Modellen und Cloud-Edge-Kollaboration wird der Datenfluss gebrochen, und ein selbstoptimierendes System entsteht. Unternehmen wie ExceedData bieten dafür integrierte Lösungen, die auf einer Kombination aus Fahrzeug-seitigem Edge-Computing (vCompute, vADS, vData) und Cloud-Infrastruktur (vStudio, vAnalyze, vCloud) basieren. Laut Kundenstudien senkt diese Architektur die Datenübertragungskosten um 75 %, Speicher- und Rechenkosten um bis zu 90 % und 33 %, insgesamt reduziert sich der Gesamtkosten um bis zu 85 %. Ein prominentes Beispiel ist Xpeng Motors, das mit einem Cloud-Modell-Fabrik-System mit einer Rechenleistung von 10 EFLOPS arbeitet. Hier verkürzt sich der Iterationszyklus von der Modellentwicklung bis zur Fahrzeug-Bereitstellung auf durchschnittlich fünf Tage. Mit dem weltweit ersten 72-Milliarden-Parameter-Modell für L4-Systeme mit Chain-of-Thought-Reasoning können menschliche Alltagslogik nachgebildet und in kleinere, aber intelligente Fahrzeugmodelle transferiert werden. Die Integration von End-to-End- und VLA-Modellen ermöglicht es, multimodale Eingaben direkt in Steuerbefehle umzuwandeln, wodurch die Effizienz steigt. Die Zukunft der intelligenten Mobilität liegt in der Cloud-basierten Dienstleistung (Subscription-Model), bei der Software kontinuierlich per OTA aktualisiert wird. Die effiziente Zusammenarbeit zwischen Fahrzeug und Cloud ist daher entscheidend für schnellere, selbstlernende Systeme. Die Daten-Schleife wird damit zum zentralen Wettbewerbsvorteil – nicht mehr nur für Technologie, sondern auch für Kosten und Stabilität. Branchenexperten sehen in der Integration von KI, Cloud-Infrastruktur und Edge-Computing die Grundlage für die nächste Generation autonomer Fahrzeuge. Unternehmen wie Huawei, Bosch, Geely, Li Auto und SAIC setzen bereits auf solche Systeme. Die Marktforschung zeigt: Diejenigen, die eine vollständige, automatisierte und kosteneffiziente Daten-Schleife aufbauen, werden die führenden Akteure in der autonomen Fahrzeugentwicklung in China und weltweit sein.