【導(dǎo)讀】CES 2026上，英偉達(dá)發(fā)布多款汽車領(lǐng)域核心產(chǎn)品與技術(shù)，其中開源輔助駕駛模型Alpamayo頗具看點，該模型擁有100億參數(shù)，命名寓意技術(shù)高地，也呼應(yīng)了黃仁勛提出的訓(xùn)練、推理、仿真“三臺計算機(jī)”技術(shù)金字塔概念。英偉達(dá)還提出，計算機(jī)產(chǎn)業(yè)每10-15年將迎來一次平臺變革，新一代DRIVE Thor芯片等產(chǎn)品正是其順應(yīng)這一趨勢的布局。盡管汽車業(yè)務(wù)營收占比不高，但英偉達(dá)已持續(xù)投入超8年，且正深度貼合中國客戶需求，提供適配行業(yè)發(fā)展的技術(shù)與產(chǎn)品支持。
為汽車行業(yè)提供全棧解決方案
一個優(yōu)秀的智能駕駛產(chǎn)品，究竟該具備什么樣的核心特性？在英偉達(dá)看來，共有四大特點：第一是性能，既依賴SoC的算力基礎(chǔ)，也離不開算法層面的深度優(yōu)化；第二是系統(tǒng)穩(wěn)定性，隨著國內(nèi)智能駕駛量產(chǎn)規(guī)模擴(kuò)大，系統(tǒng)的可靠性與安全性成為核心競爭力；第三是易用性，降低開發(fā)者的上手門檻，實現(xiàn)車端與云端 AI 芯片的高效開發(fā)，是行業(yè)的共同訴求；第四是高效支持，快速響應(yīng)客戶需求，為項目落地提供全周期技術(shù)服務(wù)，是客戶最為關(guān)注的要點。
黃仁勛反復(fù)強(qiáng)調(diào)的英偉達(dá)核心支柱是三臺計算機(jī)：用于訓(xùn)練的DGX、用于仿真的OVX和用于車載推理的AGX。這構(gòu)成了從數(shù)據(jù)訓(xùn)練、仿真驗證到量產(chǎn)部署的完整閉環(huán)。而英偉達(dá)的解決方案也可以分為三個層面：SoC芯片、平臺和軟件。
第一，SoC芯片方面，英偉達(dá)的車載計算芯片經(jīng)歷了四代發(fā)展：2018年的1TOPS的Parker，到2020年量產(chǎn)于小鵬P7等車型的30TOPS的Xavier，再到2022年254 TOPS的Orin，以及可以達(dá)到最高2000TOPS（NVFP4）的Thor。
衡量芯片性能不能只看算力數(shù)值，內(nèi)存帶寬同樣是關(guān)鍵指標(biāo)。芯片性能如同木桶效應(yīng)，GPU、CPU與內(nèi)存帶寬任一環(huán)節(jié)成為短板，都會制約整體性能發(fā)揮。以Thor為例，其內(nèi)存帶寬高達(dá)273GB/s，處于行業(yè)領(lǐng)先水平。采用NVFP4和投機(jī)采樣，對內(nèi)存帶寬的需求還可以進(jìn)一步減少，從而使性能有更好的發(fā)揮。此外，英偉達(dá)在芯片設(shè)計中融入了諸多創(chuàng)新架構(gòu)，除了核心的GPU計算單元，還集成了多種專用加速引擎，確保計算資源的高效利用。在專利布局上，針對車載GPU，英偉達(dá)擁有700余項專利技術(shù)。
第二，平臺方面，英偉達(dá)嚴(yán)格遵循ASPICE和ISO 26262流程，同時獲得了產(chǎn)品級的TüV的ASIL-D功能安全認(rèn)證。值得注意的是，行業(yè)內(nèi)部分廠商宣稱的 “安全認(rèn)證”，需區(qū)分是產(chǎn)品認(rèn)證、架構(gòu)認(rèn)證還是流程認(rèn)證，其中產(chǎn)品功能安全認(rèn)證的標(biāo)準(zhǔn)最為嚴(yán)苛，而英偉達(dá)是業(yè)內(nèi)少數(shù)完成全流程認(rèn)證的企業(yè)。
英偉達(dá)還定義了像Hyperion這樣的參考架構(gòu)，當(dāng)前 Hyperion 已發(fā)展至第四代，也就是Hyperion 10。該平臺在設(shè)計之初，就對傳感器配置、系統(tǒng)架構(gòu)與軟件進(jìn)行了功能安全分解，明確了支持L4 級自動駕駛所需的算力配置，Hyperion 10搭載兩塊基于 NVIDIA Blackwell 架構(gòu)的 NVIDIA DRIVE AGX Thor 系統(tǒng)級芯片，可提供超過 2000 TFLOPS FP4 精度 (或 1000 TOPS INT8) 的實時算力。同時，英偉達(dá)為每一個軟硬件模塊都設(shè)定了明確的功能安全目標(biāo)，形成了完整的安全需求矩陣。
第三，軟件方面，英偉達(dá)提供兩種可量產(chǎn)的OS選項：QNX和基于Linux的DriveOS。在中國市場，許多企業(yè)傾向于Linux，主要因其生態(tài)和開發(fā)便利性。為此，英偉達(dá)將DriveOS QNX中許多客戶重視的功能，如內(nèi)存ECC校驗、診斷功能遷移到了Linux版本中，從而在保持開發(fā)靈活性的同時，增強(qiáng)了系統(tǒng)的可靠性和診斷能力，更大幅縮減了從芯片到量產(chǎn)的時間。
除此之外，在剛剛過去的CES上，英偉達(dá)發(fā)布的Alpamayo大模型，這是一款融合推理能力的開源VLA大模型，基于Transformer架構(gòu)打造。英偉達(dá)認(rèn)為，單純的端到端模型缺乏可解釋性，而融入推理能力的Alpamayo模型，能夠讓智能駕駛決策更具邏輯性與可靠性。
針對中國市場的創(chuàng)新
中國團(tuán)隊緊密配合本地市場的快速需求，英偉達(dá)驅(qū)動了許多創(chuàng)新產(chǎn)品。
首先，第一個例子是衛(wèi)星架構(gòu)下的雷達(dá)數(shù)據(jù)處理優(yōu)化。傳統(tǒng)毫米波雷達(dá)的數(shù)據(jù)處理由雷達(dá)模組內(nèi)置芯片完成，僅向車載SoC傳輸目標(biāo)檢測結(jié)果。隨著車載SoC算力的提升，車企提出 “將雷達(dá)原始數(shù)據(jù)傳輸至SoC進(jìn)行處理” 的需求，這一方案可節(jié)省雷達(dá)模組的硬件成本，并提升算法的靈活性。針對這一需求，英偉達(dá)對NvSIPL SDK進(jìn)行了定制化開發(fā)，可支持雷達(dá)和激光雷達(dá)。同時，把新增雷達(dá)原始數(shù)據(jù)處理模塊部署到SoC的專用加速器（PVA）上，既避免了占用GPU資源，又實現(xiàn)了算力的高效利用。
接著，第二個例子是TensorRT Edge-LLM 的車端適配。2023年英偉達(dá)發(fā)布了面向云端大模型推理的TensorRT LLM SDK，一些車企隨即提出將其移植到車端平臺的需求。2024 年，英偉達(dá)中國團(tuán)隊僅用兩周時間，就完成了TensorRT LLM在Orin平臺的初步適配。但在后續(xù)優(yōu)化中發(fā)現(xiàn)，云端與車端的技術(shù)需求存在顯著差異：云端關(guān)注高吞吐量，而車端受限于傳感器數(shù)據(jù)輸入規(guī)模，對低延遲、低內(nèi)存占用要求更高。
為此，團(tuán)隊推出專為車端設(shè)計的TensorRT Edge-LLM SDK，并與國內(nèi)大模型團(tuán)隊展開合作，完成模型適配與優(yōu)化。目前，該SDK已支持英偉達(dá)全系列嵌入式計算平臺，包括車端的Orin與Thor系列、嵌入式的Jetson 系列，以及和聯(lián)發(fā)科合作開發(fā)的C-X1/ C-Y1系列。相較于業(yè)內(nèi)其他推理框架，TensorRT Edge-LLM具備三大優(yōu)勢：一是支持C++原生開發(fā)，更符合車載場景的量產(chǎn)需求；二是深度適配英偉達(dá)GPU架構(gòu)，可充分發(fā)揮硬件算力；三是性能優(yōu)勢顯著，官方數(shù)據(jù)顯示，其推理效率相較于業(yè)界其他大模型推理框架提升兩倍以上。目前，英偉達(dá)正在推動該 SDK的功能安全認(rèn)證。
最后，第三個例子是Orin芯片的性能迭代。Orin芯片作為一款發(fā)布三年半的產(chǎn)品，通過TensorRT的版本迭代，Transformer的性能可以提升30-50%；同時基于最新的TensorRT Edge -LLM SDK，Orin同時可以很好的支持7B的大模型，并取得相當(dāng)好的性能。
從底層的芯片硬件，到中間層的DriveOS與SDK工具鏈，再到上層的感知、規(guī)控算法與 Alpamayo大模型，英偉達(dá)已構(gòu)建起全棧式的智能駕駛解決方案。
長期踐行開源模型和工具鏈技術(shù)路線
云端協(xié)同也是英偉達(dá)的一個發(fā)力點。在數(shù)據(jù)中心端，英偉達(dá)主要包括兩個開源模型平臺：一是世界基礎(chǔ)模型（WFM）Cosmos，二是CES上剛剛發(fā)布的Alpamayo。
開源模型與工具鏈并非英偉達(dá)的戰(zhàn)略轉(zhuǎn)型，而是長期踐行的技術(shù)路線，核心目標(biāo)是通過技術(shù)普惠，推動行業(yè)發(fā)展。
首先，在Cosmos方面，系統(tǒng)核心構(gòu)成包括三方面：一是模型層，涵蓋感知、決策、推理等全鏈路模型；二是工具層，包括數(shù)據(jù)標(biāo)注、數(shù)據(jù)清洗、模型訓(xùn)練等開源工具；三是數(shù)據(jù)層，提供豐富的訓(xùn)練數(shù)據(jù)集。其中，工具層的兩款工具深受國內(nèi)企業(yè)青睞：一款是用于訓(xùn)練過程的自動化數(shù)據(jù)標(biāo)注工具，可大幅提升標(biāo)注效率；另一款是數(shù)據(jù)檢索工具，能夠快速定位高質(zhì)量的訓(xùn)練數(shù)據(jù)。針對中國市場，英偉達(dá)將原本的英文訓(xùn)練腳本，優(yōu)化為支持中文的開源版本，進(jìn)一步降低了開發(fā)門檻。
當(dāng)前智能駕駛行業(yè)面臨著一個核心瓶頸：隨著自動駕駛等級的提升，長尾場景數(shù)據(jù)采集成本呈指數(shù)級增長，傳統(tǒng)“路采-訓(xùn)練-驗證”模式已難以為繼。這也是近半年來，國內(nèi)自動駕駛技術(shù)突破放緩的重要原因。為此，英偉達(dá)提出了生成式AI驅(qū)動的解決方案，通過Cosmos、Issac等生成式模型，合成高質(zhì)量的長尾場景數(shù)據(jù)，以算力換取數(shù)據(jù)，破解行業(yè)痛點。
生成式模型分為三大類：一是純生成模型，輸入一段真實路況視頻，即可預(yù)測后續(xù)的場景變化，部分車企已將其應(yīng)用于仿真測試；二是條件生成模型，通過輸入文本指令，生成特定場景的數(shù)據(jù)，可精準(zhǔn)覆蓋極端天氣、復(fù)雜路況等長尾場景；三是風(fēng)格遷移模型，能夠?qū)?D 仿真場景轉(zhuǎn)化為逼真的3D數(shù)據(jù)，提升仿真測試的真實性。區(qū)別于行業(yè)內(nèi)其他方案，英偉達(dá)的生成式模型核心優(yōu)勢在于工程化量產(chǎn)能力，模型生成的數(shù)據(jù)具備時序一致性與場景合理性，完全滿足自動駕駛的訓(xùn)練與測試需求。
其次，在Alpamayo方面，該模型的核心創(chuàng)新在于因果推理數(shù)據(jù)集的構(gòu)建，英偉達(dá)首次提出了參考公式化的數(shù)據(jù)集標(biāo)注方法，通過“感知-推理-決策”的全鏈路標(biāo)注，讓模型能夠?qū)W習(xí)到?jīng)Q策的邏輯，而非簡單的圖像與結(jié)果的映射關(guān)系。
以施工路面場景為例，傳統(tǒng)感知模型僅能識別 “施工路面”這一目標(biāo)，而Alpamayo模型則會進(jìn)行多步推理：首先識別 “視線遮擋” 這一關(guān)鍵特征，再結(jié)合車輛當(dāng)前的速度、距離等信息，最終輸出“減速慢行”的決策指令。這種推理式的決策邏輯，讓模型具備更強(qiáng)的泛化能力，即便遇到從未訓(xùn)練過的施工場景，依然能夠做出正確決策。“數(shù)據(jù)集構(gòu)建、模型訓(xùn)練、仿真強(qiáng)化”的全鏈路方案，是Alpamayo模型實現(xiàn)高泛化性的核心原因。
此外，英偉達(dá)已開放了原始數(shù)據(jù)集，該數(shù)據(jù)集涵蓋全球多地區(qū)的真實路況，且已完成脫敏處理，開發(fā)者可直接用于模型訓(xùn)練。
Alpamayo模型的最大價值，在于為L4級自動駕駛提供了一條高效的實現(xiàn)路徑。其可解釋性的決策邏輯，解決了傳統(tǒng)端到端模型黑箱的行業(yè)痛點，目前已有多家車企計劃將該模型作為主駕系統(tǒng)的核心算法，搭配冗余的安全系統(tǒng)，實現(xiàn)L4級自動駕駛的量產(chǎn)落地。
開源模型源于與中國客戶的合作
許多開源工作是源于英偉達(dá)與企業(yè)深度合作中識別到的痛點。有三個典型案例，展現(xiàn)了英偉達(dá)創(chuàng)新技術(shù)如何賦能智能汽車的量產(chǎn)落地。
第一個案例是蔚來自動駕駛數(shù)據(jù)處理加速方案。2022年，蔚來在量產(chǎn)車型的數(shù)據(jù)回傳過程中，面臨著數(shù)據(jù)量激增、處理效率低下的難題。英偉達(dá)團(tuán)隊針對這一痛點，開發(fā)了一套自動化的數(shù)據(jù)篩選與預(yù)處理方案，最終實現(xiàn)數(shù)據(jù)處理吞吐量提升6倍。這一方案看似與芯片銷售無直接關(guān)聯(lián)，但英偉達(dá)始終秉持“解決行業(yè)痛點”的理念，通過技術(shù)賦能降低車企的研發(fā)成本，才能推動整個行業(yè)的發(fā)展，這也是英偉達(dá)區(qū)別于其他芯片廠商的核心競爭力。目前，該方案已進(jìn)入開源流程，未來將面向全行業(yè)開放。
第二個案例是英偉達(dá)閉環(huán)仿真平臺NuRec的本土化落地。國內(nèi)頭部車企的仿真測試體系中，均能看到該平臺的身影。該平臺的核心功能是，輸入一段路采數(shù)據(jù)，即可生成多樣化的場景變體，例如調(diào)整車輛位置、行人行為、天氣狀況等，幫助車企快速完成海量場景的測試驗證。某車企的實踐數(shù)據(jù)顯示，應(yīng)用該平臺后，仿真測試效率最高可提升35倍，測試成本最多可降低到50分之一，輔助駕駛系統(tǒng)的研發(fā)周期從“月級” 縮短至“小時級”。
第三個案例是端到端訓(xùn)練的存儲優(yōu)化方案。隨著端到端模型的興起，車企的訓(xùn)練數(shù)據(jù)從“單幀圖片”轉(zhuǎn)向“連續(xù)視頻流”，存儲成本激增300%~1000%，成為制約技術(shù)落地的新瓶頸。英偉達(dá)團(tuán)隊針對這一問題，開發(fā)了邊解碼邊訓(xùn)練的流式處理方案，無需將視頻數(shù)據(jù)完整存儲，即可直接用于模型訓(xùn)練。該方案僅增加數(shù)百分比的GPU開銷，卻能幫助車企節(jié)省90%的熱存儲成本，按單車企的訓(xùn)練規(guī)模計算，每年可節(jié)省上億元的硬件投入。目前，該方案已在多家車企落地，并將持續(xù)迭代優(yōu)化。
這三個案例的共性在于，英偉達(dá)解決的都是車企量產(chǎn)過程中 “真問題”。這些問題看似與芯片算力無關(guān)，卻直接決定了技術(shù)能否從實驗室走向市場。
總結(jié)
從芯片硬件的性能迭代到軟件生態(tài)的定制優(yōu)化，從開源模型的技術(shù)普惠到量產(chǎn)場景的痛點破解，英偉達(dá)以全棧布局和長期主義，構(gòu)建起智能駕駛領(lǐng)域的核心競爭力。Alpamayo模型的因果推理創(chuàng)新、生成式AI的數(shù)據(jù)解決方案，以及針對中國市場的本土化適配，不僅彰顯了技術(shù)硬實力，更體現(xiàn)了與行業(yè)共生的發(fā)展理念。隨著開源生態(tài)的持續(xù)完善和全棧方案的不斷迭代，英偉達(dá)有望進(jìn)一步打破智能駕駛量產(chǎn)瓶頸。
