本报记者龚梦泽按天配资交流
当前，高阶智驾被“AI算力”和“生态构建”两股激流推波而行，一方面DeepSeek的案例揭示了在算力之外，算法模型、芯片性能以及性价比的重要性。另一方面，越来越多的智驾芯片汽车在尝试跳出单纯卖硬件的生意模式，探索爆款产品和软硬一体的生态模式。
《证券日报》记者注意到，英伟达、北京地平线机器人技术研发有限公司（以下简称“地平线”）、黑芝麻智能科技有限公司（以下简称“黑芝麻”）、华为技术有限公司（以下简称“华为”）、爱芯元智半导体股份有限公司（以下简称“爱芯元智”）等芯片企业已经意识到了这点，从它们最新动作中可以看出，算力只是关乎产品性能和模型训练的有利条件，已不再是充分必要条件。
“现在的芯片企业都在朝着软硬一体的大方向强化竞争壁垒，其中，性价比是重点，扩大生态圈是核心。”中国半导体投资及知识产权联盟理事宋东明表示，从2025年开始，高阶智驾能力逐渐成为标配，多传感兼容、支持多种模型算法开发以及更具性价比和成本控制的方案，才能满足市场和客户的增长需求，推动自动驾驶技术的普及和经济效益提升。
“端到端+VLA”激发算力需求
2022年，英伟达发布了一颗算力猛兽——Drive Thor，AI算力最高可达2000TOPS，是上一代OrinX（256TOPS）的8倍。但本应在2024年中量产的Thor由于多种原因陷入难产。最新消息是，Thor的算力被修改为1000TOPS，2025年先提供730TOPS的低算力版本。
另一方面，随着智驾底层逻辑从规则驱动向数据大模型驱动转变，VLA（视觉语言动作模型）被更多的智驾软件和汽车企业所青睐，并视之为开启端到端2.0时代的钥匙。但VLA需要处理大量视觉、语言等多模态数据，对于算力的需求更为苛刻。以理想汽车为例，其“端到端+VLM”双系统模型，需要消耗两颗Orin-X芯片，即508TOPS算力。
当下，制约智驾普及的一大因素就是软硬件成本。据悉，英伟达Orin-X芯片的单颗售价接近500美元，更不用说Thor以及软件的研发成本。针对高阶智驾，除了汽车本身的定价，大多数车企要么推出限时免费政策，要么直接采取买断的方案。
据了解，目前的高阶智驾方案大体可分为三段。首先，用于高端豪华车型的最佳方案，会配置多颗激光雷达与英伟达双Orin-X芯片，成本最高，算力最强。次之，一般采用会搭载单颗激光雷达和单枚英伟达Orin-X芯片，主打性价比，支持无图城市领航等功能。
在最平价方案中，车企普遍会舍弃成本较高的激光雷达，选择纯视觉路线，配置来自地平线J6M或英伟达OrinN芯片，可实现高速和城市快速道路的领航，以及代客泊车等高阶智驾功能。
“VLA打开了市场对于芯片超高性能的需求缺口和市场预期。”中国自动驾驶产业创新联盟调研员高超认为，如果要部署“端到端+VLA”模型，Orin-X的算力难以支撑，Thor将成为必选项。
国产智驾芯片群雄并起
根据《高工智能汽车研究院》数据显示，2024年前10个月，中国市场（不含进出口）乘用车前装标配L2及以上智能驾驶功能搭载率提升至54.66%。在其中，20万元至30万元价位区间乘用车前装标配NOA占到整体市场搭载量的41.25%，而9月份该价格区间搭载NOA的交付量已经反超30万元以上价位车型。
当高阶智驾“下沉”之战打响，降本增效已经成为各大主机厂普及高阶智驾的重要路径。在高算力+低成本的双重压力下，国产智驾芯片正以蓬勃之势对Thor的“算力垄断”发起冲锋。
《证券日报》记者注意到，黑芝麻最新发布的华山A2000Pro尽管未直接标明算力数据，但从“4倍行业旗舰芯片”的性能注解，可以预估至少有几百TOPS，如果行业旗舰芯片指的是Orin-X，那么该芯片算力将达到1000TOPS。
此外，地平线最新推出的征程6系列，覆盖低中高阶智驾，其中旗舰款产品征程6P的AI算力达到了560TOPS，几乎是征程5（128TOPS）的5倍，Orin-x的两倍。
而作为稠密算力的代表，华为昇腾610发布于2020年，算力为200TOPS。所谓稠密算力，是指网络中的每个神经元都与前一层的每个神经元相连，没有零权重。“稠密算力数值标注上没有稀疏算力高，但在处理智驾这类复杂计算任务时，效率更高，性能表现更好。”高超告诉记者，目前包括英伟达，大多数芯片的高TOPS背后，其实指代的都是稀疏算力。
作为一家主营智驾主控芯片企业，爱芯元智M76 HNPU算力60TOPS，集成8核高性能CPU，主打应用形态为行泊一体域控制器，原生支持BEV+Transformer架构，能助力车企实现NOA以及APA（自动泊车）功能，最高可实现ICA（城区的记忆领航）。
“身处AI和大模型急剧变化的时代，一项技术创新或一条游戏规则或许就能快速改写整个行业前进路线，芯片企业都在寻求卡位和孕育新的爆款产品。”宋东明对记者表示按天配资交流，总的来说，下一代自动驾驶计算芯片不仅需要满足高算力、高带宽、平台化设计的需求，还需要配合友好通用的工具链以及全栈化解决方案，以满足自动驾驶技术的快速落地和持续迭代。
