如何定位国产智驾芯片的最终价值？

对于汽车工业来说，围绕电子E/E架构有一个简单明了的说法：

传统的E/E结构是功能机，而特斯拉则使汽车成为智能机器。

相比之下，传统的E/E架构被描述为“拼接老爷车”，甚至可以用“能用就用”这个词来概括，而新的E/E架构已经成为车企能力拓展的底层支撑。

其核心逻辑是，集中式分布架构让汽车公司有实力掌握软件的研发权，汽车制造能力圈瞬间从过去油车时代的供应链整合转变为汽车主要功能的概念。

由此产生的软硬一体化，也成为智能时代汽车企业自主研发芯片的强大动力。

从E/E架构迭代到芯片自主研发，汽车公司想尽办法控制汽车的核心定义权，目标简单直接:从理论利润率最高的微笑曲线(芯片 算法)获利。

比亚迪点燃的“智能驾驶平等权利”浪潮，不仅是各大汽车公司占据份额的好时机，也给智能驾驶供应商带来了历史性的上车机会。

原因在于，在汽车企业竞争加剧、智能驾驶计划内卷的大环境下，全栈自研已经成为目前汽车企业考虑的次要因素。

换句话说，在全民智能驾驶的前一天晚上，汽车公司的首要任务是先上车而不掉队。一年卖400万台的比亚迪，也在喊自己的研究，把自己买成地平线的大客户。

去年，随着高速NOA的逐步发布，一波智能驾驶心智已经在消费侧建立起来。从今年年初开始，智能驾驶平等权利是一个新的开始:即城市NOA发布。一些券商预测，2026年将迎来真正的智能驾驶平等权利时代，在城市NOA大规模普及。

换言之，留给汽车公司的窗口期只有2年。

追上英伟达

无论是第三方智能驾驶供应商，还是自主研发智能驾驶芯片的汽车公司，英伟达都是第一个要克服微笑曲线两侧利润的障碍。

英伟达之所以能够在今天的智能驾驶市场上仅凭一个Orin-X芯片就能获得45.4%的份额，这是“恰逢其时”的完美描述。

但是汽车公司在选择的时候也有自己的想法。例如Orin-X，Orin包含16*128个CUDA。 16*4个Tensore和Core Core，Tensor Core是AI加速的核心，支持高吞吐量、低精度计算(例如INT8)，最能满足自动驾驶需要。

在电动汽车智能化初期，u200cu200c，新力量汽车企业迫切需要通过智驾打响品牌价值，Orin-X作为GPGPU芯片，实用性极高，计算率上限较高。为了避免计算率的限制，新力量首先使用了两个以上的英伟达OrinX。到目前为止，一个OrinX基本上可以实现城市NOA，支持智能驾驶算法从CNN到Transformer的大型路径迭代。

Orin将直接设置车企冗余计算能力。 在2024年，智驾域控芯片安装能力以39.8%的市场份额排名第一。

与此同时，国产芯片也在奋起直追，2020年，地平线J3仍然只有5TOPS计算率，但到今年，地平线/黑芝麻已经实现了一轮商品升级迭代，具备了中、高级芯片的供应能力。在这些因素中，地平线J6P和黑芝麻A2000已经能够与英伟达Thor X同场比赛。

同时，在量产验证方面，国产芯片和英伟达的产品验证期仅为2-3年(英伟达-小鹏-2020，地平线-理想-2022，黑芝麻-吉利-2023)。

英伟达在2022年率先进入商品迭代周期（Xavier->OrinX），2025年后，国产芯片和英伟达正式进入同级竞争阶段。经过五年的追求，国产芯片在量产验证和客户获取方面逐渐打平了英伟达。

国产芯片凭借与汽车公司的合作关系和性能的进步，幸运地遇到了智驾平权引发的需求爆发，成为最大公约数。

其中一个证据是，从目前已有的信息来看，绝大多数自主汽车公司都选择国产芯片作为主流方案，「国产芯 算法供应商 Tier1 车企」智能驾驶计划合作模式成为主流，国内芯片供应商喜提一轮井喷需求。

在芯片架构方面，东吴证券也为国产芯片找到了一个优势，他们认为英伟达的芯片都是GPGPU(没有NPU，用GPU做AI加速)，其他智能驾驶芯片都是专门为智能驾驶设计的ASIC芯片(有NPU，用GPU做AI加速)。

不同的是，GPU使用多个可以同时计算的乘加模块进行AI计算，中间结果流回缓存；NPU使用特殊结构来避免中间结果流回缓存，从而提高效率。

为了满足特定的AI计算效果，NPU可以被理解为定制GPU，这是ASIC芯片效率更高的核心原因。

GPGPU作为智能驾驶的核心芯片，只能发挥其30%的性能；而且特斯拉HW3.0(标准算率144TOPS)的有效算率(针对特定算法)相当于300。 通用GPUTOPS。

路线不同

芯片开发是一场持久战，在定义之初就要保证符合下一代智能驾驶算法的迭代方向。业内人士普遍认为，芯片制造至少需要三年的时间，英伟达Orin从发布到大规模生产需要三年的时间；地平线J6从定义到大规模生产用了四年；蔚来的神玑从定义到发布用了五年时间。

其实规律已经很明显了。企业积累的时间越多，上下游资源的时间就越短，这种时间跨度优势会一直保持下去，成为后来者难以逾越的堡垒。

然而，像蔚来这样的后来者并不是没有机会。从芯片制造成本来看，汽车公司要想通过自主研发节约利润，必须符合规模。 两个标准的迭代能力：

1)自供销量足够大(至少50万片)；

第二，芯片具有良好的迭代能力。若芯片具有较强的迭代能力，则开发者可以具有复用性，更容易实现经济性。

智能驾驶芯片制造成本计算

在三大新力量中，只有理想勉强达到了销售规模，但其自研芯片的进展却落后于蔚来和小鹏。

但这也可以看出，智驾R&D的核心竞争优势越来越软硬一体。

历史上，软硬件的合作形式很多，但唯一不变的是软硬件的结合。其核心是车企对智能驾驶本质的理解:智能驾驶是计算系统整体效率的较量，不仅仅是算法或硬件的竞争。

在这方面，特斯拉FSD算法与芯片的结合效果足以代表智能驾驶系统的优势在于计算率利用率的提高。

2023年，根据特斯拉的AI。 根据DAY的披露，占用网络可以直接使用FSD芯片NPU计算稀疏卷积，而通用芯片需要通过CUDA等框架转换成密集卷积，效率降低30%左右。

基于Embedded Vision Alliance，特斯拉的底层驱动和中间部件(如Dojo编译器)可以提高芯片指令集，降低操作系统和中间层的调度成本。相比之下，基于Linux或QNX的自动驾驶系统需要额外消耗5-10%的计算率才能在通用芯片上运行。

从规模 从性能迭代到软硬一体，都透露出目前智驾的两条路线：即全栈自研和第三方供应商，后者要相对较弱。

然而，汽车公司总是考虑到功能上车的性能和成本，算法升级/芯片迭代/传感器简化都是为了降低成本。从这个角度来看，成本是第三方智能驾驶供应商的优势之一。

就拿比亚迪来说，有券商调查记录显示，比亚迪天神之眼C(芯片：Orin-N/J6M）智能驾驶控制器的成本在3000元左右，加上传感器之后，整体硬件成本不到5000元。

智能驾驶，尤其是高级智能驾驶，其竞争力取决于数据、计算率、人才、资金和内部协同，其中计算能力和信息是两个关键因素。

与大语言模型可以在互联网上捕捉大量文字数据进行训练不同，从端到端智能驾驶系统训练所需的视频数据获取成本和难度更高。对于高级智能驾驶功能，影响训练数据的关键因素包括车辆总数和车企智能驾驶车型比例，可以稳定收集数据。

与第三方供应商相比，整车厂在实践数据获取方面具有较大优势。截至2024年3月，已有200万辆特斯拉车辆配备FSD。根据华为的预测，2024年底搭载华为智驾的车型将超过50万辆。截至2024年7月，理想交付超过87万台，其中99%的用户使用过辅助驾驶。截至2024年7月，蔚来智能驾驶用户总数达到55.8万，NOP 总用户数达到30.8万。截至2024年6月，小鹏XNGP智能导航辅助驾驶的用户渗透率已达85%。

对第三方供应商而言，此前国内上海AI 在最终建立了2000小时数据集OpenDV-2K之前，lab团队收集了整个Youtube。相比之下，特斯拉在2023年端到端神经网络开发之初，就投喂了1000万只经过筛选的人类驾驶视频短片，即使每段计算15秒，也是超过40000小时的超清视频。

此外，也不能低估人才规模与内部协作之间的差距。

高级智能驾驶的核心是人才驱动。根据新渠道的统计数据，华为、比亚迪、小鹏、蔚来、小米等汽车公司的智能驾驶团队人员都在1000人以上；智能驾驶是目前汽车中最复杂的软件之一。智能驾驶的开发涉及到智能驾驶舱、底盘、营销等多个二级R&D部门的协同配合，对整车厂的内部协同和整体管理效率要求很高。

尾声

打开这一轮智能驾驶平等权利的比亚迪，虽然芯片和算法都依赖外部供应商，但自研智能驾驶芯片的消息从去年年底就已经出来了。据说今年5月基于地平线J6M的自研算法也在加班。

头部车企有头有脸，有销售担保，基本都是自研打底。 外采过渡，但在主要为英伟达贡献销售的新势力中，也只有小米和极氪暂时没有智能驾驶芯片的自主研发计划。

这对于第三方智能驾驶供应商来说不是好消息，但也不差。至少在验证自主研发芯片量产装车的过程中，还是有机会迭代性能提升服务的。此外，除了性能，汽车公司还有更重要的成本考虑功能上车的思路。

本文来自微信公众号“解码Decode”，作者：编辑部，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com