智驾芯片卷到1000 TOPS，VLA又把规则改了？

340亿参数的大模型，能否真正装进一辆汽车，并在复杂交通环境中实时作出驾驶决策？

2026年，自动驾驶大模型正在迎来新一轮技术升级。8月，英伟达发布Alpamayo 2 Super，将视觉语言推理与驾驶轨迹生成结合起来；华为乾崑ADS 5采用WEWA 2.0架构，通过世界模型和安全风险场提升驾驶决策能力；小鹏第二代VLA已经进入量产辅助驾驶系统，并进一步引入长时序理解和流式推理；地平线HSD则依托征程6计算平台，推动端到端模型与芯片架构协同优化。

从BEV、Transformer到端到端，再到VLA和世界模型，自动驾驶算法正在从识别道路环境、预测车辆轨迹，向理解复杂交通关系、推理潜在风险和生成驾驶行为演进。这也意味着，汽车计算平台需要处理更多时序信息、更复杂的神经网络计算，以及更加严格的实时决策任务。

问题随之而来。与数据中心不同，汽车受到功耗、散热、成本和计算资源的严格限制。模型规模越大，对AI算力、内存容量和数据带宽的需求通常越高，而车辆又必须在有限时间内完成感知、推理和控制。因此，汽车芯片厂商开始重新审视GPU、NPU、片上缓存及低精度计算架构，试图在有限硬件资源下提高大模型的实际运行效率。

与此同时，中国L3自动驾驶正在进入限定区域运营阶段。2025年12月，长安和北汽首批L3车型获得附条件准入；2026年7月，L3/L4自动驾驶系统安全强制性国家标准正式发布。随着系统开始在特定条件下承担完整动态驾驶任务，AI模型不仅需要具备更强的决策能力，还必须与独立安全监控、故障检测和冗余控制机制协同。

大模型的发展正在给汽车芯片带来怎样的新需求？下一代AI SoC究竟应该比拼峰值算力、内存带宽，还是实际模型推理效率？当VLA大模型与L3安全要求相遇，全球汽车半导体产业的竞争格局又将发生什么变化？

从端到端到VLA，自动驾驶大模型发展到了哪一步？

与过去主要围绕环境感知和轨迹规划展开的算法竞争相比，新一代自动驾驶大模型开始尝试理解复杂交通关系、预测未来环境变化，并根据不同驾驶行为可能产生的结果作出决策。

这一轮技术演进背后，是端到端自动驾驶正在遇到新的工程挑战。

早期自动驾驶系统通常采用模块化架构，将感知、预测、规划和控制划分为不同模块。随着BEV、Transformer和Occupancy Network等技术应用，车辆能够将摄像头、雷达等传感器信息转化为统一的三维空间表达，并通过注意力机制分析交通参与者之间的时空关系。

端到端模型进一步减少了传统模块之间的人工规则和接口，通过大规模驾驶数据训练，直接从传感器输入生成驾驶轨迹。这种方式降低了多个模块之间的信息损失，也使汽车能够通过持续的数据训练改善驾驶表现。

但随着城市NOA进入复杂道路环境，单纯依靠驾驶数据模仿人类司机的行为，开始暴露出一些局限。

例如，车辆遇到临时交通管制、交警手势、无标线道路，或者多个交通参与者相互礼让时，需要理解的不只是周围物体的位置和运动速度，还包括交通规则、行为意图以及不同决策可能引发的连锁反应。传统端到端模型并非完全无法处理这些场景，但当相关样本稀缺、交通关系复杂时，仅依靠轨迹模仿往往难以获得稳定的泛化能力。

因此，自动驾驶算法开始向更复杂的场景理解、行为推理和未来预测发展。

VLA（Vision-Language-Action，视觉语言动作模型）是其中的重要方向。它将视觉感知、语义理解与动作生成结合起来，使模型能够在分析交通环境的基础上形成驾驶决策。世界模型则尝试学习真实环境的动态变化，预测车辆采取不同行动后，周围交通参与者及道路状态可能如何演变。

VLA和世界模型并不是两条相互排斥的路线。VLA可以利用世界模型进行训练，也可以在车端引入未来状态预测；世界模型既能用于车辆实时决策，也能作为云端仿真、数据生成和强化学习的工具。这种技术融合，正在形成新一代自动驾驶算法的基本方向。

从2026年各家企业公布的进展来看，围绕如何理解世界、生成驾驶行为，以及将大模型部署到量产汽车上，行业已经出现明显的技术分化。

英伟达选择了大型推理模型与车端轻量模型相结合的路线。

2026年8月，英伟达开放Alpamayo 2 Super。这是一款340亿参数的视觉语言动作模型，由320亿参数的Cosmos 3 Super Reasoner和20亿参数的扩散式Action Expert组成。模型能够处理最多七路摄像头的环境信息，结合历史运动状态，输出驾驶轨迹、动作意图及因果推理结果。

相比只输出未来轨迹的端到端模型，Alpamayo 2 Super的一项特点，是尝试让模型同时给出驾驶行为及相应的推理过程。例如，在复杂路口，模型不仅需要预测车辆应该减速、等待还是变道，还需要结合交通参与者的行为与道路条件，形成能够进一步评估的决策依据。

不过，340亿参数的模型主要承担开发、推理标注和训练等任务，并不意味着量产汽车需要完整运行这一规模的模型。

2026年10月21日，英伟达进一步公布Alpamayo 2 Edge。这款面向车端的模型采用约20亿参数的推理骨干网络，针对DRIVE AGX Thor平台设计，目标运行频率达到10Hz，用于实时场景理解和运动规划。相较于Alpamayo 2 Super，它更关注有限车载计算资源下的推理效率。

这两款模型呈现出一个值得关注的发展方向：未来自动驾驶可能形成大型云端教师模型与轻量化车端模型协同工作的体系。前者利用更丰富的数据和计算资源学习复杂场景，后者通过知识蒸馏、模型压缩及推理优化，在汽车有限的功耗和内存条件下执行驾驶任务。

华为乾崑则将世界模型与驾驶行为决策进一步结合。

2026年4月，华为发布ADS 5和WEWA 2.0架构。位于云端的World Engine引入多智能体博弈和在线强化学习，通过模拟车辆、行人及其他交通参与者的互动，提高模型对复杂交通环境的适应能力；车端World Action Model则引入安全风险场，根据不同交通行为可能产生的风险辅助驾驶决策。

这种架构的特点，是将复杂场景学习和实际驾驶行为联系起来。车辆在路口通行时，需要考虑的不只是前方是否存在障碍物，还包括旁车是否准备加塞、行人是否具有穿行意图，以及不同通行策略对周围交通状态的影响。

从技术角度看，世界模型的价值在于为自动驾驶提供更多关于未来状态的预测信息。但预测结果是否能够改善驾驶安全，仍然取决于模型对交通参与者行为的刻画能力，以及车端风险约束和实际验证机制。

与英伟达、华为强调推理模型和世界模型不同，地平线更加重视端到端模型与车载芯片的协同优化。

地平线HSD采用一段式端到端架构，将环境输入与驾驶轨迹输出连接起来，并通过征程6计算平台实现量产。2026年推出的HSD V2.0进一步引入世界模型和强化学习，用于改善复杂场景下的行为预测、会车、变道及跟车表现。

地平线的技术路线体现了另一种思路：通过统一模型架构、专用BPU和软件工具链协同设计，提高模型在有限计算资源上的运行效率。对于需要覆盖不同价位车型的芯片厂商而言，这种部署效率直接关系到高阶辅助驾驶能否进入更大规模的汽车市场。

小鹏汽车则将长时序理解和直接动作生成作为第二代VLA的重要方向。

2026年3月，小鹏开始向用户推送第二代VLA。该模型强调从视觉信息直接生成驾驶动作，减少显式语言转换环节。8月公布的升级版本进一步引入Infini-VLA长时序架构，将有效历史上下文延长至30秒，同时采用Streaming Inference流式推理，提高对连续交通变化的响应能力。

这一变化值得关注。驾驶过程中，车辆不能只判断当前画面，还需要记住此前发生的事情。例如，前方车辆连续减速可能意味着道路出现异常，路边行人此前的移动方向也可能影响车辆对其过街意图的判断。

当模型需要持续处理更长的历史信息，视觉特征缓存、时序注意力计算及内存访问都会变得更加复杂。小鹏试图通过流式计算提高响应速度，反映出车端大模型发展的一项趋势：模型需要理解更长时间范围内的交通变化，同时避免推理延迟随上下文长度持续增加。

在云端，小鹏还通过X-World生成式世界模型构建闭环仿真环境，将其应用于第二代VLA的研发、强化学习与模型验证。这意味着世界模型带来的计算需求，并不一定全部发生在汽车上，相当一部分会转移至云端训练及仿真基础设施。

理想汽车也在探索类似的软硬件协同路线。

2026年3月，理想发布MindVLA-o1，重点提高模型对三维物理空间的理解、复杂场景推理及统一动作生成能力。其3D ViT Encoder结合视觉信息和三维几何特征，尝试保留传统二维特征表达容易损失的空间结构信息；预测式隐世界模型则在特征空间中模拟未来环境变化，为驾驶决策提供依据。

同年5月，全新理想L9搭载自研马赫M100芯片和马赫VLA技术进入量产交付阶段。模型与芯片共同开发，使理想能够围绕实际神经网络的计算负载，优化数据流、计算精度及存储访问方式。

Momenta则在世界模型与强化学习方面持续推进。2026年4月，Momenta宣布R7世界模型量产首发，强调通过世界模型预训练、闭环仿真和强化学习，提高车辆对复杂场景的预测及决策能力。

值得注意的是，Momenta公开介绍，R7可以沿用部分上一代R6方案的传感器和计算硬件，通过算法升级提高驾驶性能。这说明大模型技术进步未必始终要求更换更高算力的SoC。算法结构、训练方法和软件执行效率，同样可能成为提升现有芯片平台利用率的重要手段。

全球主流自动驾驶大模型技术路线，来源：与非研究院整理

VLA大模型上车，汽车AI SoC需要发生哪些变化？

种种变化意味着，自动驾驶芯片的计算任务正在发生结构性调整。

当自动驾驶从端到端模型向VLA大模型演进，汽车AI芯片首先面临的问题，是原有的计算架构能否适应新的算法需求。

过去几年，车载AI SoC的竞争主要围绕TOPS展开。从100 TOPS、200 TOPS到1000 TOPS，芯片厂商不断提高神经网络计算能力，以支持更复杂的BEV感知、Transformer及端到端算法。然而，VLA进一步引入视觉语言理解、长时序推理和动作生成，使车载计算负载发生变化。下一代汽车AI SoC需要解决的问题，已经从提供多少算力，延伸到如何高效执行大模型，以及如何在有限的功耗、内存和成本条件下保证实时决策。

首先，VLA正在推动汽车AI SoC从传统神经网络加速，转向面向Transformer的混合精度计算架构。

以英伟达为例，2022年开始进入量产应用的DRIVE Orin，最高可提供约254 TOPS的INT8算力。随着自动驾驶算法持续升级，Orin已经从最初支持传统深度学习网络，逐步扩展到BEV、Transformer以及经过优化的大模型。

但VLA模型对芯片的要求明显提高。

与传统视觉神经网络相比，VLA包含视觉编码、跨模态特征融合、语言推理和动作生成等计算过程，其中Transformer注意力机制和矩阵运算占据重要位置。不同计算任务对精度、吞吐量和内存访问的要求并不相同。

英伟达DRIVE AGX Thor采用Blackwell GPU架构，最高提供1000 TOPS的INT8算力以及2000 TFLOPS的FP4计算性能。按照INT8精度比较，其峰值算力约为Orin的四倍。更重要的是，Blackwell针对Transformer和低精度矩阵计算进行了硬件优化。

FP4、FP8等低精度格式，可以显著减少部分模型权重的数据量，并提高相应计算单元的执行效率。不过，模型量化并非简单降低数字精度，车企还必须评估量化后对复杂场景识别、行为推理和轨迹生成精度的影响。

这一变化也意味着，未来汽车芯片的TOPS指标需要结合计算精度和实际模型性能进行评价。相同标称算力的两款SoC，在运行不同VLA模型时，实际推理效率可能存在明显差异。

大模型时代汽车AI芯片技术参数对照，来源：与非研究院整理

其次，内存带宽和容量正在成为影响车载大模型性能的重要因素。

VLA模型不仅需要存储大量模型参数，还需要持续处理来自多路摄像头、雷达及车辆状态传感器的数据。随着模型引入更长的历史上下文，视觉特征缓存、中间激活数据和时序注意力计算都会增加内存压力。

以Thor为例，其开发平台采用64GB LPDDR5X内存，带宽达到273GB/s。相比之下，Orin平台的内存带宽约为200GB/s。

值得注意的是，Thor的INT8峰值算力提升约四倍，但内存带宽的增长远没有达到相同比例。

这反映出车载大模型面临的一个实际问题：当计算单元的性能持续提高，数据能否及时送达计算单元，可能成为新的瓶颈。尤其在模型推理过程中，部分算子受GPU计算能力限制，另一些则主要受到内存带宽和数据搬运效率影响。

因此，芯片厂商需要同时优化片上缓存、内存访问、模型权重压缩和计算调度。

对于车企而言，增加内存容量还会提高整车物料成本，并带来功耗与散热压力。通过模型量化、内存复用和软件优化降低硬件配置，具有明确的商业价值。

这也解释了为什么模型蒸馏正在成为VLA上车的重要技术手段。英伟达Alpamayo采用340亿参数的Super模型主要服务于复杂推理和开发训练，而约20亿参数的Edge模型则针对车端实时部署进行优化。

同样，对于已经采用Orin的量产车型，车企也可以通过蒸馏和量化，将部分新模型能力迁移至现有芯片平台。但由于Orin不具备Thor相同的原生低精度计算能力，模型需要采用适合旧硬件的存储与计算方式，重新优化精度和执行性能。

第三，VLA正在改变汽车芯片对实时推理能力的要求。

大语言模型通常以Token/s衡量推理吞吐量，但汽车是持续运动的物理系统，驾驶决策必须在严格的时间约束下完成。

以100km/h的车速计算，车辆每100毫秒就会前进约2.78米。如果模型需要较长时间才能完成场景理解和动作生成，就可能影响车辆对突发交通情况的响应。尤其是引入推理能力的VLA模型，在不同场景下可能产生不同的计算负载。普通道路场景可能只需要较短的推理路径，而复杂路口、临时施工和异常交通行为则可能需要更多计算步骤。

因此，未来车载AI SoC不仅要关注平均推理速度，还需要保证推理延迟的可预测性，并协调视觉感知、动作规划和其他实时任务。

英伟达Alpamayo 2 Edge面向DRIVE AGX Thor进行部署优化，目标运行频率达到10Hz，体现出大模型向实时驾驶系统适配的方向。小鹏第二代VLA引入流式推理，也是为了改善连续交通场景下的模型响应效率。对于芯片设计而言，这意味着GPU/NPU计算单元、内存管理、任务调度和推理框架必须协同优化。相比单纯提高峰值算力，稳定完成每一次驾驶决策更加重要。

第四，VLA正在推动汽车SoC内部的异构计算单元重新分工。

尽管大模型增加了GPU和NPU的计算需求，但汽车仍有大量任务不需要使用高性能AI计算单元。

例如，摄像头图像预处理、雷达数据处理、视频编码、传感器同步以及部分传统控制算法，都可以交给ISP、PVA、CPU或其他专用处理器执行。

随着中央计算SoC能力提高，部分原本由雷达模组内部处理器完成的数据处理任务，也可以转移到中央SoC。这有机会降低传感器模组成本，并为车企提供更灵活的原始数据处理方式。

英伟达Thor集成GPU、Arm CPU及PVA等计算资源，其设计方向体现了异构计算的重要性：让GPU集中处理复杂神经网络，而将部分信号处理及传统算法交给更适合的专用单元。

与此同时，VLA也使车载软件工具链更加重要。模型从云端训练迁移到车端部署，需要经过算子转换、量化、推理优化和硬件适配。CUDA、TensorRT等软件工具，以及能够支持不同模型的轻量化推理框架，将直接影响新模型的部署效率。

第五，当VLA与L3自动驾驶结合，功能安全将成为汽车计算架构必须解决的问题。

VLA能够根据环境信息生成驾驶轨迹，但模型的概率性输出也带来新的安全挑战。如果模型出现错误判断、推理超时，或者主计算芯片发生故障，车辆需要具备独立的监控和安全处置能力。

因此，下一代汽车AI SoC不仅要运行复杂模型，还需要支持任务隔离、故障检测、独立安全监控和冗余控制。

英伟达Hyperion 10参考架构采用双Thor计算平台，结合相对独立的传感器与供电设计，为L3、L4自动驾驶提供冗余计算能力。两套SoC既可以采用主备方式运行，也可以同时执行部分任务，通过软件策略完成结果校验和故障接管。

更重要的是，AI模型本身的推理能力必须与安全控制机制相结合。即使VLA能够生成驾驶轨迹，独立安全系统仍需判断其是否满足碰撞风险、道路边界和车辆动力学等约束。由此来看，VLA对汽车AI SoC的影响正在从计算性能延伸至整个系统架构。

VLA大模型对汽车半导体的新需求，来源：与非研究院整理

国产汽车芯片如何参与下一轮竞争？

从产业格局来看，英伟达凭借DRIVE Orin、Thor以及CUDA、TensorRT等软件生态，在高阶智能驾驶领域建立了较强的竞争优势。高通、Mobileye等国际厂商也在持续升级汽车计算平台。而国内市场已经形成了以地平线、黑芝麻智能为代表的独立芯片供应商，以及小鹏、理想、蔚来等车企自研芯片并行发展的格局。

随着VLA大模型进入量产汽车，国产智能驾驶芯片正在迎来新一轮技术竞争。

地平线的选择，是通过自研BPU架构与自动驾驶算法协同优化，提高有限算力下的实际运行效率。

地平线征程6系列搭载新一代Nash BPU架构，支持大参数量Transformer模型。其高端型号征程6P提供560有效TOPS算力，并集成CPU、GPU、BPU及安全MCU等计算资源，面向城区高阶辅助驾驶和复杂端到端算法。

与英伟达采用通用GPU架构、通过软件框架适配多种AI模型的方式相比，地平线更加突出专用计算架构与算法之间的协同设计。

例如，Transformer模型中的矩阵运算、注意力计算和数据访问具有不同的负载特征。通过在BPU架构、编译器和内存调度中进行针对性优化，地平线可以围绕实际部署的自动驾驶模型提高计算资源利用率。

这种路线的优势，在于可以根据汽车应用需求优化性能、功耗和成本。不过，专用架构也需要持续适应算法变化。如果未来VLA模型采用新的注意力机制、动作生成方式或算子结构，芯片的可编程能力及编译器适配速度将更加重要。

地平线已经具备一定的量产规模。2026年9月，公司宣布征程系列芯片累计量产突破1500万颗。但这一数据覆盖整个征程产品家族，不能直接视为征程6P或L3芯片的出货量。

在软件层面，地平线HSD从一段式端到端模型进一步引入世界模型和强化学习，并与征程6计算平台结合。这种芯片与算法共同迭代的模式，有利于缩短新模型从研发到量产部署的周期。更值得关注的是其商业合作方式。2026年7月，地平线与大众汽车集团深化合作，通过酷睿程CARIZON采用白盒授权模式，将地平线AI基座模型与C7H计算平台、GAIA世界模型数据平台结合，由酷睿程自主开发大众在华统一的AI驾驶系统。

这表明，国产芯片厂商可以通过提供底层计算平台、算法基础能力和开发工具，参与国际车企下一代自动驾驶系统的研发，而不必完全依赖封闭式软硬件方案销售。

黑芝麻智能则选择通过高算力NPU、片上存储优化和功能安全架构，向L3及更高等级自动驾驶市场拓展。2026年，黑芝麻智能推出华山A2000系列，其中A2000U提供700 TOPS等效算力，A2000X进一步提高至1000 TOPS等效算力，分别面向高阶智能驾驶、L3和Robotaxi等应用。

需要说明的是，黑芝麻披露的是等效算力，与英伟达Thor的INT8 TOPS采用不同统计口径，不能直接通过数字判断芯片的实际性能差异。

从架构来看，A2000系列采用自研九韶NPU，支持INT4、INT8、FP8、FP16和FP32等混合精度计算，同时针对Transformer模型提供硬件加速。

其另一个技术重点是片上存储系统。

A2000系列采用大容量高速缓存和分层存储架构，部分产品资料披露100MB级专用片上缓存及8TB/s级片上带宽。通过提高数据复用率，减少对外部DRAM的重复访问，有机会改善Transformer等模型的运行效率。这里的8TB/s属于片上缓存带宽，不能与外部LPDDR内存带宽直接比较。

在功能安全方面，黑芝麻智能采用3L安全架构及Safety NPU，实现关键计算校验和硬件隔离。2026年5月，A2000U和A2000X取得ISO 26262 ASIL-D功能安全产品认证。

同年4月，公司发布FAD天衍L3自动驾驶平台，采用双A2000U高速互联架构，将芯片、软件工具链、端到端/VLA参考模型和第三方算法集成到开放平台。

这种布局意味着，黑芝麻正在从单颗AI SoC供应商向系统级自动驾驶计算平台供应商发展。不过，产品认证、平台发布和车型实际量产属于不同的商业化阶段。后续竞争仍将取决于车企定点项目能否完成系统集成、功能安全验证和规模交付。

与此同时，车企自研芯片的兴起，正在改变国产汽车半导体产业的竞争关系。

小鹏的图灵AI芯片已经与第二代VLA结合进入量产应用。为了部署新模型，小鹏针对图灵芯片重新开发编译器和软件栈，通过芯片、算子和模型之间的协同优化提高执行效率。2026年8月，小鹏还推出经过蒸馏优化的图灵VLA 2.0 Lite，尝试将新一代模型能力部署到算力较低的车型平台。这说明车企自研芯片的价值，不仅体现在提供更高算力，还包括对不同车型硬件进行统一的软件适配。

理想汽车则采用另一种技术路线。其自研马赫M100芯片采用面向AI推理的数据流架构，并与MindVLA模型协同开发。2026年5月，全新理想L9开始搭载该芯片，随后L8、L6等车型也逐步采用。数据流架构的设计重点，是根据神经网络计算过程组织数据传输和执行顺序，减少不必要的数据搬运及计算单元等待时间。对于VLA这种包含复杂视觉和时序计算的模型而言，这可能成为提高有效算力利用率的重要途径。

蔚来则通过自研神玑NX9031芯片，强化对智能驾驶计算平台的自主控制。根据公司2025年年报，该芯片自2025年起已经应用于部分蔚来车型，并持续向更多车型扩展。

不过，VLA时代国产芯片真正需要突破的工程环节，仍然集中在三个方面:

首先是软件生态。随着自动驾驶模型频繁迭代，编译器、算子库、量化工具和推理框架的重要性持续提高。芯片能否高效适配主流Transformer、VLA及动作生成模型，将直接影响客户的开发成本。

其次是系统级性能。芯片厂商需要提供真实模型运行条件下的推理延迟、内存占用、功耗和持续计算性能，而不能仅依靠峰值TOPS比较产品。

最后是功能安全与长期量产能力。随着L3自动驾驶推进，SoC必须与安全MCU、域控制器、传感器及整车执行系统协同，满足故障监控、资源隔离和最小风险处置要求。

智驾芯片的下一场战争：算力、内存，还是安全？

从BEV、Transformer到端到端，再到VLA和世界模型，自动驾驶算法在短短几年内经历了多轮技术升级。与此同时，汽车AI芯片的算力从百TOPS级不断提高至千TOPS级。然而，当大模型真正进入量产汽车，芯片行业正在面对一个新的问题：持续增长的计算性能，究竟能够为自动驾驶带来多少实际价值？

从英伟达Orin到Thor，INT8峰值算力提高了约四倍，但内存带宽的增长幅度远低于算力。这意味着，随着Transformer和VLA模型规模扩大，数据搬运、存储访问和计算调度可能成为制约性能的新瓶颈。即使两款芯片拥有相近的TOPS，在运行相同模型时，也可能因为架构、计算精度和软件优化能力不同，表现出明显的推理效率差异。

更值得关注的是，大模型进入汽车后，计算需求与整车成本之间的矛盾正在加剧。云端可以依靠数万颗GPU训练复杂模型，但汽车必须在有限的功耗、散热和内存条件下完成实时推理。因此，模型蒸馏、低精度量化、专用AI加速器和软硬件协同设计，将直接影响高阶智能驾驶能否从高端车型进入更广泛的汽车市场。

L3自动驾驶的商业化，则为这场竞争增加了新的约束。VLA能够理解交通环境并生成驾驶行为，但算法能力的提升并不能替代功能安全设计。当模型推理超时、计算芯片失效或传感器出现异常时，车辆仍然需要独立的安全监控、故障处理和必要的降级控制能力。这意味着，芯片厂商必须将AI计算、安全架构和系统验证纳入同一套产品设计。

笔者认为，未来三到五年，汽车AI芯片的竞争将沿着两个方向展开。一方面，高端计算平台仍将继续提高算力和模型支持能力，为更复杂的自动驾驶算法提供计算空间；另一方面，随着VLA逐步普及，车企会更加重视实际模型推理速度、单位功耗性能、内存配置、软件迁移成本和功能安全能力。

最终，决定下一代汽车芯片市场竞争力的，将是是每一TOPS能够转化为多少有效的驾驶能力，以及车企需要付出多大的系统成本。