【導讀】CES 2026上，英偉達發布多款汽車領域核心產品與技術，其中開源輔助駕駛模型Alpamayo頗具看點，該模型擁有100億參數，命名寓意技術高地，也呼應了黃仁勛提出的訓練、推理、仿真“三臺計算機”技術金字塔概念。英偉達還提出，計算機產業每10-15年將迎來一次平臺變革，新一代DRIVE Thor芯片等產品正是其順應這一趨勢的布局。盡管汽車業務營收占比不高，但英偉達已持續投入超8年，且正深度貼合中國客戶需求，提供適配行業發展的技術與產品支持。
為汽車行業提供全棧解決方案
一個優秀的智能駕駛產品，究竟該具備什么樣的核心特性？在英偉達看來，共有四大特點：第一是性能，既依賴SoC的算力基礎，也離不開算法層面的深度優化；第二是系統穩定性，隨著國內智能駕駛量產規模擴大，系統的可靠性與安全性成為核心競爭力；第三是易用性，降低開發者的上手門檻，實現車端與云端 AI 芯片的高效開發，是行業的共同訴求；第四是高效支持，快速響應客戶需求，為項目落地提供全周期技術服務，是客戶最為關注的要點。
黃仁勛反復強調的英偉達核心支柱是三臺計算機：用于訓練的DGX、用于仿真的OVX和用于車載推理的AGX。這構成了從數據訓練、仿真驗證到量產部署的完整閉環。而英偉達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，英偉達的車載計算芯片經歷了四代發展：2018年的1TOPS的Parker，到2020年量產于小鵬P7等車型的30TOPS的Xavier，再到2022年254 TOPS的Orin，以及可以達到最高2000TOPS（NVFP4）的Thor。
衡量芯片性能不能只看算力數值，內存帶寬同樣是關鍵指標。芯片性能如同木桶效應，GPU、CPU與內存帶寬任一環節成為短板，都會制約整體性能發揮。以Thor為例，其內存帶寬高達273GB/s，處于行業領先水平。采用NVFP4和投機采樣，對內存帶寬的需求還可以進一步減少，從而使性能有更好的發揮。此外，英偉達在芯片設計中融入了諸多創新架構，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，英偉達擁有700余項專利技術。
第二，平臺方面，英偉達嚴格遵循ASPICE和ISO 26262流程，同時獲得了產品級的TüV的ASIL-D功能安全認證。值得注意的是，行業內部分廠商宣稱的 “安全認證”，需區分是產品認證、架構認證還是流程認證，其中產品功能安全認證的標準最為嚴苛，而英偉達是業內少數完成全流程認證的企業。
英偉達還定義了像Hyperion這樣的參考架構，當前 Hyperion 已發展至第四代，也就是Hyperion 10。該平臺在設計之初，就對傳感器配置、系統架構與軟件進行了功能安全分解，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 架構的 NVIDIA DRIVE AGX Thor 系統級芯片，可提供超過 2000 TFLOPS FP4 精度 (或 1000 TOPS INT8) 的實時算力。同時，英偉達為每一個軟硬件模塊都設定了明確的功能安全目標，形成了完整的安全需求矩陣。
第三，軟件方面，英偉達提供兩種可量產的OS選項：QNX和基于Linux的DriveOS。在中國市場，許多企業傾向于Linux，主要因其生態和開發便利性。為此，英偉達將DriveOS QNX中許多客戶重視的功能，如內存ECC校驗、診斷功能遷移到了Linux版本中，從而在保持開發靈活性的同時，增強了系統的可靠性和診斷能力，更大幅縮減了從芯片到量產的時間。
除此之外，在剛剛過去的CES上，英偉達發布的Alpamayo大模型，這是一款融合推理能力的開源VLA大模型，基于Transformer架構打造。英偉達認為，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。
針對中國市場的創新
中國團隊緊密配合本地市場的快速需求，英偉達驅動了許多創新產品。
首先，第一個例子是衛星架構下的雷達數據處理優化。傳統毫米波雷達的數據處理由雷達模組內置芯片完成，僅向車載SoC傳輸目標檢測結果。隨著車載SoC算力的提升，車企提出 “將雷達原始數據傳輸至SoC進行處理” 的需求，這一方案可節省雷達模組的硬件成本，并提升算法的靈活性。針對這一需求，英偉達對NvSIPL SDK進行了定制化開發，可支持雷達和激光雷達。同時，把新增雷達原始數據處理模塊部署到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年英偉達發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，英偉達中國團隊僅用兩周時間，就完成了TensorRT LLM在Orin平臺的初步適配。但在后續優化中發現，云端與車端的技術需求存在顯著差異：云端關注高吞吐量，而車端受限于傳感器數據輸入規模，對低延遲、低內存占用要求更高。
為此，團隊推出專為車端設計的TensorRT Edge-LLM SDK，并與國內大模型團隊展開合作，完成模型適配與優化。目前，該SDK已支持英偉達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，以及和聯發科合作開發的C-X1/ C-Y1系列。相較于業內其他推理框架，TensorRT Edge-LLM具備三大優勢：一是支持C++原生開發，更符合車載場景的量產需求；二是深度適配英偉達GPU架構，可充分發揮硬件算力；三是性能優勢顯著，官方數據顯示，其推理效率相較于業界其他大模型推理框架提升兩倍以上。目前，英偉達正在推動該 SDK的功能安全認證。
最后，第三個例子是Orin芯片的性能迭代。Orin芯片作為一款發布三年半的產品，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、規控算法與 Alpamayo大模型，英偉達已構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路線
云端協同也是英偉達的一個發力點。在數據中心端，英偉達主要包括兩個開源模型平臺：一是世界基礎模型（WFM）Cosmos，二是CES上剛剛發布的Alpamayo。
開源模型與工具鏈并非英偉達的戰略轉型，而是長期踐行的技術路線，核心目標是通過技術普惠，推動行業發展。
首先，在Cosmos方面，系統核心構成包括三方面：一是模型層，涵蓋感知、決策、推理等全鏈路模型；二是工具層，包括數據標注、數據清洗、模型訓練等開源工具；三是數據層，提供豐富的訓練數據集。其中，工具層的兩款工具深受國內企業青睞：一款是用于訓練過程的自動化數據標注工具，可大幅提升標注效率；另一款是數據檢索工具，能夠快速定位高質量的訓練數據。針對中國市場，英偉達將原本的英文訓練腳本，優化為支持中文的開源版本，進一步降低了開發門檻。
當前智能駕駛行業面臨著一個核心瓶頸：隨著自動駕駛等級的提升，長尾場景數據采集成本呈指數級增長，傳統“路采-訓練-驗證”模式已難以為繼。這也是近半年來，國內自動駕駛技術突破放緩的重要原因。為此，英偉達提出了生成式AI驅動的解決方案，通過Cosmos、Issac等生成式模型，合成高質量的長尾場景數據，以算力換取數據，破解行業痛點。
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，即可預測后續的場景變化，部分車企已將其應用于仿真測試；二是條件生成模型，通過輸入文本指令，生成特定場景的數據，可精準覆蓋極端天氣、復雜路況等長尾場景；三是風格遷移模型，能夠將2D 仿真場景轉化為逼真的3D數據，提升仿真測試的真實性。區別于行業內其他方案，英偉達的生成式模型核心優勢在于工程化量產能力，模型生成的數據具備時序一致性與場景合理性，完全滿足自動駕駛的訓練與測試需求。
其次，在Alpamayo方面，該模型的核心創新在于因果推理數據集的構建，英偉達首次提出了參考公式化的數據集標注方法，通過“感知-推理-決策”的全鏈路標注，讓模型能夠學習到決策的邏輯，而非簡單的圖像與結果的映射關系。
以施工路面場景為例，傳統感知模型僅能識別 “施工路面”這一目標，而Alpamayo模型則會進行多步推理：首先識別 “視線遮擋” 這一關鍵特征，再結合車輛當前的速度、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，讓模型具備更強的泛化能力，即便遇到從未訓練過的施工場景，依然能夠做出正確決策。“數據集構建、模型訓練、仿真強化”的全鏈路方案，是Alpamayo模型實現高泛化性的核心原因。
此外，英偉達已開放了原始數據集，該數據集涵蓋全球多地區的真實路況，且已完成脫敏處理，開發者可直接用于模型訓練。
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路徑。其可解釋性的決策邏輯，解決了傳統端到端模型黑箱的行業痛點，目前已有多家車企計劃將該模型作為主駕系統的核心算法，搭配冗余的安全系統，實現L4級自動駕駛的量產落地。
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與企業深度合作中識別到的痛點。有三個典型案例，展現了英偉達創新技術如何賦能智能汽車的量產落地。
第一個案例是蔚來自動駕駛數據處理加速方案。2022年，蔚來在量產車型的數據回傳過程中，面臨著數據量激增、處理效率低下的難題。英偉達團隊針對這一痛點，開發了一套自動化的數據篩選與預處理方案，最終實現數據處理吞吐量提升6倍。這一方案看似與芯片銷售無直接關聯，但英偉達始終秉持“解決行業痛點”的理念，通過技術賦能降低車企的研發成本，才能推動整個行業的發展，這也是英偉達區別于其他芯片廠商的核心競爭力。目前，該方案已進入開源流程，未來將面向全行業開放。
第二個案例是英偉達閉環仿真平臺NuRec的本土化落地。國內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，輸入一段路采數據，即可生成多樣化的場景變體，例如調整車輛位置、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。某車企的實踐數據顯示，應用該平臺后，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，輔助駕駛系統的研發周期從“月級” 縮短至“小時級”。
第三個案例是端到端訓練的存儲優化方案。隨著端到端模型的興起，車企的訓練數據從“單幀圖片”轉向“連續視頻流”，存儲成本激增300%~1000%，成為制約技術落地的新瓶頸。英偉達團隊針對這一問題，開發了邊解碼邊訓練的流式處理方案，無需將視頻數據完整存儲，即可直接用于模型訓練。該方案僅增加數百分比的GPU開銷，卻能幫助車企節省90%的熱存儲成本，按單車企的訓練規模計算，每年可節省上億元的硬件投入。目前，該方案已在多家車企落地，并將持續迭代優化。
這三個案例的共性在于，英偉達解決的都是車企量產過程中 “真問題”。這些問題看似與芯片算力無關，卻直接決定了技術能否從實驗室走向市場。
總結
從芯片硬件的性能迭代到軟件生態的定制優化，從開源模型的技術普惠到量產場景的痛點破解，英偉達以全棧布局和長期主義，構建起智能駕駛領域的核心競爭力。Alpamayo模型的因果推理創新、生成式AI的數據解決方案，以及針對中國市場的本土化適配，不僅彰顯了技術硬實力，更體現了與行業共生的發展理念。隨著開源生態的持續完善和全棧方案的不斷迭代，英偉達有望進一步打破智能駕駛量產瓶頸。
