【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，也呼應了黃仁勳提出的訓練、推理、仿真“三台計算機”技術金字塔概念。英偉達還提出，計算機產業每10-15年將迎來一次平台變革，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，究竟該具備什麼樣的核心特性？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，也離不開算法層麵的深度優化；第二是係統穩定性，隨著國內智能駕駛量產規模擴大
，係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，實現車端與雲端 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。

黃仁勳反複強調的英偉達核心支柱是三台計算機：用於訓練的DGX、用於仿真的OVX和用於車載推理的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麵：SoC芯片
、平台和軟件。

第一
，SoC芯片方麵，英偉達的車載計算芯片經曆了四代發展：2018年的1TOPS的Parker
，到2020年量產於小鵬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。

衡量芯片性能不能隻看算力數值，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
，都會製約整體性能發揮。以Thor為例，其內存帶寬高達273GB/s
，處於行業領先水平。采用NVFP4和(he)投(tou)機(ji)采(cai)樣(yang)，對(dui)內(nei)存(cun)帶(dai)寬(kuan)的(de)需(xu)求(qiu)還(hai)可(ke)以(yi)進(jin)一(yi)步(bu)減(jian)少(shao)，從(cong)而(er)使(shi)性(xing)能(neng)有(you)更(geng)好(hao)的(de)發(fa)揮(hui)。此(ci)外(wai)，英(ying)偉(wei)達(da)在(zai)芯(xin)片(pian)設(she)計(ji)中(zhong)融(rong)入(ru)了(le)諸(zhu)多(duo)創(chuang)新(xin)架(jia)構(gou)
，除(chu)了(le)核(he)心(xin)的(de)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餘項專利技術。

第二
，平台方麵，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。該平台在設計之初，就對傳感器配置、係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搭載兩塊基於 NVIDIA Blackwell 架構的 NVIDIA DRIVE AGX Thor 係統級芯片，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
，軟件方麵，英偉達提供兩種可量產的OS選項：QNX和基於Linux的DriveOS。在中國市場，許多企業傾向於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

，增強了係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，基於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，並提升算法的靈活性。針對這一需求
，英偉達對NvSIPL SDK進行了定製化開發，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年英偉達發布了麵向雲端大模型推理的TensorRT LLM SDK，一些車企隨即提出將其移植到車端平台的需求。2024 年，英偉達中國團隊僅用兩周時間，就完成了TensorRT LLM在Orin平台的初步適配。但在後續優化中發現，雲端與車端的技術需求存在顯著差異：雲端關注高吞吐量，而車端受限於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
，並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已支持英偉達全係列嵌入式計算平台，包括車端的Orin與Thor係列、嵌入式的Jetson 係列
，以及和聯發科合作開發的C-X1/ C-Y1係列。相較於業內其他推理框架，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，其推理效率相較於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。

最後，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%；同時基於最新的TensorRT Edge -LLM SDK，Orin同時可以很好的支持7B的大模型
，並取得相當好的性能。

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

雲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台：一是世界基礎模型（WFM）Cosmos
，二是CES上剛剛發布的Alpamayo。

開源模型與工具鏈並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方麵，係統核心構成包括三方麵：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：一款是用於訓練過程的自動化數據標注工具，可大幅提升標注效率
；另(ling)一(yi)款(kuan)是(shi)數(shu)據(ju)檢(jian)索(suo)工(gong)具(ju)，能(neng)夠(gou)快(kuai)速(su)定(ding)位(wei)高(gao)質(zhi)量(liang)的(de)訓(xun)練(lian)數(shu)據(ju)。針(zhen)對(dui)中(zhong)國(guo)市(shi)場(chang)，英(ying)偉(wei)達(da)將(jiang)原(yuan)本(ben)的(de)英(ying)文(wen)訓(xun)練(lian)腳(jiao)本(ben)
，優(you)化(hua)為(wei)支(zhi)持(chi)中(zhong)文(wen)的(de)開(kai)源(yuan)版(ban)本(ben)，進(jin)一(yi)步(bu)降(jiang)低(di)了(le)開(kai)發(fa)門(men)檻(kan)。

當前智能駕駛行業麵臨著一個核心瓶頸：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，即可預測後續的場景變化
，部分車企已將其應用於仿真測試
；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、複雜路況等長尾場景；三是風格遷移模型，能夠將2D 仿真場景轉化為逼真的3D數(shu)據(ju)
，提(ti)升(sheng)仿(fang)真(zhen)測(ce)試(shi)的(de)真(zhen)實(shi)性(xing)。區(qu)別(bie)於(yu)行(xing)業(ye)內(nei)其(qi)他(ta)方(fang)案(an)
，英(ying)偉(wei)達(da)的(de)生(sheng)成(cheng)式(shi)模(mo)型(xing)核(he)心(xin)優(you)勢(shi)在(zai)於(yu)工(gong)程(cheng)化(hua)量(liang)產(chan)能(neng)力(li)，模(mo)型(xing)生(sheng)成(cheng)的(de)數(shu)據(ju)具(ju)備(bei)時(shi)序(xu)一(yi)致(zhi)性(xing)與(yu)場(chang)景(jing)合(he)理(li)性(xing)
，完(wan)全(quan)滿(man)足(zu)自(zi)動(dong)駕(jia)駛(shi)的(de)訓(xun)練(lian)與(yu)測(ce)試(shi)需(xu)求(qiu)。

其次，在Alpamayo方麵，該模型的核心創新在於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係。

以施工路麵場景為例，傳統感知模型僅能識別 “施工路麵”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，開發者可直接用於模型訓練。

Alpamayo模型的最大價值，在於為L4級(ji)自(zi)動(dong)駕(jia)駛(shi)提(ti)供(gong)了(le)一(yi)條(tiao)高(gao)效(xiao)的(de)實(shi)現(xian)路(lu)徑(jing)。其(qi)可(ke)解(jie)釋(shi)性(xing)的(de)決(jue)策(ce)邏(luo)輯(ji)，解(jie)決(jue)了(le)傳(chuan)統(tong)端(duan)到(dao)端(duan)模(mo)型(xing)黑(hei)箱(xiang)的(de)行(xing)業(ye)痛(tong)點(dian)

，目(mu)前(qian)已(yi)有(you)多(duo)家(jia)車(che)企(qi)計(ji)劃(hua)將(jiang)該(gai)模(mo)型(xing)作(zuo)為(wei)主(zhu)駕(jia)係(xi)統(tong)的(de)核(he)心(xin)算(suan)法(fa)，搭(da)配(pei)冗(rong)餘(yu)的(de)安(an)全(quan)係(xi)統(tong)
，實(shi)現(xian)L4級自動駕駛的量產落地。

開源模型源於與中國客戶的合作

許多開源工作是源於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，麵臨著數據量激增、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”delinian，tongguojishufunengjiangdicheqideyanfachengben，cainengtuidongzhenggexingyedefazhan
，zheyeshiyingweidaqubieyuqitaxinpianchangshangdehexinjingzhengli。muqian，gaifanganyijinrukaiyuanliucheng

，weilaijiangmianxiangquanxingyekaifang。

第二個案例是英偉達閉環仿真平台NuRec的de本ben土tu化hua落luo地di。國guo內nei頭tou部bu車che企qi的de仿fang真zhen測ce試shi體ti係xi中zhong，均jun能neng看kan到dao該gai平ping台tai的de身shen影ying。該gai平ping台tai的de核he心xin功gong能neng是shi，輸shu入ru一yi段duan路lu采cai數shu據ju，即ji可ke生sheng成cheng多duo樣yang化hua的de場chang景jing變bian體ti
，例li如ru調tiao整zheng車che輛liang位wei置zhi

、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，應用該平台後，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，輔助駕駛係統的研發周期從“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cheng為wei製zhi約yue技ji術shu落luo地di的de新xin瓶ping頸jing。英ying偉wei達da團tuan隊dui針zhen對dui這zhe一yi問wen題ti
，開kai發fa了le邊bian解jie碼ma邊bian訓xun練lian的de流liu式shi處chu理li方fang案an，無wu需xu將jiang視shi頻pin數shu據ju完wan整zheng存cun儲chu
，即ji可ke直zhi接jie用yong於yu模mo型xing訓xun練lian。該gai方fang案an僅jin增zeng加jia數shu百bai分fen比bi的deGPU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，並將持續迭代優化。

這三個案例的共性在於，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(cong)芯(xin)片(pian)硬(ying)件(jian)的(de)性(xing)能(neng)迭(die)代(dai)到(dao)軟(ruan)件(jian)生(sheng)態(tai)的(de)定(ding)製(zhi)優(you)化(hua)，從(cong)開(kai)源(yuan)模(mo)型(xing)的(de)技(ji)術(shu)普(pu)惠(hui)到(dao)量(liang)產(chan)場(chang)景(jing)的(de)痛(tong)點(dian)破(po)解(jie)，英(ying)偉(wei)達(da)以(yi)全(quan)棧(zhan)布(bu)局(ju)和(he)長(chang)期(qi)主(zhu)義(yi)，構(gou)建(jian)起(qi)智(zhi)能(neng)駕(jia)駛(shi)領(ling)域(yu)的(de)核(he)心(xin)競(jing)爭(zheng)力(li)。Alpamayo模型的因果推理創新、生成式AI的(de)數(shu)據(ju)解(jie)決(jue)方(fang)案(an)，以(yi)及(ji)針(zhen)對(dui)中(zhong)國(guo)市(shi)場(chang)的(de)本(ben)土(tu)化(hua)適(shi)配(pei)

，不(bu)僅(jin)彰(zhang)顯(xian)了(le)技(ji)術(shu)硬(ying)實(shi)力(li)
，更(geng)體(ti)現(xian)了(le)與(yu)行(xing)業(ye)共(gong)生(sheng)的(de)發(fa)展(zhan)理(li)念(nian)。隨(sui)著(zhe)開(kai)源(yuan)生(sheng)態(tai)的(de)持(chi)續(xu)完(wan)善(shan)和(he)全(quan)棧(zhan)方(fang)案(an)的(de)不(bu)斷(duan)迭(die)代(dai)，英(ying)偉(wei)達(da)有(you)望(wang)進(jin)一(yi)步(bu)打(da)破(po)智(zhi)能(neng)駕(jia)駛(shi)量(liang)產(chan)瓶(ping)頸(jing)。