【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NVFP4hetoujicaiyang，duineicundaikuandexuqiuhaikeyijinyibujianshao
，congershixingnengyougenghaodefahui。ciwai，yingweidazaixinpianshejizhongrongrulezhuduochuangxinjiagou，chulehexindeGPU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xianL4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”的(de)理(li)念(nian)
，通(tong)過(guo)技(ji)術(shu)賦(fu)能(neng)降(jiang)低(di)車(che)企(qi)的(de)研(yan)發(fa)成(cheng)本(ben)
，才(cai)能(neng)推(tui)動(dong)整(zheng)個(ge)行(xing)業(ye)的(de)發(fa)展(zhan)
，這(zhe)也(ye)是(shi)英(ying)偉(wei)達(da)區(qu)別(bie)於(yu)其(qi)他(ta)芯(xin)片(pian)廠(chang)商(shang)的(de)核(he)心(xin)競(jing)爭(zheng)力(li)。目(mu)前(qian)，該(gai)方(fang)案(an)已(yi)進(jin)入(ru)開(kai)源(yuan)流(liu)程(cheng)，未(wei)來(lai)將(jiang)麵(mian)向(xiang)全(quan)行(xing)業(ye)開(kai)放(fang)。

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

congxinpianyingjiandexingnengdiedaidaoruanjianshengtaidedingzhiyouhua，congkaiyuanmoxingdejishupuhuidaoliangchanchangjingdetongdianpojie，yingweidayiquanzhanbujuhechangqizhuyi，goujianqizhinengjiashilingyudehexinjingzhengli。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)。