本文来自微信公众号: 甲子光年 ,作者:张麟,编辑:王博,原文标题:《智驾芯片还要堆多少算力?先看看车上的模型需要什么|甲子光年》
在设计模型时,就决定哪些计算值得做。
围绕智驾模型,行业正在同时做两件事:让它更强,也让它更省。
11月10日,就在黄仁勋深陷婚外情风波之际,英伟达发布技术博客,公开了面向车端部署的Alpamayo 2 Edge模型权重并介绍部署技术细节。这款面向车端开发的VLA模型,采用约20亿参数的语言模型组件,配合视觉编码器和动作专家生成驾驶轨迹,并通过按需推理减少常规驾驶中的计算。此前,英伟达还推出了340亿参数的Alpamayo 2 Super,用于离线教师、评估和数据生成等任务。
从能力探索到车端部署,计算的安排发生了变化。国内车企也在处理类似问题。
今年8月,小鹏介绍第二代VLA升级时,一边强调端侧模型参数量扩大,一边介绍Token压缩与蒸馏,希望把基座模型能力部署到算力更低的平台。
今年9月,在与「甲子光年」的对话中,零跑高级副总裁周洪涛提到,自己给团队提出一个目标:将世界模型下放到更低算力平台,“甚至在100TOPS的算力上也要跑出来一个比较好的效果。”
这引出了一个值得讨论的问题:智驾能力增长,究竟有多少必须靠车端硬件升级来承接?
1.更大的模型,不一定原样上车
“让大模型定义芯片,让芯片承载大模型的下一次进化。”
10月29日,XHEART新芯航途CEO李宗霖在苏州举行的发布会上,用这句话概括了公司的技术方向。同样是在这场发布会上,Momenta CEO曹旭东也提出一个洞察——“大模型定义芯片”。

Momenta CEO曹旭东,图片来源:新芯航途
不过讨论“大模型定义芯片”之前,需要明确一件事:训练体系中的模型,与实际驾驶的模型,未必是同一个。
Waymo在2025年12月公布的技术Blog中介绍,其基础模型服务于驾驶、仿真和评估,分别形成大型教师模型,再蒸馏成更高效的学生模型。教师模型过大,无法直接满足车端实时决策等任务的要求。
也就是说,一辆车可以从更大的模型中受益,而无须把它完整装进去。大模型可以生成训练信号、发现难题、评估驾驶行为,再把能力传递给更紧凑的模型。
英伟达的Alpamayo也是一组智驾模型和配套工具,而非一套装上车即可使用的完整智驾系统。较大的模型可以承担离线研发任务,Edge模型则为车端微调和部署提供基础。

NVIDIA Alpamayo 2 Edge,图片来源:英伟达
小鹏今年也同时推进两种动作:扩大端侧模型参数规模,并通过Token压缩和蒸馏,将基座模型能力部署到算力更低的平台。小鹏方面介绍,伴随基座模型能力的增强,蒸馏后的图灵VLA 2.0 Lite同样获得显著能力提升。

小鹏物理AI Infra体系,图片来源:小鹏
通过这些行业内的实践,我们可以发现:模型能力增长,并不必然要求每辆车的参数量和算力同比增长。训练端继续探索能力上限,部署端则要寻找更经济的实现方式。
当然,蒸馏不保证无损。尤其是一些低频、复杂场景、Corner Case中的表现还需验证,但它的产业意义已经很清楚:研发资源可以先形成模型和数据资产,再通过不同版本服务多档硬件。能力迭代与硬件换代之间,出现了更大的调节空间。
基座模型参数增加不能直接充当新车硬件升级的理由。消费者需要知道的,是部署版本增加了什么能力;车企需要核算的,是这些能力究竟需要多少车端资源。
仅仅是把模型换个名称,加个版本号,不应成为增加车端硬件成本的理由。
2.算力需求,也是模型团队选出来的
相比蒸馏和压缩,还有一种思路:在设计模型时,就决定哪些计算值得做。
摄像头采集到的图像,不会直接变成方向盘和刹车指令。模型需要从中提取与驾驶有关的信息,例如车辆的位置、运动趋势、道路边界,以及交通参与者之间的关系。这些信息以什么形式保留、怎样连接起来,就是模型的“表征”。表征的选择,决定了模型通过什么路径理解环境,也影响需要完成多少计算。
VLA路线希望借助视觉语言模型已经学到的知识,帮助系统理解驾驶场景。例如,面对施工人员的手势或特殊道路提示,模型需要理解的不只是物体的位置,还有它们的含义。引入语言相关能力,可以提供知识基础;相应的编码、跨模态交互,以及部分方案中的语言推理,也会占用计算资源。
关键在于:哪些驾驶问题值得调用语言知识,哪些可以直接从视频和空间关系中学习?
零跑世界模型智驾负责人冯铭月对此持有鲜明判断。他告诉「甲子光年」,语言对齐未必是理解驾驶环境最有效的路径,团队更重视视频中的变化以及空间信息。
冯铭月介绍,零跑通过预测未来视频和3D占据进行自监督预训练,分别学习场景语义与空间关系,再将学到的表征用于轨迹预测。它希望直接从视觉经验中学习驾驶,不让所有信息都先围绕语言组织。
除了语言在模型中的作用,零跑还重新选择了空间信息的组织方式。团队取消显式BEV表征,直接从图像学习动作,希望省去视角转换的开销。
“人类开车没有BEV,就不花算力做BEV视角转换,这样可以把视角转换的算力用在其他地方。”冯铭月说。
零跑的工程选择很明确:空间信息仍然要学,获取和使用这些信息的路径可以重新设计。取消一个环节,目的在于把有限资源留给对驾驶更有用的计算。
由此看,车端算力需求也是技术路线的结果。模型采用什么表征、保留多少历史信息、经过哪些处理环节,都会改变硬件负担。先不断增加模型组件,再把部署困难全部归结为芯片不够强,会掩盖架构本身可以优化的空间。
不过,减少计算量,还需要芯片能把剩下的工作高效完成。
一位来自主机厂的智驾模型技术负责人告诉「甲子光年」:“智驾芯片的大模型定向优化,本质上就是Transformer或者说Attention算子的优化,不管是VLA还是世界模型,都是差不多的,厂家都会去做。”
但围绕同一类算子优化,并不意味着各家芯片的执行效率相同。算子运行时,既要完成计算,也要读取输入、存放结果,并与后续操作衔接。因此,优化不能只盯着计算单元有多快,还要看数据能否及时送达,以及中间结果能否被高效复用。
新芯航途的选择,正是尽量缩短这些路径。李宗霖介绍,新芯航途采用超大核NPU,将部分跨核交互集中到核内,并针对求和、转置、Layer Norm等操作做硬件适配,减少对外部DDR内存的访问。

新芯航途X7 Ultra参数,图片来源:新芯航途
模型团队决定哪些工作有必要做,芯片团队则决定这些工作在哪里做、数据怎样送过去。两端的取舍共同影响实际效率。
“大模型定义芯片”的实质其实是:算法需求需要在硬件定型前进入设计。
这种协同越深入,对未来的押注也越具体。地平线副总裁吕鹏在接受《每日经济新闻》采访时指出,芯片从定义到上车至少需要两三年,必须提前判断技术范式。
新芯航途与Momenta在X7流片前就进行了量产模型的全芯片仿真,把软硬集成和优化前置。这有助于缩短交付周期,也会积累大量围绕特定平台的工程工作。
提前合作能够减少部署中的弯路,也意味着芯片资源已经围绕某些需求作出分配。模型迭代后,原有专用单元还能发挥多少作用,新算子由谁执行,工具链能否继续高效调度,决定了这次优化能维持多久。
因此,行业的分界线很难用“通用”与“专用”划清。
真正有价值的芯片,既要让当前模型少等待、少搬运,也要为下一轮模型变化保留调整空间。算力的竞争,最终会落到对计算任务的理解,以及围绕这些任务作出的取舍上。
3.算力之外,还要比什么?
智驾芯片行业有一个越来越突出的问题:产品数字越来越亮眼,横向比较却越来越困难。
峰值算力、模型实测性能、计算利用率……让人看得眼花缭乱,但这些可能是不同精度、不同稀疏条件和不同测试模型下得到的数字,不能直接排成一张性能榜。但在宣传中,这些区别经常被压缩掉,最后只剩下谁的TOPS更高。
地平线创始人余凯近期就表达了对智驾芯片行业中算力口径不一的不满。

余凯微博内容
算力口径不统一,最直接的后果是:数字之间的差距,容易被误读为产品性能的差距。芯片不仅要看理论上能完成多少次运算,还要看具体模型能调用多少资源,以及在给定功耗和时延下,能完成多少有效计算。
在一个模型上取得高效率,证明了一次优化的效果。对于智驾芯片供应商来说,能让更多模型高效运行,才体现平台能力。
这也是“大模型定义芯片”必须回答的下一道题。芯片可以围绕代表性模型设计,却不能假设所有客户的模型都有相同结构和运行特征。模型换了之后,需要多少适配工作、性能还能保留多少,与首发数字同样重要。
智驾企业元戎启行的一位技术人员告诉「甲子光年」:“一百多TOPS算力的芯片,只要模型优化做得好,整车的智驾体验也不会太差。”
这句话点出了规格竞争的局限:同样的硬件资源,不同团队能够兑现的能力并不相同。车企购买芯片,最终要购买的是自身模型的运行效果,而非别人模型上的最好成绩。
性能差异不仅发生在硬件内部,也发生在适配过程中。模型与芯片优化得越深入,车企积累在特定平台上的工程工作就越多,下一次换平台时,这些投入也会进入成本账。
李宗霖在谈到新芯航途与Momenta合作时就表示,双方没有架构、设计和商务绑定,合作不排他。
但没有排他协议,不等于换平台没有成本。一套模型上车,需要完成算子适配、量化、编译、调优和整车验证。换一颗芯片,其中一部分工作就要重做。新芯片便宜多少,必须与迁移的人力、周期和项目风险一起算。
芯片厂商的考题也由此改变:与一家算法公司联合优化,可以帮助首个项目落地;要扩大市场,就必须把经验沉淀为更多客户能够使用的工具链和平台。每增加一家客户都重新投入大量工程资源,规模效应就会被适配成本吃掉。
因此,行业真正需要比较的,至少包括三件事:给定成本下能交付多少驾驶能力,换一个模型需要多少开发投入,模型更新后能否继续高效部署。
各家厂商发布会可以争夺对性能的解释权,量产项目最终要结算的是效果、成本和交付。
算力数字能吸引客户,持续把客户的模型跑好,才能留下客户。
END.
