原创｜袁洲   编辑｜Cong

全球每年有 13 万亿英里的行驶里程，自动驾驶只占了 0.006% ——大约 7 亿英里。剩下那 99.994%，就是所有做自动驾驶的公司想要吃下的市场。按英伟达的估算，全球自动驾驶汽车市场年复合增长率 32%，市场规模最终指向 10 万亿美元的出行经济。

但对英伟达来说，这个机会还有一个更现实的意义：它当前的汽车业务营收在总盘子里占比刚过 1%，而数据中心业务已经做到 1937 亿美元。如果自动驾驶有一天复现数据中心的增长曲线，英伟达将拥有第二台增长引擎。

4 月 23 日，北京车展前夜，英伟达开了一场媒体技术沟通会。主讲人吴新宙，全球副总裁，负责汽车事业部。他用 90 分钟拆解了英伟达自动驾驶的完整架构——芯片、操作系统、AI 模型、应用、仿真训练，五层全覆盖。这是英伟达第一次把这套全栈方案完整地摆在中国媒体面前。

要理解为什么这套方案在这个时间点出现，得先知道英伟达在汽车业务上走过怎样的弯路。

起步早 落地晚

2015 年，英伟达内部就有人提出了端到端神经网络的自动驾驶方案，比行业早了好几年。但直到 2022 年才首次量产交付，中间七年，几代芯片迭代—— Parker、Xavier、Orin ——技术路线图很清晰，量产落地却始终慢半拍。

原因出在执行上。前两任汽车业务负责人，一个偏学术，一个管理偏松。团队从几十人扩大到上千人的过程里，大部分时间还在车库做测试，而不是在开放道路上做大规模路测。英伟达不是没有技术积累，是缺少把技术从 Demo 变成量产的能力。

跟奔驰的合作暴露了这个问题。2020 年双方官宣合作，奔驰给出了很大的诚意——除了基础研发费用，还按新车销售分成。英伟达需要向奔驰证明自家的智驾软件能力。现场展示时，侧后方倒车功能连试几次都没成功，气氛降至冰点。

英伟达的芯片实力有目共睹。但自动驾驶不只是芯片的事。一颗芯片装到车上，需要传感器适配、算法开发、安全认证、路测迭代，这是一条漫长的工程化链条。芯片再强，如果软件和工程能力跟不上，车企不会买单。

吴新宙就是在这个节点被黄仁勋找来的。

在小鹏，吴新宙证明了 2 件事

2023 年，高通不仅让 8155 拿下中国智能座舱市场的半壁江山场，还拿下了大众和宝马的自动驾驶 SoC 合同。英伟达在汽车芯片上的竞争压力越来越大。

黄仁勋需要的不是更强的芯片设计师，而是一个在中国市场证明过 " 从芯片到量产 " 全流程的人。吴新宙恰好是这个人。

吴新宙本科毕业于清华大学电机系，1998 年获学士学位后赴美，在 UIUC 读完硕士和博士，毕业后加入通信创业公司 Flarion，做 2G 到 3G 的技术。Flarion 被高通收购后，他在高通一待 12 年，做到了自动驾驶高级工程总监。2019 年他加入小鹏汽车——高通十年间他从不理会任何猎头的邀约，直到高通收购恩智浦失败让他产生了危机感。

他在小鹏做了四年，证明了两件事。

第一件事：2020 年小鹏 P7 上市，在英伟达仅 30 TOPS 算力的 Xavier 芯片上实现了 L2 级自动驾驶量产。英伟达内部后来评价：" 小鹏在 Xavier 上做到了我们根本做不出来的东西，吴新宙只用了一年。" 一颗芯片的价值，取决于有多少软件能在上面跑出效果。这个道理在英伟达内部被反复提起，但吴新宙是第一个在外面把它证明的人。

第二件事：他带着近千人团队在两颗 Orin-X 上跑通了不依赖高精地图的 XNGP。高速 NGP、城市 NGP 相继落地。一个在美国做算法的人，带着中国团队把端到端智驾从高速做到城区，这个经历本身就是稀缺的。

2023 年 8 月，吴新宙加入英伟达。他带来的不只是一个人，而是一整套在中国市场被验证过的工程化方法论。

不止于卖芯片

吴新宙到来后，英伟达的汽车业务策略变了。不再只卖芯片，而是从芯片到仿真训练提供五层全覆盖。

底层是硬件。DRIVE AGX Thor 基于 Blackwell 架构，最高算力 2000 FP4 TFLOPS，LLM 推理速度是上一代 Orin 的 9 倍。但这颗芯片不是单独卖的。英伟达把它放在了 DRIVE Hyperion 平台上——一套预验证的 " 交钥匙 " 方案，芯片、传感器、线束、接口、安全认证全部就绪，车企拿来就能集成。高阶版面向 L3/L4+，用两块 Thor 加激光雷达；基础版面向 L2++，用一块 Thor，纯视觉方案。

这套标准化平台的逻辑很清楚：自动驾驶的量产瓶颈不在算法，在工程化——从芯片到整车的集成过程。英伟达把这个过程标准化了。合作名单说明了市场认可度：2024 财年长城、极氪、小米搭载 Orin，2025 财年比亚迪、小鹏、广汽埃安昊铂宣布采用 Thor 平台，2025 年英伟达又宣布丰田将在 Orin 上构建下一代车型。两年时间，中国头部新能源车企几乎全部进入了英伟达的客户名单。

往上是操作系统和安全底座。端到端 AI 模型有一个天生的短板：不可解释。L2 级别出了事故，责任在驾驶员；但到了 L3 和 L4，出了事故责任在系统，监管机构不会接受一个 " 黑盒 " 来负责人的安全。Halos OS 的解决方案是双栈并行：AI 模型负责驾驶体验，经典算法栈负责安全底线。吴新宙的说法很直白：" 模型做得再烂也没关系，放在上面至少不会撞车。"2025 年搭载 Halos 经典栈的奔驰车型已经量产，拿到了 Euro NCAP 五星安全认证。这是英伟达在功能安全领域最有力的背书。

再往上是 AI 模型。Alpamayo 1.5 是一个视觉 - 语言 - 动作推理模型，100 亿参数，在辅助驾驶推理模型榜单 LingoQA 排名第一。跟上一代的关键区别是加入了 " 思维链 " 推理——模型不是直接输出驾驶动作，而是先进行因果推理，再做决定。传统端到端模型是 " 看 - 决策 - 动作 " 的单步映射，Alpamayo 1.5 是 " 看 - 思考 - 决策 - 动作 " 的多步推理。2026 年奔驰 CLA 将搭载 Alpamayo 在美国上市，黄仁勋在今年 1 月的财报电话会上把它作为 " 物理 AI 时代已经到来 " 的证据。

英伟达选择把 Alpamayo 开源。策略跟 AI 芯片业务如出一辙：开源模型吸引开发者，开发者构建生态，生态需要算力，算力卖的是英伟达的硬件。黄仁勋有句话概括了这个逻辑：" 不指望你买我们所有的，但别什么都不买。"

最顶层是训练基础设施。AI 模型的性能上限取决于训练数据的质量和多样性。Cosmos 是用 2000 万小时真实世界视频训练的世界基础模型，能生成像素级接近真实的驾驶场景。Omniverse NuRec 负责把真实路采数据重建为可编辑的 3D 场景——改轨迹、加障碍物、变天气，一个真实道路事件可以变出几十种训练场景，为 Alpamayo 的开发带来了 10 倍的多样性增益。

这套管线的意义在于速度。传统车企做一个 OTA 升级从开发到验证可能要半年，英伟达的流水线——一个道路事件 6 小时内转化成仿真场景，每天 200 万次仿真测试，每年 3500 次模型迭代——把周期压缩到了天级别。DRIVE AV 的 L2++ 方案已在首尔、伦敦、洛杉矶、旧金山、纽约、慕尼黑六个城市落地。与 Uber 的合作计划 2027 年在洛杉矶和旧金山启动 L4 Robotaxi 试点，2028 年扩展到全球 28 个城市。

一颗 Thor 的价值

英伟达给于车企模块化选择：可以只用 Thor 芯片，也可以用从 Hyperion 到 DRIVE AV 的全栈方案，按需取用。但整套技术栈从芯片到仿真训练都跑在英伟达的架构上，一旦深度采用，迁移成本会越来越高。

汽车业务的商业逻辑和数据中心不同。数据中心是卖算力，客户来来去去。汽车业务是嵌入硬件——一颗 Thor 芯片一旦被车企选型进入量产平台，生命周期长达数年，后面每一代车型迭代都是持续收入。再加上跟奔驰那样的软件分成模式，只要车在卖，英伟达就在赚钱。

2024 财年汽车营收约 11 亿美元，2025 财年 17 亿美元，2026 财年约 23.5 亿美元。三年翻了一倍多，增速在加快。而 Alpamayo 量产和 Thor 上车还没真正开始贡献收入。

从 2015 年 PilotNet 端到端深度学习原型算起，英伟达在自动驾驶上已经投入了十一年。从 Parker 到 Xavier 到 Orin 再到 Thor，从 Hyperion 8 到 Hyperion 10，技术路线图一步一个脚印地在兑现。2025 年是关键的量产节点，奔驰量产、Euro NCAP 五星、L2++ 点到点启动交付。2026 年 Alpamayo 进入量产，双 Thor 架构落地，路线图进入密集兑现期。

吴新宙在多个场合判断 " 自动驾驶已到 ChatGPT 时刻 " ——技术条件基本就绪，接下来是工程化和规模化的阶段。他认为 L3 和 L4 会长期并存，端到端和经典算法不是非此即彼，海外市场辅助驾驶的普及可能还需要三年。这些判断不算激进，但从他在小鹏到英伟达的履历来看，他不是一个画饼的人。

英伟达没有打算造一辆车。它要做的是让每一辆自动驾驶汽车都跑在它的架构上——从 Thor 芯片到 Halos 系统，从 Alpamayo 模型到 Cosmos 仿真。按照当前的路线图，到 2028 年 Uber 的 Robotaxi 开进全球 28 个城市，到 2030 年 L4 级乘用车开始落地。英伟达不需要出现在任何一辆车的 logo 上，但每一英里自动驾驶的身后，都有它的算力在运行。

我就知道你 " 在看 "