在 C 端，由智驾引发的事故被炒得沸沸扬扬；而在 B 端，有关智驾的争论也一直没有停过。

在 C 端，由智驾引发的事故被炒得沸沸扬扬；而在 B 端，有关智驾的争论也一直没有停过。

在刚刚结束的 2025 电动汽车百人会论坛上，蔚来汽车创始人李斌在谈到 ET9 搭载的自研智驾芯片神玑 NX9031 时表示，研发这颗芯片投入的成本非常高，大概和建设 1000 座换电站差不多。

图片来源：蔚来 b 站直播

根据蔚来之前透露的信息，其初代换电站的成本约为 300 万元 / 座，二代和三代则分别下降到了约 200 万元、150 万元 / 座——换句话说，蔚来自研智驾芯片的成本可能已经超过了 15 亿元。

显而易见的是，15 亿元的成本，对于像蔚来这样的造车新势力来说并不是一笔小数目，尤其是在已经亏损缠身的情况下，不仅投资领域会担心其风险，市场端也或多或少会影响到消费者的购车决策。

但除了蔚来以外，从去年开始，国内各大传统车企与造车新势力都纷纷加入到了自研智驾芯片的大浪潮中。

去年 10 月，吉利发布了自研的星辰一号芯片，其采用 7nm 制程工艺，单颗 NPU 算力达 512TOPS，计划今年实现量产，并在明年搭载至旗下高端车型。

去年 11 月，小鹏发布了自研的图灵 AI 芯片，其综合算力或超过 750TOPS，号称 1 颗顶 3 颗，1 颗实现 L3+ 高阶智驾体验，2 颗实现 L4 自动驾驶体验。

理想内部也在推进自研芯片项目，代号 " 舒马赫 "，设计制程为 5nm，由台积电代工。近期，理想团队内部正在调整分工，NPU 负责人的权力在逐渐加强。

面对车企的自研浪潮，最先发声的并非投资人与消费者，而是智驾芯片的国产供应商们，在他们看来，车企此举无疑是 " 为了一碟醋包了一盘饺子 "。 

由此问题就来了，供应商为何要在自研智驾芯片这个问题上和车企 " 唱反调 "？在车企 " 全民自研 " 的大环境下，供应商是否拥有车企所不具备的优势呢？

智驾芯片，交给供应商更好？

四维图新 CEO 程鹏就在百人会论坛上表示，当智能驾驶成为标配，车企要找到自己的核心竞争力，其余部分则是供应商的工作。

" 你独立的一家去做自研，性价比肯定不好。我也养那么多人，你也养那么多人，我给十家做同平台的供货，你一家自己做。" 对此，程鹏曾对另一家媒体算过一笔账，平均一颗车规级芯片的研发成本，需要生产 1500 万颗才能覆盖。

程鹏这么说，当然有他的逻辑。在他看来，很多车企在智能电动车时代，都缺乏足够的能力搭建 AI 工厂和数据处理能力——参考手机领域，像苹果、华为这样的头部企业可以搭建自研的软硬件生态系统，其它品牌则拥抱安卓生态。

作为支撑，程鹏拿出了四维图新目前的成绩。凭借对数据的理解和采集能力以及合规能力，四维图新能够将数据变成合规层、数据增强层和 AI 的模型训练层，并开放给全行业，这让四维图新到今年一季度截止，收获了 300 万套的车企定点。

除了四维图新，黑芝麻智能首席市场营销官杨宇欣也在百人会论坛上强调了第三方芯片供应商仍的价值。他以特斯拉为例，表示特斯拉在 HW3.0 阶段实现了芯片全自研，但在 HW4.0 阶段却将芯片设计交给了博通。

图片来源：特斯拉官网

对此杨宇欣表示：" 特斯拉的这一转变表明，即使是行业领先者，也会在芯片设计上寻找最优的商业合作模式。博通在团队成熟度、IP 采购价格和代工价格上都比特斯拉更具优势。芯片行业的上游市场非常现实，一切都取决于量产规模，而非公司名气。"

和程鹏一样，杨宇欣也拿手机领域做了比喻，他认为高通和联发科这样的供应商，其手机芯片研发能力自然很强；华为和三星这样的头部手机企业，自研芯片也很不错；而像谷歌这样的手机厂商虽然也自研芯片，但只是部分自研，其很多设计还是会交给供应商去做，所以第三方芯片供应商是一定需要且一定长期需要的，毕竟大多数厂商还是希望能够有更专业的供应商提供支持。

作为对这一观点的支撑，黑芝麻智能创始人兼 CEO 单记章以 A2000 系列芯片举例，"" 我们用 7nm 的工艺，达到甚至超过了 4nm 工艺最先进的芯片，A2000 在绝对数值上跟国际巨头不相上下的前提下，还能比他提供更高的效率。" 而具体到合作，黑芝麻智能目前已经和吉利、比亚迪、一汽、东风等车企签订了合作协议，量产车型包括量产车型包括领克 08、领克 07、东风 e π 007、东风 e π 008 等。

地平线创始人兼 CEO 余凯也在百人会论坛上发表了类似的言论。在他看来，自动驾驶经过发展，会成为一项非常标准化的功能，但也会导致很难再做出差异化。

余凯拿手机领域的经验作比喻：" 看手机过去 30 年的历史，一开始基带都是手机厂商自研的，像摩托罗拉、诺基亚、、爱立信。但从 1995 年开始，德州仪器掀起一波，2000 年开始高通横空出世。今天的局面是 20% 自研，80% 依赖供应商。" 所以就像手机厂商在过去十几年的变迁一样，自动驾驶应该也是车企自研占 20%，供应商合作占 80%。

而对于地平线来说，截至目前地平线征程 6 已锁定超 20 家车企及品牌量产合作，自 2025 年起有超 100 款搭载征程 6 的中高阶智驾车型上市；量产规模加速扩大，2025 年征程家族累计出货量将突破 1000 万套，地平线也将成为国内首个突破千万级量产的智驾科技企业。

一边是车企大力推动自研智驾芯片，另一边是供应商希望车企积极拥抱第三方方案，那么研发智驾芯片的工作，究竟该交给谁更好？

车企：自研虽好，但考验内功

如果说车企为什么要自研智驾芯片，那么特斯拉就是最好的答案。

以特斯拉的 HW3.0 为例，这套车端的硬件平台搭载了两颗特斯拉自研的 FSD 芯片，单颗算力仅为 72 TOPS ——显然这一数值明显低于同期的英伟达 Orin（单颗 254 TOPS）和高通 Snapdragon Ride（约 100+TOPS），但其效能优势却异常突出，不仅可以运行全场景 FSD，甚至可以运行 FSD 最新的端到端版本。

HW3.0 之所以能凭借 144TOPS 的平台算力 " 以小博大 "，首先一大优点，就是其针对 FSD 软件做了专属优化。早在 2019 年的 Autonomy Day 上，特斯拉芯片负责人 Pete Bannon 就表示，FSD 芯片的能效比是竞品的 7 倍，核心在于 " 为神经网络任务设计，而非通用计算 "。

FSD 芯片包含三个模块：

NPU（神经网络处理器）：针对特斯拉的视觉算法（如 Occupancy Network）定制优化，直接处理摄像头输入的原始数据，减少通用芯片的数据转换开销。

ISP（图像信号处理器）：实时处理 8 个摄像头的 1200 万像素图像输入，直接在芯片内完成图像预处理（如去噪、HDR），降低后端算力需求。

通用 CPU/GPU：仅负责非核心任务（如逻辑控制），与 NPU 分工明确。

此外，FSD 芯片还集成了 32MB SRAM 缓存，带宽达 2TB/s，避免了传统 GPU 因访问外部显存带来的延迟（典型 GPU 显存带宽为 300-500GB/s）。对比之下，英伟达 Orin 的算力虽然更高，但其架构需兼顾通用性（支持多车企的不同算法），实际运行特斯拉同类算法时，可能因数据搬运和冗余计算损失效率。

对此，半导体研究机构 SemiAnalysis 指出，特斯拉 HW3.0 的实际有效算力（针对特定算法）相当于 300+ TOPS 的通用 GPU，验证了软硬件协同优化的价值。

另外一大优点，则是 FSD 软硬件协同研发＆优化带来的效率优势。比如软硬件的深度绑定，根据特斯拉在 2023 年 AI DAY 上的披露，Occupancy Network 可以直接利用 FSD 芯片的 NPU 进行稀疏卷积计算，而通用芯片需通过 CUDA 等框架转换为密集卷积，效率降低约 30%。

此外还有软件层减负，根据 Embedded Vision Alliance 的报告显示，特斯拉的底层驱动和中间件（如 Dojo 编译器）可以针对芯片指令集优化，减少了操作系统和中间层的调度开销。相比之下，基于 Linux 或 QNX 的自动驾驶系统在通用芯片上运行时，需额外消耗 5-10% 的算力。

对此，大众集团前 CEO 赫伯特 · 迪斯曾公开表示，特斯拉在软硬件垂直整合上的领先优势 " 至少为 3-4 年 "。

但对于国内车企来说，想要复制特斯拉的成功属实困难，何况特斯拉也曾经历九死一生。

从技术层面来看，首先是芯片设计与算法协同的门槛依旧很高。例如特斯拉 NPU 的架构与 Occupancy Network 等算法高度绑定，需同时精通芯片设计和 AI 算法优化，而国内车企普遍缺乏两类人才的交叉培养（如既懂自动驾驶算法又懂芯片微架构的团队），这会导致软硬件协同效率低下。

其次是国内车企在数据闭环与算法迭代能力上，距离特斯拉依旧存在客观差距。特斯拉通过全球超 500 万辆车的影子模式收集数据，每日处理数千万个驾驶场景，支撑算法快速迭代，而国内车企数据量级普遍不足，且数据标注和仿真工具链相对落后；此外，特斯拉的 Dojo 超算集群算力达 100 EFLOPS，可训练超百万参数的大模型，而国内车企多依赖公有云（如阿里云、AWS），训练成本相对高且效率低。

从资金层面来看，产投比也是绝大多数车企都难以平衡的问题。首先是流片成本与试错风险，一款车规级芯片的研发投入约 2-5 亿美元，需经历 3-5 次流片验证。国内车企年销量若不足 50 万辆，分摊到每辆车的芯片成本将超过 1000 元，远高于外采芯片（如英伟达 Orin 单价约 400 美元）；对比之下，特斯拉凭借全球年销 180 万辆的规模，可将 FSD 芯片成本摊薄至每片约 300 美元，低于外购方案。

此外，盈利模式的单一也会拉长车企的 " 回本 " 周期，根据 2023 年的数据统计，特斯拉通过 FSD 软件分摊芯片研发成本，其全球 FSD 选装率达 19%；而国内车企软件付费率普遍低于 5%，且多数车企与用户都选择了免费或低价订阅的模式，这难以支撑芯片自研的长期投入。

供应商：越发成熟，但仍需突破

那么面对车企自研智驾芯片的风险，国产供应商们有能力解决吗？

我们先以地平线征为例。首先是已经量产的征程 5，这款芯片的算力达到了 128 TOPS，但功耗仅有 30W，能效比接近特斯拉 FSD 芯片，支持 BEV+Transformer 模型加速，适配车企的端到端算法需求。

此外，地平线提供 " 天工开物 " 工具链，支持车企将 PyTorch/TensorFlow 模型快速部署到征程芯片，压缩模型计算量 30% 以上；针对中国城市场景，征程 5 还优化了 " 动态障碍物避让 " 和 " 无保护左转 " 的实时计算能力，让时延低于 100ms。

从量产表现看，征程 5 理想 L 系列搭载双征程 J5 芯片，综合算力达到 256 TOPS，能够实现高速和部分场景下的城市 NOA，且系统成本较英伟达方案降低 40%。

其次是刚刚发布的征程 6，性能层面，其单芯片算力达 560 TOPS，支持多芯片级联（最高 2240 TOPS），内置专用计算单元加速 BEV+Occupancy Network，时延压缩至 50ms，接近特斯拉 HW3.0 水平；功耗层面，功耗层面，征程 6 的功耗控制在 60W 以内（560 TOPS 下），能效比约 9.3 TOPS/W，接近特斯拉 HW4.0。

此外，" 天工开物 " 工具链新增自动化模型剪枝和量化功能，车企算法团队可一键压缩大模型，部署周期缩短 50%。而在量产层面，征程 6 已官宣的合作车企包括比亚迪（高端品牌仰望 U9）和广汽埃安 Hyper 系列，计划 2025 年量产。

从面向中端的征程 5 到面向高端的征程 6，可以看出地平线在芯片算力、架构、适配性、工具链等方面一直在针对车企的需求与智驾技术的迭代进行升级，以期达到更高的匹配程度；不过相对来说，其在软硬件协同方面依旧存在局限性。

例如征程 5，其在稀疏计算的加速能力上是弱于特斯拉 FSD 芯片的，这会导致实际有效算力折损约 20-40%，另外由于缺乏类似特斯拉 "Dojo 编译器 " 的底层优化工具，车企需自研中间件，这也会增加开发周期和成本。

而对于征程 6，除了在运行复杂 Occupancy Network 时，其有效算力或降至 300-400 TOPS 外，车企同样需要自行适配算法，这也会导致车企无法通过地平线复刻特斯拉 " 芯片 - 算法 - 数据 " 的闭环优势。

然后再看看黑芝麻智能。其已经量产的芯片为 A1000 系列，算力 58 TOPS，其具备两项优势，一个是多传感器融合，A1000 强化了对 4D 毫米波雷达的点云处理能力，这可以帮助车企减少对激光雷达的依赖；另一个是发布了山海工具平台，可以提供自动化模型量化与编译功能，进而降低车企算法团队对芯片底层架构的依赖。

对比之下，最新的 A2000 系列则将单芯片算力升级到了 250 TOPS，支持 4 芯片级联（1000 TOPS）。在固有优势方面，A2000 更进一步优化了多模态融合能力，例如激光雷达点云处理时延从 A1000 的 80ms 降至 30ms，支持动态障碍物轨迹预测；而在开放性方面则提供 " 山海 2.0" 工具链，支持 Apollo、Autoware 等开源算法框架，适配二线车企的低成本开发需求。

但和地平线一样，车企如果想要使用 A1000 与 A2000 系列，同样需要投入大量资源适配算法，并且 J6 和 A2000 的级联算力需外接多芯片，导致系统复杂度与功耗飙升，反而不如单芯片方案。

不过在技术层面之外，国产供应商们在资金层面面对的困难也更值得我们关注。

以地平线为例，据地平线招股书（2023 年赴港 IPO 申请）显示，2021-2023 年累计亏损 54 亿元，2023 年净亏损达 18 亿元，毛利率仅 35%；2023 年经营性现金流为 -9.3 亿元，依赖外部融资输血。2023 年 IPO 前最后一轮融资估值 50 亿美元，但上市进程因盈利问题受阻，资金链压力加剧。研发费用占比超 70%，但征程系列的年出货量仅 50 万片，单芯片研发成本分摊高达 4600 元 / 片，远超售价。

黑芝麻的情况也不容乐观。根据 2023 年财报显示，黑芝麻智能净亏损 11.2 亿元，毛利率仅 22%；2023 年出货量不足 20 万片，且主要客户为二线车企，前五大客户贡献营收占比超 80%，抗风险能力弱。

这实际也反映出了国产供应商们在商业模式上遇到了规模效应难以达成的困境。例如地平线征程 5 和黑芝麻 A1000 为抢占市场份额，定价仅为英伟达 Orin 的 30%-50%，但出货量不足导致难以摊薄成本；由于国产芯片可替代性较高，车企也会要求芯片供应商每年降价 10%-15%，进一步压缩利润空间。

此外，车规芯片认证周期长达 2-3 年，导致地平线 J6（16nm）和黑芝麻 A2000（12nm）等先进制程技术落地时已落后国际大厂；而为了吸引车企，供应商还需要免费提供工具链、算法优化服务，这类隐形成本占营收比例超 25%。

由此可以看到，车企如果选择集体自研智驾芯片，那么对供应商的生存来说，无疑是釜底抽薪。不过在今年 2 月比亚迪宣布开启全民智驾之后，不仅是比亚迪向英伟达和地平线分别发出了百万片中算力智驾芯片的订单，也引发了长安、奇瑞、吉利等品牌跟进全民智驾的连锁效应，这意味着供应商们在中端智驾芯片市场，依旧有重振雄风的机会。

自研还是采购，终局将是生态分化

事实上，车企和供应商围绕智驾芯片的争吵，本质上是车企与供应商对产业话语权的争夺，虽然车企在明面上依旧拥有更大的主导权，但确实如供应商所言，从长远看，这场博弈的终局大概率会形成生态分层：

如特斯拉、比亚迪等这般年销量达百万级的头部车企，凭借规模效应和技术闭环能力，确实可通过自研智驾芯片构建护城河。特斯拉的 FSD 芯片已验证了软硬件协同的颠覆性效率，而比亚迪若成功量产，将打破对英伟达的依赖。这类企业追求的不仅是功能领先，更是对数据、算法、硬件的全链条控制。

对年销量 50 万以下的车企，自研芯片的财务和技术风险远超收益。地平线、黑芝麻等供应商提供的 " 高性价比芯片 + 工具链 "，仍是其实现智驾功能的最优解。但需警惕供应商生态的局限性——若无法突破算力天花板或绑定头部客户，这类芯片可能沦为 " 过渡方案 "。

对于供应商来说，生存逻辑则更加直接，取决于两点：一个是加速追赶技术代差，例如地平线 J6、黑芝麻 A2000 需证明其实际有效算力不输英伟达 Thor，并通过开放生态扩大适配性；另一个则是更新商业模式，例如从 " 卖芯片 " 转向 " 卖服务 "，按车企智驾功能开通率分成（类似特斯拉 FSD 订阅），或与云服务捆绑（如四维图新数据合规方案）。

对车企的终极拷问并非 " 是否自研芯片 "，而是 " 能否在智能化竞争中存活 "。若既无规模也无技术深度，跟风自研只会加速失血；若志在头部，则必须忍受短期亏损，赌一个 " 特斯拉式 " 的未来。而供应商的生存之道，则在于能否在巨头夹缝中，找到不可替代的生态位——无论是极致性价比，还是差异化服务。这场博弈没有标准答案，唯有时间能筛选出最后的赢家。