过去几年，智能汽车有一个非常简单粗暴的公式：算力越高，智驾能力越强。

但现在这个公式正在失效。当城区 NOA 可以在上百 TOPS 算力上运行，车企却开始争抢 2000TOPS 以上的计算平台。

行业真正竞争的，已经不是「有没有算力」，而是「如何将算力变成持续进化的智能能力」。

芯片可以摞，但把高算力组织成一套能持续进化的架构，才是下一阶段的胜负手。

工信部的数据勾勒出了当下的行业坐标。

2026 年以来，国内 L2 级组合驾驶辅助功能的乘用车渗透率达到 70%，领航驾驶辅助功能乘用车渗透率超过 34.2%，首批 L3 级有条件自动驾驶车型已经在特定区域上路。

智能泊车、高速 NOA、城市 NOA，正在从旗舰配置走向大众标配。

支撑这些功能的算力并不需要太高，按照当前主流量产方案的经验：

智能泊车功能在 30TOPS 以内可完整落地；

支持高速 NOA 的算力区间在 30-250 TOPS 之间；

即便面对交互最复杂的城区 NOA，现阶段主流方案在 100-500 TOPS 之间也够用了。

一颗英伟达 Orin-X 芯片，254 TOPS 算力（INT8 稀疏口径），在搭配完整多传感器套件、成熟 BEV 感知算法前提下，足以支撑大多数车型的城区领航功能，坐在「主流选择」的宝座。

但端到端、VLA、世界模型上车，让算力需求，来到了一个新的量级。

高端车型的算力刻度，正在向千 TOPS 级靠拢，算力军备竞赛的硝烟已经燃起。车企的算力储备，本质上是在为下一阶段智能驾驶架构重构预留空间。

早在去年，小鹏就把「2000TOPS+VLA+VLM」划为 L3 级自动驾驶的算力基准。

今年 7 月第八届全球汽车技术发展领袖峰会上，德赛西威高级总工程师彭学明抛出类似判断：

2000 TOPS「大大脑」是 AI 原生 L3 的算力起步门槛，L4 平台算力则需要达到 6000 TOPS 以上。

从「感知智能」到「认知智能」，2000TOPS 成为 AI 智驾新门槛

过去几年，智驾圈在算力上各执己见。

「够用派」的逻辑很朴素，几百 TOPS 已经能跑城区 NOA，再往上堆是浪费。

「冗余派」则提前埋入更大的算力空间，赌的是未来三到五年的算法进化。

两派的分歧主要来自于：在整车生命周期内，谁来承担算法迭代的成本，是车企还是车主。

2000TOPS 不是凭空冒出来的数字，智能汽车算力增长的答案，藏在 AI 模型的进化里。

智能驾驶萌芽期，Mobileye 以视觉感知技术为基础，把算法和 EyeQ 芯片打包成一套方案，帮助车企实现从 L0 级碰撞预警，到 L1 级 AEB（紧急制动）、ACC（自适应巡航），再到 L2 级 ICC（智能巡航）等各种功能。

这一代系统跑的是规则驱动架构，传统视觉检测、目标跟踪、控制策略等等参数，都是由工程师手工标定，处理确定性任务的效率非常高。但遇到规则之外的长尾场景，还需要人手写一次规则。

2020 年后，激光雷达和高像素摄像头加速上车，多传感器融合成为技术主线，百 TOPS 解决多传感器融合，算力迈上一个新台阶。

行业需要足够强力的芯片来同时消化雷达点云、图像特征和定位数据，单颗 254 TOPS 的英伟达 Orin-X，坐上了这一阶段高阶智驾的牌桌。

蔚来 ET7 率先用 4 颗 Orin-X 把算力推至 1016 TOPS，拉开了算力竞赛的帷幕，理想 L9 以双 Orin-X 的 508 TOPS 跑通了城市 NOA 的全量推送。

100-500 TOPS 兜住了城市 NOA，让汽车「看得清」道路。但「看得清」不等于「看得懂」。汽车可以识别前方有行人，却无法判断他是要过马路，还是只站在路边。

从「看得清」到「看得懂」，智能驾驶迈入 AI 原生阶段，2000TOPS+ 解决的是「理解世界」的问题。

这一轮算力增长的底层逻辑，是智能驾驶干的活变了，从「完成驾驶任务」走向「理解驾驶环境」。

端到端、VLA、世界模型把感知、预测、规划、控制更深度耦合到同一套网络，系统开始处理场景语义、时序关联和决策推演，这要求系统「像人一样思考」。

从「感知」到「认知」，核心推手是两个变量：模型变大，推理变快。

让模型更「聪明」：更大参数量的模型部署，让系统理解更多信息。这意味着模型尺寸变大，芯片的计算能力和内存带宽要求同步上一个台阶。

让体验更流畅：更快的推理响应速度，让系统在真实道路环境中实时响应。模型推理速度变快，芯片的算力和带宽也要跟上。帧率决定的不是流畅度，而是留给刹车的时间是否充裕。

当前，行业主流方案在 70-80 亿个参数量上找到了平衡点。

但随着智驾系统需要承担更复杂的任务，模型规模会到 320 亿个参数量甚至更大参数量，模型尺寸翻倍，推理帧率也会从每秒几次提升到十几次。两个维度叠加，2000TOPS 是这套逻辑推出的门槛数字。

这是德赛西威作为 Tier1 给出的工程判断，建立在「算力需求与参数量、帧率同步增长」的假设之上。

智能驾驶正在从完成基础功能，走向支持拟人交互、长链路场景关联和复杂决策推理，更强的思维链与多模态模型上车，模型尺寸和推理帧率两条曲线正在陡峭上升，车端算力需求进入新的数量级。

从 Orin 切换到 Thor，德赛西威做过同一套模型的平台迁移，推理帧率直接翻倍，对应的能力也同步得到了提升。

千 TOPS 级，是 AI 原生阶段的算力需求。

VLA（视觉 - 语言 - 行动模型），将视觉、语言、动作统一到一个模型中，让汽车理解场景语义并直接输出驾驶决策；世界模型，对物理世界进行长时序推演，提前评估不同决策的后果。

大模型训练、车端实时推理和场景生成，需要吃掉大量算力。

一个明显的趋势是，VLA 与世界模型从分歧走向融合。

世界模型开始引入语义辅助，补上对交规理解和意图识别的短板。

小米 OneVL 更进一步，在潜空间推理，统一 VLA 的场景理解能力和世界模型的时序预测能力。融合意味着更强的认知能力，也意味着更高的算力消耗。

这两条技术路线合流带来的结果是，车企无法再靠选一条更省算力的路径来压缩硬件预算。

2000TOPS 要分成四份花

2000TOPS 成为门槛，本质上是技术范式的切换。

过去，算力跟着传感器走。

进入 AI 原生阶段，算力需求被大模型进一步拉高。

面向 L3/L4，算力不仅要支撑感知和决策，还要同时承载安全冗余和长期进化，2000TOPS 是工程计算的结果。

在长期服务车企量产项目的过程中，德赛西威看到，面向未来的智驾大脑，需要同时扛住全量感知融合、AI 原生模型推理、L3/L4 安全冗余、长期 OTA 演进余量。

2000TOPS 所代表的计算资源，至少需要同时覆盖上述四类任务。它们并不是简单的固定分配，而是在不同场景下共同占用计算、存储和带宽资源。其中，全量感知融合是基础一环。

丰富的传感器，实时拼出一张完整的环境地图。激光雷达的点云、800 万像素摄像头的图像、毫米波雷达的回波，再加上 GNSS、IMU 提供的定位数据，多模态的数据在同一个空间里完成时间对齐、空间融合，让智能汽车「看见这个世界」，搭建决策的基石。

在 AI 原生智驾架构中，新增算力需求的主要增量，来自模型推理。

端到端、VLA、世界模型，对算力的消耗远超传统感知算法，算力冗余可以让模型重智能、强推理，从容应对海量长尾场景。

高算力需求进一步对「有效算力」提出了要求。堆纸面参数没有意义，关键是让每一 TOPS 都被物尽其用。

特斯拉自研 AI5，为 FSD 端到端模型深度定制，砍掉了 GPU、ISP 等冗余模块，有效算力大约是 AI4 的五倍，最大化释放硬件潜能。

L3/L4 安全冗余也是计算平台承担的一部分。当智能驾驶不再是辅助的角色，系统安全就更加复杂。

L2 阶段，责任在驾驶员身上。到了 L3/L4，在特定条件下，智能汽车要自己扛起驾驶任务，故障检测、风险隔离和安全降级就成了必答题。

未来的智驾计算平台，需要从功能计算，转向一套能兜底的安全冗余体系。

冗余不是「多一颗芯片」，而是要同时应对功能安全（ISO 26262）、预期功能安全（SOTIF）、网络安全三个要求，覆盖感知失效、算力单元宕机、供电与通信中断等问题，并在故障发生后完成最小风险策略，能将车停到安全位置。

还有一个容易忽略的，是长期 OTA 演进余量。

智驾用户普遍关心的问题，是「五年后还能不能用」。如果交付时算力已经吃紧，后续每一轮算法升级将举步维艰。

过去一些车型由于初期算力预留不足，后续算法升级空间受限，也让行业开始重新认识算力预埋的长期价值。

一旦算力见顶，车企往往要在硬件更换成本和品牌声誉之间做取舍。因此，为 OTA 预存算力，本质上是为整车生命周期预留进化空间。

2000TOPS 分到四个账户，划出了一条行业分界线：智能驾驶架构，正在从短期功能交付，转向长期生命周期管理。

AI 原生模型推理决定智能上限，全量感知融合决定感知天花板，安全冗余决定法规考验下的生存能力，OTA 演进余量决定时间轴上的竞争力。

从算力到能力，2000TOPS 背后是一场系统架构竞争

2000TOPS 可以用芯片堆叠，难的是把这些算力组织起来，支撑智能驾驶持续进化。

而这，正是下一轮竞争的焦点。

当前行业流行「大小脑」方案，是一套成熟且有效的工程选择。大算力主域控负责核心智驾功能，小算力域控分管实时控制和基础安全兜底。

大小脑方案并不是错误答案，而是在成本、安全和量产条件下形成的阶段性最优解。

「大脑负责想，小脑负责动」，分工明确。

小脑响应快，毫秒级输出控制指令，维持车辆控制更稳；分层架构让系统调试、故障定位更方便。

从短期看，依靠两套不同架构的硬件、两套独立软件栈、两套验证体系，省了一笔硬件成本。

但旧考卷的答案，解不了新考题，AI 模型正在成为新的主力，新国标落地，计算平台需要同时面对模型快速迭代、安全冗余和整车生命周期演进的长期挑战。

单纯堆硬件已经兜不住了，计算架构需要从「够用」，转向「承载未来十年的智能进化」。

当行业加速驶向 L3，三类隐性成本浮出水面。

一是算法迭代的沉没成本。

智能驾驶的「摩尔定律」越发明显，物理 AI 的迭代速度以季度计，架构却按整车周期定型。软件资产的保质期，被架构限制了。

架构设计时没有预留足够的算力和软件演进空间，每一次大版本升级，都可能意味着前期软件资产推倒重来。

另一类是合规整改的「返工费」。

新国标下，L3 需要冗余体系，甚至是整车智能架构的重新设计。从功能实现到系统验证，从架构方案到合规申报，全链条都面临推倒重来的风险。

还有一类，是平台换代的重置成本。芯片、操作系统、工具链、算法底座之间高度耦合，平台切换可能带来多米诺骨牌效应，开发、标定、测试、供应链资源一整套流程从头来过。

「大小脑」方案碰上进化需求后，问题开始浮现。彭学明把账算到了五年后：真正的性价比，是平台依然合规、可进化，向 L4 过渡也不需要推倒重来。

未来的竞争，需要的是能持续生长的系统。

这正是德赛西威「大大脑」方案的出发点，核心思路是，用统一同源的中央大脑，从架构层面根治异构问题。

与「大小脑」方案不同，「大大脑」的路径是一套通用软件栈，覆盖主计算单元与副安全冗余单元。

主域履职，副域兜底，二者共享数据闭环、仿真验证和 OTA 体系，仅靠硬件分区实现故障隔离。

进入 AI 原生阶段，算力只是门槛，软件底座需要持续生长。统一架构解决的核心问题，是软件资产的延续性，一套软件栈贯穿全域，算法迭代，软件同步升级，资产不被锁死。

在安全侧，智能计算和安全计算在同一体系内协同，一套验证体系覆盖全域，天然契合国标对风险统一管控的硬性要求。

站在整车 6 到 8 年的生命周期来看，架构延续性就是竞争力。

一套 OTA 通道，平台换代平滑演进，软件资产持续复用。这也是为什么，架构选择需要以整车全生命周期为基准，而不是靠单一代际产品的短期表现。

「大大脑」以最终要抵达的 L4，来定义今天 L3 的工程标准，做统一的高性能计算架构。

但真正的分水岭，是把高算力转化为实实在在的智驾体验。

「芯片决定算力峰值，系统能力决定算力价值。」高算力硬件设计、智能驾驶全栈软件、安全体系、规模化量产，四层系统化能力咬合在一起，才将纸面算力转化为用户手中的体验。可用、可靠、可量产、可持续进化，缺一不可。

数字会被刷新，2000TOPS、6000TOPS 只是表象，AI 原生智驾推着行业往前走，真正的方向是计算架构的重构。

下一代智能汽车需要什么样的计算架构，正在成为所有车企和供应链共同面对的问题。

智能驾驶的算力竞争，正在从 1.0 时代的「有没有」，进入 2.0 时代的「好不好、稳不稳、久不久」。

未来的胜负手，是谁能把算力转化为长期可进化的智能能力。