问题：算力“狂飙”之后，智驾芯片面临从指标竞争转向交付竞争 近两年，智能驾驶正从“功能堆叠”加速转向“模型驱动”。车端模型参数规模快速增长，端到端、一段式推理和多模态融合等路线逐渐成为主流话题。随之而来的是芯片算力不断上探，千TOPS级产品频频出现，但车企与供应链对“单颗算力”“有效算力”“对标对象”等口径并不一致。热度之下也暴露出新矛盾：算力提升并不等于体验提升——如果存储带宽不足、数据搬运效率不高、编译与部署链路不成熟，再高的峰值也很难落到稳定体验上。对车企来说，关键不“跑分”，而在能否以可控成本、可验证安全、可持续迭代的方式实现规模交付。 原因：模型迭代快于芯片周期，倒逼“算法定义芯片”与软硬件一体化 智能驾驶算法的更新节奏以月甚至以周计算，而车规芯片从规划、设计到流片、验证再到导入量产，往往需要数年。这带来行业普遍焦虑：模型越变越大，芯片一代可能只能支撑两三年；如果芯片设计与算法路线脱节，量产时就可能出现“能上车但不好用”“能跑但成本过高”等问题。 鉴于此，芯片企业开始把更多定义权交给算法与场景。有关信息显示，地平线正在推进征程7系列研发，旗舰版本目标算力对标国际头部方案，并计划在未来实现量产导入；该系列延续家族化思路，以不同算力档位兼容同一生态，降低车企适配成本。同时，地平线也在布局面向“舱驾一体”的新芯片，强调座舱大模型的本地化运行与年内量产节奏。值得关注的是，征程7的产品规划据称由算法团队牵头，并通过调研收集软件生态对算力、带宽与部署的实际需求，反映出行业从“先有芯片再找场景”转向“先定场景再定芯片”。 ，新架构与先进制程成为竞争焦点。地平线新一代BPU架构被纳入下一代产品规划，相关合资公司也披露将基于该架构开发面向车端的高算力芯片并采用先进制程。总体来看，芯片企业正通过架构升级、工艺演进与工具链补齐，争取在未来两到三年的量产窗口占据更有利位置。 影响：1000TOPS渐成门槛，体验差异将更多来自“带宽、效率与生态” 公开信息显示，国际供应商与多家车企自研芯片的目标已指向千TOPS甚至更高。但业内普遍提醒，各家披露的指标口径差异明显：有的强调特定精度下的理论峰值，有的突出相对性能提升，也有的更关注部署后的可用吞吐与时延。对车端大模型而言，部署瓶颈往往不在“算力够不够”，而在内存带宽、片上缓存体系、数据搬运与算子效率，以及编译器对模型结构的适配能力。模型“装得进”只是起点，更关键的是“跑得稳、跑得快”，同时功耗和热管理可控，才能形成可用体验与安全冗余。 该变化也在重塑分工：芯片厂商需要从“提供芯片”走向“提供工具链与参考方案”，车企从“采购算力”走向“联合优化”。部分车企提出让芯片、编译器与模型协同调优，通过算子融合、精度策略与调度优化提升有效算力；也有企业强调芯片与算法协同研发，用更低功耗、更低成本实现可复制的量产体验。可以预见，在算法路线尚未拉开明显差距、芯片代际相对接近的阶段，软硬件一体化带来的效率提升将成为拉开体验差距的关键变量。 对策：围绕量产交付构建“可持续迭代”的全栈能力 面向下一阶段竞争，行业对策可归结为三点： 一是以场景牵引芯片规划。围绕城区领航、高速领航、泊车、舱内交互等高频场景，明确时延、冗余与功耗指标，避免过度押注单一峰值指标。 二是强化工具链与生态建设。编译器、算子库、仿真验证平台和数据闭环体系，决定模型能否快速迁移并提升；面向多车型、多传感器配置的适配效率，将直接影响导入周期与总体成本。 三是统筹成本与供应安全。随着算力需求向1500—2000TOPS区间上探，云端训练与仿真资源、车端硬件成本、软件授权与工程投入都会同步上升。企业需要在性能、功耗、BOM成本与供应链稳定性之间做系统权衡，避免“高配低用”或“能用难交付”。 前景：竞争焦点将从“谁更快”转向“谁更稳”，并加速走向平台化与整合 从产业趋势看，L3及以上能力探索将继续推高车端算力与系统可靠性要求，而决定规模化落地的，仍是在复杂道路与多变环境下的稳定表现与可验证安全。下一阶段，智驾芯片可能呈现三上趋势：其一，算力继续提升但不再是唯一叙事，带宽、存储体系与能效比的重要性上升；其二，座舱与智驾融合加深，“舱驾一体”将成为平台化方向之一；其三，芯片企业与车企关系更为复杂——既要扩大客户面，也要应对“客户变竞争者”的结构性挑战，生态合作与差异化定位将成为长期课题。
车载智能化正在进入“以场景定能力、以体验定成败”的新阶段；算力继续增长仍是大趋势，但更关键的是把算力转化为可量产、可迭代、可负担的真实能力。谁能在软硬件协同、工程化落地与生态构建上形成闭环，谁就更可能在未来的智能驾驶竞争中占据主动。