【导读】CES 2026上，英伟达发布多款汽车领域核心产品与技术，其中开源辅助驾驶模型Alpamayo颇具看点，该模型拥有100亿参数，命名寓意技术高地，也呼应了黄仁勋提出的训练、推理、仿真“三台计算机”技术金字塔概念。英伟达还提出，计算机产业每10-15年将迎来一次平台变革，新一代DRIVE Thor芯片等产品正是其顺应这一趋势的布局。尽管汽车业务营收占比不高，但英伟达已持续投入超8年，且正深度贴合中国客户需求，提供适配行业发展的技术与产品支持。
为汽车行业提供全栈解决方案
一个优秀的智能驾驶产品，究竟该具备什么样的核心特性？在英伟达看来，共有四大特点：第一是性能，既依赖SoC的算力基础，也离不开算法层面的深度优化；第二是系统稳定性，随着国内智能驾驶量产规模扩大，系统的可靠性与安全性成为核心竞争力；第三是易用性，降低开发者的上手门槛，实现车端与云端 AI 芯片的高效开发，是行业的共同诉求；第四是高效支持，快速响应客户需求，为项目落地提供全周期技术服务，是客户最为关注的要点。
黄仁勋反复强调的英伟达核心支柱是三台计算机：用于训练的DGX、用于仿真的OVX和用于车载推理的AGX。这构成了从数据训练、仿真验证到量产部署的完整闭环。而英伟达的解决方案也可以分为三个层面：SoC芯片、平台和软件。
第一，SoC芯片方面，英伟达的车载计算芯片经历了四代发展：2018年的1TOPS的Parker，到2020年量产于小鹏P7等车型的30TOPS的Xavier，再到2022年254 TOPS的Orin，以及可以达到最高2000TOPS（NVFP4）的Thor。
衡量芯片性能不能只看算力数值，内存带宽同样是关键指标。芯片性能如同木桶效应，GPU、CPU与内存带宽任一环节成为短板，都会制约整体性能发挥。以Thor为例，其内存带宽高达273GB/s，处于行业领先水平。采用NVFP4和投机采样，对内存带宽的需求还可以进一步减少，从而使性能有更好的发挥。此外，英伟达在芯片设计中融入了诸多创新架构，除了核心的GPU计算单元，还集成了多种专用加速引擎，确保计算资源的高效利用。在专利布局上，针对车载GPU，英伟达拥有700余项专利技术。
第二，平台方面，英伟达严格遵循ASPICE和ISO 26262流程，同时获得了产品级的TÜV的ASIL-D功能安全认证。值得注意的是，行业内部分厂商宣称的 “安全认证”，需区分是产品认证、架构认证还是流程认证，其中产品功能安全认证的标准最为严苛，而英伟达是业内少数完成全流程认证的企业。
英伟达还定义了像Hyperion这样的参考架构，当前 Hyperion 已发展至第四代，也就是Hyperion 10。该平台在设计之初，就对传感器配置、系统架构与软件进行了功能安全分解，明确了支持L4 级自动驾驶所需的算力配置，Hyperion 10搭载两块基于 NVIDIA Blackwell 架构的 NVIDIA DRIVE AGX Thor 系统级芯片，可提供超过 2000 TFLOPS FP4 精度 (或 1000 TOPS INT8) 的实时算力。同时，英伟达为每一个软硬件模块都设定了明确的功能安全目标，形成了完整的安全需求矩阵。
第三，软件方面，英伟达提供两种可量产的OS选项：QNX和基于Linux的DriveOS。在中国市场，许多企业倾向于Linux，主要因其生态和开发便利性。为此，英伟达将DriveOS QNX中许多客户重视的功能，如内存ECC校验、诊断功能迁移到了Linux版本中，从而在保持开发灵活性的同时，增强了系统的可靠性和诊断能力，更大幅缩减了从芯片到量产的时间。
除此之外，在刚刚过去的CES上，英伟达发布的Alpamayo大模型，这是一款融合推理能力的开源VLA大模型，基于Transformer架构打造。英伟达认为，单纯的端到端模型缺乏可解释性，而融入推理能力的Alpamayo模型，能够让智能驾驶决策更具逻辑性与可靠性。
针对中国市场的创新
中国团队紧密配合本地市场的快速需求，英伟达驱动了许多创新产品。
首先，第一个例子是卫星架构下的雷达数据处理优化。传统毫米波雷达的数据处理由雷达模组内置芯片完成，仅向车载SoC传输目标检测结果。随着车载SoC算力的提升，车企提出 “将雷达原始数据传输至SoC进行处理” 的需求，这一方案可节省雷达模组的硬件成本，并提升算法的灵活性。针对这一需求，英伟达对NvSIPL SDK进行了定制化开发，可支持雷达和激光雷达。同时，把新增雷达原始数据处理模块部署到SoC的专用加速器（PVA）上，既避免了占用GPU资源，又实现了算力的高效利用。
接着，第二个例子是TensorRT Edge-LLM 的车端适配。2023年英伟达发布了面向云端大模型推理的TensorRT LLM SDK，一些车企随即提出将其移植到车端平台的需求。2024 年，英伟达中国团队仅用两周时间，就完成了TensorRT LLM在Orin平台的初步适配。但在后续优化中发现，云端与车端的技术需求存在显著差异：云端关注高吞吐量，而车端受限于传感器数据输入规模，对低延迟、低内存占用要求更高。
为此，团队推出专为车端设计的TensorRT Edge-LLM SDK，并与国内大模型团队展开合作，完成模型适配与优化。目前，该SDK已支持英伟达全系列嵌入式计算平台，包括车端的Orin与Thor系列、嵌入式的Jetson 系列，以及和联发科合作开发的C-X1/ C-Y1系列。相较于业内其他推理框架，TensorRT Edge-LLM具备三大优势：一是支持C++原生开发，更符合车载场景的量产需求；二是深度适配英伟达GPU架构，可充分发挥硬件算力；三是性能优势显著，官方数据显示，其推理效率相较于业界其他大模型推理框架提升两倍以上。目前，英伟达正在推动该 SDK的功能安全认证。
最后，第三个例子是Orin芯片的性能迭代。Orin芯片作为一款发布三年半的产品，通过TensorRT的版本迭代，Transformer的性能可以提升30-50%；同时基于最新的TensorRT Edge -LLM SDK，Orin同时可以很好的支持7B的大模型，并取得相当好的性能。
从底层的芯片硬件，到中间层的DriveOS与SDK工具链，再到上层的感知、规控算法与 Alpamayo大模型，英伟达已构建起全栈式的智能驾驶解决方案。
长期践行开源模型和工具链技术路线
云端协同也是英伟达的一个发力点。在数据中心端，英伟达主要包括两个开源模型平台：一是世界基础模型（WFM）Cosmos，二是CES上刚刚发布的Alpamayo。
开源模型与工具链并非英伟达的战略转型，而是长期践行的技术路线，核心目标是通过技术普惠，推动行业发展。
首先，在Cosmos方面，系统核心构成包括三方面：一是模型层，涵盖感知、决策、推理等全链路模型；二是工具层，包括数据标注、数据清洗、模型训练等开源工具；三是数据层，提供丰富的训练数据集。其中，工具层的两款工具深受国内企业青睐：一款是用于训练过程的自动化数据标注工具，可大幅提升标注效率；另一款是数据检索工具，能够快速定位高质量的训练数据。针对中国市场，英伟达将原本的英文训练脚本，优化为支持中文的开源版本，进一步降低了开发门槛。
当前智能驾驶行业面临着一个核心瓶颈：随着自动驾驶等级的提升，长尾场景数据采集成本呈指数级增长，传统“路采-训练-验证”模式已难以为继。这也是近半年来，国内自动驾驶技术突破放缓的重要原因。为此，英伟达提出了生成式AI驱动的解决方案，通过Cosmos、Issac等生成式模型，合成高质量的长尾场景数据，以算力换取数据，破解行业痛点。
生成式模型分为三大类：一是纯生成模型，输入一段真实路况视频，即可预测后续的场景变化，部分车企已将其应用于仿真测试；二是条件生成模型，通过输入文本指令，生成特定场景的数据，可精准覆盖极端天气、复杂路况等长尾场景；三是风格迁移模型，能够将2D 仿真场景转化为逼真的3D数据，提升仿真测试的真实性。区别于行业内其他方案，英伟达的生成式模型核心优势在于工程化量产能力，模型生成的数据具备时序一致性与场景合理性，完全满足自动驾驶的训练与测试需求。
其次，在Alpamayo方面，该模型的核心创新在于因果推理数据集的构建，英伟达首次提出了参考公式化的数据集标注方法，通过“感知-推理-决策”的全链路标注，让模型能够学习到决策的逻辑，而非简单的图像与结果的映射关系。
以施工路面场景为例，传统感知模型仅能识别 “施工路面”这一目标，而Alpamayo模型则会进行多步推理：首先识别 “视线遮挡” 这一关键特征，再结合车辆当前的速度、距离等信息，最终输出“减速慢行”的决策指令。这种推理式的决策逻辑，让模型具备更强的泛化能力，即便遇到从未训练过的施工场景，依然能够做出正确决策。“数据集构建、模型训练、仿真强化”的全链路方案，是Alpamayo模型实现高泛化性的核心原因。
此外，英伟达已开放了原始数据集，该数据集涵盖全球多地区的真实路况，且已完成脱敏处理，开发者可直接用于模型训练。
Alpamayo模型的最大价值，在于为L4级自动驾驶提供了一条高效的实现路径。其可解释性的决策逻辑，解决了传统端到端模型黑箱的行业痛点，目前已有多家车企计划将该模型作为主驾系统的核心算法，搭配冗余的安全系统，实现L4级自动驾驶的量产落地。
开源模型源于与中国客户的合作
许多开源工作是源于英伟达与企业深度合作中识别到的痛点。有三个典型案例，展现了英伟达创新技术如何赋能智能汽车的量产落地。
第一个案例是蔚来自动驾驶数据处理加速方案。2022年，蔚来在量产车型的数据回传过程中，面临着数据量激增、处理效率低下的难题。英伟达团队针对这一痛点，开发了一套自动化的数据筛选与预处理方案，最终实现数据处理吞吐量提升6倍。这一方案看似与芯片销售无直接关联，但英伟达始终秉持“解决行业痛点”的理念，通过技术赋能降低车企的研发成本，才能推动整个行业的发展，这也是英伟达区别于其他芯片厂商的核心竞争力。目前，该方案已进入开源流程，未来将面向全行业开放。
第二个案例是英伟达闭环仿真平台NuRec的本土化落地。国内头部车企的仿真测试体系中，均能看到该平台的身影。该平台的核心功能是，输入一段路采数据，即可生成多样化的场景变体，例如调整车辆位置、行人行为、天气状况等，帮助车企快速完成海量场景的测试验证。某车企的实践数据显示，应用该平台后，仿真测试效率最高可提升35倍，测试成本最多可降低到50分之一，辅助驾驶系统的研发周期从“月级” 缩短至“小时级”。
第三个案例是端到端训练的存储优化方案。随着端到端模型的兴起，车企的训练数据从“单帧图片”转向“连续视频流”，存储成本激增300%~1000%，成为制约技术落地的新瓶颈。英伟达团队针对这一问题，开发了边解码边训练的流式处理方案，无需将视频数据完整存储，即可直接用于模型训练。该方案仅增加数百分比的GPU开销，却能帮助车企节省90%的热存储成本，按单车企的训练规模计算，每年可节省上亿元的硬件投入。目前，该方案已在多家车企落地，并将持续迭代优化。
这三个案例的共性在于，英伟达解决的都是车企量产过程中 “真问题”。这些问题看似与芯片算力无关，却直接决定了技术能否从实验室走向市场。
总结
从芯片硬件的性能迭代到软件生态的定制优化，从开源模型的技术普惠到量产场景的痛点破解，英伟达以全栈布局和长期主义，构建起智能驾驶领域的核心竞争力。Alpamayo模型的因果推理创新、生成式AI的数据解决方案，以及针对中国市场的本土化适配，不仅彰显了技术硬实力，更体现了与行业共生的发展理念。随着开源生态的持续完善和全栈方案的不断迭代，英伟达有望进一步打破智能驾驶量产瓶颈。
