英伟达的汽车生意经

作者丨章涟漪

链接丨英伟达的汽车“生意经”

点击下方卡片，关注“自动驾驶之心”公众号

戳我->领取自动驾驶近30个方向学习路线

>>国内首个自动驾驶全栈交流社区：自动驾驶之心知‍识星球（戳我）

本文已获转载授权，转载请联系原文作者

作者 | 章涟漪

编辑 | 邱锴俊

三驾马车齐头并进，从云端仿真到车端推理，英伟达正在定义智能汽车的下一个十年。

“你们到底是个硬件公司，还是软件公司？”在回应这一问题时，英伟达黄仁勋曾表示，英伟达始终是一家软件公司。

如今来看，这话在汽车领域，颇为贴切。

在过去的几年里，英伟达已悄然从一家单纯的芯片供应商，转变为一整套自动驾驶解决方案的“总承包商”。

其布局之深，覆盖之广，远超外界想象。它不仅卖车端芯片（AGX），还提供云端训练（DGX）和仿真（OVX）的能力，最近更将最核心的AI模型和数据集大方开源，试图降低行业门槛，做大生态蛋糕，从而更持续地驱动算力需求，重塑产业规则。

01

三大支柱，全栈解决方案

如果把智能汽车的开发比作盖摩天大楼，英伟达不只是卖钢筋水泥，而是开始提供从设计蓝图、施工机械到装修方案的全套服务。

这栋大楼的建造主要依赖三台“计算机”，它们构成了英伟达汽车战略的黄金三角。

首先是DGX，AI模型训练工厂。

想象一下，要让汽车学会在各种复杂路况下安全行驶，需要什么样的“学习资料”？这就是DGX扮演的角色：AI模型的训练工厂。

DGX不是一台单独的服务器，而是由数千张GPU组成的超级计算集群。在这个“训练工厂”里，车企等客户通过DGX平台处理着来自全球的海量驾驶数据，既有真实采集的道路视频，也有通过虚拟仿真生成的特殊场景。

英伟达不久前发布的“推理”AI：Alpamayo，正在基于这一平台“炼成”。这个模型特殊之处在于它具备“思维链”能力，不仅能识别道路上的物体，还能理解场景中的因果关系。比如看到前方有事故现场，它能推理出“有事故-道路封闭-需要变道”的逻辑链条。

其次是仿真领域的OVX，数字孪生试验场。

真实的道路测试成本高昂且充满风险。OVX系统提供的解决方案是：创造一个与真实世界1：1对应的虚拟世界。

基于英伟达的Omniverse平台，OVX可以构建整个城市的数字孪生，包括道路、建筑、交通标志，甚至是天气变化、行人行为等细节。

在这个虚拟试验场里，自动驾驶算法可以：24小时不间断测试；模拟极端天气和危险场景；重复进行百万公里的压力测试。

最实用的功能是“场景重建”。如果某家车企的真实车队在某十字路口遇到了罕见的交通情况，他们可以使用英伟达的NuRec工具，将这个真实场景在虚拟世界中精准复现，然后生成数百种变体用于算法训练，极大地加速了算法验证和迭代周期。

第三则是AGX，车端推理大脑。

这是英伟达在汽车领域最为人熟知的部分：车载计算芯片。从早期的Parker、Orin系列，到现在力推的Thor，算力从几十TOPS跃升至上千TOPS，成为理想、小米、极氪、比亚迪等新老势力旗舰车型的标配。

但算力数字背后，真正的价值在于软件栈的持续优化。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。

这得益于英伟达完整的车载软件生态：DriveOS，车载操作系统，有符合功能安全认证的QNX版本，也有更易开发的Linux版本；TensorRT，专门为大模型推理优化的软件库，能将云端训练好的模型高效部署到车端；CUDA，统一的并行计算架构，让开发者一次开发，就能在云端和车端运行。

这三台“计算机”形成了一个高效协同的闭环：DGX负责训练模型，OVX负责验证测试，AGX负责最终执行。车企可以在同一个技术栈上完成从研发到量产的全过程，大大降低了开发难度和集成风险。

02

盈利模式，从卖硬件到卖服务

理解了“三台计算机”架构，就能看懂英伟达新的商业模式。

传统认知中，英伟达靠卖芯片赚钱。但实际情况是，芯片销售收入只是冰山一角。

英伟达不止卖芯片，还卖服务。

不过，与外界传言的“数百万美元授权费”不同，英伟达收取的是一次性工程服务费（NRE）。

这笔费用的本质，是英伟达派驻工程师团队，深度参与车企的量产项目，帮助他们将算法在英伟达平台上“跑通”、优化直至落地，并且根据项目难易程度价格各有不同。

这更像是“教练费”。

车企，尤其是那些自研算法但经验尚浅的团队，虽然有算法团队，但缺乏在英伟达平台上开发和优化的经验。英伟达的工程师会：帮助优化算法在芯片上的运行效率、解决软硬件集成中的各种问题、提供最佳实践和架构建议。

这种服务模式带来了多赢局面：车企团队快速成长，掌握平台开发能力；英伟达获得最一线的需求反馈，持续改进产品；双方建立了深度信任关系。

更重要的是，这种模式的核心驱动力，是对算力永无止境的渴求。无论是云端训练更复杂的模型，还是车端部署更强的AI功能，都意味着需要采购更多的DGX、OVX和AGX。软件和服务，最终是为了更好地“消耗”算力硬件。

但这对英伟达来说，显然还不够。

2025年初，英伟达在CES上又做出惊人之举：将其酝酿已久的Alpamayo系列全部开源。

Alpamayo系列包括三部分：

一是Alpamayo1，一款约100亿参数规模的思维链推理模型，已在Hugging Face上开源，以使汽车能够理解周围环境并解释其行动，用于研究、模型蒸馏及开发辅助工具。

二是AlpaSim，一套完全开源的端到端辅助驾驶仿真框架，已在GitHub发布，支持在多种环境和边缘案例中进行闭环训练和评估。

三是物理AI开放数据集，包含超过1700小时的真实道路驾驶数据，覆盖不同区域和环境条件，并包含一定比例的复杂和罕见场景。

这些工具共同构成了一个自我强化的开发闭环，助力构建基于推理的自动驾驶技术栈。

这一举动看似“慷慨”，实则是一步深思熟虑的战略棋局。

第一，降低行业门槛，做大生态蛋糕。自动驾驶研发最大的痛点之一，是高质量、强因果标注数据的极度匮乏。

英伟达开源的Alpamayo不仅是模型，更包含一套“思维链”数据标注方法。它要求AI模型不仅要识别物体，还要像人一样理解场景中的因果关系。例如：因为前方有事故，所以车道被锥桶封闭。

这套方法论和数据集，为整个行业提供了一条可复制的路径，能极大加速从L2到L4的研发进程。当整个行业因此而加速时，作为底层算力与平台的最大提供者，英伟达自然是最大赢家。

第二，以开源对抗地缘政治风险。当最核心的技术以Apache 2.0等开源协议发布，它就变成了一种全球公共知识资产，更难受到单一国家政策或禁令的限制。这为英伟达的全球业务上了一道“保险”。

第三，确立技术范式领先地位。在从传统模块化自动驾驶向端到端、再向具备推理能力的VLA模型演进的十字路口，英伟达通过开源其最先进的成果，事实上在为行业定义下一代技术框架。谁掌握了标准，谁就掌握了未来。

据悉，在过去两年里，已经至少有三家中国客户基于英伟达的开源框架，构建了自己的数据标注流水线，这种早期采纳者形成的网络效应，是任何竞争对手都难以撼动的。

而英伟达与奔驰的合作，则展示了其全栈方案的标杆价值：从硬件架构、操作系统到AI模型，形成可灵活配置的模块化服务体系。

03

“中国速度”，汽车棋局背后的驱动力

英伟达之所以在汽车领域步伐加速，很大程度上是由于中国市场的需求驱动。

目前，海外车企在智能汽车领域的研发落地节奏，相比中国至少慢两到三年。因此，这种“中国定义需求，全球实现产品”的模式，已成为英伟达汽车业务的特点。

一个典型案例是TensorRT-LLM for Auto的开发：当时中国客户的需求非常明确，他们希望将百亿参数的大模型部署到车端，而且要求延迟控制在毫秒级。英伟达从提出需求到原型验证只用了两个月，这在传统的产品开发周期中是不可想象的。

中国车企快节奏的迭代、对功能落地的更高追求，倒逼英伟达本地团队开发出如TensorRT-LLM for Auto等专用工具，而这些成果最终又反哺全球。

面对地平线、高通等竞争对手，以及特斯拉、蔚来等自研芯片的车企，英伟达一向很自信。

这种自信源于一个判断：智能驾驶的终极竞争，是系统性工程能力和持续演进生态的竞争。

做出一颗算力强劲的芯片或许可以靠重金投入，但要构建一个从芯片、安全认证、操作系统、中间件、加速库到开发工具，并持续迭代优化十年以上的全栈体系，其门槛非常高。

当行业向更高级别的自动驾驶迈进时，功能安全、预期功能安全、网络安全等法规要求将呈指数级增长，这恰恰是英伟达耗时多年、耗资巨大构筑的“隐性护城河”。

英伟达的汽车棋局已非常清晰：以全栈软硬件平台为基座，以深度工程服务为粘合剂，以战略级开源为生态加速器，最终驱动全球汽车产业对算力的饥渴消费。

它不再只是智能汽车的“供应商”，而是致力于成为整个AI驱动出行时代的架构师与赋能者。这场关于汽车大脑的战争，英伟达正在试图定义新的游戏规则。

自动驾驶之心

3DGS理论与算法实战课程！