智駕，英偉達「急了」

昨天（1月7日）早上，黃仁勳再次用自己的CES主題演講引爆了科技圈。

在這場時長1個半小時的發布會中，絕大數人最關心的可能是全新的50係顯卡和直接將Mac Mini從“桌麵盒子”AI王座上趕下的Project DIGITS。但如果整體審視發布會各部分內容和時長，就會發現“智駕+”顯得尤為突出。

這一變化也反映出AI巨頭英偉達的最新策略——乘著大模型端到端的東風，在智駕領域和機器人分別發起“追擊戰”和“攻堅戰”，再次嚐試將自己的影響力通過數字世界覆蓋現實世界。

“停滯”的硬件，英偉達不再

嚴格來說，在本屆CES上，英偉達並沒有為智駕帶來任何新硬件。從黃仁勳重點展示的Thor處理器到PPT上“一閃而過”的Hyperion 9智駕平台，實際上都是2022年秋季的GTC發布的“舊產品”。

更重要的是，截至目前Thor仍沒有後繼型號發布，完全打破了英偉達智駕平台過往1～2年就換代的穩定節奏（英偉達2017年發布Orin，2019年發布Atlan後取消項目，2022年發布Thor）。

英偉達之所以“不著急”，很大程度上也是因為Thor的前輩Orin性能足夠強大，後者的雙芯片智駕平台解決方案能夠提供超過500TOPS的AI算力。在目前全球各個應用中的智駕平台方案中，仍處於*梯隊。

而此次終於要量產上市的Thor，英偉達也一直沒有公布具體參數細節，但可以明確其算力為1000TOPS級別，且相較於上一代的Orin芯片可以實現8倍的能效比。也就是一顆Thor很可能頂4顆OrinX，同時耗電還少一倍。

有這麽強大的新硬件，為什麽英偉達在這兩年不將其推向市場？這個問題一直是個懸案，但大概率與英偉達Blackwell架構上的設計缺陷（黃仁勳自己在公開采訪中承認是英偉達自己的失誤），也遺傳到了使用同樣架構的Thor芯片中。

但即便Thor真的能順利量產並且被實車搭載，英偉達在智駕芯片上的一家獨大也已經無法複現。

就拿目前已經將芯片塞進了理想、去年4月全新發布了新產品“征程6”係列並且給出了全部性能參數的地平線來說，其最強的“征程6P”芯片性能標稱560TOPS，雙芯解決方案同樣能夠超過1000TOPS。按照地平線官方的規劃，這顆芯片結合其全場景智能駕駛解決方案SuperDrive在2025年第三季度發布。

這種“被圍剿”現象的背後，其實是英偉達多年AI發展的“通病”：雖然其訓練側*性毋庸置疑，可一旦某個行業或者場景走向成熟，基於GPU架構的各種解決方案往往會被更專用化的ASIC和SoC方案所頂替，反而吃不到行業AI廣泛應用的紅利。

英偉達打算拿什麽主宰端到端？

去年年初，特斯拉采用“端到端”方案的FSD V12一經部署，在行業內實現了標杆效應，帶動了 “蔚小理” 等車企以及華為、地平線這樣的廠商紛紛轉向，加碼 “端到端” 自動駕駛技術。

這條全新路線簡而言之，就是通過架構和機製的改變，打破過去自駕行業人類標注數據的瓶頸，用更弱的監督和更多的數據，在自動駕駛這個方向複現這幾年大語言模型的“智能湧現”。

換言之，訓練算力或者說整個數據中心的規模、以及能夠獲得的優秀數據規模，就決定了“端到端”的表現高低。

在這兩點中，英偉達數據中心產品的強大無需多言，但數據側則一直是其弱點。雖然英偉達智駕生態合作夥伴眾多，但各家的數據大多隻是服務於自己，英偉達自己雖然有車隊和工程師，但體量終究無法與全球數百萬用戶的特斯拉相比。

甚至可以這樣說，特斯拉之所以要費勁自己構建一套從智駕芯片到數據中心芯片的硬件網絡，本質都是為了獨立挖掘和守護的價值。

那麽有沒有什麽辦法能夠在不賣車的情況下，生成海量的駕駛訓練數據呢？一個最簡單的思路就是用機器去生成。本就在遊戲和專業虛擬化領域十分強大的英偉達，在這個方向上，進行過不止一次嚐試。

就拿我所知道最早的一次來說，英偉達早在2018年，就曾公布過一套能夠利用智駕解決方案和雲端算力對自動駕駛場景模擬、名為 “AutoSim” 的係統。後來數年英偉達數次從生成數據類型、生成數據精細程度對模擬進行過升級，但始終無法兼顧“無需人監管生成數據”和“生成數據有訓練價值”這兩個要點。

同樣的問題，也是目前中國智駕功能表現體感提升困難的關鍵（相比特斯拉在美國本土的流暢體驗。中國道路環境的變數實在太大，尤其是各種對象對交通規則的不遵守，造成了訓練數據的需求量極大）。

為了突破這個障礙，英偉達本次在發布會上提出了一個全新的解決思路：先投入海量資源，先打造一個靠譜的世界模型（通過大量圖像、音頻、視頻和文本數據訓練，讓機器對世界運作方式能夠進行推理），然後部分結合現實司機駕駛數據，數字孿生相關的各種資源，最終生成幾何倍數於真實數據的虛擬駕駛數據。

而這個世界模型，就是英偉達在本次發布會上首次亮相的Cosmos。根據官方公布的信息，*的Cosmos模型參數規模大概140億（也就是14B），用2000萬小時的真實世界人類互動、環境、工業、機器人和駕駛數據訓練而成。

這個新方案的優點用黃仁勳自己的話來說：這個方法仍然需要真實的司機收集數據，但幾千個司機的數據完全能夠在簡單的命令下生成數十億公裏的新數據。

聽起來比較抽象，黃仁勳在現場用視頻展示了這個解決思路的幾種應用思路。

*種是利用現實世界中道路的核心物理信息，利用世界模型和數字孿生的能力進行訓練數據的生成。同樣的一個現實路口除了基本走向，其他一切信息都可以通過生成改變，包括國別、時間、天氣、附近的交通對象等等（不過可能，左右舵國家可能需要分別建立真實數據庫）。

第二種相比*種要更重要一些，是對障礙物的模擬，英偉達的這套解決方案支持在生成的過程中，直接從數字孿生數據庫中調用各種障礙物，並且隨意擺放，直接虛擬出一個極為複雜的施工路段。當然，從目前的障礙物列表來看，這個應用後續還要升級，對中國場景做出更多適配（例如增加高速移動的小電驢、低速移動的共享單車、看起來像是車但更野蠻的老頭樂，以及不按紅綠燈的行人等等）。

如果前兩種還算是比較“精工細作”，那麽利用直接用文本描述讓Cosmos生成視頻的過程顯然才是最讓人驚訝的，你可以把它理解為一個物理層麵更靠譜的“文生視頻”能力。

就拿上麵這個演示來說，實際輸入的英文指令翻譯過來的大概意思是“行車記錄儀捕捉到了夜間交通繁忙、霧蒙蒙的高速公路的景象。場景被閃爍的紅色刹車燈和微弱的藍色車頭燈照亮。濃霧遮住了道路上的部分車輛。突顯了有限的能見度和具有挑戰性的駕駛條件。”Cosmos幾乎是在一瞬間就生成了6個不同攝像頭視角的視頻畫麵（*排的6個畫麵，仔細看甚至每個畫麵之間的對象關係也是沒問題的，隨著車輛前行旁邊的車會出現在對應的攝像頭視角中）。

功能看起來相當美麗，但還存在不少疑問：例如上麵提到的能否在模擬意外場景的功能中，升級出足夠貼合中國場景的素材？Cosmos和Omniverse的相應能力如何向客戶提供？如果車企自身在本地沒有足夠的英偉達GPU資源，能否在雲上架設整套係統？還有就是這些訓練出來的畫麵，能否高效自動地歸集和學習，進一步降低訓練的成本等等。

按照英偉達過往的策略，必然會一塊塊補上剩下的拚圖。

可以肯定的是，全新方案“低投入高回報”的特性，將為目前進度相對落後的車企和供應商，提供一個難得的“追擊”機會。

寫在最後

從2015年正式做智駕業務至今，英偉達已經在這個領域探索了10個年頭，成長隻能說不盡如人意。就拿最直白的營收來說，“汽車和機器人”業務在上個季度營收中僅僅占到1.2%，其中大部分還是中國新勢力車企所貢獻。

造成這個結果的核心，還是AI從數字世界向現實世界跨越的路途中，仍存在巨大的鴻溝。未來如果英偉達真的能夠繼續擴充其世界模型，讓其能夠更精準、更合理的模擬世界，其所打開的可能性不會止步於智駕，而是會快速蔓延至機器人等更多可以落地的現實行業和現實應用中去。

如何完成這一步關鍵的“脫數向實”，將成為英偉達接下來發展的一個核心看點。

【本文由投資界合作夥伴虎嗅網授權發布，本平台僅提供信息存儲服務。】如有任何疑問，請聯係（editor@zero2ipo.com.cn）投資界處理。