英伟达的“安卓时刻”：从“卖铲子”到构建自动驾驶新生态

4分钟前

曾以“卖铲子”角色立足行业的英伟达，如今转向打造完整的技术体系。

“你知道，这里的立交桥总是让我很焦虑。”

上周四，英伟达发布了一段约22分钟的视频。视频里，英伟达自动驾驶业务中国团队负责人吴新宙与CEO黄仁勋分别坐在自动驾驶车的主副驾驶位，共同开展了一场由企业一把手和业务核心负责人亲自参与的英伟达全栈自动驾驶平台DRIVE AV技术展示活动。

视频中，车辆全程由车载智能驾驶系统控制，沿途经历了施工路段、并排违停车辆以及被橙色锥桶标出的狭窄临时车道等多种路况与场景。而开头那句话，正是行驶途中黄仁勋望着远处立交桥对吴新宙发出的感叹。

根据官方表述，这次展示驾驶全程由机器自主完成，期间未出现人工接管情况。不过，由于展示全过程长达一个多小时，22分钟的视频是摘要剪辑而成，所以真实情况并非绝对。但无论如何，这段视频的发布清晰地向外界传递了一个信息——英伟达DRIVE AV已处于“可用状态”。

对智能驾驶行业乃至全球汽车产业来说，这无疑是一条重磅新闻，尽管其热度目前可能被霍尔木兹海峡相关的流量所掩盖。

01 智能驾驶的高昂代价

开发一套适配特定车型的智能驾驶系统，成本极高。其核心原因在于，这远非简单的软硬件堆砌，而是一项涉及全链条的复杂系统工程。

首先要确定系统的能力上限，并以此构建硬件与软件框架。这包括选择不同算力、功耗的感知与计算芯片，评估其兼容性；确定摄像头、雷达等传感器，解决它们的安装、同步与标定问题；最后完成芯片与控制器硬件的集成，设计散热、电源与通信架构。

接着是更为复杂的软件分层开发。在典型的“感知-决策-控制”链中，感知层需开发或采购视觉、雷达等算法，实现目标检测与跟踪，还要艰难地融合多传感器数据。决策规划层极度依赖工程师经验，需基于规则引擎和大量人工编写的场景库设计路径与行为逻辑，本质上是“堆代码”。控制层则负责将决策转化为车辆方向盘、油门、刹车的具体控制信号，需与底盘线控系统深度适配。

▲由传感器阵列、算力单元、操控体系、维持体系等构成的硬件只是基础，如何将外部传感器收集的信息融合，根据对应场景执行相应操作，是更复杂的任务

当软硬件底座初步搭建完成，真正的挑战才刚开始。企业必须收集并处理海量驾驶数据来训练算法，通过仿真测试构建场景，最终投入耗费巨大的实车路测，以解决层出不穷的“长尾”问题。这一过程需要庞大且专业的团队，其复杂性让传统车企望而却步，因此目前很少有车企选择完全自研。

在中国市场，整车企业通常通过与智能驾驶供应商合作来解决问题。凭借全产业链优势，2023年起形成了“地大华魔”等头部供应商格局，2025年又有轻舟智航等企业崛起，生态相对成熟。

但在中国以外的市场，车企的处境要艰难得多。早期主力供应商Mobileye因封闭的“黑盒”模式、算力迭代缓慢以及不向客户开放数据等问题，已被众多主流车企抛弃。此后，海外车企主要分为几条路径。

▲Mobileye曾是业界翘楚

深度绑定计算平台，比如梅赛德斯-奔驰与英伟达合作，大众、宝马选择高通平台，基于后者提供的芯片和基础软件进行联合开发，但至今尚未有大规模量产装车的成熟成果。

投资或收购初创公司，如通用汽车收购Cruise，福特曾投资Argo AI。但整合过程挑战巨大，尚未推出成体系、可大规模配备的智驾产品。

当然，还有第三条路径——依赖传统Tier-1供应商。博世、大陆等提供的集成式ADAS方案虽成熟稳定可快速上车，但功能高度同质化，难以打造高端品牌溢价，也无法缓解车企对丧失技术“灵魂”的焦虑。更重要的是，相关方案背后也多有中国供应商的影子。

兜转一圈后可以发现，在海外市场，目前唯一被验证的成功者只有特斯拉。

▲在中国以外，特斯拉FSD处于绝对领先地位，没有对手。但对其他整车企业而言，选择FSD也面临类似国内市场的“灵魂”问题

但问题在于，特斯拉的成功建立在早期的巨额投入和长期数据积累之上，几乎无法在短时间内被复制。因此，对绝大多数海外车企来说，开发一套好用的智能驾驶系统，仍是一条代价高昂且前途未卜的漫长道路。

02 英伟达的应对之策

英伟达DRIVE AV本质上是一套高度工程化、模块化且与专用硬件深度绑定的自动驾驶“操作系统”，其设计目标是为车企提供从环境感知到车辆控制的完整、可量产的软件解决方案，从而将复杂的自动驾驶开发简化为“集成与调优”。

这套系统的核心是清晰的四层软件架构，严格对应自动驾驶的完整决策链。

最底层是感知层，它并非简单的图像识别，而是能同时处理摄像头、雷达、激光雷达等多源数据。通过复杂算法，它能融合不同传感器的信息，实时构建车辆周围360度的鸟瞰图和三维占据栅格图，不仅能识别已知的车辆、行人，还能标记出任何未知障碍物，为安全提供第一道冗余。在此基础上，定位层结合高精地图、卫星信号、轮速计以及视觉特征，实现厘米级的车辆自动定位，即使在城市高楼间信号不佳时，也能通过视觉技术保持精准。

▲智能驾驶的决策过程用文字描述很简略，但实际执行是个极其复杂的体系

当系统清楚“我在哪、周围有什么”后，就进入关键的规划层。这里的算法需要像人类司机一样进行预测和博弈：预测其他交通参与者的可能轨迹，在此基础上生成一条既安全、高效又符合交通规则和驾驶礼仪的行驶路径。这需要处理无数复杂场景，比如无保护左转、汇入拥堵车流等。

最后，控制层负责将虚拟路径转化为现实动作，通过车辆网络向方向盘、油门和刹车发出精确指令信号，确保车辆平稳、准确地执行规划。

不过，仅有这套模块化流水线还不够。DRIVE AV最具特色的设计在于其“双大脑”并行机制。其一是端到端AI模型“Alpamayo”，它预先通过海量真实驾驶数据训练，能像人一样从原始传感器数据中直接学习驾驶策略，擅长处理复杂、非结构化的城市路况。另一个大脑则是基于严格规则构建的传统安全堆栈。

两个系统同时运行、相互校验。当AI模型遇到罕见场景犹豫不决时，传统安全堆栈会立即介入，强制车辆执行保守但绝对安全的策略，比如减速、停车或靠边。

这套复杂软件要高效运行，自然离不开强大的硬件支撑，而这正是英伟达最不用担心的一环。

依托英伟达DRIVE AGX Thor计算平台，系统能获得充足的算力支持，且软硬件一体的优势，让自动驾驶必需的海量并行计算任务无需专门优化。

更重要的是，DRIVE AV的研发与测试并非只在车端进行，它依托覆盖云、端的完整闭环。在云端，NVIDIA DGX超级计算机利用全球数据训练基础AI模型；在Omniverse数字孪生平台上，工程师可以生成无数极端、危险的虚拟场景来锤炼和验证算法，其测试里程和场景覆盖度远超有限的实车路测。最终，成熟的软件通过OTA方式部署到量产车的Thor芯片上。

简而言之，这是一个集成了底层计算芯片、中间件、核心AI模型、传统安全栈以及开发工具链的完整技术生态系统。DRIVE AV项目的核心目标，是让汽车制造商和自动驾驶公司能基于一个统一、安全且高性能的基础，快速开发并部署从L2到L4级别的自动驾驶功能。

今年年初，在底特律的国际电子消费展上，黄仁勋曾满怀激情地宣布对DRIVE AV的愿景——

“我们的愿景是未来有一天，每一辆汽车、每一辆卡车都将实现自动驾驶；自动驾驶的时代已经‘全面到来’！自动驾驶汽车将成为首个大规模的、面向主流市场的物理AI应用场景。”

目前，英伟达已构建了庞大的DRIVE Hyperion生态系统。在硬件环节，除了自家的高性能芯片，还涵盖了禾赛科技（激光雷达）、索尼（摄像头）到博世、采埃孚等主流传感器。车企采用DRIVE AV，意味着其硬件选型可立即与经过认证和适配的供应链对接，避免了自行筛选、适配各种传感器和控制器的巨大工作量。这让车企能将宝贵的研发资源从基础技术攻关中解放出来，更专注于打造与自身品牌调性相符的驾乘体验、座舱交互或能源管理，实现真正的差异化竞争。

更重要的是，作为目前全球最主要的算力芯片供应商，英伟达也能为智能驾驶软件的训练提供庞大的在线算力资源……

DRIVE AV的诞生，本质上是英伟达利用自身优势，为困于智能化转型的传统车企提供了一个“现成的灵魂”。它通过“芯片-中间件-算法-工具链”的完整生态，将自研智能驾驶所需的万亿级投入和数年试错，压缩为可集成、可调优的“交钥匙工程”。