车企终于不用再吃英伟达的苦了

过去买车看三大件，如今买车开始越来越看智驾。

据第一电动网10月26日发布的统计，2026年9月，中国乘用车城市NOA装机量达到49.8万台，单月渗透率为30.35%，创下年内新高。

这意味着，仅仅是比拼发动机、底盘和动力，对今天的汽车厂商来说已经不好卖了，智驾系统已经成为影响消费者决策的重要因素。

而在这场竞争背后，除了不断迭代的智驾算法，还有一个硬通货就是芯片。

城市NOA需要汽车实时处理来自摄像头、激光雷达等传感器的海量数据，并完成环境感知、轨迹预测、路径规划等一系列复杂计算。

在高阶智驾市场，英伟达长期占据重要地位。它提供成熟的车规计算平台和软件开发生态，让不同车企能够在相对统一的硬件基础上部署各自的智驾系统。但通用平台的优势是兼容性，代价则可能是难以针对每一种模型的计算特点做到最优。

尤其当智驾系统从多个相对独立的小模型，逐渐走向端到端大模型，车企需要考虑的不再只是购买多少TOPS，还包括模型运行时的计算利用率、带宽占用和系统功耗。

对不少车企来说，在市场没有其他选择的时候，也只能被迫妥协，捏着鼻子吃英伟达的苦。但现在，终于有人来打破这个僵局了。

一家成立不到三年的公司，选择从2023年开始按照未来模型的计算特点重新设计芯片。10月29日，XHEART新芯航途发布了大模型芯片X7 Ultra。

截至目前，X7系列量产8个月，累计出货超过20万颗，搭载10款量产车型，并获得超过40款车型订单。从这产品和量产成绩看，车企终于不用再吃英伟达的苦了。

01

英伟达的苦，车企吃够了

在高阶智驾市场，英伟达能长期霸场的优势，在于软硬协同。

从CUDA、TensorRT到专门面向汽车的DriveOS、DriveWorks，英伟达建立了一套较为完整的软件开发体系。不同汽车厂商可以在它提供的计算基础上，开发自己的感知、预测和规划算法，也可以协作智驾供应商。

不过，需要注意的是，不同车企采用的智驾模型并不相同，有的仍然保留模块化设计，有的已经转向端到端，有的开始探索具备更复杂推演能力的世界模型。不同模型对计算单元、数据传输、存储容量和数值精度的要求，可能存在较大差异。

像英伟达这样面向众多客户的通用计算平台，需要同时顾及广泛的模型类型与软件兼容性，很难天然针对每个客户的具体模型实现最优的计算、存储与数据交互配置。用一句俗话来形容，就是“样样通，样样松”。

当然，这并不意味着英伟达没有针对AI负载进行深度优化，只是车企更关心自己买到的TOPS（算力），能不能全部转化为模型的运行效率，在既定成本和功耗下，让模型充分发挥能力。

就像餐厅哪怕请了10个好厨子，理论上能同时做10桌菜，但如果只有1个人负责备菜、上菜，再好的厨子也只能闲置。

TOPS是芯片在特定精度和条件下的理论计算吞吐量，一套智驾系统，即使在实验室里拥有很高的推理速度，真正进入汽车后，仍然需要面对功耗、散热、成本和可靠性限制。车企还必须考虑，不同价位的车型该配置多少计算资源，未来几年的模型升级能否继续使用这套硬件。

换句话说，芯片和模型结合只是构成了汽车的智能计算底座。这个底座还要与整车的传感器、电子电气架构、控制系统和供电散热系统配合，才能最终转化为用户感受到的驾驶能力。

但模型不能只是在芯片上跑起来。它还要在复杂路况下及时响应，在长期运行中保持稳定，并且不能让整套计算平台的功耗、散热和成本超出整车预算。

这里有一个容易被忽视的问题。当车企竞争越来越依赖智驾能力，为什么还要等芯片厂商把计算平台设计好，再想办法让自己的模型适配进去？

过去几年，部分车企开始自己下场造芯，打破通用芯片与真实模型之间的适配问题。

蔚来的神玑NX9031、小鹏的图灵芯片、理想的马赫M100已经陆续实现量产应用。它们希望获得的不仅是更高的峰值算力，还可以让芯片架构与自己的智驾模型更深入地协同。

但自研芯片投入巨大，产品周期又长。即使完成一次成功流片，后续还有车型适配、持续维护和下一代产品研发。比如理想的马赫M100从2022年底正式立项，到2026年进入量产，前后历时三年多。

不同规模、不同产品定位的汽车企业，资源禀赋不同。即使具备技术能力，也未必需要将所有计算平台都转为自研。

车企需要一个能更灵活参与芯片研发的新身份、新平台，而XHEART看到了这个机会。

2023年，李宗霖和一批来自联发科、哲库等企业的芯片工程师决定创业时，已经开始思考下一代大模型究竟需要怎样的芯片。

这并不是一个轻松的决定。

“在资源很有限的情况下，我们只能做一次选择，只有一次机会。”李宗霖回忆起当时决定技术路线时，团队有两个方向。一条相对稳妥，沿用行业一贯的通用性较强的芯片架构，尽可能兼容未来可能出现的不同模型。风险相对可控，但很难对某种模型负载做极致优化。

另一条风险不小，就是提前判断未来模型的计算方式，再围绕这些需求重新设计芯片。

但当时，端到端大模型尚未在整个智驾行业形成统一的技术路线，世界模型在汽车上的应用也处于探索阶段。芯片一旦完成架构设计，底层资源很难改变。一旦押错方向，几年后产品问世时，很可能已经落后于模型演进。

对一家资源有限的新公司来说，选这条路，这相当于主动放弃了一部分通用性所带来的确定性，换取未来在大模型计算效率上的潜在优势。

李宗霖和曹旭东经过多轮讨论，最终还是选择了后者。李宗霖的判断是，模型的迭代速度会越来越快，硬件就需要提前为这种变化作准备。XHEART选定了“大模型定义芯片”的技术路线，只关心芯片算力能否在真实量产模型中充分发挥，今天设计的芯片能否跟上明天的模型，以及能否在有限能耗下获得足够的计算能力。

三年后，这次选择开始拥有了可以接受检验的产品。

02

从适配芯片，到定义芯片

大模型时代的软硬协同，对芯片厂商和车企都提出了新的要求。

汽车行业的特点就是“既要又要”，既要性能好、成本低，也要安全、可靠和良好的体验。模型的迭代速度，往往又快于芯片的研发周期。如果芯片公司只根据今天的模型定义产品，几年之后芯片完成量产时，算法可能已经发生很大变化。

所以这要求芯片设计者需要提前看到模型未来几步的演进方向，还要和车企、模型厂商都建立密切的合作。

李宗霖推出的X7 Ultra拥有700 TOPS大模型算力，设计思路就是尝试让算法团队从架构定义阶段就参与讨论，把未来模型可能需要的计算能力提前融入到硬件。

一方面，芯片架构不能针对某个模型“焊死”。X7 Ultra也是在Transformer等模型范式下，给模型未来持续迭代保留了部署和优化空间。

另一方面，采用超大核NPU架构，减少智驾模型产生的交互数据反复搬运，再给关键算子如LayerNorm、Softmax、Transpose配置专用加速引擎，都是在减少推理资源的闲置和浪费。

根据公开数据，在真实量产智驾大模型测试条件下，X7 Ultra的NPU计算利用率达到98.7%。与行业旗舰产品相比，其公布的内存带宽消耗下降80%、能效提升100%。

Momenta CEO曹旭东也表示，过去车企和算法公司选择新的通用芯片平台时，往往不愿意第一个尝试。尽管通用芯片与实际算法之间难免存在不匹配，但按经验估算，想跑通、跑稳、跑好新的通用芯片算力平台，团队能力足够强、运气足够好，也要3至6个月，有时是6到12个月，甚至更长时间。

所以汽车厂商对更换底层计算平台慎之又慎。

而根据Momenta的测算，X7 Ultra通过联合设计，把大量功能设计和验证工作提前到了流片之前。

X7在回片后约21天，便完成了从系统跑通到性能充分优化的过程。

李宗霖披露的另几个工程节点更早。首颗X7回片后不到24小时完成点亮，第17天，测试车辆已经能够在城区道路上连续稳定行驶数小时，全程无需人工接管，并经过白天、夜间及暴雨等环境测试。

过去，汽车厂商更多是在成熟供应商提供的计算平台中选择产品，再由算法团队进行部署和适配。而现在，车企有机会从真实驾驶任务出发，将模型演进、成本、功耗和安全要求提前带入芯片架构设计。

到2026年10月，X7系列已经量产8个月，累计出货超过20万颗，搭载10款量产车型，并获得超过40款车型订单。基于双X7的L3/L4计算平台，也已经获得多个车型项目定点。

如今，合作伙伴的名单还在增加。

10月中旬，新芯航途披露完成新一轮战略融资，累计融资约50亿元。雷诺集团首次参与投资，奇瑞汽车追加投资，长鑫科技等半导体产业企业也出现在投资阵容中。其实，从汽车制造商到半导体供应链企业，和一家成立时间仅仅三年的芯片公司建立如此深入的关系，本身也是一种选择。车企终于等到了一个提前参与软硬架构协同的机会。

更重要的是，这种协同并不会随着芯片量产就结束。

10月29日，Momenta CEO曹旭东透露，即将发布的R7 Ultra世界模型，已经在X7 Ultra的支持下，将参数规模扩大至前代的5倍，内部安全性能指标提升约5倍，并计划继续向10倍以上演进。

XHEART也公布了下一代X9的研发目标：3000 TOPS大模型算力、700GB/s单芯片内存带宽，计划于2027年推出。

曹旭东将这种相互推动下的提升称为“智驾摩尔定律”。2022年至2026年，智驾能力大致每两年提升十倍。而随着模型、数据和大模型芯片的共同进步，曹旭东认为，未来这一速度有机会进一步加快，甚至达到每年十倍。

要实现百万乃至千万台汽车规模的L4，未来可能需要百亿甚至千亿参数级别的模型。而在车端有限的功耗、成本和可靠性约束下，计算架构与模型的深度协同，将成为承接更大模型的重要条件。

03

L4临近产业引爆点，车企需要怎样的智能底座？

当下，随着高阶智驾不断普及，汽车行业的竞争也正在发生变化。

过去，智能驾驶更多是高端车型的差异化卖点。到了2026年，城市NOA已经开始进入更广泛的车型市场，L3有条件准入试点也已启动。2025年12月，我国首批两款L3级车型获得附条件准入，在特定道路和场景开展试点。2026年发布的自动驾驶系统安全强制性国家标准，拟于2027年7月1日正式实施。L3/L4正在获得更加明确的安全要求和准入框架。

规模化L4意味着，未来自动驾驶系统需要支持百万乃至千万台汽车，在不同城市、不同道路环境下持续运行，在曹旭东看来，这可能至少需要百亿参数，甚至千亿参数级别的模型。

这种加速演进，将对车端计算提出更高的要求。但决定这项能力上限的，不只有算法。

模型能够做到多复杂的场景理解和推演，最终还要看车端计算平台能否承接。更强的模型能否进入更多价位的汽车，还取决于芯片能否在成本、功耗与性能之间取得平衡。

这是通用芯片很难做到的。因为如果持续增加计算资源，车端的功耗和散热条件可能难以承受，如果严格限制功耗和成本，又可能无法支持未来更大规模的模型。

对于车企而言，面临的一个新问题则是，如果下一代汽车越来越依赖智能驾驶能力，那么支撑这项能力的计算底座，是否还应该完全由现有芯片产品来决定？

过去，车企更多是在既有计算平台中寻找适合自身模型的选择。芯片提供什么样的算力和架构，算法团队就尽可能在这些条件下优化模型。

但随着大模型进入智能驾驶，模型、芯片和整车之间的关系开始发生变化。车企不仅可以提出更高的性能要求，还可以把未来的驾驶体验、模型演进方向、系统成本和安全要求，提前带入芯片的设计过程。

选择一个好的智能底座，成为了这场新战役的胜负手。

按照Momenta在发布会上的披露，尚待正式发布的R7 Ultra已经将模型参数规模扩大至前代的5倍，内部安全性能指标提升约5倍，未来还计划继续向10倍参数规模和10倍以上的安全性能提升演进。

上汽与XHEART围绕下一代智驾芯片展开的合作，正在朝这个方向延伸。

按照上汽近期公布的规划，双方将推进同源架构、多档位的产品布局，在共同底层架构上开发不同性能档位的计算产品，适配不同参数规模的模型、车型定位和系统成本要求。车企讨论的不仅是采购某颗芯片，还是未来几代车型持续使用一套能够随模型演进升级的计算平台。

当然，一颗芯片无法单独决定智能驾驶的胜负。模型能力、数据积累、系统工程和整车体验，仍然需要车企持续投入。

但当智能驾驶越来越成为汽车竞争的核心，谁能够更早参与到底层计算资源的配置过程里，配合模型演进，谁就可能拥有更大的产品开发空间和技术选择权。这正是XHEART与Momenta，以及上汽等整车企业共同探索的方向。而XHEART与Momenta正把这项选择权送到车企的手中。

文｜马舒叶