自动驾驶走到深水区，英伟达想先做底座

北京车展开幕前夕，英伟达全球副总裁吴新宙在北京与媒体交流时，系统阐述了英伟达在自动驾驶领域的最新判断、技术布局与未来规划。

表面上看，这是一场围绕芯片、模型、平台和产品展开的技术沟通；但放在当下的产业阶段去看，英伟达真正想讲的，显然不只是有什么产品，而是当自动驾驶进入工程化深水区，行业究竟该如何往前走。

过去几年，自动驾驶赛道并不缺热点，也不缺路线分歧。有人押注单车智能，有人加码Robotaxi，有人坚持先把L2+和L3做深做透，再逐步向更高阶能力演进。热闹背后，一个更现实的问题正在浮出水面：当技术不再停留在概念验证阶段，真正决定行业分化的，已经不是某一个单点能力，而是谁能把算力、模型、仿真、安全和量产体系组织成一条可持续推进的工业化路径。

也正是在这个意义上，英伟达今天谈自动驾驶，已不只是谈一颗芯片、一套域控方案，甚至不只是谈L4本身，而是在试图回答另一个更大的问题：谁来搭那块真正通用的底座。

自动驾驶为何再次被推到聚光灯下

自动驾驶不是一个新命题，但它正在被重新估值。

过去几年，这个行业经历了太多来回拉扯：L2+是不是终局，L3有没有现实意义，L4到底还要走多久，Robotaxi会不会先于乘用车跑通商业化。

分歧一直都在，但走到今天，一个共识正在变得更清晰：自动驾驶不再只是“汽车智能化的一部分”，而开始被放到更大的物理AI框架里重新理解。

吴新宙在这次沟通中给出的判断很鲜明：“我们感觉能够看到L4的曙光了。”在他看来，自动驾驶正在迎来属于自己的“ChatGPT时刻”。

图片来源：英伟达

这并不意味着行业已经轻松跨过了所有难关，而是意味着技术范式和产业预期都发生了变化。过去的自动驾驶更多依赖模块化工程、规则堆叠和局部优化；而今天，随着端到端、世界模型、多模态推理和更高效的训练、仿真能力不断成熟，自动驾驶正在从“功能定义”走向“系统定义”。

这也是英伟达持续加码这一方向的根本原因。对它而言，自动驾驶并不是众多AI应用中的普通一项，而是最接近真实商业世界、也最可能率先实现大规模落地的物理AI场景之一。道路足够复杂，任务足够连续，商业价值也足够明确。一旦技术、工程和运营真正形成闭环，自动驾驶释放出来的就不只是单车功能升级，而是整个出行效率和产业效率的重构。

三条路径分化之后，英伟达想卡住“平台层”

如果把今天的自动驾驶行业放在一起看，大致能看到三条正在并行推进的路径。

一条是科技公司路径。代表性玩家更强调全栈能力和直接运营，希望通过Robotaxi率先把高阶自动驾驶跑通。Waymo今年4月已在迈阿密和奥兰多向所有用户开放无人驾驶叫车服务；Pony.ai则在迪拜推进 driverless Robotaxi 试运营，并计划在年内推出面向公众的收费服务。

第二条是车企渐进路径。相比直接冲击L4运营，传统主机厂更愿意沿着L2+、L3逐步向上，在量产体系中积累用户认知、法规适配和工程经验。梅赛德斯-奔驰就是典型代表。据悉，MB.DRIVE ASSIST PRO已于2025年底进入中国市场，并将在2026年进一步拓展到美国市场。

而英伟达真正想站的位置，是第三条路径：平台赋能。

它并不自己下场做车队运营，也不想把自己局限为一家单纯的芯片公司。吴新宙在沟通中说得很明确：“我们希望所有车厂都使用我们的标准化平台，促进数据共享，推动整个产业向L4迈进。”这句话点出的，正是英伟达在自动驾驶上的核心意图：它要争的，不只是某个车型、某个项目，而是平台层的位置。

这背后的逻辑其实很现实。

自动驾驶真正难的，从来不只是让一辆车在某个限定场景里跑起来，而是让不同车企、不同车型、不同区域都能以更低成本、更高效率，把系统推进到量产和持续迭代。

科技公司在争运营落地，车企在争量产节奏，而英伟达想争的，是那套能让前两者都更快往前走的基础设施。

官方信息显示，比亚迪、吉利、五十铃和日产已基于NVIDIA DRIVE Hyperion开发L4-ready车辆；NVIDIA与Uber合作的全栈Robotaxi计划于2027年上半年先在洛杉矶和旧金山启动，并于2028年扩展至28个市场。

这种“平台赋能”的思路，也在此次北京车展前后的合作进展中被进一步具象化。奇瑞将与英伟达的合作范围从辅助驾驶延伸到座舱AI与机器人；德赛西威则基于DRIVE Hyperion、DRIVE AGX Thor与NVLink推进面向量产的智驾方案；小马智行发布的新一代自动驾驶域控制器，同样建立在DRIVE Hyperion平台之上。与其说英伟达在集中展示合作，不如说它在证明一件事：其角色正在从芯片供应商进一步转向“平台+生态”的组织者。

“五层蛋糕”背后，不只是硬件堆叠

如果只看单个产品，英伟达在自动驾驶上的布局并不陌生：有运算平台、有操作系统、有模型，也有仿真与云端训练能力。但这次沟通真正值得注意的，不是这些能力本身，而是它如何被重新组织成一条连续的工业化链路。

吴新宙在现场用“三台计算机”和“五层蛋糕”来解释这套体系。

图片来源：英伟达

所谓“三台计算机”，包括车端负责实时推理的计算平台、云端用于模型训练的训练平台，以及如今越来越关键的仿真计算平台。

基于这三类能力，英伟达再向上搭出“五层蛋糕”：底层是面向高阶自动驾驶的标准化硬件平台，往上是安全与平台软件层，再往上是开放模型、仿真工具与数据集，其上是面向整车厂和合作伙伴的应用层方案，最上方则是云端训练与仿真的基础设施。

这个框架最重要的，不是做“更多功能”，而是把分散的能力重新组织起来。

在最底层，英伟达希望先把面向L4的硬件和传感器参考架构定义出来。DRIVE Hyperion被定义为完整的可量产自动驾驶开发平台和参考架构，它把标准化传感器套件、高性能计算平台与稳定软件栈放在同一底座上，目的不是替车企做所有事情，而是尽量减少车企从零搭建底层系统的重复成本。

再往上一层，Halos安全体系和平台软件承担的是“把底座做稳”的任务。它的价值不在于概念新，而在于让不同硬件、不同传感器和不同配置之间的适配尽可能标准化。Halos OS被放在统一安全架构的位置上，为基于DRIVE Hyperion的 L4级自动驾驶提供量产级安全基础。

而在模型与数据层，英伟达现在想做的也不只是发布一个模型。Alpamayo被定义为由AI模型、仿真框架和物理AI数据集组成的开放式产品组合，目标是帮助开发者加速构建安全、可解释、具备推理能力的自动驾驶系统。换句话说，它要提供的不是一段孤立算法，而是一套从训练、仿真到车端部署都能打通的开发链路。

更值得注意的是，仿真的位置被明显抬高了。随着自动驾驶从模块化走向端到端，“像素进、轨迹出”的系统逻辑，让传统那种分模块验证越来越不够用了。验证新模型，本质上是在验证它对物理世界的理解和重建能力。也因此，仿真不再只是辅助工具，而正在变成高阶自动驾驶工程化推进的核心一环。

也正是在这里，英伟达与很多传统供应商拉开了差异。它现在讲自动驾驶，已经不是在讲“我有一颗什么样的芯片”，而是在讲“我能不能把自动驾驶最难、最重、最贵的那部分开发链路，先变成行业可以复用的底座”。

比时间表更重要的，是它对L3、L4和生态边界的判断

相比那张被反复提及的路线图，这次沟通中几个争议问题的回答，其实更能说明英伟达的真实判断。

图片来源：英伟达

首先是L3和L4的关系。过去一段时间，行业不断讨论是否应该跳过L3直接进入L4。现场交流中，盖世汽车也就这一话题向吴新宙进行了提问。

吴新宙并没有接受这种简单的二选一逻辑。他给出的判断更接近产业现实：“至少在短期内，L3是有价值的，L4也没那么容易做，两者很可能会长期并存。”这句话背后的含义很清楚：L3虽然存在责任边界和接管时间的争议，但它已经能够部分释放驾驶者时间价值；而L4则对冗余、安全、远程支持和整体运营体系提出更高要求，短期内并不会轻松跨过去。

其次是激光雷达。吴新宙明确表达过自己对视觉路线的信心，但与此同时，他也指出，对于更高等级自动驾驶，尤其是L3和L4，激光雷达仍然是重要的安全冗余。这里的关键，并不是简单站队，而是责任边界一旦提高，系统对冗余和可验证性的要求也会被重新定价。L2++、L3、L4，本来就不是完全相同的一套传感器逻辑。

再次是车企自研芯片。面对这一越来越明显的趋势，吴新宙引用黄仁勋的话回应：“我们不指望你们买我们所有的东西，但我们也不希望你们什么都不要我们的。”这句话听上去轻松，背后却很有平台逻辑：车企当然可以在某些层面自研，但只要行业还需要训练、仿真、数据、模型、安全体系这些更上游的能力，英伟达就依然可以在其中找到自己的位置。

还有一个细节同样值得注意。吴新宙提到，汽车本身就是一个机器人，未来未必需要两个完全割裂的“大脑”。面向人机交互的AI与面向驾驶执行的AI，长期看会走向更强的集成化。这未必意味着座舱和驾驶一定使用同一颗芯片，但至少意味着，未来汽车AI更可能成为一个整体系统，而不是两个彼此分离的功能岛。

从这些判断可以看出，英伟达真正激进的地方，其实不只是那张L4时间表，而是它试图提前把高阶自动驾驶最关键的几块能力——平台、模型、安全、仿真和生态协同——先握在自己手里。一旦行业真的从“能跑”进入“能复制”的阶段，拥有底座的人，往往比拥有单个亮眼方案的人更有主动权。

结语

自动驾驶发展到今天，行业最缺的不是愿景，而是穿透愿景的路径。

科技公司在用运营验证高阶自动驾驶的商业闭环，传统车企在用渐进式量产积累现实基础，而英伟达则试图在这两者之间，先把底层平台、模型工具链和安全架构搭起来。它的野心不只是参与自动驾驶，更是希望在自动驾驶真正进入规模化阶段之前，先占住那块最基础、也最关键的位置。

从这个角度看，英伟达今天谈自动驾驶，真正想讲的并不是“L4什么时候来”，而是另一件事：当高阶自动驾驶真正开始落地，行业将依赖怎样的一套底层方法和平台体系向前推进。

这或许才是这场沟通最值得玩味的地方。