Robotaxi龙头造芯！算力仅160TOPS，放话比1000TOPS还强

作者 ｜ 张睿
编辑 ｜志豪

一、采用5纳米工艺制造INT8精度下算力160TOPS

二、采用软硬协同设计为传感器融合而生

结语：系统协同成自动驾驶芯片新亮点

美国自动驾驶公司自研的芯片，算力只有160TOPS？

车东西8月28日消息，日前，Alphabet（谷歌母公司）旗下自动驾驶出租车企业Waymo展示了自研的5nm ASIC（专用芯片）。

▲Waymo官方发文介绍自研芯片

根据Waymo官方的介绍，这是一款专为机器学习而生的芯片，专门用于实时处理、融合原始传感器数据并运行神经网络。

这颗芯片的专用加速器能从激光雷达、雷达和摄像头数据流中瞬间提取关键信息，包括时域降噪处理，以实现低光照感知能力，能提供超过1000TOPS的性能。

而在当地时间8月24日举行的Hot Chips大会（高性能芯片研讨会）上，Waymo则详细展示了这颗芯片的技术细节，而其INT8精度下算力为160TOPS，与此前新闻稿中的超过1000TOPS相去甚远，这是为什么？

从纸面参数来看，Waymo的这颗ASIC芯片采用N5（5纳米）工艺制造，封装在45mm×45mm的FCBGA封装中，芯片面积为208mm²，TDP（热设计功耗）低于75W。

ASIC芯片（全称Application-Specific Integrated Circuit，即专用集成电路）是一种为特定应用场景量身定制的芯片。与CPU、通用GPU这类“通用型”芯片不同，ASIC从设计之初就只为完成某一种或几种特定任务而优化。

内存方面，这颗芯片则集成了LPDDR5X（内存规格），带宽高达273GB/s，并配备64MB的片上SRAM（静态随机存取存储器，速度极快，但成本高、容量小）和8MB的寄存器（更接近计算核心，速度更快，但容量也更小）。接口支持PCIe Gen5 x8（高速外围设备互连接口）和25G以太网。

▲Waymo自研芯片参数

芯片主要子系统分为Waymo自研模块与经过验证的第三方IP。Waymo自研部分包含carTPU（Waymo自研的AI加速核心）、ISP（图像信号处理器）、编解码器、MIPI（移动行业处理器接口，数据接收的通路）以及暂存内存；两片GPU、内存、PCIe与以太网控制器、PHY（物理层，信号收发物理层电路）、安全启动以及外设均来自第三方IP。同时，Waymo表示这颗芯片没有集成DSP数字信号处理器。

具体来看Waymo这颗芯片中的子系统。其中carTPU就是Waymo自研的AI加速核心，也是这颗芯片的“大脑”。TPU（张量处理单元）是谷歌最早提出的AI专用处理器架构，Waymo在此基础上针对自动驾驶场景做了深度定制，因此命名为carTPU。它专门负责运行神经网络模型，处理传感器融合等核心AI任务。

梳理完芯片的构造后，再来看性能指标，Waymo在Hot Chips大会介绍这颗芯片在INT8精度下算力为160TOPS，FP16精度下算力为80TFLOPS，与此前新闻稿中介绍的“提供超过1000TOPS性能”不同。

▲Waymo自研芯片算力指标

其中，INT8是“8位整数精度”的缩写，是一种精简的计算模式。在AI推理中，神经网络的权重和激活值可以用整数而不是高精度小数来表示，计算量会大幅下降，速度更快，功耗更低，同时对精度损失在一定范围内是可接受的。可以把它理解为“四舍五入做算术”，牺牲一点点精确度换来更快的速度。

FP16则是“16位浮点精度”的缩写，即用16位二进制来表示小数。相比INT8，FP16的精度更高，更接近真实数值，但计算量和数据量也更大。它通常用于需要保留更精细数值信息的任务，如某些雷达信号处理和模型训练。Waymo这颗芯片在FP16下算力为80TFLOPS，大约是INT8算力的一半。

TOPS是衡量AI芯片整数运算能力的单位，1TOPS代表每秒可进行一万亿次整数运算，这是当前自动驾驶芯片最常用的算力对比指标。而1TFLOPS是衡量芯片浮点数（小数）运算能力的单位，1TFLOPS代表每秒可进行一万亿次浮点运算。

Waymo也解释道，实际可达成的性能远比纸面TOPS算力更重要，如果换算成行业通用的“理论算力”口径，Waymo芯片的实际能力超过1000TOPS。

▲Waymo自研芯片实际表现

那么，Waymo这颗芯片到底有何特别之处？怎么去挑战自动驾驶这样的复杂任务？

1、三条独立的“加工流水线”处理数据，降低延迟。

大多数自动驾驶方案采用的是“传感器数据-通用计算平台-算法处理”的模式。Waymo的芯片则完全不同，它是一颗为传感器融合而生的专用ASIC。

芯片内部设计了三条独立的处理骨干，分别对应相机、雷达和融合三大任务。其中，相机流水线从MIPI数据摄入开始，经过ISP处理、时域降噪、YUV金字塔构建（在Waymo芯片的相机流水线中，将摄像头传进来的彩色原始图像先转换为YUV格式（亮度与色彩分离），然后按倍数逐级缩小，生成从高清到低清的多层图像集合），再到特征提取——整个流程采用流水线设计，YUV金字塔的产生仅比传感器读出延迟几百行图像。雷达与激光雷达的数据则共享MIPI前端，点云处理和波形计算由芯片内的GPU完成，与carTPU的推理任务分离。

▲相机流水线

类比来说，相当于芯片中有一座“中央厨房”，内部专门设计了三条独立的“加工流水线”，分别对应相机、雷达和激光雷达的原始数据。比如，从摄像头传入的图像数据，一进入芯片就开始进行去噪、增强、特征提取等一系列操作，且整个过程采用“流水线”作业——不用等一整张图片传完再处理，而是边传边算。

这种设计让Waymo能够控制从第一个像素到最终嵌入向量的全链路延迟，而不是依赖外部芯片厂商提供的“黑盒”方案。正如Waymo所说，这让他们能够“突破传感器保真度、带宽效率和量化方面的极限”。

2、软硬协同设计，精准调度信号降低延迟。

大多数AI芯片采用“硬件优先”思路——先设计好硬件，再让软件去适配。Waymo则反其道而行之。

Waymo自研的carTPU阵列包含16个PE（处理单元）和2个核心，每个处理单元内配备2MB的本地SRAM，采用了确定性的“巨型指令（mega-instructions）”，在约一千个时钟周期内完成单线程执行，无需缓存或分支。

▲carTPU阵列

这意味着什么？传统的CPU或GPU需要处理缓存未命中、分支预测失败等不确定因素，导致延迟不可预测。Waymo的方案通过提前编译为整个模型生成巨型内核，由编译器管理任务的划分和内存流量。这种方式消除了运行时的调度开销，保证了确定性的低延迟，而这对自动驾驶这种场景至关重要。

打个比方来说，传统芯片像在早高峰指挥交通，每个路口都要临时判断车流方向（分支预测），一旦判断失误就堵车（延迟增加）。Waymo的方案则像在地铁调度中心，所有列车的路线和时间表在出发前就已精确编排好（提前编译），全程无需临时决策，保证了确定性的低延迟。

Waymo将这种理念称为“编译器优先（compiler-first）”。芯片的设计从一开始就与编译器深度协同，而非“先有硬件、再写编译器”。

3、去掉不必要的处理器，提升处理效率。

Waymo在这颗芯片中没有集成任何DSP（数字信号处理器），Waymo给出的理由是“出于对编程技能的考虑”。

DSP虽然在某些信号处理任务上效率极高，但需要专门编程和维护。Waymo选择将需要DSP处理的任务（如雷达的FFT等）交给芯片内的GPU来完成，让整个软件栈保持统一和简洁。

这就像拥有50种功能的瑞士军刀，选择只保留最常用的三五把工具，其他功能交给专用设备去做，可以让整个系统更轻盈。

值得注意的是，据Waymo介绍，该芯片已在其Robotaxi车队中实际运行，而非停留在实验室阶段。

这款芯片让Waymo拥有了从传感器数据输入到最终驾驶决策的全链路控制权，正如Waymo在Hot Chips 2026上所说，这是“首个为规模化自动驾驶而生的专用ASIC”。

而从Waymo的介绍来看，算力的价值不在于数字的大小，而在于它能否被高效地转化为可靠的驾驶决策。