馬斯克給車圈上強度：2500TOPS自動駕駛芯片曝光，臺積電3nm工藝明年上車

10年10000倍！車端自動駕駛芯片的算力紀錄，正在被這樣的速度刷新。

2500TOPS，全部有效AI算力，來自始終篤信「第一性原理」的馬斯克，和他的特斯拉，最新車載芯片曝光。

與其説「下一代」，不如説「領先一代」，因為2500TOPS的芯片被曝已成功流片，最快明年上車。

車端算力水平業內主流還是254TOPS，500-700TOPS只有頭部玩家纔有實力部署，極個別玩家算力堆到了1000TOPS以上。

特斯拉硬件性能的算力增長速率，遠超當下行業共識和普遍節奏規律。

甚至10年前的馬斯克自己，也很難料到。

算力10年漲10000倍，特斯拉最新車載芯片曝光

最新曝料，特斯拉下一代自動駕駛車端芯片，已經流片成功，進入批量生產的準備階段。

3nm工藝，主要還是臺積電代工，韓國的三星作為產能后備。

最重要的是算力——2000-2500TOPS之間。

消息是韓國每日經濟新聞最先曝出的，這是韓國影響力最大的經濟報刊，1966年軍政府時期成立（也是韓國各大財閥起家創業時期），政治立場保守偏右，而它背后的財閥支持，也有三星的影子。

所以可以認為這則曝料準確度很高，北美的媒體也廣泛引用了這一消息。

2014年特斯拉首款車Model S，搭載了HW1.0硬件，底層採用了Mobileye的EyeQ3芯片，算力0.256TOPS。

2014年5月5月，一輛開啟「Autopilot」的特斯拉與一輛大型拖車相撞，導致駕駛員死亡，這是自動駕駛歷史上首例公開的死亡事故。隨后，特斯拉迅速將核心算力從Mobileye更換為Nvidia的「Drive PX2」，算力24TOPS。

並且同步招募了硅谷半導體大師吉姆·凱勒（Jim Keller）以及曾在英特爾和蘋果工作過的皮特·班農（Pete Bannon），開始自研自動駕駛芯片。

2019年HW 3.0發佈，底層全部換裝特斯拉自研產品，14nm工藝，單片算力72TOPS，板卡算力144TOPS。搭載在特斯拉絕對銷量擔當的Model 3 和ModelY上。

2023年特斯拉發佈了HW4，5nm工藝，單片算力推測在200-300TOPS，車載平臺算力超過了500TOPS。也是從這一代硬件開始，特斯拉在北美完全拋棄了毫米波雷達及超聲波雷達，走向更純粹的視覺路線。

僅僅一年過后，新芯片算力已超2000TOPS，相比10年前的EyeQ3，已是10000倍的差距。

而馬斯克不久前在財報會議上説，AI5整個套件算力會是HW4.0的十倍，由此推斷真正上車時，AI5應該還是雙芯片冗余，單顆算力至少2000TOPS+，整車算力4000TOPS以上。

這個水平遠遠超過目前L2+的主流算力配置。

國內玩家，比如大疆、比亞迪都已經驗證，跑通一個端到端模型，其實並不需要潑天算力；甚至特斯拉自己，也在144TOPS的HW3.0方案上，OTA了最新的FSD版本。

技術客觀，塑造了當下智能化競賽各個玩家的「裝備配置」的基本思路。

只求實現高速NOA和泊車功能的，採用德州儀器數十TOPS芯片，或100TOPS左右的高通8650、8620足矣，通常見於緩慢轉型的合資車，或強調性價比的國產A級小車。

這種算力條件下，其實也能強上「車位到車位」功能，只不過體驗要做好難度極大。

用户心理層面可用敢用的城市NOA能力，通常至少需要一塊英偉達Orin，256TOPS算力。這也是目前絕大多數「智能普及」車型採用的方案，可以説是當下成本性能最平衡的。

再進一步要把「車位到車位」體驗做的足夠好，接管率足夠低，就需要兩塊Orin的算力支持。

但多塊芯片之間的通信、任務分配，並行計算等等難度很大，要想把VLA這樣的數十億、百億及參數模型跑在車端，就必須要更大算力芯片——700TOPS+的英偉達Thor在中國市場率先落地量產，正是自動駕駛技術體系的體現。

但這也就是現在量產輔助智駕的最高「裝備等級」了。

小千TOPS算力下，VLA到底該怎麼部署、算力到底是不夠還是有余、是不是能完全利用……各家都在探索，還沒有人能給出準確答案。

特斯拉把算力軍備競賽一下拔高到數千TOPS，真的有必要嗎？

數千T，特斯拉怎麼用？

英偉達Thor 2022年首次亮相時，老黃給的算力數據就是2000TOPS，震撼了整個車圈。

2025年量產上車的版本，包括理想、極氪，實際卻是750TOPS算力的版本。

有傳言説是吳新宙從小鵬到了英偉達后，勸老黃其實車端沒必要這麼大算力，成本也受不了。

所以海外媒體、用户對標特斯拉AI5的英偉達產品，不是Thor，反而是最新的5080、5090。

比如5080大約等效1800TOPS，5090則是 3,400 TOPS。

但這樣的類比其實並不合理，因為特斯拉自從HW3.0開始，算力描述指的就是完完全全服務AI模型的有效算力。

也就是支持大規模乘加運算，並針對Transformer架構、算子做了特殊優化的NPU算力。

這也是通用GPU源流的英偉達芯片和車企自研自動駕駛芯片的根本不同。

資深從業者曾向智能車參考透露，包括Orin和Thor，整個芯片設計思路還是從傳統顯卡出發，尤其是Thor又要兼顧一部分座艙功能，包括了很多不同用途的模塊，自動駕駛模型真正調用的有效算力，是達不到宣傳數字的。

這也是為何特斯拉、小鵬、蔚來，以及Momenta等等自動駕駛玩家都要自研芯片的原因。

AI5的2000TOPS+算力，代表着超大參數模型可以上車。

特斯拉目前雲端超算建成約30EFLOPS算力，在訓練的雲端基座模型據說參數已經超過500B，也就是5000億參數，和領先的大模型玩家已經沒有任何區別。

而從目前大模型技術出發推斷，能用在駕駛任務的多模態大模型，也只有VLA。

流行的端到端實際參數量大約都是幾十億，同時還是「黑盒」，難以證明模型是真的理解路況，還是條件反射式的模仿。所以理論上限高，但很實際效果難控制，只能通過調整訓練數據的分佈來「間接」影響模型能力，下限依然需要規則兜底。

馬斯克賭的，其實就是超大模型的「智能涌現」，讓AI司機真正產生對環境場景的的認知理解能力，由此解決corner case。

雲端多模態大模型具備基礎能力后，在通過強化學習手段規範安全可靠性，然后通過知識蒸餾方法得到可在車端部署的較小模型。

當然車端的「小」模型是相對而言，整體規模仍然高出傳統端到端，所以需要超大算力芯片。

另外從安全出發，依賴雲端能力和即時通信的系統，安全隱患很大，車端部署完整模型也是必須。

同樣的路線，特斯拉再走，國內的小鵬蔚來理想華為等等都在走，它們在一同推動自動駕駛領域的一場新革命：「算力即能力」。

對傳統量產輔助駕駛，從今年開始會迅速分化成入門性價比的陣營，和超大算力高階陣營。前者可能更多見於合資車或自主性價比入門車型，主打「有就可以，基本能用」，OTA潛力有限。

后者則有希望突破L2限制，在安全性、易用性、接管率上實現質變，即各家都在説的「L3」。

而對L4陣營，自動駕駛新的技術思路和話語體系出現，並且上路近在眼前，如果AI司機智能涌現真的被驗證，沉寂多年的「升維降維」之爭，又要被熱烈討論了。

甚至特斯拉的AI5、小鵬的圖靈、蔚來的神璣等等僅僅是個開始：10年前沒人能想到車端算力有萬倍提升，未來數年，誰又能斷言數萬TOPS的「超級AI汽車」不會成為現實呢？

畢竟，大模型的上限還遠未達到。

本文來自微信公眾號 「智能車參考」（ID：AI4Auto），作者：賈浩楠，36氪經授權發佈。