拆解蔚小理的數字游戲，智駕芯片到底該看什么？

更深刻了解汽車產業變革

出品： 電動星球

作者：毓肥

頭圖由 AI 生成

過去一周，圍繞智能駕駛芯片、圍繞蔚小理英偉達華為特斯拉等等智能汽車企業的論戰，再起硝煙。

一方面依然圍繞最顯而易見、消費者感知最強的算力本身——「稀疏算力」、「稠密算力」和「加倍稀疏算力」的彎彎繞繞，一石激起千層浪。

另一方面，則是有關算力以外的邊緣參數，比如內存位寬、內存容量、ISP 性能，等等。一如汽油機時代除了馬力，大家還會爭論襯套、懸架、防傾桿、方向盤手感一樣，各種參數堆疊之下，方能完整映照性能。

作為消費者，如何在廠商的銷售話術體系內，精準判斷什么才是自己想要的，什么又是霧里看花的數據？

2026 年的智駕芯片仍未有定式，但我們可以根據目前的戰局，簡單聊聊大家該如何看待現階段智能駕駛的硬件「斗蛐蛐」。

首先，我們簡單總結了蔚小理最新一代自研智駕芯片的具體參數，大家可以簡單參考，然后開啟今天的文章。

本周專屬福利： 公眾號 后臺回復 【好運來 】

免費參與活動抽取現金紅包

算力迷霧

首先當然是算力本身，聚焦 2026 年，中高端智能駕駛系統的算力已經邁向四位數，也就是超過 1000TOPS。

遙想 2017 年，全球最先進的量產輔助駕駛芯片 Mobileye EyeQ4H，單芯片算力只有 5TOPS，9 年時間智能汽車已經以近百倍速度發展。

但算力與算力之間也有鴻溝，此 1000TOPS 不一定比彼 500TOPS 強。

譬如「精度」，就應該是最關鍵的，配平各家算力的前綴。

首先，所謂的「算力」是怎么得出的？它可以簡單理解為「一顆芯片跑特定難度的軟件有多快」。

舉個例子，英偉達向個人 AI 開發者出售的套件 Jetson Thor，它的官方頁面就標注了「2070 TFLOPS」算力，但同時有后綴「FP4-Sparse」（FP4 稀疏）。

這意味著 Jetson Thor 的 2070T 算力，是在跑 FP4 精度的軟件時得到的「速度值」，如果它跑 int8、FP16 等等更高精度的軟件，就會得到一個更慢的速度，以一個更小的數字呈現。

而智能汽車上使用的 Thor-U 芯片，目前傳播的 700TOPS 算力，則是在 int8 精度下推理得到的結果。

同樣地，蔚來神璣的「一顆頂四顆」、理想馬赫的 1280TOPS、小鵬圖靈的 750TOPS，甚至特斯拉、華為、地平線們，如果脫離了具體的推理精度，是無法一起比較的。

我們同時詢問了蔚小理的官方人士，蔚來方面表示，神璣的推理算力是基于 int8 精度得到的。

小鵬方面則表示，目前還沒有對外公布圖靈芯片的實際推理精度。而截止發稿，理想汽車并未明確向我們回復馬赫 100 芯片的實際推理精度。

內存瓶頸

如果說峰值算力代表著一顆芯片的理論天花板，那么廠商給智駕芯片配備的運行內存總量，則代表著芯片可以實際發揮多少性能的「木桶最短板」。

我們可以把運行內存簡單理解為「一條流水線可以容納的工人總量」，而算力則代表著「你請了多少工人」。

假設我請了 100 萬工人，興高采烈地宣布，我要建成全世界工人總數最多的工廠。

但實際上，我手里只有一條可以同時容納 1000 人同時工作的流水線，那么我實際的產出，并不會比請了 1000 名工人，同時流水線上有 1000 個工位的工廠高。

理解了這個概念之后，我們可以代入智駕芯片的實際工況中。比如，理想馬赫、小鵬圖靈、英偉達 Thor-U，內存帶寬都是 273GB/s。

目前業內主流的輔助駕駛大模型參數量，其實還遠低于豆包千問們的 lite 小模型，只有 3-5B 的大小。

我們取平均值，一個 4B 參數量的大模型，以 int8 精度推理，那么在 273GB/s 的內存帶寬下，它將會實現每個 token 14.65ms 的時延。

對于輔助駕駛推理來說，每個 token 就可以簡單理解為輸出到方向盤/踏板上的「結果」。

1 秒鐘有 1000 毫秒，也就是每秒鐘足夠這樣一個大模型運行 68 次，也就是 68HZ 的「刷新率」，如果每次推理結果都可用，那么已經遠超30HZ 的車規級推理刷新率要求了。

也正因如此，Orin X 205GB/s 的帶寬，承擔目前 4B 左右的大模型參數量，已經摸到它的內存帶寬瓶頸了，曾經的廉頗也吃不下越來越大碗的飯。

然后我們可以反過來，同樣滿足 30HZ 車規級要求的情況下，也可以推斷出，特定的內存帶寬，可以滿足多大參數量的模型。

比如，如果用同樣的位寬、int8 精度反算，那么馬赫、圖靈、Thor-U 都可以實現車端跑 9B 參數量大模型的要求，比 4B 還是大了一倍多。

至于蔚來神璣，因為它是目前量產內存帶寬極高的智能駕駛芯片（546GB/s），所以第一，同樣參數量的推理時延更低，其次，它理論上可以承載的模型更大。

按照上面同樣的算法，4B 參數+int8 精度推理，神璣 9031 的內存系統理論上可以實現 7.325ms 的推理時延，可以承載 18B 的大模型參數量。

大家應該注意到，我們聊寫內存的篇幅明顯更長。

因為對于智能駕駛推理來說，內存明顯會比算力更早遇到瓶頸，業界稱這種現象為「memory wall 內存墻」。

再舉個例子，上面算出來神璣 9031 的帶寬，足以承受最高 18B 參數的大模型以車規級刷新率進行數據傳輸。

那么倒過來，同樣級別的數據傳輸，按照 int8 精度計算，實際只需要起步 276TOPS 的算力，就可以支撐計算需求。

當然實際上在不同傳感器融合的過程中，算力不能簡單理解為一根筋或者兩頭堵，但這也足以說明，算力已經遠不是一套智能駕駛的瓶頸了，內存問題比算力更緊急。

而像這樣有點反直覺的事實，智駕芯片里面還有很多。

ISP？這是啥？

除了內存，還有一個非常影響智駕芯片性能發揮的部件，甚至重要性完全不比推理算力差——ISP。

ISP 全稱 image signal processor 圖像信號處理器，攝像頭感光元件 CMOS 將物理世界信息記錄成原生 RAW 數據，ISP 則將原生數據進行降噪、調色、調節動態范圍、編碼，輸出成我們人眼可以識別的圖像信息。

熟悉特斯拉的朋友一定記得，馬斯克是個堅決的「反 ISP」人士。

馬斯克一直認為，ISP 本身會導致數據傳遞的延遲和失真。所以在目前特斯拉車型使用的 AI 4 方案上，他已經大刀闊斧地砍掉了攝像頭端的 ISP，僅保留 AI 4 芯片內置的 ISP，盡可能減少視覺數據傳遞過程中的損失。

到了下一代 AI 5，馬斯克更是宣稱徹底干掉 ISP，直接讓 AI 5 2500TOPS 算力的強大 NPU「硬算」原始圖像數據的色彩變換，徹底實現「從光子到踏板」的無縫端到端。

但回到蔚小理英偉達們，ISP 依然是目前的主力，甚至正在不斷成長。

譬如神璣 9031，就擁有算力極高的智駕芯片 ISP，6.5G Pixel/s 相當于每秒處理 65 億像素的視頻數據，拆成 3840x2160 的 4K 畫幅，也相當于 26 個攝像頭的 30HZ 視頻流。

另一方面，英偉達 Thor-U 的 ISP 算力，也從 Orin X 的 1.8G 翻倍至3.5G Pixel/s ，所以大家可以看到，搭載 Thor 方案的車型們，普遍都擁有更高像素的車內外攝像頭。

小鵬也在圖靈芯片中針對優化了 ISP 能力，盡管沒有公布實際像素算力，但雙獨立 ISP 的設計，以及 24 路攝像頭的接入能力，也可以看出小鵬依然走在優化極限場景兜底能力的道路上。

聊到極限場景，除了像素量，「bit」色彩位深也是至關重要的 corner case 兜底利器。

我們以「從黑到白」的色彩變化過程，來理解「色彩位深」的概念。

假設某家芯片廠宣傳他們的 ISP 擁有 8bit 位深，那就意味著從純黑到純白，他們的 ISP 可以實現 2 的 8 次方，也就是 256 個等級的「位深」，可以理解為過渡了 256 個臺階，才從純黑到純白。

譬如蔚來神璣 9031 的 ISP 色彩位深是 26bit，這意味著黑白之間可以理論上分離出 67108864 個「階梯」，色彩過度更細膩，分離出的細節也會越多。

這就意味著，隧道夜晚這樣的極限場景下，色彩位深更高的 ISP，可以準確分離出環境的不同色彩要素，比如車牌、車燈、車身。

芯片宣傳戰的號角

聊到現在，可能也只是智駕芯片的冰山一角。

首先，對于個人消費者來說，影響購買決策和使用體驗的芯片參數并不多，算力、帶寬、ISP、內存大小，這些都是很直觀的數字，更深層的功耗、擴展能力，理解門檻相對高，其次對于日常開車影響不大。

其次，我們正在見證中國車企、供應商的第一次芯片大爆發。產品層出不窮，宣傳方式這正在摸索中。

可以預見地，中國智駕芯片的宣傳戰才剛剛開始。一些參數并不是某家廠商不愿意說，而可能是還沒想好怎么說更勁爆。

而在紛繁的數字游戲中，消費者需要保持知情權的，不僅是不同領域的參數，更是統一的對比標準。

（完）