技术深潜
以计算为中心的车辆，其技术基础已彻底告别分布式、功能单一的电子控制单元（ECU）架构。新范式是域控制器或集中式计算架构。它将处理任务整合到少数高性能计算机中，通常一个负责车辆的“大脑”（自动驾驶/高级驾驶辅助系统），另一个负责“躯体”（信息娱乐、互联功能）。
核心处理由系统级芯片（SoC） 完成，这些芯片集成了多种计算引擎：
1. CPU 核心（Arm/x86）： 处理通用顺序任务及整体系统管理。
2. GPU 核心： 用于图形并行处理，并日益用于神经网络推理。
3. 神经网络处理单元（NPU）/张量核心： 专用于深度学习运算的硬件加速器。其性能（以特定功耗下的 TOPS 衡量，如 TOPS/W）已成为关键规格指标。
4. 数字信号处理器（DSP）： 用于实时处理传感器数据（雷达、激光雷达、音频）。
驱动这种算力需求的关键算法包括：
- 基于 Transformer 的视觉模型： 正在取代传统的计算机视觉流程，用于场景理解。特斯拉的占用网络（Occupancy Network）——它能预测所有物体（包括不可见区域）的 3D 体积占用情况——就是一个典型例子。
- 神经辐射场（NeRF）： 用于根据摄像头数据创建驾驶环境的详细 3D 重建，实现更稳健的世界模型。
- 端到端神经网络： 以特斯拉最新的 FSD V12 为代表的系统，通过单一巨型神经网络，直接接收原始传感器输入并输出车辆控制指令（转向、加速、制动），绕过了显式的手写规则。
开源项目对研究和标准化至关重要。Autoware Foundation 的代码库（如 `autoware.ai`）为自动驾驶提供了基础开源栈。NVIDIA DriveWorks SDK 和用于在汽车硬件上优化神经网络部署的 TensorRT 已成为行业标准。一个著名的学术项目是 nuScenes，这是一个用于自动驾驶的大规模公共数据集，它推动了基准竞赛和模型发展（例如 `CenterPoint` 3D 物体检测模型）。
| 汽车 SoC | TOPS (Int8) | 制程工艺 | 关键架构 | 主要采用者/车型 |
|---|---|---|---|---|
| NVIDIA DRIVE Thor | 2000+ | 4纳米 | Grace CPU + Blackwell GPU + Transformer Engine | 多家 OEM（2025年及以后） |
| 高通 Snapdragon Ride Flex | 2000 (SoC) | 4纳米 | Hexagon NPU + Adreno GPU + Kryo CPU | 宝马、通用汽车、长城汽车 |
| 特斯拉 FSD 芯片（第一代） | 72 (x2) | 14纳米 | 定制 NPU | 特斯拉 Model S/3/X/Y（2019-2023） |
| 特斯拉 HW4（推测） | ~300-500（估计） | 7纳米（估计） | 增强型定制 NPU | 特斯拉 Cybertruck, Model S/X 改款 |
| Mobileye EyeQ6 | 128 | 7纳米 | 定制加速器核心 | 多家 OEM 的 ADAS 系统 |
数据洞察： 上表揭示了专用 AI 算力的指数级飞跃，NVIDIA 和高通的下一代平台突破了 2000 TOPS 大关。这比仅仅 5 年前的第一代专用汽车 AI 芯片提升了超过 25 倍，凸显了算力竞赛的激烈程度。制程工艺的微缩对于在汽车热设计和功耗预算内实现这些性能水平至关重要。
关键参与者与案例研究
竞争格局已经打破了传统的汽车产业层级，并引入了新的半导体和软件巨头作为主要价值创造者。
半导体奠基者：
- NVIDIA： 凭借其 DRIVE 平台，成功将其在数据中心和游戏 GPU 的专业知识重新定位到汽车领域。其战略是提供从芯片（Orin, Thor）到仿真（DRIVE Sim）再到 AI 模型的全栈解决方案。CEO 黄仁勋将汽车定义为“轮子上的数据中心”，这一愿景指导着他们的平台设计。
- 高通： 凭借其在移动 SoC 领域的主导地位，高通的 Snapdragon 数字底盘旨在成为座舱、互联和自动驾驶的统一计算平台。其对 Veoneer 旗下 Arriver 软件栈的收购，完善了其全栈产品。
- 特斯拉： 先驱与异类。特斯拉的垂直整合战略使其自行设计了 FSD 芯片和 AI 软件栈。这赋予了其在硬件-软件协同设计方面无与伦比的控制力，这是在优化性能方面的显著优势。埃隆·马斯克的赌注是，凭借自研芯片和来自其车队的大量数据所实现的卓越现实世界 AI 性能，将构成一道难以逾越的护城河。
汽车制造商——战略分化：
- 大众汽车集团： 大力押注其 CARIAD 软件部门以及与高通的合作，旨在为其旗下品牌打造统一的软件平台。进展一直坎坷，突显了传统 OEM 打造硅谷级别软件的困难。