英伟达开启“安卓时刻”

“卖铲子”的，转行搞了体系。

“你知道，这里的立交桥总是让我很焦虑。”

上周四，英伟达发布了一段时长约22分钟的视频。在视频中，英伟达自动驾驶业务中国团队负责人吴新宙与CEO黄仁勋，分坐一台自动驾驶车的主副驾驶位，展开了一场由企业一把手以及业务核心负责人亲自挂帅的，英伟达全栈自动驾驶平台DRIVE AV的技术展示活动。

视频中，车辆全程由车载智能驾驶系统负责控制。沿途经历各种路况与场景，包括施工路段、并排违停车辆、以及被橙色锥桶标出来的狭窄临时车道。而上面这句话，正是行驶途中，皮衣老黄遥望远处的立交桥对着吴新宙的感叹。

根据官方说法，这次展示驾驶的全程均由机器自主完成，期间未出现人工接管状况。但鉴于这次展示全过程长达一个多小时，22分钟的视频实际是摘要剪辑而成的，所以真实情况也并不那么地绝对。但不管怎么说，这段视频的发布清楚无误地向外界表达了一个信息——英伟达DRIVE AV已经处于“可用状态”。

对于智能驾驶行业乃至于全球汽车产业，这是一个重磅级的特大新闻。尽管其热度，现阶段注定会被围绕着霍尔木兹海峡的流量所掩盖。

代价不菲的“智能驾驶”

开发一套适配特定车型的智能驾驶系统，代价极为高昂。其核心在于，这远非简单的软硬件堆砌，而是一项涉及全链条的复杂系统工程。

首先需要确立系统的能力上限，并据此构建硬件与软件框架。这包括选择不同算力、功耗的感知与计算芯片，评估其兼容性；确定摄像头、雷达等传感器，并解决它们之间的安装、同步与标定问题；最后还需完成芯片与控制器硬件的集成，设计散热、电源与通信架构。

随后是更为复杂的软件分层开发。在典型的“感知-决策-控制”链中，感知层需开发或采购视觉、雷达等算法，实现目标检测与跟踪，并艰难地融合多传感器数据。决策规划层极度依赖工程师经验，需基于规则引擎和大量人工编写的场景库来设计路径与行为逻辑，本质上是“堆代码”。控制层则负责将决策转化为车辆方向盘、油门、刹车的具体控制信号，需与底盘线控系统深度适配。

▲ 传感器整列+算力单元+操控体系+维持体系等构成的硬件只是基础，如何将上述外部传感器收集到的信息融合到一起，根据对应的场景执行相应的操作，则是一项更加复杂的任务

当软硬件底座初步就位，真正的挑战才刚刚开始。企业必须收集并处理海量驾驶数据，用以训练算法，再通过仿真测试构建场景，最终投入耗费巨大的实车路测，以解决层出不穷的“长尾”问题。这一过程需要庞大而专业的团队，其复杂性令传统车企望而生畏，因此目前已鲜有车企选择完全自研。

在中国市场，整车企业普遍通过与智能驾驶供应商合作来解决问题。凭借全产业链优势，自2023年起形成了“地大华魔”等头部供应商格局，2025年又有轻舟智航等企业崛起，生态相对成熟。

然而，在中国以外的市场，车企的处境则艰难许多。早期主力供应商Mobileye因其封闭的“黑盒”模式、算力迭代缓慢、及不向客户开放数据等问题，已被众多主流车企抛弃。此后，海外车企主要分化为几条路径。

▲ Mobileye曾是业界翘楚

深度绑定计算平台。如梅赛德斯-奔驰与英伟达合作，大众、宝马则选择高通平台，基于后者提供的芯片和基础软件进行联合开发，但迄今尚未有大规模量产装车的成熟成果。

投资或收购初创公司，如通用汽车收购Cruise，福特曾投资Argo AI。但整合过程挑战巨大，尚未推出成体系的、可大规模配备的智驾产品。

当然，这里还有第三条路径——依赖传统Tier-1供应商。博世、大陆等提供的集成式ADAS方案虽成熟稳定可快速上车，但功能高度同质化难以打造高端品牌溢价，亦无法缓解车企对丧失技术“灵魂”的焦虑。而更重要的是，相关方案背后也多有中国供应商的影子。

而兜转一圈后可见，在海外市场，目前唯一被验证的成功者仅有特斯拉。

▲ 在中国以外，特斯拉FSD断崖式领先，处于决无对手的状态。然而对于其他整车企业人而言，选择FSD其实面临国内市场相似的“灵魂”问题

但问题在于，其成功建立在早期启动的巨额投入和长期数据积累之上，几乎无法在较短时间内被复制。因此，对绝大多数海外车企而言，开发一套好用的智能驾驶系统，依然是一条代价不菲且前途未卜的漫漫长路。

英伟达的解决方案

英伟达DRIVE AV，本质上是一套高度工程化、模块化且与专用硬件深度绑定的自动驾驶“操作系统”，其设计目标是为车企提供一个从环境感知到车辆控制的完整、可量产的软件解决方案，从而将复杂的自动驾驶开发简化为“集成与调优”。

这套系统的核心是一个清晰的四层软件架构，严格对应着自动驾驶的完整决策链。

最底层是感知层，它并非简单的图像识别，而是能同时处理摄像头、雷达、激光雷达等多源数据。通过复杂的算法，它能将不同传感器的信息融合，实时构建出车辆周围360度的鸟瞰图和三维占据栅格图，不仅能识别已知的车辆、行人，还能标记出任何未知的障碍物，为安全提供了第一道冗余。在此基础上，定位层结合高精地图、卫星信号、轮速计以及视觉特征，实现厘米级的车辆自动定位，即使在城市高楼间信号不佳时，也能通过视觉技术保持精准。

▲ 智能驾驶的决策过程用文字描述可以很简略，但实际执行是个极其复杂的体系

当系统清楚地知道“我在哪、周围有什么”，便进入关键的规划层。这里的算法需要像人类司机一样进行预测和博弈：它要预测其他交通参与者的可能轨迹，并在此基础上，生成一条自身既安全、高效又符合交通规则和驾驶礼仪的行驶路径。这需要处理无数复杂场景，比如无保护左转、汇入拥堵车流等。

最后，控制层负责将这条虚拟路径转化为现实动作，通过车辆的网络向方向盘、油门和刹车发出精确的指令信号，确保车辆平稳、准确地执行规划。

然而，仅仅有这套模块化流水线还不够。DRIVE AV最具特色的设计在于其“双大脑”并行机制。其一是端到端AI模型“Alpamayo”，其预先通过海量真实驾驶数据训练，能够像人一样从原始传感器数据中直接学习驾驶策略，擅长处理复杂、非结构化的城市路况。另一个大脑则是基于严格规则构建的传统安全堆栈。

两个系统同时运行、相互校验。当AI模型遇到罕见场景犹豫不决时，传统安全堆栈会立即介入，强制车辆执行保守但绝对安全的策略，例如减速、停车或靠边。

而这套复杂的软件要高效运行，自然离不开强大的硬件基石。但这恰恰是英伟达最不用操心的一环。

依托英伟达RIVE AGX Thor计算平台，系统可以获得充沛的算力支撑，而软硬件一家的优势，也为自动驾驶必需的海量并行计算任务具备无须专门优化等特性。

更重要的是，DRIVE AV的研发与测试并非只在车端进行，它依托一个覆盖云、端的完整闭环。在云端，NVIDIADGX超级计算机利用全球数据训练出基础AI模型；在Omniverse数字孪生平台上，工程师可以生成无数极端、危险的虚拟场景来锤炼和验证算法，其测试里程和场景覆盖度远超有限的实车路测。最终，成熟的软件通过OTA方式部署到量产车的Thor芯片上。

一言而蔽之，这是一个集成了底层计算芯片、中间件、核心AI模型、传统安全栈以及开发工具链的完整技术生态系统。DRIVE AV项目的核心目标，是让汽车制造商和自动驾驶公司能够基于一个统一、安全且高性能的基础，快速开发并部署从L2到L4级别的自动驾驶功能。

今年年初，在底特律的国际电子消费展上，皮衣老黄曾经以满怀激情的言语，宣布过对于DRIVE AV的愿景——

“我们的愿景是未来有一天，每一辆汽车､每一辆卡车都将实现自动驾驶；自动驾驶的时代已经‘全面到来!’自动驾驶汽车将成为首个大规模的､面向主流市场的物理AI应用场景。”

现阶段，英伟达已构建了庞大的 DRIVE Hyperion生态系统。在硬件环节，除了自家的高性能芯片，也涵盖了从禾赛科技（激光雷达）、索尼（摄像头）到博世、采埃孚等主流传感器。车企采用DRIVE AV，意味着其硬件选型可以立即与一个经过认证和适配的供应链对接，避免了自行筛选、适配各种传感器和控制器带来的巨大工作量。这使得车企可以将宝贵的研发资源从基础技术攻关中解放出来，更专注于打造与自身品牌调性相符的驾乘体验、座舱交互或能源管理，实现真正的差异化竞争。

而更重要的是，作为目前全球最主要的算力芯片供应商，英伟达同样也能为智能驾驶软件的训练，提供庞大的在线算力资源……

DRIVEAV的诞生，其本质是英伟达利用自身优势，为困于智能化转型的传统车企提供了一个“现成的灵魂”。它通过“芯片-中间件-算法-工具链”的完整生态，将自研智能驾驶所需的万亿级投入和数年试错，压缩为可集成、可调优的“交钥匙工程”。