英偉達的汽車“生意經”

三駕馬車齊頭并進，從云端仿真到車端推理，英偉達正在定義智能汽車的下一個十年。

“你們到底是個硬件公司，還是軟件公司？”在回應這一問題時，英偉達黃仁勛曾表示，英偉達始終是一家軟件公司。

如今來看，這話在汽車領域，頗為貼切。

在過去的幾年里，英偉達已悄然從一家單純的芯片供應商，轉變為一整套自動駕駛解決方案的“總承包商”。

其布局之深，覆蓋之廣，遠超外界想象。它不僅賣車端芯片（AGX），還提供云端訓練（DGX）和仿真（OVX）的能力，最近更將最核心的AI模型和數據集大方開源，試圖降低行業門檻，做大生態蛋糕，從而更持續地驅動算力需求，重塑產業規則。

01

三大支柱，全棧解決方案

如果把智能汽車的開發比作蓋摩天大樓，英偉達不只是賣鋼筋水泥，而是開始提供從設計藍圖、施工機械到裝修方案的全套服務。

這棟大樓的建造主要依賴三臺“計算機”，它們構成了英偉達汽車戰略的黃金三角。

首先是DGX，AI模型訓練工廠。

想象一下，要讓汽車學會在各種復雜路況下安全行駛，需要什么樣的“學習資料”？這就是DGX扮演的角色：AI模型的訓練工廠。

DGX不是一臺單獨的服務器，而是由數千張GPU組成的超級計算集群。在這個“訓練工廠”里，車企等客戶通過DGX平臺處理著來自全球的海量駕駛數據，既有真實采集的道路視頻，也有通過虛擬仿真生成的特殊場景。

英偉達不久前發布的“推理”AI：Alpamayo，正在基于這一平臺“煉成”。這個模型特殊之處在于它具備“思維鏈”能力，不僅能識別道路上的物體，還能理解場景中的因果關系。比如看到前方有事故現場，它能推理出“有事故-道路封閉-需要變道”的邏輯鏈條。

其次是仿真領域的OVX，數字孿生試驗場。

真實的道路測試成本高昂且充滿風險。OVX系統提供的解決方案是：創造一個與真實世界1：1對應的虛擬世界。

基于英偉達的Omniverse平臺，OVX可以構建整個城市的數字孿生，包括道路、建筑、交通標志，甚至是天氣變化、行人行為等細節。

在這個虛擬試驗場里，自動駕駛算法可以：24小時不間斷測試；模擬極端天氣和危險場景；重復進行百萬公里的壓力測試。

最實用的功能是“場景重建”。如果某家車企的真實車隊在某十字路口遇到了罕見的交通情況，他們可以使用英偉達的NuRec工具，將這個真實場景在虛擬世界中精準復現，然后生成數百種變體用于算法訓練，極大地加速了算法驗證和迭代周期。

第三則是AGX，車端推理大腦。

這是英偉達在汽車領域最為人熟知的部分：車載計算芯片。從早期的Parker、Orin系列，到現在力推的Thor，算力從幾十TOPS躍升至上千TOPS，成為理想、小米、極氪、比亞迪等新老勢力旗艦車型的標配。

但算力數字背后，真正的價值在于軟件棧的持續優化。通過TensorRT的版本迭代，Transformer的性能可以提升30-50%；同時基于最新的TensorRT Edge-LLM SDK，Orin同時可以很好的支持7B的大模型，并取得相當好的性能。

這得益于英偉達完整的車載軟件生態：DriveOS，車載操作系統，有符合功能安全認證的QNX版本，也有更易開發的Linux版本；TensorRT，專門為大模型推理優化的軟件庫，能將云端訓練好的模型高效部署到車端；CUDA，統一的并行計算架構，讓開發者一次開發，就能在云端和車端運行。

這三臺“計算機”形成了一個高效協同的閉環：DGX負責訓練模型，OVX負責驗證測試，AGX負責最終執行。車企可以在同一個技術棧上完成從研發到量產的全過程，大大降低了開發難度和集成風險。

02

盈利模式，從賣硬件到賣服務

理解了“三臺計算機”架構，就能看懂英偉達新的商業模式。

傳統認知中，英偉達靠賣芯片賺錢。但實際情況是，芯片銷售收入只是冰山一角。

英偉達不止賣芯片，還賣服務。

不過，與外界傳言的“數百萬美元授權費”不同，英偉達收取的是一次性工程服務費（NRE）。

這筆費用的本質，是英偉達派駐工程師團隊，深度參與車企的量產項目，幫助他們將算法在英偉達平臺上“跑通”、優化直至落地，并且根據項目難易程度價格各有不同。

這更像是“教練費”。

車企，尤其是那些自研算法但經驗尚淺的團隊，雖然有算法團隊，但缺乏在英偉達平臺上開發和優化的經驗。英偉達的工程師會：幫助優化算法在芯片上的運行效率、解決軟硬件集成中的各種問題、提供最佳實踐和架構建議。

這種服務模式帶來了多贏局面：車企團隊快速成長，掌握平臺開發能力；英偉達獲得最一線的需求反饋，持續改進產品；雙方建立了深度信任關系。

更重要的是，這種模式的核心驅動力，是對算力永無止境的渴求。無論是云端訓練更復雜的模型，還是車端部署更強的AI功能，都意味著需要采購更多的DGX、OVX和AGX。軟件和服務，最終是為了更好地“消耗”算力硬件。

但這對英偉達來說，顯然還不夠。

2025年初，英偉達在CES上又做出驚人之舉：將其醞釀已久的Alpamayo系列全部開源。

Alpamayo系列包括三部分：

一是Alpamayo1，一款約100億參數規模的思維鏈推理模型，已在Hugging Face上開源，以使汽車能夠理解周圍環境并解釋其行動，用于研究、模型蒸餾及開發輔助工具。

二是AlpaSim，一套完全開源的端到端輔助駕駛仿真框架，已在GitHub發布，支持在多種環境和邊緣案例中進行閉環訓練和評估。

三是物理AI開放數據集，包含超過1700小時的真實道路駕駛數據，覆蓋不同區域和環境條件，并包含一定比例的復雜和罕見場景。

這些工具共同構成了一個自我強化的開發閉環，助力構建基于推理的自動駕駛技術棧。

這一舉動看似“慷慨”，實則是一步深思熟慮的戰略棋局。

第一，降低行業門檻，做大生態蛋糕。自動駕駛研發最大的痛點之一，是高質量、強因果標注數據的極度匱乏。

英偉達開源的Alpamayo不僅是模型，更包含一套“思維鏈”數據標注方法。它要求AI模型不僅要識別物體，還要像人一樣理解場景中的因果關系。例如：因為前方有事故，所以車道被錐桶封閉。

這套方法論和數據集，為整個行業提供了一條可復制的路徑，能極大加速從L2到L4的研發進程。當整個行業因此而加速時，作為底層算力與平臺的最大提供者，英偉達自然是最大贏家。

第二，以開源對抗地緣政治風險。當最核心的技術以Apache 2.0等開源協議發布，它就變成了一種全球公共知識資產，更難受到單一國家政策或禁令的限制。這為英偉達的全球業務上了一道“保險”。

第三，確立技術范式領先地位。在從傳統模塊化自動駕駛向端到端、再向具備推理能力的VLA模型演進的十字路口，英偉達通過開源其最先進的成果，事實上在為行業定義下一代技術框架。誰掌握了標準，誰就掌握了未來。

據悉，在過去兩年里，已經至少有三家中國客戶基于英偉達的開源框架，構建了自己的數據標注流水線，這種早期采納者形成的網絡效應，是任何競爭對手都難以撼動的。

而英偉達與奔馳的合作，則展示了其全棧方案的標桿價值：從硬件架構、操作系統到AI模型，形成可靈活配置的模塊化服務體系。

03

“中國速度”，汽車棋局背后的驅動力

英偉達之所以在汽車領域步伐加速，很大程度上是由于中國市場的需求驅動。

目前，海外車企在智能汽車領域的研發落地節奏，相比中國至少慢兩到三年。因此，這種“中國定義需求，全球實現產品”的模式，已成為英偉達汽車業務的特點。

一個典型案例是TensorRT-LLM for Auto的開發：當時中國客戶的需求非常明確，他們希望將百億參數的大模型部署到車端，而且要求延遲控制在毫秒級。英偉達從提出需求到原型驗證只用了兩個月，這在傳統的產品開發周期中是不可想象的。

中國車企快節奏的迭代、對功能落地的更高追求，倒逼英偉達本地團隊開發出如TensorRT-LLM for Auto等專用工具，而這些成果最終又反哺全球。

面對地平線、高通等競爭對手，以及特斯拉、蔚來等自研芯片的車企，英偉達一向很自信。

這種自信源于一個判斷：智能駕駛的終極競爭，是系統性工程能力和持續演進生態的競爭。

做出一顆算力強勁的芯片或許可以靠重金投入，但要構建一個從芯片、安全認證、操作系統、中間件、加速庫到開發工具，并持續迭代優化十年以上的全棧體系，其門檻非常高。

當行業向更高級別的自動駕駛邁進時，功能安全、預期功能安全、網絡安全等法規要求將呈指數級增長，這恰恰是英偉達耗時多年、耗資巨大構筑的“隱性護城河”。

英偉達的汽車棋局已非常清晰：以全棧軟硬件平臺為基座，以深度工程服務為粘合劑，以戰略級開源為生態加速器，最終驅動全球汽車產業對算力的饑渴消費。

它不再只是智能汽車的“供應商”，而是致力于成為整個AI驅動出行時代的架構師與賦能者。這場關于汽車大腦的戰爭，英偉達正在試圖定義新的游戲規則。