小鹏的算力“遥遥领先”了

文丨王海璐

小鹏研发 5 年的 “图灵” 芯片终于量产。

6 月 11 日，小鹏发布新一代技术架构，“图灵” 芯片首次上车，三颗一起，搭载于 25 万级别的 SUV 小鹏 G7 上，有效算力达 2200 Tops。

G7 有两个版本，3 颗图灵芯片的是 Ultra 版。除此之外，G7 还有一个 Max 版，基于英伟达双 Orin-X 芯片，算力为 508 Tops。

这也是小鹏目前两个主要的智能辅助驾驶平台。不久前上市的 Mona Max 版同样基于英伟达双 Orin 芯片。另外，小鹏还有一个低算力的 Plus 版，仅在 Mona 上保留。

与市场上的主流方案相比，小鹏图灵平台的算力 “遥遥领先”。

同等算力规模的车型，目前只有 80 万级别的蔚来 ET9，搭载两颗蔚来自研的神玑 NX9031 芯片，单科 1016 Tops。

但蔚来的主算法方案基于单科神玑芯片、或四颗英伟达 Orin-X，算力在 1000 Tops 规模；尊界 S800 搭载的华为 MDC 810 平台，算力为 400 Tops；理想 AD Max 平台今年切换到英伟达 Thor-U 芯片，算力约为 700 Tops。

短期内可能会超过小鹏的，恐怕只有特斯拉的下一代技术平台 AI 5，预计于今年底发布，明年量产。小鹏内部判断，其算力规模可能在 2000-4000 Tops。

小鹏想和特斯拉实现同等的辅助驾驶体验，在硬件平台上首先不能落后。

未来的 AI 汽车究竟需要多少算力？何小鹏说，现在还看不到尽头。他可以看清的是，算力是未来衡量 “AI 汽车” 的第一标准，也是通往 L4、L5 的必经之路。

“也许将来有 1 万、数万 Tops 的算力，完全有可能。”何小鹏说。

自研芯片，不是为了降本

蔚来创始人、CEO 李斌说，自研芯片会给每辆车带来 1 万元的成本优化。但他没有说过，对成本的测算是以多大销售规模为基准。

何小鹏和很多人交流过这个问题，得到的答复是：每年 100 万片起。

100 万片，放在消费电子行业很容易做到，但在汽车行业不是一个小数目。2024 年，特斯拉在全球销售了不到 200 万辆车。

这还不包括前期巨额的芯片研发费用，和研发失败的风险。

2022 年，小鹏曾和一家 “全球著名” 的公司合作，“完成芯片里面某一个能力”，何小鹏说。越开发，越觉得能力不足。最后，小鹏把核心模块推翻，“内部全部重写”，为此损失了数亿元人民币。

小鹏自研芯片，是为了提高有效算力，实现软硬件的协同进化。公版芯片要兼顾不同行业的需求，往往把芯片做得更加通用化。对于辅助驾驶系统而言，存在大量的算力浪费。且算力越大，浪费越多。

自研芯片，可以根据算法设计关键参数。比如小鹏的图灵芯片，针对机器人、汽车和飞行汽车的需求定制，包括 40 核处理器，单颗最多能跑 300 亿参数的本地模型，拥有 2 个独立的图像 ISP。何小鹏说，1 颗图灵芯片，相当于 3 颗英伟达 Orin-X 的有效算力。

小鹏现在还在不断优化适配，争取做到 “1 颗顶 4 颗”。

去年，图灵芯片还没流片的时候，何小鹏就开始琢磨，在车上放多少算力合适。

放 1 颗，相当于英伟达 Thor-U 的算力；放 2 颗，能领先一段时间；放 3 颗，他认为效果会 “超出想象”。

芯片之间的横联是一大挑战。因为任务很难分解，这会导致系统效率低。蔚来的 Banyan 平台搭载 4 颗英伟达 Orin-X 芯片，在算力打通上也遇到很大的挑战。何小鹏说，小鹏可以做到用两颗芯片跑一个 VLA 模型（Vision Language Action，视觉语言动作模型）。

更大的车端算力不仅能够提高系统的能力上限，更重要的是提升系统的下限，做到更好的安全性。何小鹏举了个例子：现有车端小模型的运行帧率大概是一秒钟 3 帧、5 帧，而更大的算力可以支撑模型一秒钟运行 10 帧-30 帧，时延更短。

“看起来开的效果一样，但是安全级别完全不同。”何小鹏说。

在车上跑一个更大的模型

小鹏图灵平台的 3 颗芯片中，有两颗用于跑辅助驾驶系统的 VLA 模型，算力为 1500 Tops。还有一颗跑 VLM 模型（Vision-Language Model，视觉语言模型），帮助车理解物理世界，提升人车交互的体验，主要用于智能座舱。

何小鹏说，G7 是第一款 “L3 级算力的 AI 汽车”。 “AI 汽车” 有两个评判标准：第一，有效算力在 2000 Tops 以上；第二，在本地部署 VLA+VLM 模型。

他将智能辅助驾驶技术的发展分为三代：第一代技术的车端算力大概 30-100 Tops，算法是工程师编写的规则，能做好高速导航辅助驾驶（NOA）功能；第二代的算力大概 500-700 Tops，能在车端跑一个 “微模型”，实现城市 NOA 等高级别的辅助驾驶功能，相当于今天很多车企的 Max 版本。

第三代技术，他认为是在车端部署更大的算力、跑更大的模型，将 “大脑” 和 “小脑” 耦合起来，像机器人一样。

何小鹏认为，今天的智能汽车上跑的微模型只是 “小脑”，“大脑” 在云端。但车和云端交换信息存在延时，受到网络环境的影响，且在中国以外的区域不可用。

而小鹏正在开发的 “大脑 + 小脑 VLA-OL（Vision Language Action — Online Reforcement Learning）模型”，完全在本地运行，不受网络环境限制，因此可在全球快速部署。

OL 的意思是，具备强化学习的能力。这也是小鹏的技术方案与现有 VLA 模型相比最主要的区别。

为了研发这个模型，小鹏从去年开始搭建了一个总算力为 10 EFLOPS的“云端模型工厂”，用来支持基座模型的预训练、后训练、模型蒸馏、车端模型训练等任务。

在 6 月 12 日的 CVPR 会议上，小鹏世界基座模型负责人刘先明表示，小鹏持续向模型 “投喂” 更大规模的训练数据，通过训练 10 亿、30 亿、70 亿、720 亿等多个参数的模型，验证了规模法则（Scaling Law）在自动驾驶 VLA 模型上的持续生效。也就是说，模型的参数越大、学习的数据越多，性能越强。

目前主流的 VLA 模型直接在车端训练，参数量在 10-20 亿之间。

未来，他说小鹏将通过蒸馏小模型的方式，将模型部署到车端。通过不断地强化学习训练，他认为基座模型会进化出 “媲美甚至超越人类的自动驾驶技术。” 该技术同时也适用于小鹏的 AI 机器人。

但这一技术方案并不会在 G7 上市时立即交付。把模型的能力做好还需要一个很长的过程。何小鹏说，软件研发要一步一步来。第一步可能只能做到 20 分。 6 到 9 个月之后，做到 60 分。

“从 60 分到 90 分，可能可以干三年。” 何小鹏说。