吴新宙的头衔是Nvidia全球汽车业务负责人,但他在The Verge播客Decoder里说了一句挺扎心的实话:自己团队想多要点GPU算力,也得在公司内部据理力争,对手是那个把Nvidia捧成全球最值钱公司之一的AI数据中心业务。更麻烦的是,他服务的汽车客户,还是全世界最慢、最抠成本的一群甲方。
这话从Nvidia人嘴里说出来,比任何分析师报告都诚实。它指向一个更冷的现实:Nvidia的自动驾驶版图看着枝繁叶茂——奔驰、比亚迪、吉利、日产、Stellantis、现代起亚、Lucid都在合作名单上——但在公司自己的算力分配表上,汽车业务大概率还是那个要往后稍的孩子。
从"软件定义"到"AI定义",他到底想讲什么
吴新宙履历不算常规:先在高通带汽车团队,后来去一家中国车企负责自动驾驶,三年前加入Nvidia。他把这段经历总结成一个判断——行业正从软件定义汽车迈进AI定义汽车:过去几十上百个独立ECU被压缩进一两台中央计算机,现在AI又要重写车里大部分软件。
他描述的Nvidia方案是"经典规则栈"加"推理大模型"的组合:规则兜底负责安全边界,大模型负责处理规则之外的意外场景。遇到复杂路口,AI模型会自己跟自己对话,推演几种驾驶方案再拍板。这套说法听着精巧,落到量产车上成色几分,得看数字。
508对2000,算力鸿沟就是现实进度条
目前唯一挂着Nvidia招牌、真正卖到消费者手里的量产案例,是奔驰新款CLA。它搭载的MB.Drive Assist Pro基于Nvidia DRIVE AV软件和算力,官方给出的数字是约508 TOPS,约30个传感器(10摄像头+5雷达+12超声波),定位是进阶Level 2——离吴新宙讲的"AI定义汽车"还有距离。
对照Nvidia自己的旗舰参考架构Hyperion 10:双颗DRIVE AGX Thor芯片,总算力约2000 INT8 TOPS、超过4000 FP4 TFLOPS,传感器配置是14摄像头+9雷达+1激光雷达+12超声波,目标是L4。两者算力差了将近4倍——这个差距,才是"AI定义汽车"今天真实的成熟度。
十几家车企撑起的朋友圈,换不来内部优先级
Nvidia的Hyperion/DRIVE AV合作名单不算短:比亚迪、吉利、日产(联手Wayve)、五十铃(联手TIER IV做L4巴士)、Stellantis、Lucid、现代起亚,还有做卡车自动驾驶的Volvo Autonomous Solutions、Aurora、Waabi,以及越南车企VinFast(联手Autobrains)。奔驰下一代S-Class和它的Robotaxi项目,同样建在Hyperion架构和DRIVE AV全栈软件上,官方口径是L4-ready。
问题就出在这四个字上——"L4-ready"意味着架构预留了升级空间,不代表已经交付给消费者的L4量产车。真正落地的,目前还是奔驰CLA那个Level 2版本。古人说"近水楼台先得月",Nvidia内部离营收最近的是AI数据中心业务,这轮月光自然先照在那边;汽车业务客户遍布全球,议价能力却排在后面。
算力先紧着数据中心,车企的自动驾驶只能排队等窗口
- 风险.Nvidia的经典栈+推理大模型方案通常配激光雷达,吴新宙评价特斯拉不带激光雷达的FSD时,天然带着卖方立场,这段回应值得听但别照单全收。
中国车企的先发优势,说得清但证得不够
吴新宙把中国车企的效率归结为"没有ECU历史包袱",这确实是行业里的共识判断——直接从EV原生架构起步,不用背负燃油车时代的分布式电子系统。但采访里他没有给出任何具体车企的量产时间表或数据支撑,更多是十五年从业经验带出的定性判断,读者不必把它当成已被证实的领先幅度。
读者也该留意,坊间还流传着另一篇关于吴新宙的报道,写的是三月一次奔驰CLA试乘体验,和这次七月聚焦"内部算力争夺"的Decoder采访体裁、时间线都不一样,两篇不能混着读、混着引。
Nvidia的算力优先级,最终决定的不是芯片路线图,而是谁先把"AI定义汽车"从概念做成能买到的产品。奔驰、比亚迪、Stellantis这些客户排在队伍里,而排在队伍最前面的,是那些天天嗷嗷待哺的AI数据中心。