2025 財年一季度財報披露后，英偉達再度創造市值神話，股價一路狂飚，市值已達到 2.7 萬億美元，排名全球第三，僅次于微軟與蘋果。

然而，營收創新高背后，是一直未能撐起增長曲線的汽車業務。

財報披露，今年一季度 260 億美元的總營收，汽車業務只貢獻了 3.29 億美元，占比約為 1.2%。而去年汽車業務總營收為 11 億美元，占總營收 1.8%。

顯然，在英偉達不斷推出驚艷四座的 Orin、Thor 芯片的背景下，這點營收并不能滿足英偉達對于汽車業務的野心。

尤其面對智能汽車市場滲透率不斷走高，英偉達需要盡快加強競爭力，把汽車業務的蛋糕進一步做大。

在這樣的背景下，英偉達迎來了吳新宙這一核心角色。

作為前小鵬自動駕駛的靈魂人物，吳新宙被挖到英偉達主要源于其三點特質：

• 懂軟件落地。在英偉達芯片 Xavier、Orin 的基礎上，吳新宙幫助小鵬全棧自研軟件，見證小鵬汽車記憶泊車、NGP、LCC 增強版等產品的發布，這種實戰經驗無疑為英偉達所缺。

• 懂整合資源。先后擔任高通自動駕駛業務負責人、小鵬自動駕駛副總裁，吳新宙在芯片公司、車企的豐富經驗，代表其擅于整合上下游產業鏈資源，是英偉達做出全棧方案的最佳領路人。

• 懂中國市場。吳新宙在小鵬的 4 年時間，組建千人規模智駕團隊，幫助小鵬城市 NGP 率先量產落地，能在「內卷」的中國市場突出重圍，可見吳新宙深刻的市場洞察能力及高效的工作風格。

由此，吳新宙的加入勢必要改寫英偉達自動駕駛的不利局面。這位最適合英偉達自動駕駛的總舵手，先要解決英偉達在奔馳項目的燃眉之急，打出樣本效應后，再不斷強化英偉達全棧軟硬件方案提供商的身份標簽。

目前來看，英偉達汽車業務已經加強在 AI 生態賦能方面的布局。在具體方向上，吳新宙強調 AI 定義汽車，生成式 AI 抬高自動駕駛天花板，并且相信，端到端是自動駕駛的最終曲。

01、從軟件到 AI，貫穿自動駕駛三階段

在自動駕駛發展的三個階段里，AI 的角色屬性愈發凸顯。

• 第一代自動駕駛，完全基于規則，通過工程師堆積算法完成自動駕駛動作；

• 第二代自動駕駛，AI 作用凸顯，通過 AI 大模型逐步取代人工規則，完成預測、規劃動作；

• 第三代自動駕駛，完全迭代成端到端大模型的方式，用 AI 貫穿從感知到決策的全過程。

吳新宙對這個變化過程提出了一個明確觀點，即從軟件定義汽車到 AI 定義汽車。

這兩者的核心轉變在于，將需要大量人工參與的工作轉變成靠 AI 就能高效完成的任務。

具體的底層邏輯是，車端將數據反饋給云端，在云端集中進行自動駕駛汽車模型的訓練與仿真，再把模型數據發回車端，進行 OTA 部署及更新。兩端進行協同互補。

如果把這個路徑與軟件定義汽車的路徑相對比，就能直觀看出區別。

一個是在開發層面，靠軟件定義汽車，需要將所有組件進行編碼與工程設計，對于邊緣場景識別及融合速度都是一項巨大工程。

而這些在 AI 定義汽車的時代，都能通過云端大模型訓練解決，包括應對邊緣案例、提高泛化能力等。

另一個是測試層面，在前者路徑中，海量的大規模測試與運行，需要高效的基礎設施進行支撐，也就意味著先要下大功夫打造好全鏈條閉環，才能支撐它后續保持飛輪的高轉速。而后者路徑的解決方式就很簡單，直接在云端通過仿真數據完成驗證。

吉利汽車研究院合成數據仿真部負責人梁振寶曾指出，采用大模型生成虛擬場景后，在測試場景覆蓋度方面，提升了幾十倍的速率不等。

過去軟件定義汽車，將汽車從一個固定的硬件產品變成了可以自主學習、不斷更新的用戶產品；如今 AI 定義汽車，汽車再度從用戶產品變成一項智能產品。

當然，這一實現離不開諸多車企的擁躉，以吳新宙的前東家小鵬為例。

在自動駕駛上，小鵬拿出了 ALL IN AI 的態度和決心，前不久的 AI DAY 上，小鵬發布了國內首個量產上車的端到端大模型：

感知神經網絡 XNet+規控大模型 XPlanner+AI 大語言模型 XBrain，并推出了 AI 代駕、AI 泊車功能，以及將 AI 全面應用于座艙和智駕的 AI 天璣系統。

此外，小鵬對于 AI 技術投入也不遺余力，2024 年將投入 35 億元用于智能研發，并新招募 4000 名專業人才，今后每年還將投入超過 7 億元用于算力訓練。

毫無疑問，小鵬對于 AI 的重投，是因為何小鵬和吳新宙的觀點一致，智能汽車的新十年，將由 AI 定義。

包含小鵬在內，越來越多的車企都在朝著這一潮水方向涌去。

比如華為、地平線等智駕上游企業，通過自研出昇騰與征程芯片，構建出智能駕駛計算平臺，為車企智駕量產提供核心助力。

蔚來、小鵬、理想、智己等車企，都已進入 AI 智駕的戰備狀態，紛紛上車端到端大模型，加快開城進度。

畢竟，當 AI 技術開啟了一場大爆炸，自動駕駛迎來了自己的奇點時刻，誰都要謹防自己掉隊。

02、生成式 AI，到底有何魅力？

AI 定義汽車的時代還有多久到來？

吳新宙認為這個期限是五年內，并聲稱「它將不可避免地發生。」

一個大背景是，以 ChatGPT 為代表的生成式 AI，正在大規模席卷而來，AI 技術抬升到了前所未有的高度，也進一步抬高了自動駕駛的天花板。

所謂生成式 AI，就是基于算法、模型、規則生成文本、圖片、聲音、視頻、代碼等內容的技術，它由一系列深度學習模型構成。

而這種生成式 AI 廣泛應用于互聯網的虛擬世界，收集、生成的都是網絡虛擬數據。

相當于自動駕駛搭了一座橋，將生成式 AI 與物理世界相連接，從此，生成式 AI 在物理世界中實現技術進化，將自動駕駛帶向了端到端的路口。

也就是說，端到端自動駕駛，能夠突破瓶頸走向落地，正是建立在生成式 AI 技術的革新上。

端到端自動駕駛相比傳統自動駕駛，不進行感知、預測、規劃、控制等子任務分切，而是直接從輸入到輸出，就像人類大腦，接受信息能夠馬上決策，它只需要解決感知問題與認知問題，這正是通往全自動駕駛的可靠、理想路徑。

但這種路徑的實現，需要大規模、多樣化、高質量的訓練數據做支撐，并且對于算力規模、算法路徑都有極高要求。

因為在高階自動駕駛，已經不能局限于簡單的直行向右轉、避開行人等行駛動作，而是要求 AI 進行類人思考，包括看到交警手勢示意后向左轉，遇到塑料瓶可以壓過去，遇到救護車要讓路等。

如果把這些場景放在傳統的自動駕駛思維度思考，那每一個特殊場景都得設計一個從感知、預測到控制的駕駛策略。

顯然，這不現實。

這種做法不僅訓練成本高且低效，并且僅靠人工策略也無法窮盡每一個突發情況。

而生成式 AI 技術讓能這些問題迎刃而解，其中，大語言模型（LLM）與視覺語言模型（VLM）代表性最強。

比如引入大語言模型（LLM）后，AI 能夠從人類社會知識庫中提取駕駛相關知識，進行輔助決策。即看到塑料瓶，AI 可以根據人類以往行為，判斷出不必停下來的駕駛決策。

它還能夠識別自然語言，即對于用戶指令能夠及時給予正確反饋，在車機交互上表現順暢。

包括還有視覺語言模型（VLM），它結合了圖像識別和語言處理能力，能夠解決 AI 如何感知環境的問題。

通過攝像頭捕捉的圖像，識別路標、交通燈和行人等關鍵視覺元素，能夠對視覺信息進行描述，或者直接利用這些信息應用在駕駛決策中。

這類大模型都基于 Transformer 架構，通過對大規模文本、圖像等數據訓練，具備強大的數據處理、生成能力。

生成式 AI 技術深度學習的邏輯，讓 AI 模型不僅可以改善基準測試數據的質量，還能夠自動創建、生成現實世界中難以或者無法采集的數據場景，解決數據匱乏、數據質量問題。

這也表示其能夠應對長尾、邊緣案例，進一步保證算法的準確性和安全性。

更重要的是，數據訓練的成本降低了，效率提高了。

馬斯克就曾透露，通過神經網絡大模型，人工編程的 C++控制代碼由 30 萬行縮減到了 3000 行。

在生成式 AI 技術的加持下，端到端自動駕駛打破了傳統瓶頸，從技術研發到落地量產都有了解法。

在吳新宙看來，端到端將成為自動駕駛的最終章。

值得一提的是，吳新宙采用了一種更為理性的態度看待端到端自動駕駛的迭代問題。

一方面，端到端模型需要不停地優化和成長，它未來一定足夠強大，但這個過程是需要與原有模型相輔相成，通過原有的模型和方法保證安全性，這是端到端自動駕駛通往大規模部署，成為主流的必要過程。

另一方面，針對「黑盒化」問題，可以分為兩個維度解決：

• 一個是結合傳統的算法棧保證端到端模型安全，并判斷模型決定的合理性，把雙方有差異的地方作為輸入。

• 另一個是端到端大模型設置周邊的輸出點進行觀測，比如可以觀測 DEV 輸出的結果，只進行部分訓練等。在黑盒開啟幾扇窗，看到信號是怎樣的模式。

在明確了當下端到端瓶頸的破解思路后，吳新宙對這一技術風潮抱有堅定信心，「端到端自動駕駛一定會到來。」

此外，除了在端到端自動駕駛開啟技術升維，生成式 AI 還能應用于座艙、汽車設計等汽車產業的各個環節。

比如問界利用生成式 AI 技術打造的時光壁紙，能根據時間段變化而動態變化，用不同的光影動態效果豐富車機場景；

極越的人工智能助手——SIMO，同樣基于生成式 AI，能夠集用車助手、出行助手、娛樂助手和百科老師于一身，擁有超過 1,000 種以上的專屬能力，無論是交互效率還是創新體驗都可圈可點。

在吳新宙眼里，生成式 AI 讓很多不可能的事變成了可能，它極大地擴展了人類想象力的邊界，高效地把各種各樣的可能性通過最直觀的方式，以最短的時間呈現給設計者。

甚至，它會推動人類的第四次工業化革命。

回望人類社會的前三次革命浪潮：

蒸汽機、電力和信息技術，每一次先進生產力要素的出現，都讓行業發生顛覆式改變，而這種改變往往是質變。

這種質變可以簡要概括為解放生產力，發展生產力。將這句話套在今天的生成式 AI 身上印證，會發現依然行得通。

生成式 AI 讓機器不限于數據學習、處理，而是擁有了和人類大腦一樣的思考與對話能力。

由此，亞當斯密的分工論的主角不再是人與人，而是人與 AI。

于是，高效率下，是持續燦爛的經濟微笑曲線。

正如今天的自動駕駛，再一次解放了方向盤上的雙手，AI 有了操控物理世界的可能。

03、英偉達的野心：自動駕駛全棧方案

回到英偉達本身，對于自動駕駛的落地方法論，英偉達已形成了系統性解法。

一是回歸芯片本身，確保在車企自研芯片，英偉達也能拿出更大算力、更迭更快的產品。

端到端自動駕駛表現如何，取決于數據、算法、算力能不能跟上，這是底層基礎。

反過來說，從 L2 邁向 L4/L5 的每一次進階，對于數據、算法、算力都提出了更高要求。

而英偉達的芯片就正好掐中了算力命脈。以英偉達最新一代 DRIVE Thor 為例，算力已經達到了 2000 TOPS，這是上一代 Orin 芯片的 8 倍，更是特斯拉 FSD 的 28 倍。

DRIVE Thor 還引入了 Transformer 引擎，這意味著給深度神經網絡裝上了加速器，使其推理性能提升高達 9 倍。

很明顯，英偉達打造了一顆適合端到端自動駕駛的芯片。

吳新宙甚至用三個「最」來定義它：最高算力、最高安全等級、對生成式 AI、LLM 給予最好支持。

目前，基于 DRIVE Thor 確定量產合作的，既有上汽、長城等傳統車企，也有極氪、智己、小米、蔚來、小鵬等新勢力。

二是全棧軟硬件服務方案。

除了繼續把芯片生意往縱向延伸，英偉達也在橫向擴大自身在自動駕駛領域的應用邊界。

這或許正是吳新宙對于英偉達的吸引力所在。前者在全棧全硬件系統，尤其是軟件量產的經驗，對于英偉達而言，是未來汽車業務長期發展的重要競爭力。

畢竟黃仁勛一直對汽車業務寄予厚望，「汽車將是我們下一個數十億美元的業務。」

而在車企都在轉身全棧自研，地平線、華為、高通、黑芝麻等芯片公司吞噬市場份額的背景下，英偉達也感到了一絲危機感。

因此，吳新宙的首要任務，就是把英偉達的資源整合調度起來，推行軟硬件一體的全棧落地戰略。

目前英偉達已經與比亞迪形成了端到端全棧式合作，包括車端芯片、DRIVE Orin、DRIVE Thor，智駕芯片、數據中心端的解決方案。

當然，量產競爭中，速度是決勝關鍵，吳新宙必須盡快讓英偉達「卷」起來。

他將英偉達自動駕駛規劃分為三步走。

第一步，產品在 L2 和 L2+系統上達到市場第一梯隊；

第二步，在 L2+領域做出突破，到行業領先水平；

第三步，在 2026 年量產 L3，完全把人從系統中拿掉。

目前，英偉達整體上已經開始用生成式大模型完全布局，并將 VLM、LLM 運用到自動駕駛，把上游模型和下游模型都打通。

吳新宙對此很興奮，他看到了在生成式 AI 的技術實現下，英偉達正一步步靠攏自動駕駛的真正價值。

「我們核心是讓大家在車里不是開車，開車不是剛需，從 A 點到 B 點是剛需，玩手機也是剛需。」

據了解，吳新宙加入后將英偉達自動駕駛的弦崩到最緊，比如短期快速組建智駕核心團隊，推行高工作強度與快節奏，努力落地 L2+智駕產品，加快全景迭代速度、實車路測進度等。

于英偉達而言，需盡快彌補自動駕駛全棧方案落地方面的不足，提升汽車業務營收占比；

于吳新宙而言，成為英偉達自動駕駛的領航員，首要意義在于轉化車企經驗，幫助英偉達這家芯片巨頭明確車企訴求，擊破二者之間的合作瓶頸與落地阻礙。

可以確定，吳新宙的加入，是英偉達實現全棧方案落地的核心籌碼，也是搶占中國，乃至全球自動駕駛市場蛋糕的有力一擊。

返回第一電動網首頁 >