英伟达一夜改写自动驾驶格局！2000TOPS雷神芯片发布，黄仁勋：One chip to rule them all

贾浩楠 发自 副驾寺

智能车参考 | 公众号 AI4Auto

雷神Thor来了。

人类有史以来最强自动驾驶芯片，就这样突如其来！

英伟达2022秋季GTC上，黄仁勋发布新一代自动驾驶计算芯片DRIVE Thor。

单颗算力高达史无前例的2000 TOPS，是特斯拉FSD芯片的14倍。

全球大半个自动驾驶圈的芯片，都是黄老爷在贩卖，神通肯定小不了。

但DRIVE Thor问世，还是震惊了所有跟智能汽车相关的人，包括但不限于车圈、科技圈、自动驾驶公司…

因为仅仅半年前，黄仁勋才宣布彼时算力最强的自动驾驶芯片Atlan，1000 TOPS，还说准备量产。

但现在，老黄又改口说Atlan格局小了，干脆取消，直接拿出更加领先一代的量产产品DRIVE Thor。

其他芯片厂商还在追赶Orin性能的时候，英伟达的计划是用下一代的下一代，降维打击。

人类史上最强自动驾驶芯片

DRIVE Thor，黄仁勋确认2025年上车量产。

称人类史上最强，首先是参数。

单颗算力2000TOPS，不仅现世量产产品中没见过这么高的参数，即使在一众自动驾驶芯片公司对2025年产品的规划和构想中，也都还停留在数百只至1000 TOPS之间。

所以说，DRIVE Thor是难有争议的代差优势。

而作为替换自家上一代产品Orin，算力数值提升了8倍。

这里还要解释一下算力大小的定义。

一般针对AI任务、自动驾驶的芯片，常用TOPS描述算力，1TOPS代表每秒能进行1012次操作。

所谓“操作”，是指芯片上实现卷积运算的乘加器的基本功能。DRIVE Thor的2000 TOPS意思是每秒进行2*1015次操作。

黄仁勋同时给出了DRIVE Thor性能的另外一个参考维度：2000 TFLOPS。

TFLOPS是描述传统GPU性能的指标，1 TFLOPS指每秒进行1012次浮点运算。

两种单位分属两个不同的描述维度，一般没有绝对的换算关系。但某些特定任务下，1 TFLOPS可以等于1 TOPS。

DRIVE Thor芯片的工艺制程、包含的晶体管数量这些详细信息，英伟达暂未透露。

不过，DRIVE Thor展现出了几个重要的领先性指标，既代表自动驾驶技术未来的发展方向，也是其他同类产品所不具备的。

超高集成度

智能汽车在车辆底层架构方面的最大特征，是从原先数百个ECU控制不同功能，演进到几个集中式域控制器的电子电气架构。

这是目前正在发生的变革。

而几乎所有业内玩家都认为，未来的电子电气架构一定是集中式的，即一个大脑、一个平台或芯片控制汽车所有功能。

架构是车厂的工作，而高度集成化的芯片，英伟达已经做出来了。

DRIVE Thor集成了一辆智能汽车上所需的一切AI功能的计算需求，包括高阶自动驾驶、车载操作系统、智能座舱、自主泊车等等。

车载操作系统中，有对车上所有功能的控制以及不同场景下的联动，也有连接车辆软件层和执行机构的“骨架”。智能座舱方面，则包含仪表盘、娱乐影音、语音识别交互等等。

2000TOPS的算力资源，主机厂可以在各种不同AI任务间随意分配，英伟达提供相关开发工具。

一颗芯片解决所有，DRIVE Thor可能不便宜，但肯定比采购一堆芯片划算。

One chip to rule them all！

支持超大规模AI模型运算

DRIVE Thor为这两年自动驾驶流行的超大规模Transformer准备了专用引擎。

最初的Transformer来自于NLP（自然语言处理）领域。从输入层开始，Transformer每一层结构都可以看到所有的信息，并且建立基本单元之间的关联。

因此Transformer天然具备超强序列建模能力、全局信息感知能力的特点。

应用到自动驾驶中，Transformer主要干两件事，对于投影像素平面的“刻画”、以及对于投影平面和BEV平面之间的“转化”。

特斯拉最早将Transformer用在自动驾驶任务中，而如今几乎所有玩家都跟进。

Transformer网络的参数规模，从一开始的百万级数，到十亿级，再到现在的万亿级，一直呈指数级增加。

DRIVE Thor上的Transformer引擎，能够将视频数据作为一个单一的感知帧来处理，使计算平台能够在固定时间内处理更多的数据。

集英伟达技术大成

黄仁勋特别解释了DRIVE Thor超强性能的根源：

Grace、Hopper、Ada Lovelace。

Grace是英伟达的AI专用服务器CPU，基于ARM架构，也是英伟达进军CPU领域的第一款产品，Grace高度专业化，走的是和GPU向结合的道路，适用于AI 和高性能计算工作。

使用第四代NVIDIA NVLink互联技术与GPU相融合后，可以处理超过1万亿参数的AI模型训练任务。

Hopper是英伟达最新的GPU架构之一，其实也是英伟达押注AI的一场豪赌：

将传统 GPU 计算引擎集中在神经网络转换器模型上，并将DGX系统扩展为能够在机器学习训练中支持数万亿个参数。

Ada Lovelace么，当然就是刚发布的40系列显卡新架构。4nm制程，流式多处理器具有高达83TFLOPS 的着色器能力，吞吐量超过上一代产品2倍。

老黄的意思很明白，DRIVE Thor在深度神经网络任务上，采用Grace+Hopper的CPU、GPU混合架构。

而在具体的图像处理任务，则和最新的40系列显卡相同。

是不是说明，DRIVE Thor也采用台积电4nm工艺？

其实从2025年量产节点看，DRIVE Thor采用2-3年前的消费级芯片成熟架构和工艺，完全符合车规芯片对可靠性的要求和行业惯例。

从摩尔定律来看，芯片集成度的突破已经逼近极限，4nm制程的车规AI芯片量产时，也许和手机、电脑上的消费级处理器差距很小了。

这可能也是DRIVE Thor带来的另一个里程碑：车规芯片不再有代差。

英伟达的智能车税，只靠算力吗？

当然不是，另一个竞争力，是英伟达开放的平台特性和全套完整的开发工具。

不过，老黄今天介绍的，都是基于已经量产的Orin芯片相关平台展开。

NVIDIA DRIVE，是一整个自动驾驶开发平台，既包括硬件Orin芯片，也包含英伟达提供的模拟测试搭建工具、地图环境实时构建、安全相关测试，以及一些基础的已经训练好的算法模块参考。

在一个自动驾驶算法典型的开发过程中，路测车辆行驶时，NVIDIA DRIVE能够直接从环境信息中心采集各类不同物体的信息，并完成建模分类，然后储存在数据库中，以便日后模拟训练时使用。

这些数据可以做到非常细致，比如带有长宽高以及深度信息的4D图像数据：

根据自动驾驶方案选择的传感器不同，NVIDIA DRIVE也可以针对不同传感器分别建立储存数据信息。

同时，系统还会实时记录绘制地图路线信息，保存在数据库中。

对真实环境信息实时采集，并保存素材的目的是什么？

当然是为高效的模拟测试开发做准备。模拟取代实际路测，这也是如今自动驾驶开发的一个热门趋势。

总之，英伟达不但给自动驾驶算力最大的芯片，如果你想，还会给你高度自动化，甚至是“傻瓜式”的开发工具。

算力一步登天的首发车企，竟是他？

2025年量产2000TOPS的DRIVE Thor，谁第一个实现“算力自由”？

极氪汽车。

你没看错，国产自主一哥吉利旗下的纯电品牌——

那个一直以机械素质见长，提起智能化却人人摇头的极氪汽车。

能不能赶上首发上市，要看车型研发进度。但明确签约要上车DRIVE Thor的，极氪的确是第一个。

搭载DRIVE Tho的会是什么样的车？

从业内普遍认知行和已经展现出的规律来看，一般L2级辅助驾驶，需求的算力在几十TOPS左右。

智能驾驶每提升一个级别，需求算力也呈指数上涨。

例如，目前行业普遍站在L2迈向L3的门槛，需求的算力在几百TOPS左右。

而为未来几年算法迭代发展留足升级空间的产品，一般都把算力堆到1000TOPS以上，也就是4块Orin芯片的方案。

显然，他们设置的最远规划，是L3人机共驾向高阶智能驾驶过渡阶段。

这个时间点，在DRIVE Thor出现之前，大家的共识是2025年。

也就是说，自动驾驶研发的节奏，是按照2025年L3迈向L4，车端算力刚好在1000T左右的预想规划。

DRIVE Thor如果顺利于2025年上车，造成的影响一定是深远的。

最重要的，是客观加速自动驾驶能力的迭代周期。毕竟，这是史上第一次出现“算力等算法”的情况。

其次，DRIVE Thor上车，更加彻底的改变汽车底层架构，在智能化的核心价值上走得更远更极致。

当然也会加速传统汽车淘汰出局。

最后总结一下，老黄和英伟达今晚展示的产品和趋势，一定会写入自动驾驶大事记，成一个里程碑式转折。

那么接下来，还有不到10天就是特斯拉AI DAY，会不会出现更加意料之外、震撼人心的产品或技术？

压力现在来到马斯克这边。

最后By the way，英伟达最新4的0系列显卡，7199元起，最高的RTX 4090售价12999元，冲吗？