两年前我还在文章里写“智驾芯片看英伟达就完了”，现在这个结论越来越站不住了。从2024年下半年到2025年，智驾芯片这条赛道突然变得异常热闹：英伟达Thor量产跳票后终于落地，华为昇腾在高端车型上攻城略地，地平线征程6系列出货量一路走高，高通带着SA8650P杀回战场，连蔚来、小鹏、理想都开始亮出自研芯片。如果你正准备买智驾车型，或者在做芯片选型、算法移植、域控制器开发，这篇关于主流智驾芯片排行的梳理应该能帮你少走不少弯路。
先说结论：单看2025年的量产上车量和技术成熟度，英伟达依然是综合实力最强的那个，但“王座”已经出现裂缝。Thor的难产让不少车厂被迫做Plan B，而华为、地平线、高通恰恰在这个窗口期补上了自己的产品线。这篇文章我会从“英伟达凭什么坐稳第一”“挑战者各自的机会在哪”“算力之外到底该比什么”三个角度展开，最后再聊聊开发和量产过程中常见的坑。不吹不黑，只聊事实和实操。
1. 英伟达凭什么坐在王座上
1.1 从游戏显卡到智能驾驶，生态是先发优势
很多人以为英伟达做智驾芯片是“跨界”，其实它的优势恰恰来自几十年积累下来的GPU生态。CUDA这个东西在深度学习刚兴起那几年就成了事实标准，搞CV、搞NLP的算法工程师，在学校里学的就是PyTorch + CUDA那一套。到了做智驾的时候，大家自然先选自己最熟的平台。
这就带来一个非常现实的好处：团队招聘容易、踩坑资料多、部署工具链成熟。国内做智驾算法的公司，随便拉一个工程师出来，让他写CUDA优化或者用TensorRT做推理加速，基本不用重新学。换到地平线或者昇腾平台，工具链再友好，也有个学习成本。
Orin的量产里程碑也落在英伟达手里。2022年Orin X开始大规模上车，蔚来ES7/ET7、理想L9、小鹏G9，全都是那个时期最热门的旗舰车型。到了2023、2024年，Orin几乎成了中高端智驾平台的标配电芯。我做过一个粗略统计，2024年国内25万以上新能源车型，智驾域控用Orin方案的占比超过六成。
Thor的量产虽然一拖再拖，从2023年延期到2024年又延到2025年，但它的纸面规格确实断层领先：单颗算力标称2000 TOPS（稀疏算力），支持多芯片域控扩展，还内置了Blackwell架构的GPU核心，专门为端到端大模型做了优化。极氪、理想、比亚迪都官宣过Thor方案，2025年下半年开始会有大量车型陆续交付。
1.2 不只卖芯片，英伟达卖的是整套开发流水线
英伟达真正让对手难受的地方，不是芯片本身，而是它把“芯片到量产”这条路给你铺好了。
算法团队拿到Orin+QNX或者Orin+Linux，可以用TensorRT把训练好的模型转成部署引擎，中间遇到的算子兼容问题，八成以上在官方文档和论坛里能找到答案。数据闭环这一块，它也有成熟的工具链支持，从车端数据采集、回传到云端训练、仿真验证，每个环节都有对应的解决方案。
相比之下，对手的困境不是芯片性能不够，而是整个工具链的成熟度、稳定性和社区知识积累都差着一截。开发者在知乎上搜“征程6 算子不支持”能找到的解决方案，远没有搜“TensorRT 报错”来得多。这种生态壁垒比算力差距更难跨越。
我2024年帮一家Tier 1做技术调研的时候，对方评价英伟达的一句话特别到位：“用英伟达，出了问题你知道是软件配置不对，总归能查到答案；用其他平台，出了问题你都不知道是该等硬件还是该改代码。”
当然，这种优势正在被对手一点点蚕食。但至少到2025年中，英伟达在高端智驾芯片上的生态领先地位，暂时还看不到谁能完全追平。
2. 挑战者阵营盘点：谁能真正形成威胁
2.1 自研派：特斯拉、蔚来、小鹏，走的是“另一条路”
特斯拉从HW 3.0开始自研FSD芯片，HW 4.0算力大概在300-500 TOPS区间，具体数字官方一直没完全公开。但特斯拉的核心竞争力从来不是芯片算力本身，而是“算法+数据+芯片”的闭环。FSD V12之后全面转向端到端神经网络，对硬件的利用效率非常高。不过它不上第三方车型，所以对英伟达的“商业”威胁不大——不是技术不行，而是人家根本不对外卖。
国内新势力里，蔚来的神玑NX9031已经流片，5nm工艺，据称算力超过1000 TOPS；小鹏的图灵芯片也官宣了，计划2025年量产；理想的自研芯片也在推进中。自研芯片的逻辑很简单：当你的智驾算法和数据闭环已经形成核心竞争力，再用通用芯片就会被交付周期和BOM成本锁死。
但自研芯片这条路非常烧钱，而且整个软件栈必须自己搞定，对大多数车企来说并不现实。在我看来，自研芯片更多是头部玩家的“战略武器”，而不是普遍趋势。
2.2 华为昇腾：本土高端方案里最能打的
华为昇腾系列严格来说不只是一颗芯片，而是一个从芯片到域控、再到全栈软件算法的完整方案。昇腾610芯片算力标称200 TOPS（稠密算力），在MDC 810平台上可以扩展成400 TOPS级别。这个数字跟Orin X的254 TOPS相比，单芯片稍微弱一点，但胜在融合度高。
问界M9、智界S7、阿维塔12这些车上的ADS 2.0/3.0方案，用的就是昇腾平台。实际体验下来，这套方案的城市NOA能力在2024-2025年属于第一梯队，跟英伟达平台上的头部方案打成平手甚至局部更激进。
昇腾的优势在于：第一，华为有自研AI芯片的全栈能力，从芯片设计到编译器再到中间件全是自己的；第二，华为对Transformer、BEV这类智驾主流模型做了深度优化，算子库针对性极强；第三，它不需要你去凑一个团队做系统工程，OpenLab、工具链、量产支持全都是打包服务。
劣势也很明显：供应链和合作模式存在不确定性，并非所有车企都愿意把智驾“灵魂”交给华为。但这个方案在2025年的确抢走了英伟达不少高端订单，尤其在国内市场。
2.3 地平线：量产规模最接近“国民智驾芯片”
地平线的产品线布局很清晰：征程2/3针对L2辅助驾驶，征程5/6面向高阶智驾。征程6系列我重点说一下——征程6P单芯片算力560 TOPS，制程7nm，2024年底开始量产，2025年上车的车型非常多。
让很多人大吃一惊的是，征程6在性价比和功耗控制上做得非常激进。同样是SoC+域控的方案，征程6平台的系统成本比Orin低不少，这对15-25万价位的车型来说非常关键。比亚迪、理想（低配车型）、零跑、哪吒、大众（国内合资）、深蓝等品牌都在用或计划用征程芯片。
地平线的另一张牌是“开放”。它不做整套智驾系统，而是提供芯片+工具链+参考算法，让Tier 1和车企自己做差异化。这种模式让很多不想被英伟达锁死、又不想跟华为深度绑定的车企很舒服。
我个人评价地平线是2025年最有潜力改变国内市场格局的玩家。征程6P跟Thor正面竞争还差些火候，但跟Orin X掰手腕，已经完全是同一水平线了。
2.4 高通：从座舱“反向”切入智驾
高通在座舱芯片上是绝对的王者，8155、8295席卷全球。但在智驾方面，高通起步时间晚，产品线SA8650P、SA8775P的算力参数并不突出，市场声量也一直没有起来。
不过高通的优势在于“汽车电子电气架构的整合能力”。当座舱和智驾开始走向中央计算平台，一颗芯片同时跑座舱+ADAS成为可能，高通的SA8775P正好踩在这个节点上。它采用CPU+GPU+NPU异构架构，AI算力虽然没有英伟达那么夸张，但拖动一个座舱大模型是绰绰有余的。
国内很多Tier 1（如毫末智行、Momenta）在高通平台上做了大量适配工作。如果高通能把“座舱+智驾”的融合方案做成功，它有可能从另一个维度搅乱英伟达的阵脚。但在纯高阶智驾（端到端大模型上车）这个维度，短期内我还不太看好它。
2.5 Mobileye和其他选手
Mobileye在L2级辅助驾驶上依然是全球出货量之王，EyeQ4、EyeQ6覆盖了大量10-20万元主流车型。但它的“黑盒”模式现在越来越不被中国车企接受，高端城市NOA进度也偏慢。在我看来，它在国内市场已经基本退出高端竞争，吃老本还行，再往前冲挺难的。
其他选手像黑芝麻智能、芯驰科技、瑞萨、TI，基本都集中在L2/L2+的低中算力市场，跟英伟达不存在正面冲突。它们的厮杀更多是在“谁是国产平替”这个层面。
3. 关键指标横评：算力绝不是唯一标尺
3.1 主流芯片参数对照：别被TOPS数字忽悠了
下面这张表我从公开资料整理出来，方便你快速抓住各家产品的核心差异。先说明一点：算力标的的“稀疏/稠密”口径不一样，横向直接比TOPS意义有限，这一点下一小节会细讲。
| 芯片型号 | 标称算力（TOPS） | 制程工艺 | 量产状态 | 主力车型/平台 | 参考定位 |
|---|---|---|---|---|---|
| 英伟达Thor | 2000（稀疏） | 4nm | 2025年量产 | 极氪、理想、比亚迪 | 超高端/旗舰 |
| 英伟达Orin X | 254（稠密） | 8nm | 广泛量产 | 蔚来、小鹏、理想等 | 中高端主流 |
| 特斯拉HW 4.0 | 约300-500 | 7nm/5nm | 量产自用 | 特斯拉全系 | 自研自用 |
| 华为昇腾610 | 200（稠密） | 7nm | 量产 | 问界、智界、阿维塔 | 高端全栈 |
| 地平线征程6P | 560（稠密） | 7nm | 量产爬坡 | 比亚迪、理想低配等 | 高性价比 |
| 高通SA8650P | 未公开（数十-百级） | 5nm | 量产 | 多款新势力 | 座舱+智驾融合 |
| Mobileye EyeQ6 | 未公开 | 7nm | 量产 | 全球L2主流 | 保守安全 |
从这张表能看出几个趋势：第一，英伟达Thor在纯纸面算力上遥遥领先，短期内没有对手能正面硬刚；第二，国产芯片在“够用”这个档位卷得非常凶，地平线征程6P以560 TOPS的稠密算力杀入中高端市场；第三，自研芯片的车企已经不在乎跟第三方比算力了，它们更关注的是算法闭环的吞吐效率。
3.2 “算力虚高”背后的稀疏算力与稠密算力陷阱
这是智驾行业最容易被误解的地方。英伟达在Orin、Thor的规格表里喜欢标“稀疏算力”，比如Thor的2000 TOPS其实是50%稀疏度下的结果，换算成稠密算力大概1000 TOPS。而地平线、华为标的一般是稠密算力。同样标200 TOPS，实际可用的稠密算力差别很大。
为什么行业里都默认接受稀疏算力这个口径？因为Transformer这类大模型的权重矩阵天然存在大量稀疏性，优化好的算子确实能利用上。但问题在于，你的算法模型不一定具备足够稀疏度，或者算子库没有做专门优化。很多团队买完开发板才发现，实际能跑到的有效算力只有标称的50%-70%。
所以我的建议是：拿芯片算力做横向对比时，先问清楚对方标的是稀疏还是稠密，再看它官方SDK里的典型模型推理帧率。跑一遍MobileNet和自带Transformer模型，看实际FPS，比看任何PPT上的TOPS数字都靠谱。
3.3 除了算力，还要看内存带宽、时延和功耗
智驾场景是典型的“算力饥饿+带宽敏感”实时任务。传感器每秒产生几十MB到几百MB的数据，BEV融合和Transformer推理需要频繁读写内存。如果内存带宽不够，再高的算力也会变成“端着金碗要饭”。Orin X用了LPDDR5，实测带宽大概204.8GB/s，这在2022年算顶级；到了2025年，Thor和征程6P都在带宽上做了大幅升级，Thor支持LPDDR5X、带宽超过500GB/s。
功耗方面，Orin X的典型功耗是45-65W，Thor则冲着100W以上去。对应到整车上，就是散热设计、电池续航、整车成本的一系列连锁反应。所以车企在选型时，不是选“算力最高的”，而是选“功耗和散热扛得住的”。国内很多20万级车型，最终没有上Thor而是选了Orin或征程6，很大一部分原因就是Thor的散热方案太贵、太复杂。
延迟方面，智驾对感知到规划控制的端到端时延要求达到毫秒级，芯片的“推理流水线”设计、数据通路、中断响应都会影响时延。这个参数你在规格表上看不到，只能通过实际跑模型来测。我见过有方案标称算力极高，但端到端时延比英伟达高一倍，原因就出在数据搬运和任务调度的设计上。
4. 从开发者视角看选型：工具链比纸面参数更致命
4.1 我为什么提醒你别只看排行榜
如果你只是买车，那排行榜看个乐子就行。但如果你是车厂、Tier 1、算法公司的人，做智驾芯片选型时，我的建议是反过来：先别管算力多少，先拿自己的算法模型在这颗芯片上跑一遍部署测试，看三件事：
第一，编译器对主流模型的支持度。PyTorch导出的ONNX模型，在这个平台上能不能一步到位转成推理引擎？还是说需要手动改算子？第二，算子库的丰富程度。BEV、Transformer、Sparse Conv、多模态大模型这些常见结构，官方有没有跑通的示例和优化库？第三，技术支持响应速度。论坛有没有人回答？FAE邮件几天回？出了问题有没有现场支持？
这三件事，我在实际调研中对比过英伟达、地平线、华为和Mobileye。英伟达和华为是第一梯队，地平线成长极快，Mobileye在这方面的开放性最差。
4.2 工具链成熟度对比：CUDA生态的护城河
做智驾算法部署的人对英伟达环境的熟悉程度不用多说。PyTorch+CUDA+TensorRT，这个技术栈几乎是智驾算法工程师的“标准配置”。Orin、Thor虽然是车规级芯片，但它的软件API、开发流程跟CUDA保持着高度一致性，算法团队从云端训练环境切换到车端部署环境，学习成本非常低。
华为昇腾用的是自研的CANN（Compute Architecture for Neural Networks），配套MindStudio IDE和MindSpore框架。跟CUDA比，文档和社区规模还差一个量级，但华为把这些年从AI大模型、昇腾训练集群上积累的优化经验全都灌进了CANN里，对Transformer、混合专家模型（MoE）等结构的支持非常激进。如果你的团队有原生的AI Infra能力，上手昇腾并不是太难。
地平线的工具链叫“地平线RTKinetic”（征程6系列配套），整体思路是“算法到工具链一体”的开放平台。它的开放性比英伟达更彻底——你甚至可以直接操作BPU内部的算子流水线。但这也意味着对使用者的底层能力要求更高。用了半年以上，我发现网上能查到的资料还是偏少，问题大多要自己啃文档或找FAE。
开发者的时间是成本，谁的SDK让人少加班，谁就能赢得量产订单的隐性竞争。这句话在芯片选型里永远成立。
4.3 开发环境实操：Ubuntu上的英伟达驱动那些破事
说完选型，聊点更贴近地面的东西。智驾芯片的开发基本离不开英伟达的GPU卡和CUDA环境，但英伟达在Linux下的驱动和开发环境，真是一言难尽。我在Ubuntu 22.04上就踩过不少坑，这里一并讲掉，希望你能绕开。
先说我个人碰到的最典型问题：显卡控制面板闪退。在Ubuntu 22.04下装好NVIDIA驱动后，打开nvidia-settings经常直接崩溃，尤其是打开“X Server Display Configuration”页签时，闪退概率极高。这个问题大多数时候是“驱动版本和Xorg版本不匹配”导致的，尤其是用runfile方式手动安装驱动，没有处理好系统里残留的开源驱动nouveau。
另外一个高发问题是升级驱动后系统进不去桌面。Ubuntu 22.04的内核版本跟较新的NVIDIA驱动偶有兼容性冲突，特别是你只替换了驱动deb包却忘了同步升级内核模块时，重启大概率卡在黑屏或者登录界面循环。解决办法是进Recovery模式，用nvidia-uninstall卸载驱动，重新装。
关于“DP固件”这个词，很多人在Ubuntu下用DP接口接显示器时遇到黑屏或分辨率异常，会怀疑是英伟达的DP固件有问题。这确实是存在的场景——部分老款NVIDIA显卡在支持高刷新率DP输出时需要更新DP固件，NVIDIA官方也发布过针对性的固件更新工具，可以刷到显卡的vBIOS中。但注意：这是PC显卡层面的开发调试工作，跟智驾芯片没有直接关系，不要在搞错方向的前提下瞎折腾。
顺带说一下NVIDIA核内总线。这里的“总线”通常指GPU与CPU之间的PCIe总线，或者多卡互联的NVLink。在智驾开发里，核内总线关系到训练服务器和仿真平台的搭建。比如你用4卡或者8卡做自动驾驶模型训练，PCIe通道数不够就会导致多卡通信瓶颈；用NVLink做多卡直连时，性能提升非常明显，但功耗和散热也得重新评估。
给一份我自己验证过的Ubuntu 22.04 + 英伟达驱动升级步骤，长期做智驾训练环境维护的同学可以存一下：
- 先查看当前GPU和驱动信息，记住自己的驱动版本和CUDA版本，别盲目升级：
nvidia-smi。 - 卸载旧驱动：
sudo apt remove --purge nvidia-*（或执行官方卸载脚本），然后重启。 - 禁用开源驱动nouveau，写入黑名单文件
/etc/modprobe.d/blacklist-nouveau.conf并写入两行blacklist nouveau、options nouveau modeset=0，执行sudo update-initramfs -u。 - 安装推荐驱动：
sudo apt install nvidia-driver-550（具体版本号按官方推荐来），或者从NVIDIA官网下载runfile手动安装。我个人的经验：生产环境尽量用apt源装的驱动，runfile虽然新但升级和卸载都麻烦。 - 安装后执行
nvidia-smi确认GPU和驱动状态正常。如果出现控制面板闪退，先试试sudo nvidia-xconfig重新生成配置文件，再重启看看。 - 装CUDA Toolkit的时候，用conda管理环境里的cudatoolkit，别去动系统级的/usr/local/cuda，这样可以避免驱动和CUDA版本错配的连环坑。
4.4 从开发板到量产域控，中间隔着一座山
很多团队在开发阶段用Orin开发板（AGX Orin）做算法验证，一切顺利后以为上到量产域控就是“改改功耗配置”的事。实际根本不是这样。
开发板环境跟你最终的量产域控在内存带宽分配、CPU频率策略、散热限制、Fast Boot流程、OTA升级安全机制上完全不同。我见过有团队在开发板上测试模型FPS是80，上到量产域控（同样芯片）只剩45，原因就是量产域控的调度策略限制了CPU频率和GPU/BPU的峰值功耗。你必须在量产域控上重新做一遍性能优化和功耗校准。
这件事也在侧面印证：选购智驾芯片，要看芯片厂商有没有提供“从开发板到量产域控的完整工具链支持”，而不只是看它发了多少块开发板。
5. 常见问题和避坑实录
5.1 算力越高体验就越好吗
很多人以为高阶智驾=高算力芯片，这是最大的误区。我实测过用200 TOPS级别地平线征程5的车型，城市NOA表现比某些用Orin X的车型还流畅。原因很简单：AI算法、传感器标定、数据闭环、控制策略对最终效果的影响，大于芯片本身的算力上限。芯片只是“下限保障”，算法和数据才决定“上限体验”。
所以选车的时候，与其纠结是Orin X还是Thor，不如去看这辆车实际跑起来的城市NOA视频。芯片没跑通之前，算力高低都是纸上谈兵。
5.2 端到端大模型时代，上Thor还有必要吗
2025年最热的智驾路线是端到端+大语言模型（LLM），这对芯片的影响有两个极端：一方面，端到端模型需要的算力越来越大，顶配车型上Thor确实有战略储备价值；另一方面，端到端模型的推理可以通过量化蒸馏大幅压缩算力需求，很多车型用征程6P、Orin甚至昇腾610就能跑出接近的效果。
我个人的判断是，未来两三年不会出现“非Thor不可”的应用场景。堆算力的边际收益会越来越低，高效利用现有算力才是主流方向。
5.3 多芯片冗余：一条被低估的安全路线
最后补一个行业“隐秘”知识：英伟达Orin和Thor支持多芯片级联方案。你可以在一个域控里放两个Orin实现算力冗余或者主备切换。这也是英伟达车端方案的一个设计哲学——智驾是安全系统，安全冗余比绝对算力更重要。
国内真正把多芯片冗余做好的方案不多，但如果你在做L3级以上的量产方案，一定要注意芯片平台是否支持“高可用”模式。这不是芯片算力排名能体现出来的，却是最影响量产通过率的一项能力。
5.4 智驾芯片选型自查清单
如果你正好在给项目选芯片，我总结了一份自用清单，拿过去就能用：
- 算力：确认稀疏/稠密口径，跑一遍自己的模型验证真实帧率。
- 内存：看带宽和数据吞吐，尤其是BEV+Transformer这种大内存密集型模型。
- 功耗与散热：确认量产域控的散热方案能否压得住峰值功耗，别只看开发板。
- 功能安全：芯片是否支持ASIL-B/D等级，有没有锁步核、安全岛设计。
- 工具链：编译器、算子库、文档、FAE支持、社区活跃度。
- 生态绑定：芯片方案会不会锁死你的中间件和算法栈，未来切换平台成本高不高。
- 供应链：芯片交期和价格波动，有没有“第二供应商”备选。
做智驾芯片选型这些年，我越来越觉得一个道理：排行榜只能反映“过去的成绩”，而真正决定未来的是芯片厂商能不能在你量产的那天，给出足够靠谱的软件、工具和服务。英伟达这两年的确还在高速迭代，但华为、地平线、高通这些追赶者已经不再只是“PPT玩家”。从我接触到的一线项目来看，2025年下半年到2026年，国产智驾芯片的上车规模会有一个比现在大得多的爆发，到时候主流智驾芯片排行榜的头部格局，大概率会跟今天不太一样。最后说一个切身感受：做智驾芯片开发的过程中，我踩得最深的坑是“过早相信纸面参数、过晚验证工具链”。真正想不被卡脖子，不光是选一颗算力够强的芯片，更是选一个能陪你到底的生态伙伴。希望这篇排行梳理和避坑经验，能让你在看榜单和选方案时少一些迷茫，多一些自己的判断。
