何小鹏今天发了一个朋友圈，提到目前限令的芯片主要会影响自动驾驶云端训练系统，小鹏刚和阿里云成立的“扶摇”自动驾驶智算中心刚好对未来几年需求的芯片都买回来了，明年开始会大规模落地下一代智能辅助驾驶。

这也验证了我们此前的猜想，“扶摇”很可能应用了此次被限制的英伟达 A100 芯片，但好在小鹏提早“囤”了。

目前官宣成立大型云端训练系统的有：特斯拉 Dojo、小鹏扶摇以及毫末 MANA 。

一、云端训练有什么作用？

自动驾驶或者是其他面对机器学习的领域，都离不开三个，一个是数据采集，通过算力将数据训练一个模型 ，最终让每一台车都具备学习的能力。

而所有能力汇聚成一个终极能力，就是推理。

大家可以简单理解，自动驾驶中央处理器通过传感器输入进来的信息（语义信息），他们就像一个个词组，但系统推理就是要先分类，然后找到词与词之间的管联系，从而组成一个句子，这也就是我们常常提及或者强调的特征提取。

但具备这个能力就需要你有一个能力超强的模型，时刻应对多变的环境。但我们知道车端局限的算力和存储空间满足不了，所以这时候就需要构建一个云端训练系统。

所以好的模型不仅要有数据灌输，还和和训练系统的开发有很大关系，因为你要知道现在车企不缺数据，就是不知道怎么用好。

例如小鹏面对国内更复杂的城市道路环境，需要长周期、大算力平台的计算，所以采用自建的形式长期看更划算，特斯拉 Dojo 也是同理，FSD Beta 后使用范围的扩张，数据、标注系统以及训练规模也大幅提升，并且还在自研专用的 D1 芯片。

我的结论是只有将系统闭环，才能运营好数据，有了数据才能正向研发好智能驾驶系统，提高用户的体验。

二、云端和车端芯片有什么区别？

目前车端领域国内有地平线和黑芝麻等公司，但车端和面向自动驾驶云端系统有很大的不同。

首先自动驾驶的需求是面对车外传感器源源不断进来的数据，数据一到必须马上消化，效率高并且需要低延迟，AI 加速 与 CPU GPU 等都要协调，也就是面对不同的软件和算法，需要考虑不同的加速器。另外一个难点是面对车规级的安全验证。

而云端芯片一般算力很大，处理的数据量大、场景也更复杂，对延迟率基本没有什么需求，同时性能具备多样性，例如有机器视觉、语音、机器学习等 AI 模型训练，任务也相对单一。

举例地平线，地平线的定位是边缘计算，和云端训练芯片定位有很大不同，所以它从芯片定义之初就必须想明白行业的需求，并且取舍关系都想清楚，从而切入到市场的蓝海，然后重新构建自己的生态，这是地平线目前的策略。

而大家“偏爱”于 GPU 训练，是因为 GPU 打败 CPU 就是因为 GPU 把更多的面积都让给了计算，而不是给了其他单元，这让擅长并行计算的 GPU 无论在训练成本以及低延迟性上都超过 CPU 。

三、有没有可替代的云端训练芯片？

上面看到国内目前主流的智能驾驶芯片公司都不是主打云端训练，很重要的原因是英伟达已经在 GPU 行业上独占鳌头，被攻破的可能性很低。

而这次卡住的是 GPGPU ，也就是通用计算的图像处理器，不是我们常提及的显卡，是通用计算不是图像渲染，所以主要聚焦在 AI 计算、仿真等领域，涉及范围也不单是自动驾驶。

在目前全球范围内，GPGPU 也就是能够商业化很少 ，并且英伟达还在此基础上构建好的软件生态，所以这个行业垄断程度高，能独立完成设计、流片，并实现量产还要到落地商业化本身就更少了。

四、限制后，是不是就无解？

目前 A100 已商用，采用 7nm 制程工艺，H100 也在今年 3 月推出，采用 4nm 制程工艺。目如果被限制，可能需要回到旧框架下的 V100 ，12nm 制程工艺。

当然国内也有新一批的公司，例如海思、昆仑、燧原等也在 GPGPU 领域进军，并且对标的也是英伟达 V100，这一次也加速了国内对 GPGPU 等高端芯片的决心。

五、是否对 Orin 有影响？

可以看到此次限制对 Orin 等系列芯片影响不大，目前英伟达覆盖了训练、云端、终端以及自动驾驶的 AI 平台，不同平台满足不同需求。

另外此次受限制的英伟达与 AMD 都是各自的顶配线，这些高性能芯片放在车端应用城市级的领航辅助驾驶，也是大材小用，这种需求量大、跑智能驾驶系统还是以性价比为先。