北京时间 21 日凌晨，英伟达举办的 GTC22 秋季发布会中正式发布了下一代智能汽车芯片，命名为 NVIDIA DRIVE Thor，将于 2024 年量产。

需要注意的是此前发布算力 1000TOPS 的 NVIDIA DRIVE Atlan 被直接取消。 

DRIVE Thor 芯片单片最大算力 2000TOPS，相比 DRIVE Orin-X 获得大幅提升。并且代码架构直接由 Orin-X 升级到 Thor，兼容 Orin-X 代码框架，可以加快 Thor 的适配。

在这个大算力下，DRIVE Thor 将车内计算单元进行了统一，一块 DRIVE Thor 芯片就可以处理全车智能驾驶及智能座舱计算，同时芯片可以自动调节算力需求。

为了节能和高集成，英伟达通过 NVLink-C2C 核心将 CPU、GPU、DPU 连接起来，在通道中采用 PCIe 5.0 的高规格存储。

并且 DRIVE Thor 支持运行 Linux、Android 以及 QNX 三套系统。

目前 DRIVE Thor 并没有公布其能耗，但如此大的计算量所带来的能耗肯定是空前巨大，如何优化芯片工作逻辑是未来需要着重考虑的问题，

一、对于极氪来说意味着什么？ 

发布会结束后，英伟达官方正式宣布与极氪的合作。并且极氪将首发 DRIVE Thor 芯片，新车型将于 2025 年发布，极氪将采用全栈自研的解决方案。

大家都了解当前极氪采用的是来自 Mobileye 的解决方案，而 NVIDIA 则是开启了极氪自研道路。

在自研和供应商模式体验的一致性上，两种方案都有其侧重点，根据产品需求进行不同的方案选择。体验感受为第一位，在得到最优解前两种方案都会是极氪的选择。

Moblieye 以及 NVIDIA 都是全球顶级的供应商，就目前来讲 Moblieye 的整套解决方案更为成熟。

二、NVIDIA DRIVE 是什么？

NVIDIA DRIVE 也就是英伟达的一套智能驾驶的开放计算平台，来处理处理来自车内外摄像头、毫米波雷达和激光雷达等传感器的数据，可以支持我们的智能驾驶系统、座舱和驾驶者监测等等。

当然计算平台也是有“高低之分”的，也有打包或者拆开来卖。

共有：

• NVIDIA DRIVE Hyperion；
• NVIDIA DRIVE Orin；
• NVIDIA DRIVE AGX Xavier；
• NVIDIA DRIVE Atlan（已取消）；
• NVIDIA DRIVE Thor。

NVIDIA DRIVE Orin、NVIDIA DRIVE Xavier 我们已经非常熟悉，算力分别是 254 TOPS 以及 30 TOPS ，前者如蔚来 ET7、理想 L9、小鹏 G9 等，后者有小鹏 P7 等。

三、英伟达智能驾驶的背后

在 NVIDIA GTC22 上关于智能驾驶也使用了极大篇幅讲解。但更多的是 NVIDIA Omniverse 。

这是一个支持实施模拟和协作的开放平台，比如我们常见构造动画渲染、游戏角色、逼真的面部表情构建等等。

它就像一个大舞台，能够给工程师、灯光师、设计师、编剧、导演等提供一个平台，大家做模拟协作，做好“彩排”，所以英伟达想把 Omniverse 推向各行各业，这其中就包括智能驾驶。

另一个背景是在英伟达所认为机器人系统工作中，可以简化为四个支柱：包括收集和生成地面实况数据、创建 AI 模型、真实数据集、数字孪生（将我们遇到的现实场景通过软件仿真变成数字化）。

而机器人其实也和智能驾驶中的应用有很大的关系。

本次英伟达继续强调 NVIDIA DRIVE Map 多模式地图，可以支持摄像头、雷达和激光雷达的接入，通过多传感器来“绘制”地图。

共有两种“绘制”地图模式，通过实况地图以及众包车队地图。英伟达计划 2024 年底在北美、西欧和亚洲所有主要高速公路做绘制，预计能够达 50 万公里，由超过百万台乘用车来扩展和更新。

此外模拟仿真也是非常重要一环。

这里主要有两种方法，第一种是有激光雷达传感器加入后，让地图能够以一种逼真的 3D 效果呈现，然后将地图载入到我们上面提到的 Omniverse 平台，这样有了激光雷达、摄像头所采集而来的底层地图信息，可以为逼真的仿真环境提供了充足条件，同时可以加入植被、建筑物、道路信息、红绿灯信息等等。

然后把这个“舞台”布局好后，开始邀请“演员”。

比如路上的行人、横窗的车辆等，当然这些演员不是瞎来的，而是通过在车辆实时传来真实「数据集」作为“剧本”，同时可以针对这些动态对象“加戏”，可以针对现实生活中的案例添加新的模型。

这和很多同学玩人机游戏是一个道理，比如游戏中我们可以选择我们的游戏难度，你的挑战也会不同，智能驾驶仿真也是一个道理。

这样车企可以通过数字仿真平台对现实场景做重现，或者做验证，这样可以大大缩短我们的时间以及研发成本。

第二种仿真方法是通过预先录制好的固定素材，针对特定场景做转换。

比如我们在一段非常晴朗的南方天气，可以变换为大雪纷飞的北方雪景。甚至可以把视频素材里的车辆、行人全部清空，然后自由添加新的元素，同时也可以改变我们驾驶者的驾驶行为，看看对其他车辆是否带来影响等等。

我们上面的两种模拟仿真其实都得益于 DRIVE Map 以及 数字孪生两种形态融合的突破，也回归到   Omniverse 这样的模拟协作平台上。

当然英伟达还是供应商，所以无论我们上述提到的   DRIVE Map 、DRIVE Sim 、Hyperion 8（Orin 驱动）、DRIVE AV 软件等等都可以支持拆分单独使用或者打包使用。

四、芯片产业依旧「内卷」

相比于英伟达应对多行业需求的野心，其实我们也看到这种“雨露均沾”的“隐患”，也就是需要做通用算力不同。

国内芯片供应商更偏重于智能驾驶单一的研发场景，同时占据「具体问题具体分析」的优势，因为不同使用环境对性能的需求不同，所以加速器的排布等都要做取舍。

另外智能驾驶芯片公司还可以根据智能驾驶功能以及软件的需求来定义整个硬件架构，在智能驾驶芯片中更具优势。

另外从英伟达的客户来看，超过半数的厂商都是来自国内，这也说明了国内智能电动化的增长需求。这样国内本土供应商就能够提供一个更优的服务体系。

但从全球局势来讲，相比英伟达，国内芯片供应商会有低成本、安全性高以及高性价比的优势 ，同时也能满足芯片的定制，合作模式更为灵活。

所以国内芯片公司会在短期内收割中低端市场，同时在中长期看，还是会朝着英伟达打造同级竞品，国内芯片厂商的优势还是会继续放大。