一周前，英伟达发布智能汽车最强芯Thor，单片算力达到2000TOPS，性能相当于Orin的8倍，在相近精度下，算力几乎是前段时间被禁的A100的4倍。
更恐怖的是，Thor的出现直接把尚未问世的Atlan扼杀在摇篮里，这种卷王行为把业内人士都看傻了。
然而，话音未落，在三天后的投资者会议上，另一家芯片豪门高通也发大招，宣布推出“集成式汽车超算SoC” ：Snapdragon Ride Flex，SoC外挂NPU的组合算力最高也将达到2000TOPS。
据说有高通工程师在朋友圈放话：这就是我们的回应，给这场算力争霸赛增添了一丝火药味。
英伟达与高通的隔空斗法，真实地反映了智能汽车在数字指标上日益严重的贫富不均——燃油车时代，即使是一台轩逸这样的买菜车，F1方程式赛车的马力也不过是其8倍；而在智能电动汽车上，旁边一辆车的算力可能会是你车的数十倍，甚至数百倍。
1、汽车芯片的算力，是怎么卷到2000T的？
近些年的智能驾驶发展史，某种程度上可以概括为芯片算力暴涨史。
2016年，因辅助驾驶致死事故和Mobileye分道扬镳的特斯拉，找到英伟达定制了计算平台 Drive PX2，算力为24TOPS[1]。一般来说，TOPS越高，每秒能进行的AI计算越多，能承载的人工神经网络性能也越好。
就像手机、电脑常常用芯片跑分作为卖点，在深度学习席卷汽车行业的浪潮中，TOPS成了衡量智能驾驶能力先进与否的*指标，英伟达CEO黄仁勋亦有名言：“TOPS就是新的马力”[2]。
今年CES展上，在算力层面吃过亏的Mobileye 发布算力为176T的EyeQ Ultra，相比EyeQ4提升50倍。同样，地平线今年即将登陆理想L8的J5芯片，算力亦高达128T，是J2芯片的34倍，唯恐落后于对手。
英伟达更是深谙算力即权力的游戏规则，继Drive PX2之后，英伟达在6年时间内发布了三代智能驾驶芯片，从Xavier、Orin再到Thor，算力实现从30TOPS到254TOPS再到2000TOPS的跃迁，每一代都是“芯皇”般的存在。
如果以Drive PX2为基准，10年内英伟达的智能驾驶芯片AI算力增长了83倍，比传统的摩尔定律还要快。
为什么智能驾驶芯片这么“丧心病狂”地堆算力？这当中，既有英伟达两年一更新芯片架构的努力，也有台积电不断提高芯片制程工艺极限的功劳，但更重要的是有市场，翻译过来就是，下游企业纷纷患上了算力饥渴症。
其一，智能汽车上的传感器规格与数量均在近几年有了飞跃，带来了数据的暴涨。
比如今年开始交付的蔚来ET7，全车搭载33个传感器，其中包括11枚800万像素高清摄像头，1个高精度激光雷达，5个毫米波雷达等，传感器每秒产生仅图像数据就达到8G，约等于一部90分钟的高清蓝光电影[3]。
为满足智能驾驶的实时处理需求，蔚来不得不启用4枚Orin组成算力1016T的计算平台——传感器太多导致数据爆炸，单芯算力已是应对不及。
同时，智能驾驶算法的“大模型化”，也让芯片算力愈发吃紧。
特斯拉FSD感知算法比早期的Autopilot算法复杂得多
去年，特斯拉率先在智能驾驶系统的感知模块中启用新型神经网络Transformer，相比于传统的CNN，Transformer性能大涨，可以帮助系统实现三维感知，并能拥有和人类一样的“记忆”能力。
特斯拉开路之后，Transformer迅速席卷行业，但它并非没有代价——参数极多，消耗计算资源大，长城汽车旗下的自动驾驶公司毫末智行就发现，“Transformer所需算力是CNN所需算力的100倍（在训练端）[4]。”
其次，汽车电子电气架构的集中化，也在催生超级芯片。
为了便于车内数据交互、降低总体成本，汽车行业正在竭力减少散落在车内各处的上百个ECU，将它们负责的计算任务整合到尽可能少的芯片中——汽车电子电气架构已由最早的分布式计算迭代到目前的域控计算，而下一代将是所需芯片更少的中央计算。
与之对应，“舱驾融合”的概念被提出来，这是一个*目标：一枚主芯片同时负责智能驾驶与智能座舱的计算任务（当然会有其他小芯片辅助）。而自动驾驶动辄上千T的算力要求，和车内动辄几块2K屏的大屏趋势，逼迫这枚芯片必须在性能上狂飙。
面对这些需求，英伟达在产品线上果断砍掉了去年发布的智能驾驶专用芯片—算力1000T的Atlan，以2000T算力的Thor取而代之，高通Flex平台紧急跟进，两家企业（在口头上）将智能汽车芯片送进了超算时代。
在分析英伟达制霸AI芯片市场，股价五年暴涨20倍的原因时，分析师们往往会草草地抛出一个观点：算力为王。车企们在宣传智能汽车时，也常常有意无意地向用户传达一种思想：算力越大越牛X。
