端到端重构浪潮下智驾芯片全栈生态的生存法则
在全球智能化浪潮奔涌向前的当下，自动驾驶行业正迎来爆发式增长，智驾芯片作为智能驾驶的 “核心引擎”，其技术演进与市场格局重塑，深刻影响着行业发展走向。从渗透率数据看，中国 L2 + 及以上高阶智驾渗透率从 2022 年 7.2% 跃升至 2024 年 18.7% ，城市 NOA 预埋装载率超 83%，法规突破与技术降本双轮驱动，让智驾从 “功能验证” 加速迈向 “规模化落地” 阶段，智驾芯片的竞争大幕也随之全面拉开。
英伟达凭借 Orin、Thor 系列芯片，以算力霸权与全栈闭环技术，稳固高端市场统治力；地平线则以 “软硬协同 + 开放平台” 策略，在 15 - 25 万元中低端市场实现统治，凭借性价比驱动市场平权。不同阵营在技术路径、成本控制、生态构建上各展所长，分层竞争格局初显。当算力比拼、成本博弈与场景分化深度交织，智驾芯片行业正进入 L3 级量产元年关键期，这场关乎智能驾驶未来的芯片竞速赛，将如何重塑产业生态，推动行业迈向新高度？本报告将深度剖析。
依据我国《汽车驾驶自动化分级标准》，汽车智能驾驶划分为 L0 至 L5 六个级别。其中，L0 - L2 属于辅助驾驶范畴，需人工全程监管；L3 - L5 逐步实现系统主导控制；L5 则是完全无人驾驶。当下，真正的自动驾驶车辆尚处于示范运营向小规模试点过渡阶段。2025 年 4 月 1 日，《北京市自动驾驶汽车条例》正式施行，成为国内首部明确支持 L3 级自动驾驶私家车合法上路的地方性法规。条例规定，L3 级车辆可在五环内主干道、机场高速等场景开展试点，责任主体首次明确转至车企，法规逐步落地，有望刺激 L3 自动驾驶加速落地。
降本增效是行业核心驱动力。伴随国产智能产业链逐步拓展，行业规模降本持续推进。经行业大致测算，在 10V（摄像头）NOA 功能场景下，域控制器 BOM 成本可控制在 3000 元人民币以内，可支持 50 - 100T 物理算力；此外，到 2024 年，具备 100TOPS 算力的整套 NOA（涵盖域控制器及芯片 + 高精地图和定位模块 + 系统集成开发 + 测试验证，以视觉 BEV 算法为主导、不含激光雷达 ），成本预计能从当前 1.5 万元大幅降至数千元级别。
高阶智驾渗透率，持续攀升态势：2022 - 2024 年，高速 NOA 与城市 NOA 功能的渗透率逐年上扬，反映出市场对高阶智驾功能的需求持续增长。据相关统计，2022 年国内乘用车新车中，L2.5 级别以上（涵盖城市 NOA 与高速 NOA 功能 ）的渗透率达 7.2% ；步入 2023 年及 2024 年上半年，高阶智驾市场加速发展，数据显示，高速 NOA 及以上功能车型渗透率从 2022 年的 7.2% 提升至 2023 年的 11.4% ，并在 2024 年 10 月进一步升至 18.7%。
城市 NOA：预埋潜能与标配增长的双线 年起，城市 NOA 成为车企战略布局关键方向。在装载率维度，全域 NOA 呈现出预埋装载率与标配装载率差异化发展轨迹 。（2）先看预埋装载率，增长势头强劲，在 2023 年 12 月 - 2024 年 1 月期间，首次超越高速 NOA 预埋装载率，截至 2024 年 9 月，城市 NOA 预埋装载率攀升至 83% ，体现车企对未来城市智能驾驶市场的布局与前瞻预判。这意味着大量新车虽当前未激活城市 NOA 全部功能，但已具备硬件基础，可随时通过软件升级解锁，为后续功能普及做铺垫。
智驾芯片市场格局：头部分化与梯队竞争：英伟达智驾芯片份额遥遥领先，华为、特斯拉位居第二梯队。高速 NOA 及以上智驾功能的落地，主要依托英伟达、华为、地平线等厂商。其中，英伟达的贡献主要来自理想、蔚来、小鹏、小米等新势力品牌；华为的销量则主要源自问界，其次是采用 HI 模式的阿维塔，整体表现存在差异 。地平线 生态覆盖范围相对小，主要贡献源于理想 Pro 版 。TDA4VH 基于大礁方案，应用于宝骏、iCAR 等品牌，大礁智驾功能能力较强，但价值渗透度低 。Mobileye 生态圈局限于吉利体系，高通则依托多款智驾芯片拓展生态圈。
英伟达高算力智驾芯片在市场份额上领先。从车型销量与生态芯片出货量维度，看国内 L2 及以上智驾市场芯片厂商市占率，以英伟达、Mobileye 为代表的国外芯片厂商仍占据较高份额，其次是瑞萨以及自产自销的特斯拉芯片。国内芯片厂商整体市占率低，表现较好的有华为、地平线，其次为爱芯元智、黑芝麻等品牌的产品。当前，出货量较高的多以前视一体机、轻量行泊一体域控为载体的低算力芯片为主，伴随高速 NOA 普及，未来英伟达 OrinN、地平线 等高算力芯片出货量有望提升。
域控制器：智能电动汽车 EE 架构革新关键：域控制器（Domain controller Unit，简称 DCU ），诞生于域集中式 EE 架构体系，通过集成特定功能域内的多传感器融合、执行器及控制算法，形成具备特定功能的控制单元，是智能电动汽车 EE 架构革新的核心组成。它在显著提升汽车智能化水平的同时，降低了线束的复杂性与成本。从结构层面分析，域控制器主要由硬件（含主控芯片、元器件等 ）和软件（涵盖底层操作系统、中间件及上层应用软件 ）构成，其功能实现依赖于主控芯片、软件操作系统、中间件、应用算法软件等多层次软硬件的有机协同。
高算力芯片为域控制器筑牢底层支撑，中国自主创新能力稳步提升。主控芯片作为域控制器的核心部件，性能与计算能力直接关乎域控制器性能，进而影响汽车智能化水平与程度。亿欧智库指出
域控制器是智能电动汽车智能化、电气化变革的关键一环。域控制器供应商依据下游 OEM 对域控制的开发需求与采购条件，提供相应域控制器或服务；上游芯片厂商则为域控制器供应商供应 SoC、MCU 等芯片，开展采购与授权开发，还提供软硬件结合的产品解决方案，收取授权费、开发费及硬件销售费等。域控制器基于统一硬件与软件平台，已展现高度集成化特质，通过集成芯片、以太网交换机、存储器、二极管制式 PCB 板等重要部件功能，协同数据传输处理与系统管理，实现对智能驾驶、智能座舱、车辆动力、车身、底盘等领域的精准控制。
域控制器市场竞争激烈，“主机厂联合 Tier1” 与 “主机厂自研” 将成主流模式。在高度集成化商业模式演进中，域控制器市场呈现多种模式并存格局。上游芯片供应商、下游 OEM 及传统 Tier1 不断拓展业务边界，衍生出 Tier1.5、Tier0.5 为 OEM 提供域控制器的模式。从中长期趋势看，伴随（跨）域集中发展，“主机厂联合 Tier1” 合作开发与 “主机厂自研” 域控制器模式将成为主流：一方面，集中式 EE 架构下，整车无需多个域控开发定点，由单一开发者统筹域控软硬件架构设计、中间件适配开发等；另一方面，域集中场景下，软件能力重要性远超硬件，具备更强软件能力的主体，将主导域控开发话语权。
入门级 L2/L2+：当前，众多车型已实现 L2 级辅助驾驶功能，多采用智能前视一体机，如 1RIV3R1V 等方案，量产成本低，平台算力一般低于 5 TOPS 。L2 级主要搭载地平线、安霸 CV 系列、Mobileye EyeQ3/4 及升级版 EyeQ6L、TI TDA4VL、瑞萨 R-CARV3H 等中低算力芯片。
L2++：2023 年，轻量级行泊一体与高速 NOA 成为各大主机厂重点量产的功能方向，多采用 5R5V 或 5R6V 配置方案，搭配高精定位与高精地图模块，可实现端到端高速领航自动驾驶、自主泊车、记忆泊车等功能。这类系统多采用 1 - 3 颗高性价比 SoC，域控平台算力多处于 5 - 20TOPS 区间；同时，为进一步降本，单芯片行泊一体域控正成为发展趋势。
L2++Pro 升级版：伴随芯片成本下降，轻量级行泊一体域控算力逐步升级至 30 - 70 TOPS，可适配 6V、7V、9V、10V、11V 感知方案，以支撑更强大的视觉算法。芯片层面，演进路线已显现，像 TI TDA4VH、黑芝麻 A1000、瑞萨 R-Car V4H、EyeQ6H 等新品，均规划在 2023 - 2024 年 SOP 量产装车。
L2+++：聚焦高性能行泊一体与城区 NOA，已无限趋近 L3 级别，基于 BEV 感知算法，在城区自动驾驶场景可实现 “去高精度地图”，可搭载 1 - 3 颗激光雷达或 4D 成像雷达，计算平台算力多在 100TOPS 以上。芯片层面，芯片厂商在大算力芯片架构设计上，主动契合 BEV 感知算法，还将 BEV 算法框架交付客户。
L3/L4：当前主要应用于 Robotaxi，预计 2023 年中国 L3 级自动驾驶标准有望出台，但从标准草案、定稿发布，到系统研发、SOP 量产部署，仍需经历漫长周期。
域控制器：德赛西威引领行业。在智驾域控供应商排名中，德赛西威以 864873 套装机量、26.7% 市场份额，稳居市场首位，彰显强大竞争力与显著优势。和硕 / 华为紧随其后，凭借 661829 套装机量、20.5% 市场份额，成为市场重要参与者。广达技术以 508722 套装机量、15.7% 市场份额位列第三，展现智驾域控市场强大影响力。
智驾域控芯片：英伟达 / 特斯拉断崖领先。智驾域控芯片作为智能驾驶核心组件，为系统提供运算处理能力，性能关乎智能驾驶功能实现。从市场份额看，该领域呈现显著头部效应。英伟达 Drive Orin - X 以 2100220 颗装机量，占 39.8% 份额，稳居首位；特斯拉 FSD 凭 1323658 颗装机量，获 25.1% 份额。特斯拉凭借自动驾驶领域深厚技术积累与广泛市场应用，使其自研芯片展现强大竞争力。
2025 年智驾发展趋势：渗透率提升与研发模式演变。2025 年，中国新能源汽车渗透率持续提升，同时燃油车也逐步搭载智驾功能，L2 以上智驾渗透率再度增长，尤其是自主品牌高速 NOA 及以上车型销量将大幅攀升，推动国产中高端芯片需求不断走高。在此背景下，2025 年国产智驾芯片在中低端领域可实现自主可控，但依赖技术创新与国际合作的高端先进制程芯片，仍需持续攻坚。在受美国制裁影响下，虽可通过 Chiplet 等技术手段缓解制程短板，但在单芯片更高算力设计上，也需寻求突破，且先进设备、产线等层面需加大投入。
城市 NOA 以自研为主，研发效率渐降。2023 - 2024 年，主机厂将 “高阶智驾视为同质化竞争中实现差异化的关键”，纷纷构建自研高阶智驾支持方案，如组建团队，布局车载算力、云端算力、算法、数据、基础软件等。不过，除长期坚持自研的新势力车企外，多数车企在自研高阶智驾赛道仍需发力。当前格局是高速 NOA 中，供应商方案车型销量占优；城市 NOA 里，主机厂自研占比高。但当传统品牌意识到 “自研难度大、周期长”，采用 “自研 + 合作开发” 融合模式会更高效。展望未来，高速 NOA 有望加快自研上车节奏，城市 NOA 或更多以供应商方案为主。
四类竞争者：OEM 自研难成主流。自动驾驶 SoC 市场中，创业公司生态更具活力。传统芯片公司 AI 能力较弱，消费电子芯片公司生态难以直接复制，使新创公司与巨头基本处于同一起跑线。预计经历两轮产品迭代后，这些创业公司会逐步走向稳定。而主机厂自研芯片门槛颇高，预计不会成为市场主流模式。
EE 架构正朝着中央计算架构方向演进。继特斯拉发布首款准中央计算架构后，各大主机厂纷纷推出适配自身的准中央计算架构。当下，高性能 SoC、多功能 MCU、高速互连（如以太网）、车云对（V2C）服务等技术持续发展。伴随传感器分辨率与像素快速提升，数据处理需求激增，对更大内存容量、更复杂软件解决方案的需求愈发迫切。同时，大模型上车进程加快，也要求匹配更高计算能力。2022 年，主流量产 SOC 计算能力处于 100TOPS 级别，预计 2025 年将达 500TOPS ，部分旗舰级舱驾融合芯片算力已突破 2000TOPS。
车载 SoC 制程迭代加速。台积电在晶圆代工制程领域持续引领，2022 年末，基于 FinFET 结构的 3nm 技术实现规模量产，且同步推进领先业界的 2nm 技术研发，预计 2025 年 2nm 技术可规模量产。除布局先进逻辑技术外，台积电也在扩充特色工艺产能，其特色工艺平台涵盖 MEMS、图像传感器、嵌入式非易失性存储器（eNVM）、射频 RF、模拟（Analog）、高电压及 BCD 功率 IC 等，产线覆盖广泛。由于摩尔定律逼近物理极限，IC 制造成本攀升，成熟制程尺寸缩小难度加大，特色工艺凭借非硅成本低、工艺相对成熟、产品研发投入少、产品种类丰富等优势，成为企业平衡成本、性能与功耗的优先选择。
第三方智驾技术迭代加速，强者恒强格局渐显。据佐思数据，2023 年至 2024 年 1 - 10 月，Momenta 在城市 NOA 累计量产车销量中位居第一，搭载其方案实现城市 NOA 的乘用车销量达 11.4 万辆，同期以 60.1% 市占率登顶中国城市 NOA 第三方智驾供应商市场；华为 HI 模式表现亮眼，占据 30% 市场份额 。需注意，上述数据统计口径与车企公布销量数据存在差异，若以实际车辆上险数（如搭载元戎启行方案实现城市 NOA 的上险数为 3383 辆 ）或车企车型销量（2024 年前 10 月搭载元戎启行方案销量约 1.3 万辆 ）看，结果有所不同。当前，城市 NOA 厂商持续技术迭代，第三方智驾供应商市场竞争格局加速收敛，厂商间技术差距逐步拉大。预计未来两年，高阶智驾市场将进入加速重组与行业整合阶段，出清趋势显著，“强者恒强” 市场态势将愈发凸显。
产品层面：算力能效的差异化博弈。英伟达凭借 Orin 系列（254 TOPS）与新一代 Thor 系列（最高 2000 TOPS）的绝对算力优势，主导高阶智驾市场。先进制程虽支撑端到端大模型等复杂模型部署，但也带来高功耗与成本问题 —— 单 Orin 芯片成本超 400 美元，Thor 方案整车成本增加约 8000 元 。地平线TOPS ），通过 “软硬协同优化” 实现能效反超：征程 5 同模型帧率（1531FPS ）较 Orin 高 53% ，J6M 域控方案成本较类似 Orin - N 低约 1000 元，且成熟度设计降低工程复杂度，不过在 7nm 以下制程突破上，仍受算力天花板限制。
生态成熟度：闭环壁垒与本地化破局。英伟达以 CUDA + DriveOS 工具链闭环构建技术护城河，Drive Sim 生态平台日均处理百万帧数据，支持实时训练与多算子调用，但开发门槛高（熟练工程师适配需 2 周以上 ）、授权费用昂贵（年费超 20 万美元 ）。地平线则走 “保姆式” 本地化生态路线破局：天工开物工具链量化校准速度较英伟达快 50%（5 - 10 分钟 / 模型 ），艾迪平台（ADI ）实现 3 天开发接入，深度参与客户量产调试（如助力长安、理想工程落地 ），大幅压缩车企开发周期与成本；但算子库丰富度（200 + ）弱于英伟达（1000 + ），限制 Transformer 等复杂模型灵活部署。
下游客户：高端绑定与中端渗透。英伟达深度绑定高端车型生态，特斯拉、蔚来、小鹏全系，以及比亚迪仰望 / 腾势等旗舰车型，均采用 Orin/Thor 方案支撑城市 NOA 功能 。地平线则凭借性价比与开放合作，在中端市场快速渗透：征程 3/5 芯片覆盖理想 ONE、比亚迪王朝 / 海洋系列（天神之眼 C 方案 ）、长城哈佛 / 欧拉等 15 - 25 万元车型，还通过大众合资公司 “酷睿程”，切入燃油车基础 ADAS 市场。
工具链：SoC 开发的核心支点。工具链是 SoC 开发的核心要素，决定芯片易用性、性能利用率与准确度，从事工具链开发的人员数量，往往多于硬件开发团队。在汽车领域，工具链重要性更突出 —— 因汽车领域算力、存储资源有限，默认采用整数 8 位精度，区别于 AI 端侧常用的浮点 8 位或 16 位精度，形成独特技术整顿方向。地平线的工具链 “天工开物 OpenExplorer（简称 OE ）”，在汽车 AI 芯片开发中，权重占比近 50% 。受 CUDA 深度渗透 AI 领域影响，当前英伟达工具链仍居行业最强；地平线、华为能在 AI 芯片竞争中突围，工具链发挥了关键作用。
英伟达工具链：三维叠加的生态闭环。英伟达智驾工具链构建 “云端训练 - 车端部署 - 仿真验证” 全流程生态，以 “硬件算力 × 工具链效率 × 生态规模” 三维叠加为核心，涵盖三大层级：云端开发平台（NGC + AI Workbench ），提供预训练模型（如 ResNet、BEVFormer ）、TAO AI 自适应平台、NeMo 多模态框架；车端推理引擎（TensorRT + DriveOS ），TensorRT 支持 FP16/INT8 量化，将模型推理延迟降至 5ms（较原生 PyTorch 加速 8 倍 ）；数学验证环节（INM 重生 + DriveSim ），借助 Omniverse 日均处理 100 万帧仿真数据，实现高保真场景重建（精度误差 0.1m ）。
自研 BPU 架构：软硬协同的性能突破。地平线凭借自研 BPU 架构（如纳什架构 ），实现工具链与架构深度耦合，通过指令集优化、算子融合（如卷积 + ReLU 合并 ）及内存调度，最大化计算效率。征程 6 在 Transformer 推理性能上，较历代 BPU 提升 27 倍，CNN 任务提升 246 倍 。能效比表现突出：相同算力任务下，征程 5 帧率（FCOS 3D 模型 502FPS ）较竞品提升 53% ，功耗控制在 30W 内 。授权成本具备优势：工具链年费约 5 万美元（英伟达 DriveOS 约 20 万美元 ），硬件方案成本也较英伟达显著降低。
生态短板：对比英伟达的差距显现。与英伟达平台相比，地平线工具链在成熟度、高阶模型支持上存在不足。算子库丰富度低，仅支持 200 + 算子（英伟达 TensorRT 超 1000 + ），限制复杂模型部署（如大参数 Transformer 需拆分算子，效率下降 15% ）。真实场景性能有衰减，征程 6 纸面算力 560TOPS ，但复杂城市场景因调度效率，实际利用率仅 60% - 70%（英伟达 Orin 达 85% + ） 。编译依赖性强，模型需在特定 BPU 架构重编译（如 J5 与 J6 工具链不兼容 ），跨平台迁移成本高。
3.2. 英伟达VS 地平线(二)：数据闭环/云端仿真：NV 优势显著，地平线依托阿里云快速搭建
仿真测试在智驾开发中的权重持续提升。高阶智驾需在各类复杂多元场景中测试，既要求高精度传感器的感知与还原能力，也依赖强大 3D 场景重建能力及场景覆盖泛化能力。NVIDIA Omniverse 支撑的 NVIDIA DRIVE Sim 端到端仿真平台，运用高保真、基于物理属性的仿真技术，可生成大量真实世界数字孪生场景。目前，雷达激光雷达、速腾聚创激光雷达模型已集成至该平台，能模拟激光束在光束控制、自定义扫描模式、分辨率等维度的表现，还可生成合成数据集 。车企、自动驾驶方案商等用户，可通过 DRIVE Sim 仿真平台直接调用激光雷达模型开展研发与测试。
智驾开发正从数据驱动迈向认知驱动。自动驾驶领域加速从分任务、规则化的 AI 1.0 范式，向以数据为核心的 AI 2.0 范式（软件 2.0、端到端技术）转型，且逐步探索 AI 3.0（AGI ）路径。技术跃迁过程中，数据闭环是突破 AI 1.0 后的关键环节，其侧重点随发展阶段动态调整。作为闭环源头的数据采集，方式愈发多元：专用车辆采集、路侧构建采集、低空无人机场景采集，以及当前主流的量产车回传数据采集等，共同构建起覆盖广、场景全、模型依赖的数据源，最终达成 “海量、完备、精准” 的数据目标，助力智驾研发持续升级。
英伟达训练模型对 L4 端到端的支持能力极强，天花板高。其 Drive Sim 依托 Omniverse 高保真物理引擎，实现毫米级仿真精度（误差 0.1m ），每日生成 100 万帧合成数据，覆盖 99.9% 长尾场景（如极端天气、事故模拟 ），还支持自定义传感器与 HIL 硬件在环测试。反观地平线艾迪，缺乏原生仿真能力，依赖第三方工具补短板，长尾场景覆盖率不足同级 30% ，动态交互模拟能力较弱。
开发效率与成本：Drive Sim 借助预训练模型，将人工标注工作量削减 50% ，全流程效率提升 30% ，结合 DGX 训练平台，把 OTA 验证周期从 3 个月压缩至 2 周，但年授权成本超 20 万美元 。艾迪依靠平台自动化标注工具，降低 40% 人工成本，减少 20% 模型训练耗时，年费仅 5 万美元（为 Drive Sim 的 25% ），不过实车测试环节有待优化（仿线% ，远低于 Drive Sim 的 90% ）。
技术适配性：Drive Sim 深度绑定 CUDA 生态，适配非英伟达芯片时，约 70% 算子需重构，迁移代价高（性能损失 15 - 30% ） 。艾迪支持地平线及第三方芯片跨平台部署，开发灵活性提升 50% ，但仅支持 200 + 算子（Drive Sim 支持 1000 + ），Transformer 等复杂模型部署效率下降 15% 。
商业落地与场景覆盖：Drive Sim 垄断全球多数 L4 测试车队（如 Waymo、Zoox ），可支持千亿参数端到端模型验证，单个项目每年为车企节省 200 万美元测试成本 。艾迪聚焦 15 - 25 万级中端车型量产市场（如比亚迪、理想 ），因缺乏合成数据生成能力，高阶智驾落地案例远少于 Drive Sim。
智驾算法演进：从感知到决策的迭代。智驾算法演变路径清晰，自动驾驶感知算法历经 Perspective View、BEV、BEV + Transformer，逐步发展至端到端模式。从 2D 感知升级到多模态 3D 建模，再到全局优化与模块融合，感知能力持续进阶。同时，语义鲁棒性及交通标志、信号灯状态等场景语义理解技术，可识别复杂场景（如变道挑战 ）中的潜在问题。感知算法通过融合多传感器数据，大幅提升感知精度与系统鲁棒性，在恶劣天气等复杂条件下优势显著。此外，感知算法具备动态目标预测与行为预判能力，为行车、泊车等场景筑牢安全根基，助力车辆精准理解驾驶环境并实时决策。
端到端技术与感知算法：发展阶段与趋势。端到端技术通过融合感知、预测、规划模块，直接从传感器输入生成驾驶决策，精简流程、提升效率。其发展历经四阶段：从模块级 BEV 融合，到整合深度学习的决策规则模型，再到支持模型块梯度传导的模块化端到端架构，最终演变为完全端到端的 “OneModel” 单一模型，精度与泛化能力显著提升。当前国内企业多采用 “两段式（TwoModel）” 端到端架构，凭借模块化感知、规划、控制分工，实现高阶智驾功能，商汤、元戎启行、小鹏、Momenta、理想、单驭、小沫等为代表企业；同时，行业正向 “一段式（OneModel）” 端到端过渡，以简化架构、提效算法，特斯拉是典型代表。
感知算法朝着更高精度、效率与鲁棒性演进，发展趋势涵盖多模态融合、自监督学习、决策耦合、轻量化设计、高置信度感知、仿真验证、芯片协同、区域定制等，聚焦精度、效率、适配性全方位提升。这些创新方向既增强智能驾驶系统综合性能，也推动技术在复杂驾驶场景加速落地。
4.2. 英伟达VS 地平线(三）：智驾算法：助力车企布局端到端为核心驱动力
端到端自动驾驶：性能潜力与技术落地。端到端自动驾驶最突出的优势是性能提升潜力巨大。最早的端到端方案为 UniAD，源自 2022 年底论文，当时 L2 距离达 1.03 米，2023 年底大幅优化至 0.55 米，2024 年进一步提升到 0.22 米 。地平线是端到端领域最具活力的企业之一，其技术发展路径映射出端到端路线的整体演进。UniAD 推出后，地平线迅速提出理念相近的 VAD，性能远超 UniAD 。此后，地平线转向全局端到端，首个成果是 HE - Driver（参数量较大 ），近期推出的 Semma 参数量精简，是当前性能最优的端到端方案之一。英伟达云平台则助力车企加速技术迭代。
英伟达携手理想，实现端到端 + VLM 双系统落地。不同于传统自动驾驶感知模块 “全检出” 待检测物体，DriveVLM 聚焦识别当前驾驶场景中 “最可能影响自车决策的关键物体”，避免全检出带来的算力浪费。依托理想汽车积累的海量自动驾驶数据预训练，以及开源大模型，VLM 相比传统 3D 目标检测器，在检出路面杂物、非常见动物等长尾关键物体上表现更优。
英伟达：CUDA 平台构建 “全流程工具链护城河”，覆盖算子开发、模型部署全环节，支持 TensorRT 加速与多框架兼容（PyTorch/TensorFlow 等），并打通仿真（DRIVE Sim）、数据标注等流程，大幅降低车企开发门槛 。凭借全球 90% AI 开发者对 CUDA 架构的熟悉度，以及 Orin/Thor 芯片超 1000 + 算子库，在 Transformer 等复杂模型部署中延迟优化显著，深度绑定高端智驾生态。
地平线：以 “软硬协同 + 高性价比” 突围，通过 BPU 纳什架构等技术，让征程系列以 128TOPS 算力实现 Orin 60% 性能，成本仅 40% 。助力比亚迪秦 L EV 等车型将智驾门槛拉低至 12 万元，凭借开放平台快速渗透中低端市场，依托数据闭环持续拓展高端边界。
英伟达：Omniverse 物理引擎（Drive Sim）实现毫米级场景重建（误差 0.1m），日均生成 100 万帧合成数据，覆盖 99.9% 极端场景（暴雨、事故等），可缩短 90% 实车测试周期，具备 L4 级别验证能力 。Waymo、Zoox 等全球 60% L4 测试车队，依赖其验证千亿参数端到端模型，筑牢技术领先壁垒。
地平线：以 “大规模数据” 补位，征程系列累计出货超 600 万套，验证 300 万辆车，构建行业最大规模行车数据库之一 。但缺乏原生仿真引擎，依赖 CARLA 等第三方工具，长尾场景覆盖率不足英伟达 30%，需强化仿线. 算法博弈：英伟达算力霸权 vs 地平线效能优化
英伟达：从 Orin - X（254TOPS）到 Thor（2000TOPS），以超强算力支撑 “端到端 + VLM 双系统”，理想 ADMax 已部署 22 亿参数 VLM 模型，实现语义级决策（如潮汐车道识别），锚定高端智驾算力需求 。
地平线 万元主流市场，以 “轻地图 + 强感知” 方案降低算力依赖，如比亚迪 “天神之眼 C” 仅需 128TOPS 即可实现高速 NOA 全功能覆盖，通过效能优化抢占中端份额 。
技术落地风险：高阶智驾开发涉及多技术协同，若算法优化、硬件适配等进度滞后，可能导致商业化落地不及预期。
