在近期一场关于自动驾驶技术的深度交流活动中，英伟达汽车事业部负责人吴新宙系统阐述了公司对“物理AI”时代的战略布局。他指出，人工智能与物理世界的深度融合正在催生新的产业变革，而自动驾驶将成为首个实现大规模商业化落地的核心应用场景。为支撑这一愿景，英伟达构建了覆盖硬件、软件、模型训练到仿真验证的全栈技术体系，旨在降低行业向L4级自动驾驶迈进的门槛。
这套被内部称为“五层蛋糕”的技术架构，以车端推理计算、云端训练计算和仿真计算为核心支撑。底层是标准化硬件平台DRIVE Hyperion，其新一代车规级芯片DRIVE AGX Thor基于Blackwell架构，算力高达2000 FP4 TFLOPS，专为生成式AI推理优化。该平台提供两种传感器配置方案：基础版采用纯视觉系统支持L2++级功能，高阶版集成激光雷达、14个摄像头和9个毫米波雷达，为L3/L4级自动驾驶提供冗余保障。吴新宙强调，硬件标准化的核心价值在于建立行业数据基准，促进数据共享与算法迭代。
在硬件层之上，Halos OS安全操作系统与中间件构成第二层技术支撑。这个符合最高安全标准的实时操作系统，通过车辆抽象层和传感器抽象层屏蔽硬件差异，显著减少车企的适配工作量。系统内置的经典规划算法和主动安全模块形成“安全护栏”，确保即使AI模型表现不佳时仍能保障行车安全。吴新宙比喻称：“这套系统就像给自动驾驶装上了双保险，确保基础功能万无一失。”
技术栈的上层包含开源的Alpamayo视觉-语言-动作推理模型、DRIVE AV端到端解决方案以及云端基础设施。1.5版本的Alpamayo模型已支持多摄像头输入和导航指令交互，车企既可基于此进行二次开发，也可直接采用英伟达与梅赛德斯-奔驰、Lucid等企业合作的完整解决方案。云端部分依托NVIDIA DGX进行模型训练，结合Omniverse NuRec神经重建技术，每日可完成200万次仿真测试，通过合成数据生成将验证效率提升5-10倍。
针对行业热议的技术路线分歧，吴新宙给出了辩证分析。他认为Transformer架构已将视觉系统的潜力推向新高度，L2++级系统采用纯视觉方案具有可行性，但激光雷达在L3/L4级系统中仍是关键冗余设备。这种判断直接体现在英伟达的产品策略中：与奔驰合作的L2++车型采用纯视觉方案，而高阶Hyperion套件则保留激光雷达配置。“技术选择应服务于功能安全目标，我们提供两种路径供车企根据自身需求选择。”
面对车企自研芯片的趋势，吴新宙展现出开放姿态。他以特斯拉为例指出，即便客户选择自主开发芯片，英伟达仍可在云端训练、仿真工具等领域保持合作。这种“生态玩家”定位源于公司对商业逻辑的清晰认知：通过成为智能汽车时代的基础设施提供者，在芯片销售之外开辟新的收益渠道。数据显示，目前全球主要车企中，超过80%的自动驾驶研发团队正在使用英伟达的仿真工具或云端服务。
在技术落地路径方面，吴新宙认为当前主要挑战已从算法突破转向工程实现。他透露，英伟达与谷歌合作的L4级试点项目将于2027年启动，2028年计划与优步在洛杉矶推出Robotaxi服务。对于业界“跳过L3直攻L4”的讨论，他指出两者技术差异小于责任划分差异：L3级系统允许驾驶员在特定条件下接管，这对高速通勤场景具有现实价值；而L4级要求车辆具备完全自主能力，对车企的云端护航系统提出更高要求。
这场技术分享揭示出自动驾驶产业发展的新特征：随着核心算法趋于成熟，行业竞争焦点正转向数据闭环、仿真验证和生态协同。英伟达通过开源模型降低研发门槛、通过标准化平台促进数据共享、通过云端服务构建技术壁垒的三维策略，正在重塑自动驾驶产业的技术演进路径。这种既开放又闭环的生态布局，或将决定未来智能汽车时代的技术标准与产业格局。
