全站搜索

媒体中心MEDIA CENTER

不拼算力的比亚迪璇玑A3 靠规模化争先

不拼算力的比亚迪璇玑A3 靠规模化争先

公司动态 智驾 42 0

在智驾芯片的牌桌上,当同行纷纷把1000+ TOPS算力作为技术图腾时,比亚迪却甩出了一张看似保守的牌——700 TOPS的璇玑A3。

2026年,智驾芯片市场的竞争早已白热化。单看算力,璇玑A3并不领先。理想自研的马赫M100单颗1280 TOPS,蔚来神玑NX9031达到1000 TOPS,小鹏图灵芯片约750 TOPS。英伟达下一代Thor芯片预估达到2000 TOPS。比亚迪的璇玑A3,只能算中游。

更高的TOPS不仅意味着更强的感知与规控潜力,更是品牌科技感的核心标签,是吸引资本市场和极客用户的捷径。虽然单颗璇玑A3只有700 TOPS算力,但比亚迪采用多芯协同方案,单车可搭载三颗芯片,综合总算力来到 2100TOPS,足以支撑城市NOA、高速NOA乃至部分L3级自动驾驶功能。

此外,“算力冠军”并不算必须追求的硬指标,真实道路上体验的规模普及才是硬道理。智驾芯片所产生的大部分价值,在于它运行时所产生、吸纳和进化的数据。这才是璇玑A3最深的护城河。

目前,超300万辆搭载天神之眼的车型每天产生约2亿公里行驶数据,覆盖中国城市路况中最复杂的场景——加塞、鬼探头、非机动车混行、临时施工。规模越庞大,收集的真实路况Corner Case就越多,算法迭代就越快,智驾体验就越好,进而吸引更多消费者购买,销量规模继续扩大。一个自我增强的飞轮就此形成。

璇玑A3的4nm先进制程由外部代工厂流片,但架构设计、算法适配和封测环节均在自有体系内完成。这种"自研设计+先进制程代工+自有封测"的模式,让量产节奏在一定程度上摆脱了外部厂商的产品路线图约束。

在璇玑A3之前,比亚迪天神之眼系统的计算芯片几乎全部外采:天神之眼A采用两颗英伟达Orin-X,天神之眼B采用一颗Orin-X,天神之眼C采用英伟达Orin-N或地平线征程6M。高阶智驾算法方案由与Momenta合资的迪派智行提供支持。

璇玑A3补上了芯片这一最硬的核心环节。从"采购芯片+合研算法"向"自研芯片+自研算法"的转型正在推进。比亚迪在发布会上明确,璇玑架构2.0同时兼容自研璇玑A3与第三方芯片,外采方案将与自研芯片长期并存。

当然,比亚迪天神之眼的高阶算法方案目前仍由Momenta提供支持。不过在璇玑A3发布会上,比亚迪宣布智驾模型切换至世界模型路线,让系统不再依赖高精地图和预设规则,而是学会推演物理世界的因果关系。这一技术路线与行业前沿对齐,但从模型切换到大范围用户体验提升,需要时间。

更深远的影响在于,自研芯片让成本结构发生了质变。过去,一颗外采芯片动辄数千元,高阶智驾只能停留在30万以上的车型。当自研芯片把单颗成本压到极致,智驾系统就有了向15万、甚至10万级车型渗透的能力。

智驾芯片的终极价值,从来不是为了高高在上,而是在于它能够以多低的成本、多大的规模,驶入多少寻常百姓家。璇玑A3,正在用钢铁洪流般的规模,为这句话写下最有力的注脚。

上一篇: 下一篇:

相关推荐

  • 人眼视觉仿生系统:从选型误区到生产损耗,底层逻辑才是破局关键

    11

    人眼视觉仿生系统:底层逻辑决定产品上限在实际交付中,我们发现一个普遍现象:很多厂商宣称“人眼级动态范围”,但实际场景中,系统在逆光或强光切换时,仍会出现目标丢失或误检。问题出在哪?答案藏在底层逻辑里——人眼视觉仿生不是简单的参数堆砌,而是对视网膜神经元编码、视觉注意力机制、光响应动态平衡的深度复现。选型误区:被“标称数据”带偏的决策很多标称数据背后的真相是:实验室环境与生产现场的鸿沟。比如,某头部...

    查看全文
  • 人眼视觉仿生系统与协同效应:打破量产瓶颈的底层密码

    5

    选型陷阱:参数表上的「完美」与量产现场的「残缺」在实际交付中,我们发现一个诡异现象:某头部车企采购的视觉仿生系统,标称动态范围达140dB,理论可覆盖人眼极限的99%场景,但量产车上路后,隧道出口的强光过曝率仍高达12%。问题出在哪?很多标称数据背后的真相是——实验室环境与量产车的光路设计存在本质差异。人眼视觉仿生系统的核心,从来不是「堆硬件参数」,而是光路-算法-硬件的协同效应。这里面的水很深:...

    查看全文
  • 人眼视觉仿生系统:疲劳阈值,智驾安全的关键变量

    10

    人眼视觉仿生系统:疲劳阈值,智驾安全的关键变量在实际交付中,我们发现一个被行业忽视的真相:很多智驾系统标称的“全天候视觉能力”,在连续运行3小时后,目标识别准确率会下降17%。这背后,是人眼视觉仿生系统对疲劳阈值的控制逻辑存在根本性缺陷——系统没有真正理解“视觉疲劳”的生物机制,只是简单复制了人眼的静态参数。选型误区:参数堆砌≠疲劳抗性很多厂商在选型时,会陷入“高分辨率+高帧率=抗疲劳”的误区。听...

    查看全文
  • 工业园区与停车场管理:选型误区背后的真相

    9

    选型误区:别让“参数”蒙蔽了双眼在实际交付中,我们发现工业园区和停车场管理的智能设备选型,往往陷入“唯参数论”的怪圈。很多标称数据背后的真相是:厂商用实验室环境下的最优值,掩盖了实际场景中的性能衰减。比如,某头部厂商宣称其地磁传感器检测精度达99.9%,但实际交付后,在金属结构密集的工业园区,误报率飙升至15%——金属干扰、电磁屏蔽、多径效应,这些底层物理问题,参数表上永远不会写。选型误区一:过度...

    查看全文
  • 智能驾驶场景闭环:从选型误区到隐性损耗的深度拆解

    5

    场景闭环不是“数据堆砌”,而是“真实场景的精准映射”在实际交付中,我们发现很多企业把“场景闭环”简单等同于“数据采集+算法迭代”,甚至认为只要覆盖足够多的测试场景,就能实现闭环。但真相是:场景闭环的核心是“真实场景的精准映射”,而很多标称数据背后的真相是——采集的场景数据可能根本无法复现真实路况的极端情况,导致算法在实验室里表现优异,一到实际路况就“掉链子”。选型误区:高算力≠场景适配,传感器堆砌...

    查看全文
  • 高级驾驶辅助系统的防错机制:从选型误区到生产现场的隐性损耗

    12

    高级驾驶辅助系统的防错机制:从选型误区到生产现场的隐性损耗在实际交付中,我们发现一个普遍现象:很多主机厂在选型高级驾驶辅助系统(ADAS)时,往往被供应商的“标称数据”吸引——比如毫米波雷达的探测距离、视觉算法的识别准确率。但真相是,这些数据大多是在实验室理想环境下测得的,到了真实道路场景,尤其是复杂城市路况,表现可能大打折扣。听起来可能反直觉,但防错机制的设计,才是决定ADAS系统可靠性的关键。...

    查看全文
展开更多

  • 回到顶部
  • 回到顶部