在昨晚的华盛顿，英伟达正式进化为集车规级推理芯片、训练服务器、智能驾驶软硬一体方案的集大成供应商。
一方面，是推出了全新的 NVIDIA DRIVE AGX Hyperion 10 自动驾驶平台。这一次的亮点是，英伟达首次在里面集成了软硬一体方案。
另一方面，是先后确认与 Stellantis、Lucid Group、梅赛德斯-奔驰、富士康、Uber 的合作，意在打造「全球最大 L4 级自动驾驶车队」。
英伟达还给了一个比较明确的目标：2027 年起部署 10 万辆 Robotaxi。
除了软硬一体方案，通过与出行平台、车企通力合作，英伟达的目的是乘用车+商用车两手抓，类似特斯拉 Cybercab 与 FSD 的布局。
特斯拉 FSD 目前已在美国多个城市开放，年底逐步推进无安全员 Robotaxi，运营规模进一步扩张。
到了 2026 年，Cybercab 将会量产。
英伟达将 L4 自动驾驶推广提上日程，原因必然包含全球各大智能驾驶势力的步步紧逼，特斯拉仅是其中之一。
再加上，奔驰、Stellantis 等品牌加码自动驾驶赛道，并小有成就，比如奔驰的L4测试车型在中国测试里程超 1.6 万公里。
若英伟达不及时与车企绑定，整车合作的空间恐怕变得更少。
从行业角度来说，英伟达的加入，必然会引起 Robotaxi 竞争格局变动，对于希望发展自动驾驶业务的车企而言，不失为一个好消息。
那么，英伟达最新的技术架构是什么？比起前代有哪些升级？站在车企角度又有哪些利好？
我们接下来一起看看。
软硬一体
众所周知，自动驾驶平台高度依赖计算性能。NVIDIA DRIVE AGX Hypreion 10 平台的升级，首先就是算力。
根据英伟达官方信息，Hyperion 10 搭载的，是两颗通过 NVLink-C2C 芯片互连技术相连的 Thor 芯片。
单颗 Thor 芯片算力在INT8 精度下超 1000TOPS，是上代（Atlan）的两倍。
同时，DRIVE Thor 平台还可以做到「舱驾融合」计算，支持座舱娱乐与自动驾驶计算同步进行，也可以将 2000TOPS 全部用于自动驾驶。
感知硬件相比 Hyperion 9 有了一定程度的精简，减少了 2 个激光雷达和 8 个超声波雷达。
感知硬件的简化对成本控制有利，很明显，英伟达做了整体成本优化，上车压力更小。
过往，英伟达只是纯粹的硬件方案供应商，到了 Hyperion 10，情况有所不同，集合了自动驾驶开发过程所需要的数据中心硬件、软件和工作流程，实现软硬协同。
比如说，在云端，DGX 超级计算机用 DRIVE Sim 生成高保真仿真数据，用于训练 DRIVE AV 模型；
在车端，Hyperion 10 的传感器数据采集系统与 Thor 芯片的调试接口无缝对接。
到了 Hyperion 10，英伟达打通的不止有软硬件协同，还打开了更广阔的合作圈子。
按照官方的说法，Lucid、Stellantis，以及 Momenta、文远知行等企业都将率先采用。
站在车企的角度，全栈式方案利好降本增效，主要是压缩研发周期和成本，加速规模化落地。
而对于英伟达而言，闭环技术生态便于树立自动驾驶标准，形成技术护城河，以此获得主导行业的话语权。
当然了，除了算力的绝对主导权，英伟达也积累了足够深厚的数据基础。
截至 2025 年 10 月，英伟达的云端平台已经积累超 500 万小时的真实道路数据，远超 Waymo 的 250 万小时，给 AI 模型持续进化提供不可复制的优势。
说到 AI 模型，昨晚英伟达虽然没有在大会上官宣，但有「绿色巨人」之称的VLA，正式来到世界面前——而且，与所有其他 VLA，似乎都不太一样。
VLA新序幕
除了全球最大规模的自动驾驶车队、最新一代硬件打造的 Hyperion 10 智能驾驶方案，昨晚的英伟达还不声不响地，拉开了自研 VLA 大模型的新序幕。
Alpamayo-R1（以下简称 AR1），这是英伟达实验室昨晚最新发布的全新 VLA 视觉-语言-动作大模型。
AR1 与其他 VLA 的核心区别，在英伟达实验室博客的标题中就得以体现：
「Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail」（连接推理和动作预测，实现长尾环境下的通用自动驾驶）。
可以简单概括一下：AR1 与其他 VLA 大模型在核心技术路线上基本趋同。
但在复杂多变的「长尾」场景中，AR1 用新的技术创新，全面优化了推理、轨迹生成、对齐、安全性、延迟等等方面的实际表现。
英伟达官方的用词是「state-of-the-art 」（业界领先）。
效果我们得等实测，今天还是简单从原理方面解释一下 AR1 的创新之处。
先来回顾一个名词 CoT，Chain of Thought 思维链，这是年初 DeepSeek 震惊 AI 界的核心名词。
由华人科学家魏学森提出的 CoT，是 2022 年初才广泛被学术界认可的概念。
CoT 让大模型自动给出推理步骤，最终让规模足够大的 LLM 的可解释性显著提升。
英伟达在 AR1 上的创新也是一个「链」，官方命名 CoC（Chain of Cause 因果链）数据集。
英伟达认为，自动驾驶的有效推理必须建立在「因果关系基础之上」，并且推理本身「必须与驾驶任务保持结构对齐」。
这就要求推理轨迹不能产生冗长无序的叙述，因为人类的思维本身是极低时延，且精简高效的。
而在对 CoT 思维链的应用中，英伟达认为思维链存在「行为描述含糊不清、表面推理、因果混淆」等等缺陷。
因而就有了 AR1 的 CoC 因果链，可以简单理解为在推理轨迹的过程中，英伟达为模型强制实施了「明确的因果结构」。
这种强制，则是由「选择关键帧」、「分隔历史与未来片段」等标注类手段构成的。
所以可以看到，因果链的前置标注工作相当重要，而由此生成的因果链数据集，最终则可以为决策学习提供清晰的监督数据。
另一个很有意思的点在于，CoC 使用的大模型评估器是 GPT-5。评估器本身是否影响 AR1 的全球化进度，这个需要进一步观察。
回到模型本身，AR1 作为一个定义为「模块化 VLA 架构」的大模型，英伟达对其定位是「适配任何现成的 VLM 主干网络」。
而目前 AR1 已经扩展到了最高 7B（三档 0.5/3/7B）的规模，也已经明显超出了目前各大主机厂辅助驾驶大模型 4B 的主流规模。
凭借着以上所有创新，最终英伟达公布了以下成绩：
AR1 在复杂场景下的轨迹规划性能提升了 12%，近距离碰撞率减少 25%，强化学习后训练使推理质量提升 45%，推理-动作一致性增强 37%。
不过，论文中英伟达还提到另外一点：
AR1 现阶段如果想要的车规级时延，需要在 RTX A6000 ProBlackwell 级别的卡上跑推理——这张卡的 INT8 算力高达 4000T，是 Thor-U 的 6 倍左右。
虽然但是，AR1 的诞生意味着英伟达的车规级软硬一体战略迈出了重要的一步。
从 10 年前纯粹的芯片供应商，跃升为芯片、模型、训练服务器完整闭环，现阶段全球唯一的供应商。
All in Robotaxi
无论是 Hyperion 10 平台，还是包含其中的 VLA 大模型，英伟达正以另一种姿态参与到自动驾驶赛道中。
英伟达不再做单纯的硬件供应商，而是通过全栈方案发力自动驾驶，与车企共同布局，为 Robotaxi 提速。
美国造车新势力 Lucid 在本周二宣布采用 DRIVE AV 平台及其硬件时，临时首席执行官 Marc Winterhoff 表示，该系统率先应用于即将推出的中型车，再逐步扩展至其它产品。
他还强调，因为上市节奏和资金问题，决定「不从零开始」，或许可以理解为与英伟达自动驾驶方案深度绑定。
而 Stellantis 与英伟达的合作形式更为直接。
前者提供整车工程和制造能力，后者提供自动驾驶方案和 AI 算力支持，共同开发无人驾驶出租车。
梅赛德斯-奔驰与英伟达的联合，则是 L4 技术从无人出租车领域向私人乘用车进发的标志。
据后者透露，Hyperion 10 会融入奔驰 S 级，说不定「老板车」以后就自带「私人司机」了。
另一方面，对于希望出海发展 Robotaxi 业务的中国车企，英伟达 Hyperion 10 平台同样会带来一些积极意义。
如今国内大部分智能汽车统一搭载英伟达的智驾芯片，想要出海打造 Robotaxi，融合英伟达 DRIVE AV 方案想必会更加容易。
一系列布局和动作，都不难看出英伟达在自动驾驶领域的决心。Kings Research 等多家专业机构判断，2025-2030 年，Robotaxi 将迎来爆发期，市场规模至少达到 440 亿美元级别。
不仅是特斯拉、Waymo 的步步紧逼，来自中国的文远知行、萝卜快跑等 Robotaxi 公司。
还有一众国内外车企，都将在 Robotaxi 赛道上争夺话语权，部分车企将 Robotaxi 的量产节点定在 2026-2027 年。
如此庞大的增长市场，智能驾驶的标杆英伟达，显然不会放过这个机会。
那么，你们认为，未来 Robotaxi 赛道，英伟达有机会做定义赛道规则的那一家吗？
本文作者：木俞、毓肥，来源：电动星球，原文标题：《英伟达超进化！软硬件一把抓，智能驾驶大变局》
