财联社11月8日讯（记者 王碧微）当大语言模型完成文本与图像生成的普及后，全球科技巨头正将目光投向“物理AI（Physical AI）”，让人工智能走出数字屏幕，在现实环境中感知、推理、决策与交互，直接驱动机器行动。
在物理AI的众多载体中，已经实现量产、全车搭载摄像头与雷达传感器的智能汽车，成为最先跑通商业闭环的试验田。
万创投行董事总经理吴沛东告诉财联社记者，数据规模、供应链和现金流这三项条件，目前只有汽车能同时满足。国内一年有两千多万辆乘用车上路，数据回传的边际采集成本接近于零，传感器、电池等已是成熟部件，消费者也已愿意为智能化付费；相比之下，2025年全球人形机器人出货量约1.8万台，采集数据还要依靠遥操作和动作捕捉。
2026财年（截至2026年1月25日），英伟达汽车业务营收达23.49亿美元，同比增长39%。而在中国智能电动车市场，英伟达车载芯片面临的竞争正在加剧。蔚来（09866.HK）、小鹏集团（09868.HK）、理想汽车（02015.HK）等车企相继推进自研智驾芯片上车，地平线机器人（09660.HK）等本土智驾芯片商也在高性价比方案市场扩大定点规模。
NE时代的数据显示，2026年8月，国内乘用车辅助驾驶域控芯片装机总量约81万颗，英伟达以30.2%的份额排名第一，地平线和华为分别以19.8%、14.8%位列第二、第三；2026年1至2月，英伟达的份额为45.1%，领先地平线35.8个百分点，到8月差距已缩小至10.4个百分点。
与此同时，多家头部车企今年都在转向“世界模型”与“视觉-语言-动作”大模型路线，竞争的焦点也从车载芯片延伸到云端的模型训练。
近期，财联社记者与英伟达方面的多位相关专家交流获悉，围绕智能汽车这一物理AI核心载体，英伟达的技术路线与商业逻辑已发生明显变化。在云端，英伟达把底层世界模型和仿真工具免费开放给行业，回报更多落在算力需求上；在车端，英伟达围绕车企的降本需求做软件优化。这套技术栈下一步还要延伸到无人驾驶与机器人。
免费开放模型背后
今年以来，端到端大模型成为国内车企智驾升级的标配，但在实际路况中，现有的端到端模型只是把摄像头画面直接转化成方向盘和刹车动作，并不理解物理世界的因果逻辑。
比如，车辆在路口遇到交警打手势指挥交通时，普通的端到端模型只能识别出“前面有个人需要避开”，却读不懂手势的含义。引入理解物理规律与常识的“世界模型”，以及具备推理能力的模型后，汽车有望像成熟司机一样看懂复杂路况并做出预判。
然而，从头训练一个懂物理规律的基座大模型门槛极高。公开资料显示，截至2026年一季度，特斯拉已投产的Cortex 1训练集群折合超过10万张英伟达H100图形处理器（GPU），处于爬坡初期的Cortex 2折合超过13万张；小鹏汽车也已建成万卡以上规模的智算集群。这样的投入规模，多数车企和智驾企业难以独立承担。
对此，英伟达的做法是先把底层基座模型训练出来，免费向全球开放。
目前，英伟达已围绕物理AI开放了四大核心模型，包括负责预训练的语言模型（Nemotron）、理解物理规律的世界基础模型（Cosmos），以及后训练阶段分别面向机器人的GR00T和面向自动驾驶的Alpamayo。
英伟达相关工作人员向财联社记者表示，英伟达希望通过开放模型，用自身的资源和技术帮行业把基座模型做到60分，车企只需用少量算力和自有路测数据去做后训练微调；如果不由平台型企业先把基座模型做出来，物理AI很难在行业里真正落地。
除了云端模型训练，真实道路测试也很难凑齐各种罕见的突发危险路况，模型训练好后如何在上路前低成本验证安全性，同样是各大车企面临的难题。
为此，在负责云端训练的计算机（DGX）和负责车端推理的计算机（AGX）之间，英伟达专门搭建了负责虚拟仿真的计算机（OVX），将三维高斯溅射还原工具（NuRec）与闭环仿真工具（AlpaSim）开放给开发者。按照英伟达的设计，车企可以把一段普通路测视频转化为可编辑的三维虚拟场景，在虚拟环境中反复测试模型反应，以缩短实车验证周期。
吴沛东认为，这些开放工具“改变的是起点，不是终点”。以前做一套高阶智驾要用两三年时间，投入至少几十亿元，如今团队可以先跑通再做差异化，起步周期能缩短一年以上。他同时称，头部车企会把这套工具当作对标基准，核心技术栈仍会自研；二三线车企缺少工程团队和数据回流，这套工具给了它们一个可交付的下限。不过，免费不等于零成本，算力、数据和标定的投入一样都省不掉。
把耗费巨资训练的模型和仿真工具开放之后，英伟达的商业回报从何而来？公司方面表示，其今年已将汽车行业的“开发者”定义为“所有自己开发与销售软件的企业”，车企和智驾供应商都在其列。
前述英伟达相关工作人员对记者表示，帮助开发者做成自己的AI，客户才会更多地使用英伟达的平台和产品。据其介绍，在推动自动驾驶走向无人驾驶出租车（Robotaxi）的过程中，汽车行业主要厂商目前都在大量使用英伟达开放的技术与工具链；只要全行业在向高阶智驾演进时使用这套开放框架，最终都会转化为对英伟达云端训练与仿真服务器算力的持续需求。
车企在车端“抠成本”
当大模型在云端完成训练与仿真验证后，最终必须装进汽车的端侧芯片里实时运行。而在竞争激烈、对价格敏感的中国汽车市场，车企不仅要求模型跑得快，更要求把硬件成本降下来。蔚来董事长李斌今年4月表示，蔚来高峰时一年要买3亿美元的英伟达芯片，自研芯片已经替公司省了很多钱。
在车端推理环节，继国内广泛量产的Orin芯片（算力254 TOPS，即每秒254万亿次运算）之后，英伟达推出了算力可达2000 TFLOPS（每秒2000万亿次浮点运算）的新一代车载芯片Thor，以及参数量仅20亿（2B）的轻量化推理模型、可部署在边缘端的40亿参数的世界模型。
不过，在车企实际量产中，芯片的纸面算力峰值并不代表最终体验，更关键的是如何通过底层软件与系统优化，把存量算力用足、把整车物料成本压下来。
由于大模型参数量庞大，装进车端面临的第一个难题是存量车型算力不够用。目前国内大量主力车型仍在使用上一代Orin芯片，其硬件本身不支持原生FP4或FP8（8比特浮点）计算，无法直接运行用这类低精度格式压缩后的大模型。
财联社记者从英伟达方面了解到，Orin与Thor两代芯片的底层软件栈保持一致，配合投机采样技术（用小模型同时预测多个词元以加快输出）等手段，Orin平台运行70亿参数（7B）多模态模型时的吞吐速度可达每秒70个词元，Thor平台结合4比特浮点量化（NVFP4）后可达每秒176个词元。
车端落地的第二个难题，是存储芯片价格持续上涨带来的成本压力。公开信息显示，2026年3月到6月，车规级存储芯片价格涨了约180%；李斌今年3月曾表示，存储内存及其他原材料价格上涨对高端新能源车型的成本影响分别为3000至5000元，共计影响近万元。
此前国内车企的智驾域控制器（ECU）普遍需贴装32GB内存。财联社记者获悉，英伟达中国工程团队开发了基于C++语言的轻量级开源推理框架，结合FP4量化技术，在不降低驾驶功能和精度的前提下，协助部分国内车企将域控制器内存从32GB缩减至16GB。
除了给内存减负，国内车企还把降本目光投向了外围传感器。国内有车企提出直接砍掉毫米波雷达模组内的处理芯片，把未经处理的原始信号直接送进主芯片。为此，英伟达中国团队修改了底层软件中间件，调用主芯片内部闲置的可编程视觉加速器承接雷达原始信号运算，以省掉雷达芯片成本。据悉，这套源于中国车企的降本方案，目前已合并进英伟达全球标准软件版本中。
不过，吴沛东告诉财联社记者，缩减内存、省掉雷达芯片这类优化确实有效，但只能把车企切换自研或本土芯片的步伐延缓一到两代车型，改变不了方向。在他看来，英伟达能守住的是中间那批想自研但算下来并不划算的车企，时间大约两三年；英伟达自身的投入也已经在向Robotaxi、海外整车厂和L4级无人驾驶倾斜。
从L4无人驾驶延伸至机器人
当大模型装进车端、硬件成本通过工程优化降下来之后，真正让物理AI在公共道路上接管方向盘，还面临最后一道安全与法规门槛。
今年8月公布的强制性国家标准《智能网联汽车 自动驾驶系统安全要求》拟于2027年7月1日起实施，适用于搭载有条件自动驾驶（L3）和高度自动驾驶（L4）系统的载客和载货车辆，其中L3系统还应具备驾驶人接管能力监测功能。
目前国内快速普及的高阶辅助驾驶（L2++）安全责任主体仍是人类驾驶员，车端通常配置单颗主芯片即可；而一旦迈入L3和L4阶段，安全责任主体开始转向系统本身。
英伟达相关工作人员对财联社记者表示，行业内对L3存在不少争论，L3要求人类驾驶员在几秒钟内接管车辆，但分心的驾驶员很难在短时间内恢复路况感知；而在接管前的那几秒内，L3对硬件安全冗余的要求与L4几乎没有区别。
公开资料显示，今年以来，奔驰和宝马已分别在改款S级和改款7系上取消L3系统，转向L2++级辅助驾驶，宝马给出的理由是市场需求不足、客户受益有限；Stellantis也在2025年搁置了AutoDrive L3项目。
与车企收缩L3的动作不同，英伟达的硬件参考架构以L4为设计目标。为了满足无人驾驶对“故障可运行”的要求，其中配置了两套独立的供电和传感器，以及双Thor芯片主从备份系统。
按照设计，在正常行驶状态下，两颗芯片可同时运行或由主芯片主控，一旦主芯片或对应传感器出现故障，备份芯片与独立传感器可以接管车辆。在算法层面，英伟达相关工作人员介绍，目前有车企利用开放的Alpamayo或Cosmos推理模型充当“审查员”，对驾驶行为是否合理进行评估。
在底层操作系统方面，海外车企普遍选择通过安全认证但开发门槛较高的QNX实时操作系统，而国内车企更倾向于使用Linux系统。据悉，在全栈安全体系（Halos）中，英伟达将QNX上的安全诊断服务移植到了Linux系统上，供国内车企过渡使用。
在英伟达的整体规划中，这套从云端到车端的软硬件架构，最终还将延伸至具身智能机器人领域。从底层架构来看，智能汽车与机器人在物理AI层面高度同源。
具体而言，英伟达的方案在云端让智能汽车与机器人共用一套世界基础模型；在端侧，无论是自动驾驶汽车还是人形机器人，底层使用的都是Thor芯片和统一的推理软件开发包，区别在于上层算法最终控制的是“四个车轮”还是“双手双脚”。通过先在已规模量产的智能汽车上跑通从云端训练、虚拟仿真到端侧安全推理的闭环，英伟达正试图把这套物理AI方案复制到机器人市场。
不过，从汽车到机器人，并非所有能力都能直接复用。
吴沛东表示，行业比较一致的看法是硬件上60%至70%可以复用，但剩下的30%至40%恰恰最贵，灵巧手、高自由度关节、力触觉和运动控制这些环节搬不过来。在他看来，“汽车养机器人”在制造和成本上成立，在能力和数据上并不成立。
与此同时，市场研究机构Counterpoint Research今年10月发布的报告表示，英伟达目前主导人形机器人GPU市场，特斯拉与小鹏汽车则依托自研芯片和专有AI模型，有望改变人形机器人AI芯片的市场格局。从地平线拆分出的地瓜机器人已与乐聚机器人、逐际动力等厂商达成合作，瑞芯微（603893.SH）也表示其协处理器RK182X多产品线已进入产品发布和项目量产阶段。英伟达把这套方案带到机器人市场，面对的依然是车企自研和本土芯片厂商的竞争。
