自动驾驶芯片自研潮:车企押注未来,这些赛道藏着投资机会?

当特斯拉的FSD芯片迭代至第五代，蔚来、小鹏纷纷推出自研AI芯片，比亚迪、吉利等车企也加速入局……自动驾驶芯片的“自研潮”正席卷汽车行业。这背后，是车企对未来5-8年技术路线的押注，更是产业范式变革下的投资新机遇。今天，我们拆解这场变革的核心逻辑，挖掘值得关注的投资方向。

一、为什么车企要“自造”芯片？模型范式变了！

传统自动驾驶依赖CNN（卷积神经网络），但如今行业正转向Transformer、DiT（扩散Transformer）与世界模型。旧芯片的逻辑已无法适配新模型——就像用算盘跑AI大模型，效率天差地别。

车企自研芯片，本质是争夺未来技术控制权：

从商业看：芯片开发周期长（2-5年），车企需提前押注5-8年后的技术方向。虽然前期投入高（数亿人民币开模采购），但可计入研发成本，提升科技品牌形象，长远看能增强估值逻辑。

从技术看：IP生态成熟、EDA工具完善，芯片工程难度下降；但软件栈、编译器、模型适配成为新门槛——这正是车企自研的核心战场（供应商难以定制的部分）。

二、自动驾驶模型的“进化”，催生芯片需求革命

当前自动驾驶有三大主流路线，对芯片的需求截然不同：

1. 分段端到端模型（如Uni-AD）：参数少（1的场景下，能效比和性价比突出。

局限：对数据流形状敏感（需M/N/K为256整数倍），小Batch或非规则模型效率骤降，且软件团队成本高。

2. 小核心：极致灵活主义

   代表：特斯拉Dojo（384个小CPU核心）。

   特点：每个核心独立分支、循环、本地SRAM，能轻松处理任何形状数据（包括Batch=1、MoE专家路由、可变KV cache）；天然适配非结构化数据。

   局限：每个核心需独立取指、译码、寄存器堆和控制逻辑，相同工艺下面积增加2-5倍，成本高，仅少数厂商敢押注。

3. 中核心：平衡主义

   代表：英伟达GPU（16×16 Tensor Core单元）、AMD、华为昇腾等。

   特点：通过CUDA小核控制流和稀疏化，平衡效率与灵活性；在GEMM和非规则计算间找平衡，是英伟达的“护城河”。

   趋势：高通NPU的发展也验证了这一路线——矩阵单元数量不变，但标量/矢量线程数量增加，以应对复杂推理场景。

三、投资方向：抓住“范式变革”的红利

1. 车企自研芯片的“生态链”：

   关注参与车企芯片定制的EDA工具商、IP授权商、芯片中间商（如泰凌微等），它们受益于“芯片工程难度下降”的趋势。

   布局车企自研芯片的软件栈、编译器、模型适配服务商——这是技术挑战转移后的新蓝海。

2. 存储带宽相关赛道：

   投资高带宽内存（HBM）、先进封装（如CoWoS）企业，它们是突破存储瓶颈的关键。

   关注存算一体、近存计算等创新架构公司，这类技术有望从根本上解决带宽问题。

3. AI加速器的“路线分化”：

   大核心路线：关注云端训练芯片、大模型推理芯片厂商（如寒武纪、壁仞科技等），它们在LLM/VLM场景有优势。

   小核心路线：跟踪车企自研芯片的进展（如特斯拉Dojo、蔚来神玑），以及专注“灵活计算”的初创公司。

   中核心路线：布局GPU生态的延伸玩家（如国产GPU厂商、CUDA兼容方案商），它们承接了英伟达的技术外溢。

4. 世界模型与DiT架构的“前瞻布局”：

   投资DiT专用芯片设计公司（目前市场空白，先发者优势明显）。

   关注世界模型算法与芯片协同优化的团队，这类“软硬一体”能力是未来竞争的核心。

结语：自研芯片不是“去英伟达化”，而是“定义未来”

车企自研芯片，本质是在自动驾驶的“无人区”里，为自己铺一条专属的路。对投资者而言，这场变革的核心逻辑是：谁能率先适配新模型、解决新瓶颈，谁就能在未来的产业格局中占据先机。

无论是芯片设计的“路线之争”，还是存储、软件的“配套革命”，都藏着值得深耕的投资机会。记住：投资的不是“现在”，而是“未来5-8年的技术话语权”。