英伟达汽车业务营收23.49亿美元：物理AI落地先从车端起步

大语言模型把文本和图像生成做成了大众产品，全球科技巨头的注意力正转向“物理AI（Physical AI）”。这条路要让AI离开屏幕，在真实环境里感知、推理、决策并与人交互，最终直接驱动实体动作。

在物理AI的各种载体里，智能汽车已经量产，全车装有摄像头和雷达，商业路径也最先跑通，因此成了最合适的试验田。

万创投行董事总经理吴沛东对财联社记者说，数据规模、供应链、现金流这三项条件，眼下只有汽车能同时具备。国内每年有2000多万辆乘用车上路，回传数据的边际采集成本几乎为零；传感器、电池等部件已经成熟，消费者也肯为智能化掏钱。反观人形机器人，2025年全球出货量约1.8万台，采集数据还得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23.49亿美元，同比增长39%。不过在中国智能电动车市场，这家公司车载芯片面对的竞争正越收越紧。蔚来（09866.HK）、小鹏集团（09868.HK）、理想汽车（02015.HK）等车企陆续把自研智驾芯片装上车，地平线机器人（09660.HK）等本土智驾芯片商也在高性价比方案上扩大定点规模。

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%的份额居首，地平线、华为分别以19.8%、14.8%排在第二、第三。2026年1至2月，英伟达的份额还是45.1%，领先地平线35.8个百分点；到8月，这一差距缩到10.4个百分点。

另一边，今年多家头部车企都在往“世界模型”和“视觉-语言-动作”大模型路线上转，较量的重心从车载芯片延伸到了云端模型训练。

近期，财联社记者和英伟达多位相关专家聊下来发现，围绕智能汽车这个物理AI核心载体，英伟达的技术路线和商业逻辑已经明显变了。云端这头，底层世界模型和仿真工具免费向行业开放，回报主要落在算力需求上；车端这头，软件优化围着车企的降本需求转。这套技术栈接下来还要往无人驾驶和机器人延伸。

免费开放模型背后

今年以来，端到端大模型成了国内车企智驾升级的标配。但放到实际路况里看，现有的端到端模型只是把摄像头画面直接换算成方向盘和刹车动作，并不理解物理世界里的因果逻辑。

举个例子，路口有交警打手势指挥交通，普通的端到端模型只能认出“前面有个人得避开”，手势是什么意思读不懂。把能理解物理规律和常识的“世界模型”、以及具备推理能力的模型引进来之后，汽车才有可能像成熟司机那样看懂复杂路况、提前做出判断。

问题是，从零训练一个懂物理规律的基座大模型，门槛高得吓人。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；小鹏汽车也建成了万卡以上规模的智算集群。这样的投入，多数车企和智驾企业自己扛不下来。

英伟达的应对办法是：先把底层基座模型训练好，再免费向全球开放。

目前围绕物理AI，英伟达开放了四大核心模型：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，公司希望借开放模型，用自身资源和技术把行业的基座模型做到60分，车企只需拿少量算力和自有路测数据做后训练微调。按照这位工作人员的说法，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。

云端模型训练之外，真实道路测试也凑不齐各种罕见的突发危险路况。模型训好之后，上路前怎么低成本验证安全性，同样是各大车企绕不开的难题。

为此，英伟达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，专门架了一台负责虚拟仿真的计算机（OVX），并把三维高斯溅射还原工具（NuRec）和闭环仿真工具（AlpaSim）开放给开发者。按英伟达的设计，车企能把一段普通路测视频转成可编辑的三维虚拟场景，在虚拟环境里反复测模型反应，实车验证周期可以缩短。

吴沛东认为，这些开放工具“改变的是起点，不是终点”。过去做一套高阶智驾要花两三年、投入至少几十亿元；现在团队可以先跑通再谈差异化，起步周期能省下一年以上。他还说，头部车企会拿这套工具当对标基准，核心技术栈照样自研；二三线车企缺工程团队、缺数据回流，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、标定的钱一分都省不掉。

砸重金训出来的模型和仿真工具都开放了，英伟达靠什么赚钱？公司方面表示，今年已把汽车行业的“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算在内。

记者听英伟达相关人员说，只有让开发者做出属于他们自己的AI，客户才会更愿意用英伟达的平台和产品。按这位人士的说法，眼下汽车行业的主要厂商在从自动驾驶迈向无人驾驶出租车（Robotaxi）的过程中，都在大量采用英伟达开放的技术与工具链。全行业往高阶智驾走，用的都是这套开放框架，到头来就会转成对英伟达云端训练与仿真服务器算力的长期需求。

车企在车端“抠成本”

大模型先在云端训练、做仿真验证，最终还要装进车端芯片里实时运行。国内汽车市场竞争白热化，价格又敏感，车企要的不只是模型跑得快，硬件成本也得往下压。蔚来董事长李斌今年4月提到，蔚来行情最好的时候一年采购英伟达芯片要花3亿美元，自研芯片已经帮公司省下不少钱。

车端推理环节，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，英伟达又推出了算力可达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40亿参数世界模型。

不过，纸面算力峰值并不等于车企量产后的最终体验。真正的关键在于底层软件与系统优化能不能把已有算力吃干榨净，同时把整车物料成本压下来。

大模型参数量太大，塞进车端先撞上的就是存量车型算力不足。国内大量主力车型还在用上一代Orin芯片，这颗芯片硬件上并不支持原生FP4或FP8（8比特浮点）计算，用这类低精度格式压缩过的大模型没法直接跑。

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是统一的。再配合投机采样技术（用小模型同时预测多个词元来加快输出），Orin平台跑70亿参数（7B）多模态模型时，吞吐速度能到每秒70个词元；Thor平台加上4比特浮点量化（NVFP4）后，可达每秒176个词元。

存储芯片涨价，是车端要过的又一道坎。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%。李蔚今年3月曾说，存储内存和其他原材料涨价，给高端新能源车型造成的成本影响分别是3000至5000元，加起来接近1万元。

过去国内车企的智驾域控制器（ECU）一般要贴装32GB内存。财联社记者获悉，英伟达中国工程团队用C++语言写了一套轻量级开源推理框架，再结合FP4量化技术，在不牺牲驾驶功能和精度的前提下，帮部分国内车企把域控制器内存从32GB降到了16GB。

内存之外，国内车企还把降本的算盘打到了外围传感器上。有车企提出，干脆砍掉毫米波雷达模组里的处理芯片，把没处理过的原始信号直接送进主芯片。英伟达中国团队为此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来承接雷达原始信号运算，雷达芯片的成本就这么省掉了。据悉，这套来自中国车企的降本方案，现在已经合并进英伟达全球标准软件版本。

但吴沛东告诉财联社记者，缩减内存、省掉雷达芯片这些优化确实管用，可也只能把车企转向自研或本土芯片的步伐拖慢一到两代车型，方向变不了。在他看来，英伟达能守住的是中间那批想自研、算下来又不划算的车企，时间大概两三年；英伟达自己的投入已经在向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

大模型装进车端、硬件成本靠工程优化降下来之后，要让物理AI在公共道路上真正接管方向盘，还差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》，打算从2027年7月1日开始实施，管的是装L3、L4系统的载客和载货车辆。对L3系统，还多一条要求：得能监测驾驶人有没有接管能力。

眼下国内快速普及的高阶辅助驾驶（L2++），安全责任主体还是人类驾驶员，车端通常配一颗主芯片就够了。可一旦进入L3和L4阶段，安全责任主体就开始转向系统本身。

英伟达相关工作人员对财联社记者表示，行业里对L3的争论不少：L3要求人类驾驶员在几秒钟内接管车辆，但分了心的驾驶员很难在这么短时间内重新感知路况；而在接管前的那几秒里，L3对硬件安全冗余的要求跟L4几乎没有差别。

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。

车企在收缩L3，英伟达的硬件参考架构却以L4为设计目标。为了满足无人驾驶对“故障可运行”的要求，这套架构里配了两套独立的供电和传感器，还有双Thor芯片的主从备份系统。

按设计，正常行驶时两颗芯片可以同时运行，也可以由主芯片主控；一旦主芯片或对应传感器出故障，备份芯片和独立传感器就能接管车辆。算法层面，英伟达相关工作人员介绍，目前有车企拿开放的Alpamayo或Cosmos推理模型当“审查员”，评估驾驶行为是否合理。

底层操作系统上，海外车企普遍选通过安全认证、但开发门槛较高的QNX实时操作系统，国内车企则更爱用Linux。据悉，在全栈安全体系（Halos）中，英伟达把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里，这套从云端到车端的软硬件架构，最终还要延伸到具身智能机器人领域。从底层架构看，智能汽车和机器人在物理AI层面高度同源。

具体来说，云端上智能汽车与机器人共用一套世界基础模型；端侧不管自动驾驶汽车还是人形机器人，底层用的都是Thor芯片和统一的推理软件开发包，差别只在于上层算法最终控制的是“四个车轮”还是“双手双脚”。英伟达先拿已经规模量产的智能汽车跑通从云端训练、虚拟仿真到端侧安全推理的闭环，再试着把这套物理AI方案复制到机器人市场。

不过，从汽车到机器人，并不是所有能力都能直接搬过去。

吴沛东说，业内看法比较统一：硬件上60%至70%能复用，可剩下那30%至40%偏偏最烧钱，灵巧手、高自由度关节、力触觉、运动控制这些环节挪不过来。他的判断是，“汽车养机器人”在制造和成本上说得通，在能力和数据上说不通。

另一边，市场研究机构Counterpoint Research今年10月的报告指出，人形机器人GPU市场眼下由英伟达占主导，特斯拉和小鹏汽车靠自研芯片加专有AI模型，有机会改写人形机器人AI芯片的格局。从地平线拆分出来的地瓜机器人，已经和乐聚机器人、逐际动力等厂商合作；瑞芯微（603893.SH）也称，协处理器RK182X的多条产品线已进入产品发布和项目量产阶段。英伟达把这套方案搬进机器人市场，要面对的仍是车企自研与本土芯片厂商的夹击。