跳转至

70万辆车同步升级，背后那套系统藏了六年

Ch01.942 70万辆车同步升级，背后那套系统藏了六年

📊 Level ⭐⭐ | 6.9KB | entities/70万辆车同步升级背后那套系统藏了六年.md

70万辆车同步升级，背后那套系统藏了六年

本文来源：WeChat 公众号文章（量子位）| 蔚来汽车超 70 万辆覆盖两个品牌、四个平台、两种芯片、四种传感器的车型同时收到同一套世界模型 OTA 推送，背后是六年"AI 基建马拉松"的积累。

摘要

蔚来汽车在 2026 年 7 月完成了超 70 万辆车的 OTA 推送，覆盖蔚来和乐道两个品牌、Banyan/Cedar/Cedar S/Coconut+ 四个平台、英伟达 Orin-X 和自研神玑 NX9031 两种芯片、以及四种不同的传感器硬件配置。核心突破在于"一套代码、一个模型、一次推送"完成全量覆盖——没有"Lite"版本。这背后是六年来的前瞻布局：2021 年 ET7 的"过度配置"（800 万像素摄像头、高线束激光雷达、超 1000 TOPS 算力）让 2022 年的车能跑 2026 年的模型；自研芯片神玑 NX9031 以 Transformer 架构为主要驱动，实现 546GB/s 内存带宽（行业最高）；自研 AI 编译器将模型部署从 1-2 周压缩到 1-2 天，推理效率提升 20% 以上。

核心要点

  • 跨平台统一代码：Orin-X 和神玑 NX9031 两种芯片、四种传感器方案使用同一套模型代码，通过"不同摄像头用同一个网络处理，靠神经网络把性能拉平"的方式实现，激光雷达和毫米波雷达采用热插拔接口设计
  • 芯片设计前瞻性：蔚来在 2022 年（ChatGPT 之前）就判断下一代神经网络会变成纯 Transformer 架构，于是将芯片设计重点从"计算单元堆叠"转向"内存带宽"，做出 546GB/s 的行业最高带宽
  • 自研 AI 编译器：实现自动算子优化和图优化，大部分算子自动生成，多层之间自动融合。模型部署从 1-2 周压缩到 1-2 天，推理效率比通用工具链提升 20%
  • 群体智能验证体系：每周主动安全验证里程超 4000 万公里，OTA 版本通过云端下发到量产车闲置算力，在用户无感的情况下完成验证。NT2 和 NT3 的车进同一个验证池
  • 安全效果显著：用户保险出险赔付相比 2023 年降低 40%，人驾平均安全里程达 679 万公里，重大事故率随车量增长反而下降

深度分析

"过度配置"的长期主义逻辑

2022 年交付的 ET7 配备 800 万像素摄像头、高线束激光雷达、四颗 Orin 芯片（超 1000 TOPS）——这些配置在当时被认为是"用不了那么多"的过度设计。但四年后回头看，正是这种"过度"才让 2022 年的车能跑 2026 年的模型。这揭示了一个重要原则：对于智能汽车这种生命周期长达 5-10 年的硬件平台，芯片和传感器的选择必须以"未来 5 年的算法需求"为准，而非"当前能跑动什么"。特斯拉 HW3 车主等到 V14 Lite（蒸馏版），而蔚来 ET7 车主收到的是完整版模型，二者的差异根源于 2021 年的硬件决策。

Transformer 导向的芯片设计决策

蔚来芯片团队在 2022 年就做出了一个关键判断：下一代神经网络的关键瓶颈不是算力（TOPS）而是内存带宽。因为 CNN 的卷积操作数据复用率高，核心瓶颈在算力；而 Transformer 的自注意力机制需要逐个 token 搬运完整的 KV Cache，数据复用率低，核心瓶颈在带宽。于是神玑 NX9031 做出了 546GB/s 的内存带宽——即使在今年量产的竞品芯片中也是最高的。这一决策的时间点值得注意：发生在 ChatGPT 引爆 Transformer 热潮之前，说明蔚来的技术团队对算法范式的演进有独立判断能力。

AI 编译器作为底层杠杆

蔚来从 2020 年开始自研 AI 编译器（传统做法是工程师手写每一层算子的优化），这一决策在当时同样不被理解。但一旦自研芯片和第三方芯片需要在同一套软件体系上运行，编译器就成了关键杠杆：它屏蔽了底层硬件的差异，让算法工程师改模型时不需要工程团队同步修改部署代码。效果很直接——模型部署从 1-2 周压缩到 1-2 天。这个杠杆效应是支撑"一套代码跑四种硬件配置"的技术基础。

数据飞轮的规模效应

蔚来声称"70 万辆车的真正意义不仅是销量数字——是能调度这 70 万辆车的闲置算力做验证、做筛选"。传统自动驾驶测试需要专门的测试车队，而蔚来将每一辆量产车都变成了数据采集和验证节点。每周超 4000 万公里的主动安全验证里程、超 1 亿公里的总验证里程，相当于 1000 辆测试车跑一整年。这种数据飞轮效应是纯粹的规模优势：车卖得越多，验证数据越多，模型迭代越快，安全效果越好，用户满意度越高，进而带动更多销量。

实践启示

  1. 硬件预埋的"时间差"是最大的竞争力: 蔚来的经验表明，智能硬件的规格应以"未来 3-5 年算法需求"而不是"当前能跑什么"来定义。牺牲短期成本来换取长期能力冗余，在软件定义硬件的时代是关键策略。

  2. 自研芯片与自研工具链互为前提: 没有自研工具链，自研芯片就只能用第三方 SDK，难以发挥差异化优势；没有自研芯片，工具链的价值也仅限于优化第三方硬件。二者的协同效应才是真正的护城河。

  3. Transformer 架构对芯片设计的重新定义: 内存带宽正在取代算力成为芯片的核心竞争力指标。任何面向 AI 推理的芯片设计都必须以 Transformer 作为首要负载来优化。

  4. 群体智能的网络效应: 当每一辆车都是数据节点和验证节点，车队的规模本身就是技术优势。这种"销量→数据→模型→产品力→销量"的正循环是自动驾驶领域的终极竞争壁垒。

  5. AI 基础设施投入的回报周期以年为单位: 蔚来的编译器（6 年）、芯片（6 年）、换电网络（8 年）都在证明，硬核 AI 基础设施的建设需要以"五年"为单位来规划，而非以季度或年度。

相关实体

  • 蔚来神玑 NX9031
  • 蔚来自动驾驶
  • 英伟达 Orin
  • 群体智能
  • AI 编译器与自研工具链
  • 自动驾驶世界模型

→ 原文存档

关联