01 触发事件

2025 年 36Kr 援引晚点 LatePost 报道，比亚迪自研智驾芯片璇玑 A3 已开始量产，采用 4nm 制程，单颗算力超过 700 TOPS，三颗协同总算力超过 2100 TOPS，支持 L3、L4 自动驾驶，计划明年率先搭载在腾势品牌量产新车上。

比亚迪同时给了两组很有针对性的指标：单位算力功耗较同级产品低 20%，结合自研算法优化后，算力利用率提升 100%。

这不是一条普通的“车企发布芯片”新闻。

这是整车厂把 AI infra 逻辑正式内生化的信号。

我没在内部跑过璇玑 A3，也没见到完整 benchmark，所以没法判断这 700+ TOPS 对应的精度制式、稀疏条件、持续功耗曲线到底有多激进。但仅从公开表述看，比亚迪已经不满足于做 Nvidia、地平线或 Mobileye 的渠道型集成商，而是要掌握智驾系统里最贵、最关键、最可复用的计算层。

4nm、700+ TOPS、三芯片 2100+ TOPS、已量产、先上腾势——这些词拼在一起，说明的不是性能，而是控制权。

02 这事的真正含义

表面上看，这是“比亚迪也有了自己的智驾芯片”。

真正的含义是，自动驾驶正在从“买算力”转向“定义算力”。

问题不在于 700 TOPS 高不高，而在于谁能决定这 700 TOPS 该怎么被消耗。

在模型 API 世界里，builder 真正在乎的不是峰值参数量，而是单位输出质量对应的 token 成本、latency、缓存命中率、routing 效率。智驾也一样。车上不是缺一个更大的数字，而是缺一个被整车电子电气架构、传感器布局、数据回流、训练系统共同定义的 inference substrate。

比亚迪提“单位算力功耗低 20%”和“算力利用率提升 100%”，这两句比 TOPS 更重要。

因为这已经不是芯片 marketing 的语言，而是 token economics 的语言：同样的任务预算下，跑更多有效推理；同样的散热和电池约束下，挤出更高密度的智能能力。

这才是比亚迪在说的事。

“软硬件一体”过去是新势力车企最喜欢讲的故事，现在比亚迪把这套叙事下沉到了 silicon 层。它要的不是品牌形象，而是三个更硬的结果：

第一，压缩 BOM 与供应商议价风险。

第二，锁住智驾能力迭代节奏，不再被外部芯片 roadmap 卡脖子。

第三，把算法、芯片、整车平台做成共同演进系统，形成真正的 switching cost。

这里的关键不是“自研比外采更先进”，而是“自研让组织可以围绕同一条 cost-performance curve 优化”。这和云厂商自研 TPU、Inferentia，本质上是一类动作：不是为了证明自己芯片最强，而是为了把 inference 的边际成本、吞吐形态、软件栈兼容性交回自己手里。

我可能低估了车规芯片量产难度。车规验证、功能安全、长期可靠性都比数据中心推理芯片严苛得多，所以“已量产”未必等于“已大规模成熟部署”。但哪怕保守看，这仍然意味着比亚迪不想只做汽车 OEM，而想做智能驾驶 stack 的平台拥有者。

那个真正会被定价的，不是 TOPS，而是每一瓦、每一美元、每一公里数据回流能换来多少可部署的自动驾驶能力。

03 历史类比 / 结构对照

我想到的类比不是传统车厂造发动机，而是 2014 年后 AWS、Google Cloud、Microsoft Azure 对 AI infra 的分化，以及更早一点苹果在 iPhone 时代对自研芯片的坚持。

苹果做 A 系列芯片，表面看是垂直整合，实质上是把产品定义权从通用供应链手里拿回来。哪怕短期性能不一定代际碾压，长期结果是：iPhone 的体验节奏、功耗预算、端侧 AI 路线都不再跟着别人走。

比亚迪现在也在做类似事情，只不过对象不是手机 SoC，而是智驾 compute stack。

另一个更贴近 AI 的类比，是云厂商为什么宁可花巨资自研 accelerator，也不完全依赖 Nvidia。不是因为 H100 不好，而是因为通用芯片天然服务通用需求；一旦 inference 成本变成业务核心，平台方就会追求 hardware-software co-design，把模型结构、编译器、内存访问、KV cache 类似的中间状态管理，全都围绕真实 workload 改写。

自动驾驶是一个更极端的场景。

它的实时性约束强、功耗约束硬、长尾 case 多，而且每次升级都直接碰安全责任。这意味着“通用最优”通常不等于“系统最优”。车企如果只采购外部芯片，本质上是在租用别人的能力边界。

这也是为什么特斯拉 Dojo、FSD 芯片路线长期被市场高估又低估：高估的是短期替代 Nvidia 的速度，低估的是一旦自研打通数据-训练-部署闭环，组织效率会发生质变。

我没法确认比亚迪是否已经具备特斯拉那种完整闭环能力，尤其是训练侧和 fleet data 反馈系统做到什么程度，外部信息还不够。但从结构上看，国内头部车企正在复制一个被 AI 行业反复验证过的模式：当 compute 成为核心生产要素，平台方终局一定会想办法自己控制 compute。

04 对 AI builder 意味着什么

如果我是做模型 API、Agent、robotics 或车载软件的 builder，这条新闻不该被当作汽车圈八卦，而该被当作一个供给侧提醒。

第一，边缘 inference 会越来越像云推理市场。

会出现“表面上都是 TOPS，实际上有效吞吐、功耗、latency、编译支持、工具链成熟度差很多”的局面。builder 不能再只看 headline benchmark，要看真实 workload 的 cost curve。这和今天选 MoE 模型、看上下文长度、测 prompt caching 命中率是同一件事。

第二，自研芯片会加速封闭生态形成。

一旦整车厂把芯片、OS、中间件、传感器接口、智驾算法绑在一起，外部开发者的接入自由度可能下降。今天 AI 开发者已经很熟悉 closed API 的 route dependency；明天车载智能也会出现类似局面。你的产品如果依赖某个 OEM 的 compute path，就等于把 distribution 和定价权交给对方。

第三，真正的机会在 tooling，而不是盲目赌单一模型层。

任何一个 vertical 一旦进入 soft-hard co-design 阶段，都会冒出新的编译、仿真、评测、数据管理、部署监控需求。MCP 改变的是应用与模型的接口标准；车载智能接下来会需要的是“面向特定 silicon 的开发协议与验证框架”。这类基础工具的商业化空间，通常比做一个表层 feature 更稳。

第四，API 网关和 model routing 的逻辑会外溢到设备侧。

今天在 opcx.ai 这样的 token 网关里，大家关心的是不同模型之间如何按价格、质量、延迟切流。明天在车上，同样会出现“不同任务调用不同 compute path”的问题：哪些感知任务跑高精度路径，哪些路径可以低功耗常驻，哪些场景才触发更重的 planning stack。路由本身会成为产品能力。

我可能把汽车智能和通用 AI infra 类比得过头。毕竟车规场景的安全边界、法规约束、生命周期都不同于 SaaS 或 API 服务。但如果你的业务和 edge AI 有关，这个月该做的调整至少有两个：一是重新审视你对下游硬件平台中立性的假设；二是把“适配多个 compute backend”的优先级往前提。

05 反方观点 / 风险

现在下结论说“比亚迪复制特斯拉模式成功”，还太早。

第一，TOPS 叙事可能高度失真。

AI 行业已经见过太多“峰值算力很好看、真实任务吞吐很一般”的案例。没有公开的算子支持、内存带宽、编译器成熟度、稀疏与量化细节，700+ TOPS 只能算 marketing-adjacent 指标。我可能高估了这颗芯片的可用性。

第二，车企自研芯片不天然等于 moat。

自研最容易带来的不是优势，而是组织复杂度暴涨。芯片团队、算法团队、量产团队、供应链团队之间一旦协同失效，结果会比直接采购更慢、更贵。英特尔、Mobileye、Nvidia 之所以仍然强，不只是芯片性能，而是它们提供了成熟的软件栈和生态接口。

第三，比亚迪未必需要自己赢下最强智驾，才算战略正确。

它真正的优势可能仍然是制造、渠道、成本控制和车型覆盖，而不是 pushing frontier autonomy。如果自研芯片只是为了在中高端车型上建立“够用且可控”的智驾能力，那它的意义更接近 defensive integration，而不是产业拐点。

第四，这件事对通用 AI builder 的外溢速度可能没那么快。

汽车行业验证周期长，监管与责任链复杂。今天看到“已量产”，不代表明年就会形成大规模软件生态迁移。我可能误判了它影响开发者决策的时间窗口。

但即便把这些反方都算进去，我仍然认为这条新闻值得 70 分以上。

因为它释放的是一个非常清晰的信号：当 AI 能力开始决定终端产品竞争力时，头部厂商最终都会试图把 compute ownership 收回来。

汽车只是又一个证明。

而一旦 ownership 回收开始，行业里最值钱的资产就不再只是模型，不再只是芯片，甚至不再只是数据。

是那条把数据、训练、推理、部署、成本控制串成闭环的系统能力。