不拼算力的比亚迪璇玑A3 靠规模化争先
在智驾芯片的牌桌上,当同行纷纷把1000+ TOPS算力作为技术图腾时,比亚迪却甩出了一张看似保守的牌——700 TOPS的璇玑A3。
2026年,智驾芯片市场的竞争早已白热化。单看算力,璇玑A3并不领先。理想自研的马赫M100单颗1280 TOPS,蔚来神玑NX9031达到1000 TOPS,小鹏图灵芯片约750 TOPS。英伟达下一代Thor芯片预估达到2000 TOPS。比亚迪的璇玑A3,只能算中游。

更高的TOPS不仅意味着更强的感知与规控潜力,更是品牌科技感的核心标签,是吸引资本市场和极客用户的捷径。虽然单颗璇玑A3只有700 TOPS算力,但比亚迪采用多芯协同方案,单车可搭载三颗芯片,综合总算力来到 2100TOPS,足以支撑城市NOA、高速NOA乃至部分L3级自动驾驶功能。

此外,“算力冠军”并不算必须追求的硬指标,真实道路上体验的规模普及才是硬道理。智驾芯片所产生的大部分价值,在于它运行时所产生、吸纳和进化的数据。这才是璇玑A3最深的护城河。
目前,超300万辆搭载天神之眼的车型每天产生约2亿公里行驶数据,覆盖中国城市路况中最复杂的场景——加塞、鬼探头、非机动车混行、临时施工。规模越庞大,收集的真实路况Corner Case就越多,算法迭代就越快,智驾体验就越好,进而吸引更多消费者购买,销量规模继续扩大。一个自我增强的飞轮就此形成。

璇玑A3的4nm先进制程由外部代工厂流片,但架构设计、算法适配和封测环节均在自有体系内完成。这种"自研设计+先进制程代工+自有封测"的模式,让量产节奏在一定程度上摆脱了外部厂商的产品路线图约束。
在璇玑A3之前,比亚迪天神之眼系统的计算芯片几乎全部外采:天神之眼A采用两颗英伟达Orin-X,天神之眼B采用一颗Orin-X,天神之眼C采用英伟达Orin-N或地平线征程6M。高阶智驾算法方案由与Momenta合资的迪派智行提供支持。
璇玑A3补上了芯片这一最硬的核心环节。从"采购芯片+合研算法"向"自研芯片+自研算法"的转型正在推进。比亚迪在发布会上明确,璇玑架构2.0同时兼容自研璇玑A3与第三方芯片,外采方案将与自研芯片长期并存。
当然,比亚迪天神之眼的高阶算法方案目前仍由Momenta提供支持。不过在璇玑A3发布会上,比亚迪宣布智驾模型切换至世界模型路线,让系统不再依赖高精地图和预设规则,而是学会推演物理世界的因果关系。这一技术路线与行业前沿对齐,但从模型切换到大范围用户体验提升,需要时间。

更深远的影响在于,自研芯片让成本结构发生了质变。过去,一颗外采芯片动辄数千元,高阶智驾只能停留在30万以上的车型。当自研芯片把单颗成本压到极致,智驾系统就有了向15万、甚至10万级车型渗透的能力。
智驾芯片的终极价值,从来不是为了高高在上,而是在于它能够以多低的成本、多大的规模,驶入多少寻常百姓家。璇玑A3,正在用钢铁洪流般的规模,为这句话写下最有力的注脚。
相关推荐
-
辅助驾驶的实操边界:从选型误区到生产损耗的深度拆解
1辅助驾驶的实操边界:从选型误区到生产损耗的深度拆解很多车企在选型辅助驾驶系统时,第一关注点往往是“标称算力”——动辄几百TOPS的芯片参数,听起来像性能车的马力数字,但实际交付中,我们发现:算力≠可用算力,标称数据背后的真相是,芯片的峰值算力往往需要特定条件触发,而真实路况下,传感器数据洪流、算法调度延迟、硬件散热限制,会让实际可用算力缩水30%-50%。更反直觉的是,部分系统为追求“高算力”标签...
查看全文 -
自动泊车ARA选型:避开误区,直击生产现场真相
6自动泊车ARA选型:别被参数表骗了,真实场景才是试金石在实际交付中,我们发现一个扎心的事实:很多车企选自动泊车ARA(Autonomous Reverse Assist)时,盯着传感器数量、算力峰值、标称精度这些参数表上的“硬指标”,结果装车后发现,停车场里倒车入库成功率连80%都不到,甚至遇到侧方车位直接“摆烂”。这里面的水很深,选型误区往往藏在“看起来合理”的逻辑里。误区一:传感器越多越好?生...
查看全文 -
无人车T5的弹性系数:选型陷阱与生产现场的真相
1弹性系数不是“弹簧参数”,是无人车生存的“韧性指标”在实际交付中,我们发现很多客户对无人车T5的“弹性系数”存在严重误解——有人把它等同于悬挂系统的弹簧刚度,有人认为数值越高越“抗造”,甚至有供应商拿实验室静态测试数据当卖点。听起来可能反直觉,但弹性系数的真实价值,藏在生产环境的动态损耗里,藏在连续作业72小时后的性能衰减曲线上,藏在突发冲击下的系统恢复能力中。选型误区:被“标称数据”带偏的决策很...
查看全文 -
智驾系统偏差管理:公路与路口的「隐形战场」
8偏差不是误差,是生死线上的博弈在实际交付中,我们发现一个反直觉的现象:很多车企标榜的「厘米级定位精度」,在真实路口场景下会暴跌到米级。这不是传感器故障,而是公路与路口的偏差管理逻辑完全不同——公路是连续线性场景,偏差是渐进累积的;路口是离散决策场景,偏差是断崖式爆发的。这里面的水很深,很多标称数据背后的真相是:实验室环境下的静态标定,根本扛不住动态交通流的冲击。选型误区:把公路的「乖孩子」放到路口...
查看全文 -
无人车T5隐患排查:揭开标称数据背后的真相
4长尾场景下的无人车T5隐患排查:从选型误区到生产损耗的底层逻辑在实际交付中,我们发现很多客户对无人车T5的隐患排查存在认知偏差——他们往往盯着最大载重、最高时速等标称参数,却忽视了长尾场景下的隐性风险。这里面的水很深:传感器冗余度不足、算法对极端天气的适应性差、硬件老化速率超预期,这些才是决定无人车能否长期稳定运行的关键。选型误区:标称数据≠实际能力很多标称数据背后的真相是:实验室环境与生产现场的...
查看全文 -
智驾系统容错边界:计算平台选型背后的隐性博弈
5计算平台选型陷阱:当「标称算力」遇上真实路况在实际交付中,我们发现一个反直觉现象:某车企选用算力达500TOPS的芯片,却在匝道汇入场景中频繁出现决策延迟。问题出在容错边界设计——当传感器数据突发峰值时,系统没有预留足够的算力冗余应对突发计算需求。很多标称数据背后的真相是:实验室环境下的峰值算力与持续算力存在30%以上的差距,而智驾系统需要的是持续稳定的算力输出。容错边界的底层逻辑:从硬件冗余到系...
查看全文

尊龙凯时