璇璣A3來了：

中國第一顆車規級4納米智駕芯片，橫空出世：從自主研發、設計、測試完全自主完成。

三顆組合超2100 TOPS，但更重要的是對比通用GPU架構，單位功耗低20%，結合自研算法，深度優化算力資源利用率提升100%。

算力榜上的TOPS不再是唯一的信仰。

AI汽車競爭，從“買誰家的芯片”、“多大算力”變成了“誰真正懂自己的芯片”。

而最令人意想不到的，第一顆4nm智駕芯片，竟然出自以前那個被認為技能點全點在電動化的比亞迪——王傳福。

國內最先進制程智駕芯片，出自比亞迪

璇璣A3采用4nm車規級制程，全球車載AI計算芯片中，是和英偉達Thor同處T0梯隊的級別。

其實自研計算芯片，無論從比亞迪自身技術實力、技術發展趨勢還是比亞迪一貫的垂直整合戰略出發，發布會之就已經是一個“公開的秘密”——不做，才是出人意料的big news。

但比亞迪最終拿出的產品方案，還是給了所有人震撼：

制程、算力除了此前的普遍預期——多數人推測比亞迪首款智駕芯片能對標英偉達Orin（254 TOPS），或者地平線J6M，主要解決中低介輔助駕駛問題。

但璇璣A3直接邁向了Thor所在的段位，并且在先進制程這一項，領跑了中國玩家陣營。

更重要的，這顆芯片的自主研發、設計、測試全部由比亞迪自主完成，輔助駕駛全鏈路可控，并且已經規模化量產。

我們總結了一張參數對照表：

解釋一下這些參數的實際含義。

制程大家最熟悉（4nm）決定了晶體管密度和能效，數字越小性能上限越高。王傳福給出的解釋是，車規級4nm的技術難度大致相當于消費電子領域的2nm。

這句話并不是嚴格的技術定義，而是一句通俗易懂的類比，邏輯在于車規級芯片在同樣先進制程（如4nm）下，其設計與制造難度是一個跨越式的疊加。

因為車規級芯片不僅是“更高性能”的芯片，本質上是 為“安全”而生的專業芯片，尤其是在4nm這樣的先進制程上，設計時必須引入大量的冗余設計和容錯電路、制造中也會使用更昂貴的材料，并增加特定的工藝步驟。

CPU部分為16核，420K DMIPS，負責全局調度和邏輯決策，這個算力足以同時處理智駕、座艙、車身控制的復雜任務。

內存帶寬273GB/s，配合自研總線，硬件支持可納秒級低延遲。

單位算力功耗比同級產品低20%，意味著同樣計算任務下發熱更少、系統穩定性更高。

算力利用率提升100%則是容易被忽視但非常關鍵的一點，這涉及到璇璣A3本質：NPU（神經網絡處理單元），專為AI推理設計，而非從圖形渲染衍生而來的通用GPU。

通用芯片為了兼容多種客戶需求必然存在架構妥協，而璇璣A3針對比亞迪自研算法深度定制，使得同樣的理論算力能夠跑出兩倍的有效性能。

NPU的優勢在于將矩陣乘法、卷積等AI常用算子直接硬化，同樣的晶體管面積能產出更高的有效算力。同時針對比亞迪自研算法肯定會深度定制，使得同樣的理論算力能夠跑出更高的有效性能。

自主最先進制程車載智駕芯片，的確夠重磅，但從算力本身來看，絕對數值不是No.1。

而真正讓璇璣A3區別于其他方案的，不在制程和算力，是能效和利用率上的差異化路線——大力出奇跡比拼理論峰值TOPS時，比亞迪把重心放在了“實際有效算力”上。

比亞迪的璇璣A3，能稱為AI汽車“芯皇”嗎？

技術路線上，璇璣A3選擇了專用NPU，而非英偉達Orin、Thor那樣的通用GPU衍生架構。

GPU最早是為了做圖形渲染而生的，擅長同時處理海量相似的任務在黃仁勛的帶領下，英偉達把GPU變成了通用并行計算平臺，使得GPU不但可以做圖形相關的任務，還可以做科學計算、數學分析以及AI訓練。

這也是英偉達有如今江湖地位的根基。

而NPU中文叫神經網絡處理器或者AI加速器。相比于GPU， NPU更加的注重 AI 相關的任務。

如果把GPU和NPU都看成工人的話， GPU就像經驗更豐富一些的老師傅，會干很多東西，效率比較高。

NPU則是專門訓練過的流水線工人，技能單一，但是專注的做一件事情且效率極高——高效運行AI模型。

通用GPU的優勢是生態成熟、工具鏈完善、客戶接受度高，但代價是為了兼容不同車企、不同算法、不同模型，硬件資源必須保持一定的“靈活性”，這種靈活性是以面積和功耗為代價的。

它把矩陣乘法、卷積、激活函數等算子直接“硬化”，省去了圖形渲染和通用計算的冗余邏輯。同樣的晶體管數量，NPU能產出更高的實際算力；同樣的算力需求，NPU功耗更低。這就是璇璣A3單位算力功耗低20%、算力利用率提升100%的根本原因。

這種專用架構帶來的體驗提升首先體現在削弱延遲上。

城市領航場景中，從傳感器采集到決策執行，中間要經過感知、預測、規劃、控制等多個環節，每一步都涉及大量計算。算力不夠或架構效率低，系統就會“猶豫”——被加塞、在復雜路口磨蹭、該繞行時不敢動。

璇璣A3的3核NPU原生支持Transformer大模型，能配合自研總線實現納秒級數據調度。發布會上展示的實測中，搭載璇璣A3的車輛在深圳坪山老街穿行，面對突然竄出的電動車、路邊臨停車輛、窄道多把掉頭等場景，表現出的是“絲滑”而非“機械”：

更低延遲還意味著更高的安全下限。人類的反應時間約300到500毫秒，普通智駕系統可壓縮到100毫秒左右，而專用NPU可以進一步縮短這個窗口。反應越快，留給系統的安全余量就越大——多出幾十毫秒可能就是剎住與撞上的區別。

王傳福在發布會上給出的“兜底”承諾：

“在城市領航期間，只要你因為輔助駕駛導致的交通事故，比亞迪將全額賠付應由本車承擔的經濟損失，不設上限”。

不是比亞迪財大氣粗，而是底層技術架構支撐起的信心。

專用NPU帶來的不只是低延遲。更高制程、更專用的架構，讓璇璣A3在硬件層面具備了超越當前L2輔助駕駛的能力邊界。配合比亞迪已經布局的十重冗余架構、超千線激光雷達、閃拍攝像頭等傳感器，它事實上已經為L3/L4做好了準備——只待法規落地，硬件能力就能直接釋放。

這就是專用NPU路線的核心價值：

不是去和通用GPU比誰的理論算力更高，而是用更少的晶體管、更低的功耗，跑出更多的有效計算；用為AI量身定制的硬件，去支撐更復雜的模型、更快的響應、更高的安全上限。

璇璣A3的差異化，恰恰體現在這里。

王傳福這顆芯片，威力夠大嗎？

AI浪潮從汽車向更廣闊的物理AI延伸浪潮中，比亞迪不是第一個拿出自研底層算力方案的玩家。

但從更深遠的技術、產業以及用戶角度，璇璣A3卻是迄今為止，威力最大、影響最深遠的。

首先是對比亞迪自身來說，“全棧自研”，真正能做到從電池、電控到整車架構再到智駕芯片全鏈路自研的企業屈指可數。

此之前，這個名單上主要是特斯拉、華為，以及部分環節上的蔚小理。現在比亞迪正式加入這個“夯爆了”名單。

但比亞迪與其他車企，尤其是以高舉AI旗幟的新勢力相比，護城河又更深一層：

同時擁有5座晶圓制造工廠、7000人芯片研發團隊、覆蓋13大類567款車規級芯片的產品矩陣，以及46個外部車企品牌。

任何車企都可以復刻座椅、空調、車燈的垂直整合，可以自研智駕算法，甚至也可以流片一顆芯片，但要在芯片設計、制造、封裝、測試全流程上同時具備這樣的規模和經驗，能跟的玩家寥寥無幾——

這也同時意味著，智能化“普及”，比亞迪還有更多難以想象的殺手锏。

對用戶而言，這顆芯片帶來的不是紙面上的參數，而是更低的價格——全系可選裝城市領航，選裝價僅12000元；更安全的保障——官方兜底意味著事故賠償責任由車企承擔；

更流暢的OTA迭代——自研芯片使算法更新不再受制于供應商的節奏。

跳出汽車工業，比亞迪的璇璣A3對于整個AI科技革命的發展，可能是改變其局的關鍵轉折。

自動駕駛芯片，或者廣義的AI計算芯片領域存在兩條路線之爭：通用GPU和專用NPU。

英偉達憑借CUDA生態和先發優勢拿下了絕大多數的訂單。自研NPU則是少數實力玩家發現通用GPU不能滿足自身對技術極致探索的需求后，開辟的新戰場。

比如谷歌自研TPU用自己在數據中心的海量數據，驗證了ASIC路線在AI推理場景中的優越性。

而比亞迪和谷歌唯一的區別是，谷歌的TPU跑在數字世界，比亞迪的璇璣A3跑在物理世界。

所以，比亞迪自研璇璣A3，不但是直接改變了GPU/NPU陣營力量對比的大事，更是專用AI加速器在物理AI場景中的首次超大規模驗證——這是比所有新勢力年銷量加在一起還要龐大的搭載規模。

從更廣的視角看，璇璣A3的意義超越了車載芯片的范疇。

它意味著，一家以電池起家的公司用24年的時間，完成了從能源到計算的全棧閉環。它意味著，中國車企在智駕芯片最高制程領域有了可以與英偉達正面對話的量產產品。

它更意味著，物理AI時代的底層基礎設施競賽已經悄然拉開序幕。

璇璣A3的設計從一開始就兼顧泛化能力：它原生支持Transformer大模型，低延遲、高能效、高利用率——這些特性同樣適用于機器人、無人機、工業自動化等一切需要在物理世界中行動的AI。

具身智能的核心挑戰，是在物理世界中實時感知、推理、決策的能力——也就是一個具備高度理解認知能力的大腦。

這要求計算平臺既要足夠快（低延遲），又要足夠省（功耗受限），還要足夠穩定。而璇璣A3的架構如果真的具備足夠的泛化能力，那么比亞迪手中握著的就不只是一顆智駕芯片，而是一個物理AI時代的通用計算平臺。

這也是王傳福所說說：整車智能就是具身智能。

當人工智能從數字世界走向物理世界的關鍵節點，誰掌握了對物理世界進行感知、推理和干預的計算核心，誰就可能定義整個智能時代的入口。

回顧歷史，PC時代的標準計算單元是x86 CPU，移動互聯網時代是ARM SoC，AI時代初期是GPU。

那么物理AI時代的標準計算單元是什么？目前還沒有定論。

比亞迪正在用璇璣A3和年銷數百萬輛車的真實數據，試圖給出自己的答案。