智能驾驶芯片行业，正在经历一场越来越有意思、却也越来越值得警惕的算力竞赛。
近日，地平线创始人兼CEO余凯在微博上回应网友关于地平线能否推出几千TOPS智驾芯片的提问，他没有直接谈地平线下一代产品的算力规划，而是把矛头指向了行业内愈演愈烈的算力宣传现象。
余凯举了一个例子：英伟达Orin X的稠密算力为127TOPS，按照两倍计算，其标称算力为254TOPS。这也是目前不少智驾芯片厂商采用的标称方式。但现在，行业中出现了一些新的算力宣传口径，所谓的「等效算力」甚至可以达到稠密算力的6～7倍。
为了讽刺这种现象，余凯干脆给地平线J6P也准备了两套算力数字：按照他所说的NV算力口径，J6P为560 TOPS；按照所谓等效算力口径，则可以达到1960 TOPS。
他还特意将后者戏称为「吹牛算力」。
这条微博看起来是在调侃，实际上却提出了一个值得整个智能驾驶芯片行业认真讨论的问题：当TOPS已经成为智驾芯片最重要的营销标签之一，厂商究竟是在比拼芯片的真实计算能力，还是在比拼谁更擅长定义算力？
一、从127 TOPS到几千TOPS，算力数字为什么越来越大？要理解余凯的批评，需要先弄清楚智驾芯片行业的几种算力口径。TOPS，即每秒万亿次运算，是衡量AI芯片计算能力的常用指标。但TOPS并不是一个脱离计算条件而独立存在的数字。计算精度、运算类型、稀疏性以及硬件执行条件不同，最终得到的算力结果也会不同。
其中，最容易引发混淆的是稠密算力与稀疏算力。
稠密算力（Dense TOPS）通常指在不利用稀疏性加速的条件下，芯片能够达到的理论峰值计算能力。
稀疏算力（Sparse TOPS）则是利用神经网络模型中的稀疏结构，跳过部分不必要的计算，从而提高有效计算吞吐量。对于支持相应稀疏计算机制的芯片，在特定条件下，稀疏算力可以达到稠密算力的两倍。
英伟达Orin X就是一个典型例子。其稠密算力为127 TOPS，采用稀疏计算口径后，标称算力达到254 TOPS。
这里需要强调，稀疏算力并不是虚构出来的数字。只要硬件具备相应的计算能力，模型满足稀疏条件，计算结果能够得到实际验证，这种性能提升就有真实的技术基础。
问题出在此后出现的各种「等效算力」。
所谓等效算力，并不是一个具有统一行业定义的标准硬件指标。不同厂商可能根据模型结构、计算精度、稀疏率、算法优化和软件执行效率等因素，采用不同的折算方式。
这意味着，同样标注1000 TOPS，不同厂商背后的计算条件可能完全不同。
如果一家厂商公布的是硬件稠密峰值算力，另一家公布的是特定模型、特定精度下折算出来的等效算力，那么两者就不具备直接比较的基础。
余凯所批评的，正是这种算力口径不断扩张的现象。
从两倍稀疏算力到六七倍等效算力，数字看起来越来越漂亮，但它们所代表的实际硬件能力，却未必发生了相同比例的提升。
当不同性质的计算指标被放在同一张产品参数表中，TOPS就不再只是一个技术指标，而可能成为一种营销语言。
二、算力可以有不同算法，但不能把不同概念混为一谈客观来看，余凯的批评并不意味着所有等效算力都没有技术价值。恰恰相反，AI芯片的竞争本来就不应该局限于硬件峰值算力。
从硬件架构到编译器，从算子优化到模型压缩，从低精度计算到稀疏计算，芯片厂商一直在寻找提升实际计算效率的办法。
例如，同样是运行一个AI模型，一颗芯片可以通过更高效的矩阵计算单元、更合理的数据调度、更高的存储访问效率以及更成熟的软件编译优化，获得更高的实际推理吞吐量。
这当然是一种技术竞争力。
甚至可以说，未来AI芯片真正的竞争，不只是看谁拥有更多计算单元，而是看谁能够让有限的计算资源发挥更大价值。
但这里存在一个非常重要的边界：算法优化带来的性能提升，不等于芯片物理算力的同比提升。
举个例子，一颗芯片的稠密算力为280 TOPS，通过硬件支持的稀疏计算可以达到560 TOPS。如果再通过特定模型优化、低精度计算和软件调度，获得更高的推理性能，那么厂商完全可以公布这些结果。
但必须说明：
280 TOPS代表什么计算精度和测试条件；560 TOPS是否建立在特定稀疏率和硬件支持基础上；更高的等效性能采用了什么模型和计算精度；测试是否有公开、可复现的依据。这些指标可以同时存在，却不能被混为一谈。
尤其需要警惕的是，某些厂商将模型层面的计算优化、算法层面的效率提升，甚至特定场景下的推理性能折算，直接转化成芯片的硬件算力宣传。
这样做的问题不仅是口径不统一，更会让客户对芯片的真实计算能力产生误判。
如果说稀疏算力是建立在硬件支持和明确计算条件之上的性能指标，那么等效算力就更需要说明其适用边界。没有统一定义和测试条件，单纯给出一个放大后的TOPS数字，其参考价值其实非常有限。
三、智驾芯片真正的竞争力，从来不只是TOPS为什么智驾芯片行业如此热衷于TOPS竞赛？一个重要原因是，智能驾驶正在向更复杂的模型架构演进。
早期辅助驾驶系统更多依赖传统感知网络和相对独立的功能模块，随着BEV、多传感器融合、Transformer以及端到端模型逐渐成为技术演进方向，智能驾驶系统对计算能力的需求持续增长。
尤其是端到端智能驾驶，需要处理来自摄像头、毫米波雷达等传感器的大量数据，并完成环境理解、目标预测、路径规划乃至驾驶决策。模型复杂度提高，确实对芯片计算能力提出了更高要求。
因此，算力是重要指标，这一点没有问题。但问题在于，智能驾驶芯片并不是一个只需要完成矩阵乘法的计算器。一颗智驾芯片的实际表现，取决于计算、存储、互连、软件以及系统设计的综合能力。
首先是计算架构。
芯片拥有多少TOPS只是一个结果，背后的计算单元如何设计、不同类型的计算任务如何分配、数据如何在不同计算单元之间流动，才决定了实际执行效率。
对于智能驾驶中的卷积、矩阵乘法、向量计算以及复杂算子，不同架构的适配能力可能存在很大差异。
即使两颗芯片标称算力相同，面对不同模型，也可能表现出截然不同的实际性能。
其次是存储带宽与数据搬运效率。
AI计算并不是只要有足够多的计算单元就可以完成。
模型参数、激活值以及中间计算结果都需要在存储系统和计算单元之间不断传输。当计算速度提高，数据搬运可能成为新的瓶颈。
如果存储带宽不足，或者片上缓存设计不合理，大量计算单元就可能处于等待数据的状态。
此时，芯片虽然拥有很高的理论TOPS，但实际利用率可能并不理想。
第三是软件生态和编译器能力。
硬件算力最终需要通过软件释放。不同AI芯片在算子支持、编译器优化、模型部署、算子融合和内存调度方面存在差异。即使硬件架构设计得很好，如果软件工具链不成熟，模型无法充分映射到硬件上，理论算力也很难转化为实际性能。
这也是为什么AI芯片行业越来越强调软硬件协同设计。
第四是功耗、成本和功能安全。
汽车芯片与数据中心AI芯片还有一个重要区别：它必须在车规级环境下长期稳定运行。芯片的功耗、散热、可靠性、功能安全以及系统成本，都会影响最终产品的竞争力。
对于车企而言，一颗能够以更低功耗、更低成本稳定运行复杂模型的芯片，可能比一颗峰值算力更高、但系统成本和功耗也更高的芯片更有吸引力。
所以，智驾芯片的竞争最终不是简单的TOPS竞赛，而是计算架构、存储系统、软件生态和系统能效的综合竞争。
四、当TOPS成为营销标签，行业就容易陷入参数内卷余凯这次发声，实际上也折射出当前智能驾驶芯片市场竞争的一个变化：算力正在成为越来越重要的市场营销工具。目前很多普通车主看车的时候，很容易被芯片宣传的超大TOPS数字迷惑，以为算力越高智驾就越强。不少车型发布会会重点强调芯片算力参数，但很少解释算力统计标准。不同厂商统计口径不一样，直接对比宣传数字没有太多参考意义，用户很难判断真实的硬件能力。
对于车企而言，芯片算力是评估供应商技术能力的一个直观指标；对于消费者而言，TOPS更是一个容易理解的数字。
相比复杂的芯片架构、编译器和存储系统，几百TOPS、上千TOPS甚至几千TOPS，更容易成为传播话题。
于是，厂商自然有动力把算力数字做得更大。这与过去手机行业围绕处理器主频、跑分展开竞争，有一定相似之处。
当市场过度关注某一个指标时，厂商就容易围绕这个指标展开竞争，甚至逐渐形成一种「参数导向」的产品评价体系。
但智能驾驶芯片与消费电子产品还有一个不同之处：它的性能直接关系到车辆智能驾驶系统的实际能力。
如果车企在芯片选型时过度依赖宣传参数，而忽视实际模型性能、软件成熟度和系统能效，就可能做出并不理想的技术决策。更值得担忧的是，算力口径一旦失去统一标准，最终会形成一种不健康的市场竞争。
一家厂商公布500 TOPS，另一家公布1000 TOPS，第三家直接宣传3000 TOPS。数字越来越大，客户却越来越难以判断谁的芯片真正更强。
这种竞争不仅不能推动技术进步，反而可能让真正投入架构创新、软件优化和系统工程的企业，在营销数字面前处于劣势。
从这个角度看，余凯的微博并不只是一次企业之间的隔空喊话，而是对整个行业评价体系的一次提醒。
五、智驾芯片需要一套真正可比较的性能评价体系那么，怎样才能避免TOPS竞赛继续演变成数字游戏？笔者认为，行业需要从单一峰值算力宣传，转向多维度、可验证的性能评价体系。
首先，应当明确统一的基础算力标注方式。
至少需要明确计算精度、稠密算力、稀疏算力，以及对应的硬件执行条件。不同计算口径应当分别标注，不能混用。
其次，对于所谓等效算力，厂商应当公布明确的计算依据。
如果等效算力来自特定模型的计算优化，就应该说明模型类型、参数规模、计算精度、稀疏条件和测试环境。不能只公布一个最终数字，却不解释数字是如何得到的。
再次，应当引入更贴近实际智能驾驶场景的性能测试。
例如，在统一模型、统一精度和统一测试条件下，比较不同芯片的实际推理吞吐量、端到端时延、功耗以及计算资源利用率。对于智能驾驶而言，还应该考虑多传感器数据处理、复杂场景下的持续推理能力，以及实际部署时的系统稳定性。
最后，行业需要更加重视能效比。
在汽车这样对功耗、散热和成本都有严格约束的场景中，单纯追求峰值算力并不一定合理。能够以更低功耗完成相同计算任务，才是更有价值的技术进步。事实上，这也是AI芯片竞争正在发生的深层变化：从单纯追求计算规模，转向计算效率、系统效率和实际应用价值。
结语：芯片竞争应该比技术，而不是比谁更会定义数字余凯这条微博最有意思的地方，是他用地平线J6P的560 TOPS和1960 TOPS，演示了一次如何通过不同算力口径获得截然不同的宣传数字。
这种反讽值得行业思考。
当然，地平线自身也需要接受同样的标准审视。560TOPS究竟采用什么精度、什么计算条件，也应当有明确的技术说明。行业不能因为余凯提出了批评，就免除任何一家厂商对自身参数负责的义务。
对于智驾芯片企业来说，追求更高算力没有错，利用稀疏计算、低精度计算和软硬件协同提高实际计算效率也没有错。真正的问题是，不能把不同性质的性能指标包装成同一种硬件能力，更不能让营销数字取代技术进步。
中国智能驾驶芯片产业正在经历从产品追赶到架构创新、从单点突破到系统竞争的重要阶段。这个阶段需要的是更扎实的技术积累，而不是越来越夸张的参数宣传。
TOPS可以有不同的计算口径，但技术竞争不能没有共同的度量标准。
如果几千TOPS只是宣传材料上的数字游戏，那么它既不能证明芯片有多强，也不能真正推动智能驾驶产业向前走。
芯片行业最终比拼的，应该是谁能用更合理的架构、更高效的软件和更低的系统成本，真正支撑下一代智能驾驶模型运行。
这才是算力竞赛应该回归的方向。对此大家怎么看？欢迎评论区留言讨论！
天宇优配提示：文章来自网络，不代表本站观点。
