加入轩辕同学，成就新汽车人 !

撰文   |   李禾子

编辑   | 黄大路

设计   |   甄尤美

" 高性能 AI 芯片的面积已经接近半导体的 ‘光罩极限’。"

5 月 15 日，在第十八届轩辕汽车蓝皮书论坛上，黑芝麻智能应用工程副总裁邓堃在他主题为 " 端侧 AI 芯片推动汽车智能化创新 " 的演讲中，用这个判断点出了物理 AI 时代最现实的一道坎。

光罩极限，指的是单个光刻机单次曝光所能覆盖的最大面积。当芯片面积逼近这一物理边界，" 单纯靠扩大面积来堆算力的老路就走不通了。" 邓堃说。

而与此同时，2026 年一系列标志性事件——英伟达发布 Alpamayo 1.5 版本、特斯拉推进 Optimus 人形机器人部署、Figure AI 完成 Figure 02 部署试点、Google DeepMind 发布 Genie 3 世界模型——都在宣告物理 AI 时代的加速到来。

特斯拉 Optimus 人形机器人

VLA 模型与世界模型共生演进，对算力的需求只增不减。

但供给端的压力正在显现。仅台积电一家就占据了全球晶圆代工约 72% 的市场（2026 年预测数据），3nm 先进制程也在接近性能极限。资源高度集中，先进制程产能持续紧张，不仅是汽车芯片，服务器芯片、消费电子芯片等等都在争夺同一块蛋糕。

邓堃指出，这背后反映的是 " 半导体产业长期存在的、更为严峻的结构性紧缺问题 "。而这个问题，在 AI 浪潮下正在被进一步放大。

面对算力提升的物理天花板和供应链的不确定性，行业正在经历从 " 效率优先 " 到 " 安全优先 " 的转变——过去追求 JIT（准时制）零库存、单一供应源的模式，正在让位于建立安全库存、实现多元供应、同时布局海外与国内两条供应链的新逻辑。

这正是邓堃演讲的核心背景。他所在的黑芝麻智能，是一家专注于端侧 AI 芯片的车规级芯片企业。 

在这样的产业换挡期，黑芝麻智能推出了华山 A2000 家族芯片平台，专为物理 AI 打造。该系列包含 N、L、U、X 四个型号，等效算力覆盖 200TOPS 至 1000TOPS，分别对应从城市 NOA 到 L4 级无人驾驶的不同需求。

同时，黑芝麻智能自研的九韶 NPU 架构，能够原生加速 VLA、Transformer 及世界模型的部署，支持多片高速芯片互联与算力堆叠。

邓堃认为，汽车智能化的下一阶段不止于车。" 汽车毕竟是在路上跑的，很多时候网络通讯不及时 "，因此 " 在端侧单独部署高效的、专业化的小型模型变得很有必要 "。他判断，未来 " 会形成端云结合的 AI 推理形式 " ——常规问题由端侧模型解决，复杂问题再上云。

这一判断也延伸到了更广阔的具身智能领域。

邓堃预计，到 2035 年，具身智能市场规模将达到 3000 亿美元，对 AI 芯片的需求到 2027 年将超过一千万颗。黑芝麻智能的业务正从智能汽车战略拓展至更多场景，构建覆盖 10TOPS 以下到 2500TOPS 的全场景算力芯片布局，支撑扫地机器人、割草机、工业设备以及高阶自动驾驶等多样化应用。

" 让人作为主体，在不同场景中无缝切换 " ——这是邓堃描绘的最终图景。

以下是邓堃的演讲实录：

物理 AI 时代的算力瓶颈

各位下午好，我是来自黑芝麻智能的邓堃。今天我跟大家分享的主题是 " 端侧 AI 芯片推动汽车智能化创新 "。

2026 年 3 月，英伟达发布了 Alpamayo 的 1.5 版本；特斯拉在 2026 年也持续推进了 Optimus 人形机器人的部署；Figure AI 完成了人形机器人 Figure 02 的部署试点；Google 的 DeepMind 发布了 Genie 3 的世界模型——这些都标志着物理 AI 时代的到来和蓬勃发展。

在物理 AI 时代，VLA 模型和世界模型呈现出了共生演进的态势。

世界模型扮演着 " 增强引擎 " 的角色，可以深度嵌入到 VLA 的训练、推理整个部署流程中去。它为 VLA 提供强大的助力，主要体现在：

提升了动作的物理合理性，让动作的执行更加符合实际的物理规律；增强了 VLA 的长时序推理以及多步规划能力，让整个系统具有更长远的规划和推理能力；解决了 VLA 模型和传统 AI 模型的 " 黑盒 " 问题，提升了可解释性及安全性，让系统的运行更加透明、可靠。

因此，现在整个 AI 发展的新范式，更多是 VLA 模型结合世界模型并行的发展。

为了追求更高的算力，传统的方法是扩大芯片的面积。

但目前，高性能的 AI 芯片面积已经接近了半导体的 " 光罩极限 "，也就是单个光刻机单次曝光所覆盖的最大面积，已经达到了物理极限。

这不仅使得算力的提升达到了天花板，同时也严重挤占了先进制程工艺。因为芯片不只是用于推理算力芯片，还有服务器算力芯片，以及其他消费品的先进制程——相当于都会挤占整个产能。

而背后反映出来的问题，是半导体产业长期存在的、更为严峻的结构性紧缺问题。预计在不远的将来，随着 AI 逐渐深入，这个问题会越来越严重，需要整个行业一起去想方法解决。

半导体产业的特性，一方面是资源和先进制程产能高度集中，另一方面是产能的持续紧张状态会一直存在。

台积电一家就占领了全球晶圆代工 72% 的市场（注：为 2026 年市占率预测数据），可谓一家独大。同时，3nm 先进制程也将达到性能极限。虽然还有三星、英特尔、格芯，以及其他厂商，比如国内的中芯国际，都在市场上，但他们的产能也同样处于先进制程非常紧张的状态。

资源在高度向先进制程倾斜。而在整个物理 AI 时代，对于算力迫切的需求正在逐步增长。这就迫使整个产业必须找到一个变革路径，找到一个新的方法来解决这些问题。

供应链换挡，芯片升级

从汽车芯片供应链的角度来看，行业面临的变革是：从效率优先，逐渐转向安全优先。

过去的 JIT 模式（即 Just-In-Time 模式）更加注重效率——芯片行业不囤货、不积压，依靠单一的供应源，按照整个生产节拍准时供货，追求更低的成本。

但现在，由于芯片先进制程紧张，同时供需失衡，整个产业面临着较高的供应链结构性风险。

所以新的模式，我们会更加强调安全优先：建立安全的库存，实现多元化供应，同时保证拥有海外和国内两条供应链，减少对单一供应源的依赖。这样既能有效地保证供应链的稳定，也能满足汽车、机器人、工业品在演进的过程中对高制程先进芯片的需求。

在供应链多元化的基础上，产业分工会更加有力地推动智能汽车产业的规模化发展。产业链从过去传统的一家独大的局面，变成更高效的分工协作，这本身就是整个智驾行业、整个智能汽车行业走向成熟的标志。

算力芯片，正是这个行业中生态协同的一个关键支撑点。

它需要的不仅仅是一家芯片公司的努力，更多的是整个行业——从算法、模型、软件，到整体的硬件——都要协同发展，才能推动整个行业更加健康、更加高效。

在智能供应链多元化发展的同时，行业对高性能 AI 芯片有持续的需求。

黑芝麻智能推出了华山 A2000 家族系列芯片，这是我们专为物理 AI 打造的下一代高算力芯片平台，拥有行业领先的整体芯片架构。

同时，我们也实现了九韶 NPU 架构。在同等算力下，功耗更低、精度不变，能够全面支持 VLA 和世界模型的同步发展。具体来说，它可以原生地加速 VLA、Transformer，以及世界模型的部署，支持多片高速芯片的互联即联，以及算力的堆叠。

这样一来，就能支持从 L2+、L3 到 L4 级别的自动驾驶车辆的智能化发展。

华山 A2000 家族芯片一共包含四个系列：N、L、U 和 X。

A2000N 系列芯片实现的是城市 NOA 及座舱应用，等效算力可以达到 200TOPS；A2000L 适用于高阶城市 NOA，等效算力可达 400TOPS，目标是打造基于 AI 新范式的辅助驾驶；A2000U 可以支撑 L2+ 到 L3 级别的智能驾驶底座，等效算力 700TOPS，可用于融合世界模型和 VLA 模型的智能驾驶；A2000X 针对的是 L3 到 L4 级别的自动驾驶，实现汽车 AI 智能体的应用，完整支撑 Robotaxi 级别以及 Robobus 级别的无人驾驶落地，等效算力达到了 1000TOPS。

黑芝麻智能也专注于自研的车规级 NPU，也就是 NPU 生成式模型的开发。

我们有三代 NPU 引擎：第一代更多是支撑像 CNN 这样的传统 AI 模型，实现定点模型的快速部署和高效应用；第二代迈向了以 Transformer 为主的混合精度模型，全链路支撑浮点运算，原生支持 VLA 和世界模型；下一代 NPU，更高程度地支撑生成式架构，可以加速 VLA 模型、世界模型以及生成式模型，形成生成式推理和世界模型的闭环。

端侧 AI，让汽车长出智能体

就 AI 在智能汽车上的应用来讲，现在很多 AI 座舱应用和智能驾驶应用，更多利用的是云端推理，比如豆包、千问，以及 DeepSeek 在云端部署的满血版或者更大的模型。

但问题在于，汽车毕竟是在路上跑的。它很多时候网络通讯不及时，而在一些有限、快速的场景下，需要快速决策。这就使得在端侧单独部署高效的、专业化的小型模型变得很有必要。

未来会形成端云结合的 AI 推理形式：对于车辆本身的智能驾驶、座舱、智能网联，以及用户交互这些常规问题、专业问题或者说是端侧问题，可以用端侧模型直接解决；对于不能解决的，或者更加复杂的问题，再汇总汇聚成更多的形式，放到云端去解决。

这样一来，整个 Token 的消耗量会大大降低，同时对于网络依赖的减少和延迟的降低，都会带来很大的助力。

智能驾驶的应用，同时也带来了端侧应用的蓬勃发展。现在，正是整个汽车行业变革与转折的关键时期。

从技术上看，大模型轻量化落地、NPU 算力专用化实现了突破；从价格上看，主力机型进入主流价位，性价比的提升比较明显，智能驾驶功能的普及度也在不断提升。

除了在智能驾驶、智能汽车上 AI 有很多应用之外，消费电子也持续占据着边缘 AI 芯片巨大的市场份额。现在不仅是汽车一个方向在 AI 的应用上处于领先，同时像手机、机器人、工业品以及消费品，以及各行各业，都在通过 AI 进行应用升级。

以往，大家更多是针对单一应用、单一场景来开发 AI 模型，利用 AI 算力去解决在单一场景中碰到的问题。而现在，更多的是针对一类问题，利用 AI 的平台化能力、利用 AI 大模型的生成式架构，以及整个 AI 模型对世界的理解来解决问题。

这个怎么理解呢？

拿汽车来说，以往汽车的应用开发跟别的行业相比，相对比较独立。因为在汽车智能化应用的过程中，更多是解决在道路上碰到的问题——也就是汽车驾驶员所需要的辅助驾驶、自动驾驶以及无人驾驶的能力。

但是，现在这些问题其实都是相通的。在未来世界中，智能驾驶、智能汽车以及智能座舱的这些问题，会跟机器人以及很多交互性场景进行合并。

不单单只是为智能汽车单一开发大模型、做单一的 AI 应用——你可能需要的不仅是一个自动驾驶或者辅助驾驶功能，你需要的是一个 AI 智能体：上车，它可以帮你开车；下车，它可以帮你提行李；回家，它可以帮你做服务，同时还能做一些别的事情。

也就是说，它不单单只是一个在车上的智能化应用，而是需要考虑在整个全联通的应用场景中，跨场景、跨应用地去打通 AI 应用的间隔。

在这个过程中，所有可移动的终端、所有业务场景，会逐渐融合起来，形成一种新的 AI 模型的开发范式。

从车到万物，算力无界

这也是为什么我们现在说：汽车智能驾驶的研发，带动了整个消费品、工业品以及其他各行各业 AI 应用层出不穷的发展。

与此同时，具身智能也进入了下一个万亿赛道。这给我们的国产芯片，尤其是 AI 算力芯片，以及 AI 大模型公司，带来了非常好的发展契机。

在传统业务领域，比如工业时代、机电一体化时代，更多还是海外的芯片占据主要优势。但现在，随着 AI 应用和 AI 智能的发展，国产芯片以及国产大模型也逐渐占据了更多的机会。

预计到 2035 年，具身智能的整个市场规模将达到 3000 亿美元；同时，对于 AI 芯片的需求，到 2027 年会超过一千万颗。

整个具身智能和智能汽车的技术栈，以及业务的发展，会逐渐融合在一起。车规芯片未来复用到工业及具身智能市场，将催生出一个新的赛道。

面对整个市场和技术的发展态势，黑芝麻智能的技术业务领域，逐渐从智能汽车战略拓展至更多领域。

我们会构建全场景、立体化的算力芯片布局，整个芯片算力覆盖从 10TOPS 以下，到 100TOPS、1000TOPS，最高到 2500TOPS。

这样既能支撑像扫地机器人、割草机以及钳式一体机这类对 AI 算力消耗比较低的场景，同时也会覆盖到城市无人驾驶、更高阶城市 NOA 以及无人驾驶这类更高阶的应用场景。此外，我们依托具身智能以及智能驾驶中的相关技术栈，也在将业务拓展到机器人领域。

怎么理解这个事情？

过于，大家可以把一个芯片跟算法、软件、硬件结合，做成一体化的设备（ICT），去服务单一的应用场景。但现在，我们看到的是整个端侧 AI 的蓬勃的发展——一套技术栈，不仅能够满足智能汽车方向的 AI 应用，同时也能满足千行万业的需求，包括汽车、教育、金融、电力以及医疗。

为什么能做到？因为这些需求本质上都是一类事情：对 AI 算力的需求、对 AI 模型的需求，以及算力、模型与云端大模型的协同。而且，它们所利用的技术发展路径是一致的——都是有感知、有决策、有控制。

在这个过程中，它们的发展不再是单一的——感知模型、决策和规划控制各自独立发展；而是更多地以数据为驱动，以大模型为依托，利用端侧 AI 算力平台以及云端 AI 算力资源，实现端云结合的 AI 发展新范式。

所以我们希望，在不同的业务领域，由我们提供的芯片，能够打通不同的业务场景，实现一个目标：让人作为主体，在不同场景中无缝切换。

具体来说，无论是在手机里，在驾驶汽车时，还是在回到家、去运动或进行其他游玩、娱乐的场景中，我们都能够把现在车上的 AI 智能体（现在是全球发展最快、竞争度最高的 AI 智能化程度）应用到不同的业务领域，实现算力的突破。

从 A1000 芯片，到专为舱驾一体打造的 C1200 芯片，再到 A2000 平台，以及下一代超越行业标杆的高性能芯片，黑芝麻智能正在构建全场景、立体化的算力芯片布局，主动创新求变，迎接整个行业的变革和挑战。

谢谢大家，期待与大家携手同行！ 

AI 改变时代 , 她关注改变

请关注《汽车商业评论》兄弟媒体

加入轩辕同学

革新、链接、化反

成就新汽车人 !

点击阅读原文报名

▼