據悉，不允許出售到中國企業的芯片主要包括英偉達A100和H100、AMD MI250等高性能AI芯片，并且未來峰值性能和I/O性能達到或高于A100的芯片，都在新的出售許可證所要求的范圍。

由于禁售的幾種芯片主要用于自動駕駛云端訓練，所以國內自動駕駛和汽車行業都在消化這個黑天鵝式的突發消息。

對此小鵬汽車創始人何小鵬樂觀地表示，“未來幾年的需求提前買回來了”，百度副總裁王云鵬則馬上回應“我們通宵討論如何加速創新、實現前沿科技自立自強”，并批評何小鵬“和資本市場說我沒事兒”顯得格局太小。

兩位大佬的發聲都是站在自家企業的立場發聲，誰是誰非我們暫且不做評論。眼下更為重要的是，“限芯令”會不會再加大力度？“限芯令”實施之后，整個自動駕駛行業中，究竟哪些企業首當其沖，哪些企業反而可能迎來機遇？

英偉達卡了誰的脖子？

首先要明確一點，“限芯令”針對的主要是用于云端數據中心的高性能GPU芯片，主要用于AI算法的訓練。這對自動駕駛行業有多重要呢？

業內普遍認為，智能駕駛的量產競爭，主要取決于時間和成本兩個維度。

一是時間維度，即算法迭代的周期中，處理海量數據的速度決定自動駕駛能力提升速度。另一個是成本維度，即在整個算法迭代周期中，處理海量數據所消耗的計算、存儲、帶寬等資源成本。

由于有海量數據的主機廠并不在少數，所以能把海量數據中蘊藏的“算法養料”提取出來就成為關鍵。

在英偉達推出大算力芯片之前，數據處理依賴大量人工，效率太低。以至于行業內有一個流傳甚廣的玩笑，“所謂人工智能，就是有多少人工就有多少智能。”

從效率的對比來看，本地AI訓練數據處理的效率較人工提升3～4倍，而依托云端的更高算力，汽車云服務數據處理的綜合處理效率提升10倍以上，數據處理的成本也較人工降低50%。

對主機廠和自動駕駛公司而言，自動駕駛的時間窗口需要用算力來爭取，英偉達的高性能GPU芯片就是前者的生產力。

去年特斯拉公布了采用英偉達A100芯片的云端訓練集群，還發布了超級計算機Dojo，以此打造自動駕駛算法的云端基礎設施，構建數據驅動的閉環。

在國內，繼特斯拉之后，蔚來汽車、小鵬汽車、毫末智行等公司摸著特斯拉過河，也都在基于英偉達A100芯片打造自動駕駛訓練中心。

“量產車產生的海量數據是蔚來自動駕駛能力護城河。而NVIDIA 的高性能計算解決方案，成為了蔚來在自動駕駛這條道路上的加速器。”蔚來 AI 平臺負責人白宇利表示。

小鵬一直是自動駕駛布局相當積極的新勢力車企，近日小鵬汽車基于阿里云建成了自動駕駛智算中心“扶搖”，用于自動駕駛模型訓練，所以何小鵬表示自己沒有壓力。

而如果從長遠來講，用于L4的自動駕駛的數據量在不停遞增，以后是否還需要對算力進行升級也猶未可知。

需要注意的是，特斯拉目前已經用自研的D1訓練芯片替代英偉達的A100。而且從官方公布的性能數據對比來看，D1相比英偉達的A100也更有優勢。

所以特斯拉可以說已經擺脫了對英偉達的算力依賴，但是對國內的蔚來、小鵬、百度們來說，很難找到比英偉達更合適的GPU供應商，也沒有自研的能力，這無疑是一種群體性打擊。

L4成本高企，量產或將推遲？

對國內L4級自動駕駛玩家來說，“限芯令”的影響之所以殘酷，是因為無論其L4級自動駕駛的方案如何強調差異化優勢，都繞不開高性能AI芯片。

具體來講，隨著高階自動駕駛逐步進入現實，數據閉環的概念越來越受到重視。所謂數據閉環，就是不僅要有數據的分類采集，還要有為數據生產服務的工具平臺，對數據從導入、清洗、加工、篩選、利用等進行全生命周期的管理。

比如在激光雷達和視覺算法的開發閉環中，需要云仿真平臺。云端的感知仿真會涉及到大算力GPU的使用，雖然感知算法更多是在車端跑，但是決策、規劃、和控制算法基本上都要在云端跑才更有效率。

值得注意的是，對于AEB、主動變道等輔助駕駛功能，如果沒有云端并行仿真，也能完成開發。但是對于L4級的自動駕駛，云仿真必不可少。

“一款配置有10個攝像頭和2個激光雷達的車型，在云端做感知仿真的話，如果讓500個節點并發運行，大概需要三千多塊GPU。考慮到每家主機廠有很多款車型，單是云仿真對GPU的需要量就相當驚人。”某自動駕駛公司研發人員向談擎說AI表示。

事實上，從AI訓練芯片的性能來看，英偉達的性價比并不是最高，比如英特爾最近推出新一代AI訓練芯片Gaudi2，性能方面大約是A100的兩倍。谷歌旗下的Waymo作為自動駕駛領頭羊，也有自研的TPU芯片來替代英偉達的GPU。

但是美國政府出臺的“限芯令”既然是為了針對中國，考慮到以后同樣有被限制出口的風險，英特爾和谷歌的芯片大概沒有中國企業敢大批量采用。

值得一提的是，AI訓練芯片并非沒有可以替代的國產產品，其中華為昇騰910、寒武紀的思元290智能芯片在性能功耗方面已經不輸于英偉達A100。

然而，由于大部分主機廠的軟實力較差，不僅要有芯片、還要有容易上手的工具搭配使用。基于這一點，英偉達的CUDA軟件棧進行第三方應用及工具的擴展，建成了自己的“CUDA生態”。

這意味著，想要繼續攀登L4高峰的主機廠要想置換成國產AI訓練芯片，除了付出遷移成本，可能還要在替代芯片上投入時間和研發成本。

不過，若站在國產AI芯片供應商的角度看，這或許意味著，此時正是投入研發工具鏈生態的有利機會。

不過，英偉達面對“限芯令”，也不想失去國內的大客戶，創始人黃仁勛于是提出了解決方案，其實就是用還沒有被禁止的低端芯片來替代，比如12nm制程的Volta架構產品V100。

對AI芯片有旺盛需求的國內主機廠和自動駕駛廠商來說，要么忍受自動駕駛技術“原地踏步”一段時間，隨后徹底使用國產替代產品，要么繼續英偉達的低端芯片。不過這同樣意味著L4的研發進度或成本可能無法達到此前的預期。

L2不再是“雞肋”，高性價比視覺方案“上位”？

雖然L4自動駕駛玩家受到“限芯令”的打擊比較明顯，但是對L3級以下的自動駕駛玩家來說，不僅沒有不利的影響，可能對這個賽道的繁榮都是一種利好。

首先，從商業化的緊迫性來看，L4企業無法再輕易獲得高性能AI訓練芯片，會傾向于降維求生。

就好比Robotaxi玩家們今年融資和上市遇冷之后，紛紛“降維”與主機廠合作，L2開始成為自動駕駛創企們角逐的焦點。

其次，從技術成本來看，L2自動駕駛方案暫時不需要AI芯片，其商業價值的想象力雖遠不及L4，但依然有投資機構愿意用真金白銀支持。

據天眼查APP顯示，自動駕駛前裝系統方案提供商知行科技近日獲得了來自HL Klemove的戰略融資。

這家此前不太受到關注的公司能夠贏得資本青睞，不僅在于其已實現L2、L2++方案的規模化量產。更重要的是，在產品定位方面，知行科技的自動駕駛量產方案更重視BOM成本控制和硬件使用效率，一開始就走的是相對低調而務實的單目視覺路線。

單目視覺和雙目、多目等都屬于不依賴激光雷達的純視覺方案，這幾種路線大致的差別是：

多目和雙目路線的攝像頭融合技術難度大、上限高、成本也較高，豐田、奔馳、華為、博世等車企和供應商都加入了雙目立體派的陣營。可以發現，無論是供應商還是主機廠，都是頭部企業在布局。

而單目攝像頭則是一種低成本高可靠性的感知解決方案，搭配其他傳感器，可以滿足L1、L2以及部分L3場景下的智能駕駛功能。

事實上，在英偉達以算力優勢超越Mobileye的市場份額之前，Mobileye最引以為傲的技術就是單目攝像頭解決方案。只不過后來Mobileye的“黑盒”合作模式給主機廠帶來很多調試迭代方面的不方便，所以英偉達的依托工具鏈和CUDA生態壁壘得以后來居上。

從這里也可以看出，采用單目攝像頭的自動駕駛供應商并非一種落后的、低級的技術方案。更多是因為在特斯拉的示范效應和大家對L4報以超高期待的前提下，算力才成為生產力。

然而在L4因缺芯不斷推遲落地的背景下，低階自動駕駛方案可能迎來批量上車的機會。或者說在現有市場環境下，單目攝像頭解決方案可能更有利于車企提升產品的智能性價比。

當中低端車型的智能化市場規模開始大量釋放，對主機廠來說，也不失為一股提升生產力的推動力。

此外，便宜的方案可能只是聽起來比較low，向L4進階的路并沒有被“堵死”。在經過多次迭代升級之后，配合其他傳感器，也有可能升級為完全自動駕駛。

例如，根據Mobileye給出的方案，其L4級系統的硬件配置包括360度環繞攝像頭、4D成像雷達，甚至還融合了一顆高分辨率的前置FMCW激光雷達。或許成熟的單目感知技術配合上其他“高大上”的配置，也是漸進式實現L4的一種可行路徑。

事實上，國內首款搭載了Mobileye SuperVision（純視覺自動駕駛方案）的極氪 001，就是一臺沒有搭載激光雷達，也能在城區實現領航輔助駕駛的車型。

在談擎說AI看來，如果按照上文的猜測，也就是說，英偉達主導的算力至上的自動駕駛方案不再具有性價比優勢，那么或許效仿Mobileye的算法派車企和供應商會越來越多。

過去幾年，漸進式路線與一步到位的路線一直是自動駕駛爭論的話題，而事實上，無論哪種路線，都是殊途同歸，就是乘用車的完全無人駕駛。

而在真正的量產落地之日來臨之前，一邊不斷嘗試多樣的替代方案，一邊保持沿途下蛋，可能是每個國內自動駕駛公司和車企保持穩定競爭力的權衡之策。