地平线这个名字在智能驾驶圈里这几年出镜率实在太高了。不管是聊国产车规级AI芯片还是讨论城区NOA落地甚至看车企在智能化上的供应商名单绕来绕去都绕不开它。但真要问一句“地平线到底是一家什么样的公司”很多人会本能地答成“做自动驾驶芯片的”。这个回答对但不完整。它的官方叙事和实际业务里其实比“芯片公司”四个字要复杂得多也扎实得多。核心关键词是八个字软硬全栈、规模量产。这篇文章我就围绕这八个字把地平线的技术路线、商业逻辑和量产路径拆开揉碎讲一遍同时聊聊它面临的真正挑战以及给从业者的一些参考价值。在动笔之前我先说清楚这篇文章不是地平线的宣传稿也不是投资分析报告。我更多是站在一个长期关注智能驾驶产业链的技术从业者角度复盘它的进阶路径为什么软硬全栈是对的规模量产为什么是分水岭两个轮子到底怎么互相带动下面进入正题。1. 先看清地平线这家公司芯片、软件、量产三条线交织在一起1.1 地平线的自我定位不是“卖芯片”的公司而是“做平台”的公司很多芯片公司给外界的印象是“交硅片、交开发板、交SDK剩下的事客户自己搞定”。但地平线从一开始就不太一样。它在多个场合反复强调的定位是“Tier 2”也就是在车企和Tier 1之间的二级供应商角色输出的是“芯片工具链参考算法”打包的方案最终目标是让车企“拿过去就能用插上就能跑”。这种做法的本质是把“芯片”当作底层算力载体把“软件能力”当作兔子勾兑友好的抓手把“量产能力”当作信任背书。所以你会看到地平线的对外演讲里聊芯片参数的占比反而不高聊场景、聊成本、聊效率的时间更多。这是它和英伟达最明显的差异之一英伟达给你一把好刀你自己磨地平线更倾向于把刀、磨刀石、刀法教程一起给你甚至帮你定做刀柄。换个更直白的说法地平线心里非常清楚智能驾驶行业缺的不是算力而是“把算力变成可用功能”的中间层能力。芯片只是物理底座真正难啃的骨头是让各种车型、各种传感器、各种算法都能在这个底座上高效运行。这件事不是一个普通车企自己能搞定的也不是一个传统算法公司能搞定的而需要从芯片设计阶段就深度耦合软件需求——这正是地平线走软硬全栈路线的原动力。1.2 为什么非要碰“车规级AI芯片”这个硬骨头做消费级芯片和做车规级芯片简直是两种物种。消费级芯片可以容忍1%的失效大不了重启车规级芯片的失效概率必须控制在非常苛刻的范围内因为芯片一旦在高速公路上宕机后果不是“重试”两个字能解决的。地平线选择这个赛道其实有非常现实的产业逻辑。智能驾驶的核心是算法和算力而算力的灵魂在执行效率。通用GPU算力虽高但功耗、成本和车规适配都有问题。专用AI芯片ASIC模式功耗低、效率高、车规好过但开发周期长、投资巨大、生态难建。地平线赌的就是后者与其和别人挤在通用计算赛道上拼工艺拼制程不如用专用的BPU架构在“够用的算力”里做出“够省、够稳、够好用”的体验。从征程2到征程6这一路线越走越清晰。征程2时代它还只能做辅助驾驶级别的感知到征程5时总算力达到了128TOPS开始支持行泊一体、NOA等场景2024年推出的征程6系列特别是征程6P的560TOPS算力把目标直接指向了城区高阶智能驾驶。每代芯片的计算能力在涨但芯片沿用的高计算效率、低功耗、高性价比路线没有变。这背后就是软硬全栈的底气因为软件栈是自研的才能在设计芯片时知道哪些算子该硬化、哪些该留软件灵活性才能把每一代芯片的算力“用尽”而不是“浪费在跑不动的通用架构里”。1.3 从“能跑”到“能上车”量产是唯一裁判这里稍微聊点行业背景。过去五六年里很多做AI芯片的创业公司起高楼、宴宾客最后倒在了量产门口。原因很简单芯片可以在实验室跑通demo但真正装到车上跑个三五年要过性能、功耗、散热、可靠性、供应链、软件工具、售后支持这整整一长串关每一关都能劝退大部分选手。地平线的“量产”从征程2开始摸索。征程2的首款量产车型是长安UNI-T这辆车至今说起来还算是国产车智能化早期的标志性产品之一。之后的征程3在理想ONE身上大放异彩开启了地平线在头部新势力中的量产窗口征程5继续拿到理想L系列等车型的定点征程6则是在更广泛的价位段和车型上铺开。据官方数据地平线的芯片累计出货量已经突破数百万套的规模合作车企和Tier 1覆盖了国内几乎所有主流玩家。这个“数百万套”到底意味着什么意味着它不是只在样品间里存在的公司而是经受住了真实用户的天气、路况、驾驶习惯、甚至车祸碰撞考验的公司。规模量产是技术方案从“论证”走向“被验证”的唯一裁判。2. 软硬全栈的构成芯片、工具链、算法、操作系统四个层次2.1 硬件底座征程芯片的BPU架构与多代迭代逻辑地平线的“硬”指的是自研的BPUBrain Processing Unit架构也就是它的AI计算核心。这个东西不是简单的CPU也不是单纯的GPU或NPU堆砌而是为了深度适配神经网络计算设计的一套专用处理器架构。为什么不自搬现成的NPU IP因为智能驾驶的神经网络变化太快了。早期是CNN卷积神经网络一统天下后来Transformer模型进入视觉感知再后来BEV鸟瞰视角、端到端大模型也开始上车。如果芯片里的计算单元是“死”的只支持某几类算子那新算法一出来芯片就跑不动了。地平线的解决思路是BPU架构里保留可编程的部分核心运算单元可以协同编译器动态优化在工具链配合下让旧芯片尽量兼容新模型。这一点在实际部署中非常关键。很多做算法的公司最头疼的事情就是算法训得好好的往芯片一部署速度掉一半精度还降了两个点。这个“最后一公里”完全取决于芯片工具链的成熟度。地平线从征程3时代就开始在工具链上大量投入到征程5已经能做到“模型移植工作量以天计算”的体验再到征程6它的自动化优化程度又上了一个台阶。这就是软硬全栈在硬件层面的体现硬件不是为了跑一个benchmark而是为了适配一整个AI模型生态。2.2 软件层不止是编译器而是一整套“让成本可控”的工具链地平线的软件开发平台以“天工开物”这个产品为门面。这名字起得很直白芯片是“地”工具链是“天”开物是“万物生成”意思是让开发者能轻松在上面各种场景的开发落地。这个平台里面包含的东西远比“编译器”三个字多得多。首先是模型转换和量化工具把训练好的PyTorch、TensorFlow模型快速转换到征程芯片上然后是性能分析工具告诉开发者瓶颈在哪、内存带宽够不够、算子调度有没有问题再就是仿真环境和调试工具让开发者能在没有真实硬件的情况下做原型验证。甚至还包括参考算法库地平线会直接给你几个典型的端到端智驾方案模型你可以拿过去改不用从零开始训。为什么要做这么全因为智驾项目的成本大头不在地平线身上而在Tier 1和车企的工程团队身上。如果地平线把工具链做得好客户就能用更少的人、更短的时间完成车型适配这直接影响BOM成本和项目周期。说直白点工具链不是拿来炫技的是拿来帮客户省钱的。2.3 算法与操作系统软硬全栈最“软”的两块拼图地平线的三驾马车里除了芯片和工具链还有“参考算法”、“车载操作系统”这两块。它做算法不是要和做智驾方案的公司抢客户而是通过“参考算法”给客户一个基线版本传感器怎么接、障碍物怎么测、车辆怎么控有一整套可运行的参考方案。客户拿到手低阶方案可以微调直接用高阶方案也可以基于这个基线做自研。至于操作系统层面地平线推出过TogetherOS定位在汽车智能计算平台的操作系统底座。这事本身就很有样本意义一个做芯片的公司要碰操作系统纯粹是因为芯片的算力如果没人调度、没人管理中间件、没人帮系统做功能安全隔离那就只是块“裸金属”。智能汽车需要多系统并存仪表盘系统要绝对实时中控系统要丰富应用智驾系统要重算力安全。TogetherOS要解决的正是这种“一个芯片里多个安全等级、多个实时性要求的系统和谐共存”的问题。当然地平线不会说自己要做一个完整的车载OS那是谷歌、苹果和某些车企的想法。地平线更务实的描述是“智能计算平台的基础软件底座”也就是把中间件、内核适配、功能安全框架、OTA通道这些“脏活累活”做了让客户能在上面跑自己的自研系统或Andriod Automotive等上层方案。2.4 “全栈”不是“全家桶”边界感非常重要很多公司一听说“软硬全栈”很容易做成“什么都自己做”。但地平线在实际商业动作里反而非常克制芯片自己做工具链自己做参考算法可以做但最终的量产工程适配、测试验证、车辆控制策略甚至部分视觉集成留给Tier 1和车企去完成。这个边界我认为是地平线能够规模量产的关键原因之一。如果地平线什么都做完它和车企就变成了竞争关系谁还敢把核心项目交给你反过来它只做到“方案可运行”的层面再往下的“工程化最后一公里”交给合作伙伴反而让所有Tier 1都愿意跟它合作。本质上地平线是在芯片和最终智驾方案之间搭了一层“所有参与者都能用起来的公共底座”。这种平台化思维才是它从“一家创业公司”走向“产业平台”的真正阶梯。3. 规模量产为何是分水岭从“跑通Demo”到“服役多年”的生死考验3.1 车规认证只是一张入场券真正的考验是“整车适配”很多人以为芯片拿到AEC-Q100认证、通过ISO 26262功能安全流程认证就可以量产了。事实远没那么简单。AEC-Q100只是证明芯片本身在元器件级别能扛得住高低温、湿度、振动、EMC干扰等极端环境。但芯片装到车上之后要跟几十个ECU通信要在各种电磁噪声环境中稳定工作要配合车载电源的波动还要与不同型号的摄像头、毫米波雷达、激光雷达完成信号同步。这一连串整车级验证才是量产最耗费时间的部分。到一个车型项目里做一遍适配周期往往以年为单位。为什么地平线的量产覆盖速度快于很多同行除了芯片成熟度高之外更重要的是它的Tier 1朋友圈极其广阔。德赛西威、华阳、经纬恒润、Freetech等一大批厂商都在基于征程芯片做方案每家分担了几个车型的适配工作量地平线就能同时推进几十个量产项目。这里特别提醒一下行业新人芯片的设计难度其实不如“量产工程复杂度”高这事在智驾行业尤其成立。一款芯片的裸片性能再好看如果适配一个车型要六个月那车企在项目节奏上是等不起的。量产的本质是工程协同能力。3.2 量产交付的长尾工作确保“第1台”和“第100000台”一样稳定芯片量产之后长尾问题才真正开始。第一件是供应保障。车规芯片的制造周期长、晶圆产能调配复杂还要面临“一颗芯片给多个车型供货每个车型需求波动大”的局面。一旦某款车销量爆了芯片供应能不能跟上很考验供应链的预判能力。第二件是软件OTA兼容性。智能驾驶的另一个特征是“交付不是结束而是开始”。芯片装车后整车的OTA在线升级会持续迭代算法基础软件也在不断更新。征程芯片的底层驱动、中间件、工具链要跟着客户的需求做持续演进甚至要保证“老客户用了三年的旧车型也能顺利升级到新版本软件”。这类后台工作的复杂度远远超出做一台Demo演示机的投入。第三件是售后问题分析和可靠性回访。车辆在全球各地的道路环境、气候条件下使用总有各种偶发case。芯片公司有没有完善的问题定位体系能不能快速从海量运行数据里找出软件参数调优方案直接决定了车企是否敢把下一款车型继续给你定点。地平线能在多个车企里形成“复购”靠的就是这层信任累积。3.3 量产规模是数据循环的入口智能驾驶进入数据驱动时代之后量产的另一个战略价值浮出水面。搭载征程芯片的量产车跑在路上采集到的corner case数据经过脱敏处理可以用来反哺训练更强大的大模型。没有量产规模算法迭代就只能靠采购数据集、模拟仿真效率和质量都差一个量级。地平线后来推出“征程6H”等新品时特别强调“面向高阶智驾的大算力”其中一个重要原因就在这里城区NOA场景跑起来后长尾场景无限多没有大规模路采数据光靠工程师手写规则永远解决不完。有量产规模就能拿到真实数据拿到真实数据就能训练更强模型更强模型带动更多车型搭载芯片——这个闭环一旦转起来后来者很难靠砸钱追赶。4. 双轮驱动的运行逻辑硬件为软件定边界软件为硬件找场景4.1 所谓“双轮驱动”不是口号而是反向修正机制“双轮驱动”这个词在企业宣传里经常被用烂但在地平线这个语境下其实很具体。一个轮子是“软的轮子”算法、工具链、应用方案另一个轮子是“硬的轮子”BPU架构、芯片设计、板卡方案。双轮怎么驱动关键在于“软硬协同设计”的落地机制。举个例子当软件团队在部署城市NOA时发现某个算子的计算量非常大占用了大量带宽导致整体帧率卡顿。此时硬件团队会把这个问题纳入芯片设计规划在下一代架构里专门优化这个算子的执行路径。反过来硬件团队在设计新一代芯片时软件团队会提前把未来一年内必然要用的神经网络模型list出来让芯片的MAC阵列调度逻辑和内存体系围绕这些模型做设计。这个“前一轮为后一轮做预埋”的过程才是软硬全栈模式真正的护城河。这类协同在纯芯片公司和纯算法公司都做不到。纯芯片公司只能根据通用需求做芯片纯算法公司只能等芯片出来再适配。只有软硬两边都在自己手里才能在“设计、验证、量产、反馈”的每个环节都提前介入。4.2 案例视角一个功能的演进要经过硬件、工具、量产三轮迭代我试着把时间线拉长看一个典型功能是如何在地平线的架构里逐步演进的。以高速NOA为例第一轮是在征程5上做参考算法这时候的体验还比较“规矩”跟车乖巧、变道保守第二轮量产车积累了大量真实路况数据后工具链升级了模型量化精度提高了功能开始覆盖更多匝道场景第三轮下一代征程6出来大算力反而不再花在感知大模型上而花在了决策规划模型上于是高速NOA开始有了“老司机感”。这个演进不是单点突破而是每个节点的协同结果。地平线的“软”不是挂在PPT上的而是在每一次工具链迭代、算法更新、芯片架构调整中真正跑起来的。“硬”也不纯粹是拼算力而是看造的芯片能不能跟上功能需求的节奏。二者互为杠杆撬动的是用户能感知的智驾体验进阶。4.3 为什么只有量产规模足够大软硬协同才成立软硬协同设计听起来很高级但有一个隐形前提你得有足够的case来证明“这个软硬方案是可行的”。一次两次demo级适配不能说明什么只有几十万台车在不同地域、不同温度、不同路况下长期跑下来都没问题才能证明“芯片架构-工具链-算法栈”确实收敛到了靠谱状态。还有一层经济学逻辑。软硬全栈的前期投入是巨大的单片芯片的研发动辄数亿美元工具链团队规模常年维持在千人级别。要摊薄这些成本必须要有足够大的出货量。地平线的策略是先用征程2和征程3拿下中低阶智驾市场把规模和收入跑起来再拿这些资源去养高阶产品征程5、征程6的迭代。可以说规模量产是软硬全栈的财务前提没有量产摊销长期高投入的研发模式根本转不动。5. 地平线的挑战与长期看点站在今天看前路5.1 竞争格局与英伟达、Mobileye、华为走的是不同路径地平线所处的赛道周围一圈都是重量级玩家。英伟达强在生态GPUCUDA几乎成了AI开发者的默认底座做高端智驾平台时客户很难摆脱对它的依赖。Mobileye强在“黑盒车规”的成熟度和国际车企渠道。华为强在“全栈自研端到端大模型整车深度协同”的能力软硬一体程度甚至比地平线还激进。地平线夹在中间它的打法核心是“阶段性的足够好”算力没有英伟达顶配高但胜在功耗、成本、开发效率和本土化服务。算法没有华为那么激进地追求端到端大模型但胜在方案成熟、迭代稳健、给客户足够的自研空间。从目前市场验证来看这种“中间道路”在十几万到二十几万的主流价位段车型上确实吃得开。但风险也同样明显。高端市场被英伟达牢牢把持华为在自研阵营里虎视眈眈中低端市场又面临Mobileye和国产其他玩家的价格竞争。地平线能不能守住中间阵地再往两端挤压是未来三五年最重要的看点。5.2 地平线未来最值得关注的三件事第一件事是征程6系列能不能拿下更多高端车型的定点。征程6P的算力已经摸到560TOPS这个量级在纸面上不比英伟达Orin差关键就看能不能在真实量产项目中稳定支撑城区无图NOA的体验。如果能地平线的高端产品线就真正立起来了。第二件事是软件生态能不能进一步开放。当前地平线的策略有一定“半封闭”色彩工具链和参考算法虽然开放但最底层跟芯片强耦合的部分仍是独家的。未来它能不能吸引更大规模的第三方开发者生态决定了它到底是“供应商”还是“平台”。第三件事是端到端大模型能力能否沉淀到量产方案中。智能驾驶已经明牌进入大模型时代各家都在讲“端到端”。地平线有强大的数据闭环和工具链基础完全有条件做但这对软件算法团队的要求会进一步提高也是对它“全栈”能力的一次乘数级考验。5.3 给行业从业者的一点实际建议如果你是在车企或Tier 1做智驾选型我建议不要只盯芯片的TOPS或功耗重点考察三件事工具链顺手不顺手、参考方案的完成度、量产支持的响应速度。这三项任何一项不行纸面参数再漂亮都是灾难。地平线当前能在竞争中存活并逐渐壮大的原因不在于某一项绝对领先而在于这三项的综合评分在主流价位段里做到了标杆水平。如果你是在做AI算法研究或者嵌入式开发地平线的学习价值在于它提供了一个极佳的研究样本怎么把一个AI模型高效压到嵌入式芯片上为什么精准量化、算力调度、带宽优化这些工程能力如此重要。很多人觉得算法工程师不懂硬件没关系但在地平线的体系里算法、编译器工程师、芯片架构师是坐在同一张桌子上开会的。这种协同思维值得每一个想进入智能驾驶行业的人借鉴。最后说一点我的私人观感。地平线这家公司表面上节奏不快很少放出“吓死人”的参数但它的每一步走得都很扎实。这种风格在半导体和汽车这两个周期漫长的行业里反而是最合适的生存策略。这个行业的炮弹不是在发布会上发射的而是在设计评审会上、在车规测试里、在量产爬坡过程中一枪一枪打出去的。等征程6的车型真正大规模上路城区NOA体验迎来一轮普及潮再回头看地平线的这轮“软硬全栈规模量产”双轮驱动你会更清楚一句话的分量所谓护城河从来不是某一个惊艳的技术demo而是那套看似笨重、实则精巧的让技术持续落地的体系。
