10月30日，地平线创始人余凯在微博上把智驾芯片行业的"算力竞赛"推上了台面。他用征程6P举例：按稠密峰值乘2的标称口径是560 TOPS；如果采用某些宣传里的"等效算力"口径，又能写成1960 TOPS。一颗芯片，数字变成3.5倍，性能却没有因为换单位而增加。
车载AI芯片评价体系已经乱了，半导体公司展示理论峰值，整车企业追求特定模型的实际运行效率，消费者只看到越来越膨胀的TOPS数字。
随着端到端、VLA和世界模型进入汽车，稀缺的是带宽、数据流、算子支持、功耗约束和稳定的推理时延，智能驾驶芯片的未来依然要拼算力，在同样精度、同样模型、同样功耗下，TOPS需要在同一个尺度下衡量！
第一部分：算力是怎么被"算"大的
余凯发了一条颇有火药味的微博，起因是有网友问，地平线能不能推出几千TOPS的智驾芯片。他的回答：当然可以，如果大家把算力的计算口径一起放大，征程6P也能从560 TOPS变成1960 TOPS。新芯片没发布，计算单元也没增加。
几千TOPS的争论，把过去几年智能汽车行业一直没讲明白的参数问题的盖子揭开了！
算力究竟怎么被放大 TOPS，指每秒万亿次操作，描述计算硬件的理论吞吐上限，但离一辆车在道路上的表现还有距离。
乘2的技术来源是英伟达Orin X的公开标称254 INT8 TOPS，127 TOPS稠密峰值、254 TOPS稀疏标称，英伟达Ampere架构支持一种2:4结构化稀疏：在符合要求的权重块中，四个值保留两个非零值，硬件跳过部分零值计算，让符合条件的张量运算获得更高吞吐上限。英伟达自己的TensorRT文档明确列出DLA结构化稀疏的模型格式、卷积、通道数等限制。
不是所有算子都能翻倍，不是整套智驾系统能自动提速一倍。
行业为什么突然热衷几千TOPS ？
早期辅助驾驶的任务相对清楚：车辆、行人、车道线、红绿灯检测，配合规则系统完成决策。进入端到端和VLA阶段，车辆需要把连续的视频、空间关系、历史状态甚至语言信息一起送进模型。模型结构、参数量、输入分辨率和运行频率，都在影响硬件资源需求。
智能驾驶芯片从一个后台成了发布会上的主角。
车企希望通过自研或深度定制，把软件模型和芯片架构绑定起来：减少不必要的数据搬运，把常用算子做成高效率执行路径，提高片上存储命中率，让模型在低功耗下保持帧率。
专业芯片供应商则要支持不同整车厂、不同算法团队，兼顾灵活性、开发工具和交付规模。
一个"1280 TOPS"或"2000 TOPS"的大数字，混入不同芯片的计算精度、稀疏条件、模块范围和"等效"换算。数字越大越容易记，比较却越来越失去基础。任何宣称"等效"的企业，到底拿什么模型、什么基准平台、什么精度算出了这个倍数？
专用架构在特定任务上的效率高于通用架构，这是芯片创新的价值。但把某个模型上的效率优势转写成通用TOPS，再放在不同芯片的理论峰值排行榜里，会让两种完全不同的指标混在一起。
第二部分：自研的智能驾驶芯片该用什么说话
买芯片看TOPS，像买车只看马力 马力很重要，但仅有马力不能解释整车加速、刹车和赛道成绩。对智驾芯片也是一样：算力决定潜在上限，系统设计决定能用上多少。
内存带宽和数据搬运，大模型运行时，权重、激活值和多路摄像头数据持续流动。算力单元空等数据，TOPS再高也会闲着。片上缓存、内存带宽、编译器的数据布局优化，决定模型能跑多快。
算子适配与精度，同样一个网络，在INT8、FP8、FP16或混合精度下的运算能力不同。量化和稀疏化可以改善速度与功耗，但要验证精度损失、支持范围以及实际部署的网络结构。用于Transformer、注意力机制、归一化和后处理的部分算子，不能简单套用卷积层的加速倍数。
持续功耗与长尾时延，汽车是一个温度变化大、同时运行多项任务的边缘计算环境。持续运行30分钟后是否降频？摄像头输入、感知、规划和监控并发时，最慢的1‰请求需要多久？这些问题在城市复杂交通里，比"理论峰值多少万亿次"更有解释力。
一套系统以10Hz更新规划，周期是100毫秒。摄像头采集、预处理、模型推理、后处理、规划和执行都要占时间。计算单元跑得再快，数据准备和软件调度拖住了关键路径，输出仍可能赶不上周期。100毫秒是这个示例的周期，不是所有辅助驾驶系统的统一安全标准。
业界开始建立更贴近车辆真实负载的基准。MLCommons的MLPerf Automotive把时延作为核心评价对象，并使用99.9百分位时延等指标。，把"每秒能算多少次"推进到"一个可复现任务究竟多久完成"。
对于地平线这样的独立供应商，难题是服务多家整车厂。每家模型不同，更新周期不同，传感器组合和成本目标也不同。芯片不能只为一个网络做极致优化；编译器、算子库、工具链、调试能力和车规交付，都是客户付费购买的能力。
对于自研芯片的车企，机会在于软硬件联合设计，可以根据自己的模型确定数据流、缓存和算子结构，把某一套系统做得非常高效。代价是开发周期长，模型架构变化过快，就会出现芯片为旧模型定制、新模型却已经换路的风险。
这两条路线一个更偏开放适配和规模化，一个更偏单一系统的高效闭环。判断赢家，不能只看谁在发布会上拿出了更大的数字。
芯片与内存成本、整机板卡和散热成本、模型迁移周期、量产稳定性、持续OTA能力，以及真正跑出来的安全表现，消费者买到的也是整套系统表现
"算力说明卡"大家可以参考一下
峰值口径：单芯片还是多芯片？INT8、FP8还是其他精度？MAC按几次操作计数？
稀疏条件：稠密与稀疏分别多少？支持什么稀疏模式，覆盖哪些算子？
等效基准：等效于哪颗芯片、哪个软件版本、哪个模型、什么精度和batch？
真实运行：给出有准确率约束的FPS、端到端时延及P99/P99.9尾时延。
功耗散热：在持续功耗和车内温度条件下测试，而不是只记录短时峰值。
系统并发：多个摄像头和任务同时运行时，关键路径时延是多少？
小结：汽车行业经历了续航数字、快充功率和激光雷达线数的宣传竞赛。今天轮到TOPS，消费者也需要一个简单的入口，让一个足够复杂的模型，在同样功耗下跑得更快、更稳定，再把数据公开，价值会更大。