Waymo自研5nm晶片曝光：1000 TOPS算力，Robotaxi進入“晶片戰爭”
8月20日，Waymo首次系統公開Robotaxi車載計算平台，直接把自動駕駛晶片推到了聚光燈下。
這套系統最引人關注的並不是單獨一顆晶片，而是背後完整的軟硬體體系：Waymo自研5nm ASIC，機器學習算力超過1000 TOPS，可同時處理13個高解析度攝影機的資料，並採用兩套相互獨立、能夠彼此接管的計算“引擎”。
更關鍵的是，過去8年，Waymo車載計算能力已經提升約20倍。
隨著特斯拉Cybercab即將進入新的量產與Robotaxi競爭階段，Waymo此時公開自研晶片，無疑是在釋放一個非常明確的訊號：
Robotaxi的競爭，已經從“誰的自動駕駛演算法更強”，進入“誰能把晶片、算力、感測器、軟體和整車系統做成一個高效閉環”的新階段。
一、Robotaxi真正難的，不只是自動駕駛演算法
很多人認為，自動駕駛本質上是一個軟體問題。
但當汽車真正取消駕駛員之後，問題就完全不一樣了。
一輛Waymo Robotaxi在城市道路行駛時，攝影機、雷射雷達、毫米波雷達會持續產生海量資料。
計算系統必須在極短時間內完成目標識別、感測器融合、環境理解、軌跡預測、路徑規劃，最終將計算結果轉換成轉向、制動和加速指令。
這套系統不能依賴雲端。
車輛進入隧道、地下車庫、通訊盲區甚至網路異常時，都必須繼續獨立完成駕駛決策。
因此，Robotaxi實際上是一台“移動的資料中心”。
但它比資料中心更加苛刻。
晶片不僅要處理海量感測器資料，還必須長期面對高溫、低溫、震動、衝擊、灰塵和有限的車載電力。
Waymo甚至將核心計算系統接入車輛液冷系統，以應對從寒冷地區到鳳凰城高溫環境下的長期運行。
而安全性又進一步提高了計算系統的複雜度。
Waymo採用兩套相互獨立的計算引擎，正常情況下共同工作，一旦其中一套出現故障，另一套能夠立即接管。
對於Robotaxi來說，這不是簡單的“算力堆料”，而是自動駕駛系統能不能真正商業化的底層基礎。
二、Waymo自研5nm ASIC，1000 TOPS只是開始
此次Waymo公開的最大看點，就是自研5nm ASIC。
這顆晶片並不是簡單替代CPU或者GPU，而是圍繞Waymo自身自動駕駛工作負載進行定製。
其機器學習算力超過1000 TOPS，主要位於自動駕駛計算鏈路的前端，承擔大量感測器資料處理以及部分機器學習推理任務。
它需要處理什麼？
包括攝影機、雷射雷達、毫米波雷達產生的原始資料，同時承擔感測器融合、低光環境下的時序降噪，以及相關神經網路的即時推理。
與此同時，Waymo並沒有把所有計算任務都塞進ASIC。
整個車載計算平台仍然採用CPU、GPU以及其他專用加速器組成的異構計算架構。
這其實比單純公佈“1000 TOPS”更加值得關注。
因為Robotaxi真正需要的不是一個漂亮的TOPS數字，而是單位功耗下能夠完成多少有效計算，以及從感測器輸入到車輛執行之間究竟有多少延遲。
換句話說：Waymo真正想最佳化的，是“有效算力”。
三、為什麼Waymo一定要自己造晶片？
早期自動駕駛公司使用輝達等通用計算平台，非常合理。
因為演算法還在快速變化，使用通用GPU可以快速驗證模型、訓練演算法、調整系統，不需要承擔一顆專用晶片長達數年的研發周期。
但當Robotaxi開始進入規模化營運階段，問題就出現了。
通用晶片追求的是更廣泛的適用範圍，而Waymo面對的是高度固定、長期重複的自動駕駛工作負載。
一些計算資源可能用不上，但依然需要付出功耗、散熱和採購成本。
對於實驗車輛而言，多幾十瓦可能無所謂。
但對於每天運行十幾個小時、數量不斷增長的Robotaxi車隊來說，每增加一點功耗，最終都會變成充電成本、散熱系統成本和營運成本。
所以Waymo自研ASIC的核心目標並不是簡單追求“更高算力”，而是圍繞Robotaxi商業化重新設計計算系統。
最終最佳化的其實是四件事：
感測器到決策的整體延遲；
- 單次自動駕駛決策的能耗；
- 自動駕駛系統的安全冗餘；
- Robotaxi每公里的計算成本。
這也是為什麼Waymo現在開始強調自研晶片。
當Robotaxi從幾百輛、幾千輛逐漸走向更大規模之後，晶片就不再只是研發工具，而會直接進入Robotaxi商業模型。
四、Waymo的1000 TOPS，不能簡單和特斯拉AI5比
Waymo剛剛公佈1000+ TOPS，另一邊，特斯拉AI5已經開始逼近。
特斯拉下一代AI5，也就是此前被稱為Hardware 5的自動駕駛計算平台，被設計用於自動駕駛、Robotaxi以及Optimus人形機器人等Physical AI任務。
根據此前披露的資訊，AI5相比AI4將大幅提升計算能力和記憶體容量，並針對量化、Softmax等神經網路計算增加更多專用硬體。
特斯拉的目標，是實現最高約50倍的綜合性能提升。
這裡需要特別注意：
Waymo的1000 TOPS和特斯拉所謂的“50倍提升”，並不是一個可以直接橫向比較的指標。
1000 TOPS是機器學習計算能力指標，而50倍更多是特斯拉針對自身軟硬體體系提出的綜合性能提升目標。
真正值得比較的，是兩家公司背後的晶片路線。
Waymo走的是“Robotaxi定製化”。
特斯拉走的是“汽車+Robotaxi+機器人規模化”。
五、Waymo和特斯拉，正在走向兩種晶片路線
Waymo的優勢非常明顯。
它可以圍繞Robotaxi真實運行需求設計晶片，從感測器、計算、軟體到整車安全系統形成高度協同。
這意味著晶片可以最大程度匹配Waymo自己的演算法和資料處理流程。
特斯拉的優勢則完全不同。
它擁有巨大的汽車保有量和潛在硬體規模。
假設一顆AI晶片只裝在幾千輛Robotaxi上，那麼研發成本很難攤薄。
但如果同一顆晶片可以進入數百萬輛汽車，同時服務Robotaxi和Optimus機器人，那麼晶片研發、製造和迭代成本就可以被巨大的硬體規模攤薄。
這其實是特斯拉AI5最大的想像空間。
特斯拉想做的，不只是Robotaxi晶片。
它更希望打造一種能夠同時服務汽車、自動駕駛和人形機器人的通用Physical AI計算平台。
於是，兩家公司形成了兩種完全不同的商業邏輯：
Waymo是通過Robotaxi營運規模攤薄晶片成本。
特斯拉則是先利用硬體規模攤薄晶片成本，再反過來增強Robotaxi的成本優勢。
未來誰更佔優勢，很大程度上取決於誰能率先把“晶片規模”和“Robotaxi規模”真正跑起來。
六、Cruise已經證明：Robotaxi自研晶片沒那麼容易
Waymo和特斯拉並不是最早意識到Robotaxi需要專用晶片的公司。
2022年，通用汽車旗下Cruise就曾公開自己的晶片規劃。
當時Cruise規劃了多款專用晶片，包括作為車輛核心計算大腦的Horta、負責感測器資料處理的Dune，以及雷達相關晶片。
這些晶片原本計畫用於沒有方向盤和踏板的Origin Robotaxi。
Cruise當時的邏輯非常清晰：
如果要讓Robotaxi真正實現規模化營運，就必須降低每輛車的計算成本。
而自研晶片，就是降低成本的重要手段。
但最終，Cruise沒有等到Robotaxi大規模商業化。
2024年12月，通用汽車宣佈停止為Cruise Robotaxi項目繼續提供資金，原因之一就是實現規模化仍然需要投入大量時間和資源，而市場競爭也越來越激烈。
這件事給整個Robotaxi行業留下了一個非常現實的教訓：
不是造出一顆專用晶片，就一定能夠跑通Robotaxi商業模式。
晶片、演算法、感測器、車輛、資料、營運和安全體系必須同時達到規模化條件。
七、Robotaxi下一場戰爭：從“演算法之爭”進入“系統之爭”
過去幾年，自動駕駛行業最喜歡討論的是模型、資料和演算法。
誰的資料更多？
誰的端到端模型更強？
誰的自動駕駛能力更接近L4？
但Waymo此次公開自研5nm ASIC之後，一個越來越明顯的趨勢正在出現：
Robotaxi正在從純粹的軟體競爭，進入軟硬體協同競爭。
未來真正決定Robotaxi成本的，不只是演算法精準率，而是整套計算系統的效率。
從13路高解析度攝影機，到雷射雷達和毫米波雷達；從1000+ TOPS機器學習算力，到CPU、GPU和ASIC組成的異構計算；從液冷系統，到雙計算引擎冗餘；再到晶片與自動駕駛演算法深度協同。
Waymo實際上正在把一輛Robotaxi變成一個高度定製化的“AI計算終端”。
而這可能才是這次Waymo公開晶片最重要的資訊。
L2+輔助駕駛時代，一家車企採購一顆高算力晶片並不稀奇。
但L4 Robotaxi不同。
當汽車真正取消駕駛員之後，車上的計算平台本身就變成了“駕駛員”。
這意味著：
誰控制晶片，誰就更有機會控制算力；
誰控制算力，誰就能進一步最佳化演算法；
誰把晶片、演算法、感測器、車輛和營運系統全部打通，誰才有機會真正控制Robotaxi的單位營運成本。
所以，Waymo這次拿出來的並不只是一顆5nm ASIC。
它真正亮出的，是Robotaxi進入規模化之後的新競爭規則。
而隨著特斯拉AI5、Cybercab以及更多Robotaxi玩家進入下一階段，自動駕駛晶片很可能會成為繼演算法和資料之後，行業新的核心戰場。
一句話總結：
L2+時代，比的是輔助駕駛能力；L4 Robotaxi時代，比的將是“晶片+演算法+感測器+整車+營運”的完整系統能力。
這場真正的Robotaxi晶片戰爭，才剛剛開始。(深科技)