地平线征程 6M 官宣量产上车城区 NOA 攻入 10 万级市场背后靠的不只是“便宜”如果你最近关注智能驾驶应该已经注意到一个信号2025 年第一季度还没过完地平线征程 6M 的官宣量产消息就已经成了行业热点。与之相关的热搜词一个是“征程 6M”另一个是“NOA”。先说我的一个明确判断征程 6M 的大规模量产上车真正值得关注的不是“又一款智驾芯片发布”而是“城区 NOA 的价格门槛被系统性拉到了 10 万元级主流市场”。这是智驾从“高端选配”走向“大众标配”的关键节点也是芯片端算力方案从“堆料竞赛”转向“成本与体验平衡”的分水岭。这篇文章我打算从芯片定位、架构变化、上车门槛、开发适配、行业影响几个维度展开。不管你是做智驾算法、嵌入式开发还是做整车供应链选型这篇文章都值得你花十分钟读完。1. 为什么征程 6M 量产会让行业重新讨论“入门高阶智驾”过去两年行业里有一个很尴尬的局面高阶智驾的体验一直在进步但覆盖面始终卡在 20 万以上的车型。20 万以下的车不是说没有智驾而是大多停留在“L2 级辅助驾驶”也就是自适应巡航加车道保持上了高速能减轻疲劳但进了城市就基本靠人。城区 NOA 之所以上不了低价车型核心原因有三个算力成本高城区 NOA 需要处理城市道路的复杂交通场景对芯片算力要求远高于高速 NOA过去主流的方案普遍需要 100 TOPS 的算力这类芯片的单价对 10 万级车型来说是不可承受的负担。传感器成本高早期的城区 NOA 方案依赖高精地图和激光雷达一套系统下来成本轻松超过 3 万元这比一台 10 万级车型的利润空间还大。工程复杂度高城区道路的场景无限复杂从异形路口到非机动车博弈都需要大量的算法迭代和工程适配这种投入过去只有高端车型愿意分摊。地平线征程 6M 的量产上车恰好从这三个维度同步打破了僵局。它在算力、成本和工程落地之间找到了一个新的平衡点让 10 万级车型也能具备城区 NOA 的硬件基础。对开发者来说这背后的技术变化远比“芯片更便宜”这四个字复杂得多。2. 征程 6M 到底是什么地平线征程 6 家族的中坚力量要理解征程 6M先要理解征程 6 家族的架构布局。地平线在 2024 年发布了征程 6 系列不是一颗芯片而是一个覆盖不同算力档次的家族。从公开材料看征程 6 家族从低到高覆盖了从入门级辅助驾驶到全场景高阶智驾的多个档位而征程 6M 是定位在主流中阶智驾市场的型号主打“城市 NOA 普及”这个关键任务。这里需要先解释两个高频词征程 6M地平线征程 6 家族中的中阶智驾芯片型号目标是支持城区 NOA 功能但成本控制在主流价位车型可以接受的范围内。NOANavigate on Autopilot 的缩写即领航辅助驾驶。根据应用场景不同又分为高速 NOA 和城区 NOA。高速 NOA 相对成熟而城区 NOA 因为道路复杂度、交通参与者多样性技术难度和硬件要求都显著更高。征程 6M 的设计思路和过去的高算力方案有明显区别。它不是在芯片面积和功耗上硬堆参数而是通过计算架构的优化让中等算力也能跑通城区 NOA 的关键场景。这种设计理念对熟悉嵌入式开发的同学来说不难理解它更像是一个“能效比优先”的 SoC 设计而不是一个“峰值性能优先”的竞赛型产品。3. 城区 NOA 为什么难从技术角度说说“贵”在哪里要理解征程 6M 对市场的冲击得先明白城区 NOA 为什么在过去那么难做。我用一个对比来说明。高速 NOA 的场景相对规整。高速公路有明确的车道线交通参与者基本是机动车行驶路线可以依赖导航地图做全局规划。这种情况下算法面对的是“结构化道路”也就是规则清晰、拓扑明确的环境。城区 NOA 面对的是“非结构化道路”。城市道路上有行人、骑行者、快递车、施工围挡、临时红绿灯、异形路口甚至还有逆行的三轮车。车道线可能被磨损导航地图可能缺失部分路口信息还要应对加塞、鬼探头等驾驶场景。这种复杂度直接推高了三个成本维度感知层面城区 NOA 需要更密集地识别交通参与者并且预判他们的运动轨迹。这要求视觉感知模型更大、更准对应芯片的 NPU 算力需求也随之上升。规划层面城区驾驶的决策必须考虑博弈比如“公交车靠边时要不要减速”“前车压线时是跟随还是绕行”。这种复杂决策需要更强大的 CPU 和更深层次的算法模型。验证层面城区 NOA 的路测里程和仿真场景数量远超高速 NOA。每一版算法更新都需要大量的数据回灌和场景验证背后的数据闭环系统成本极高。过去了几年行业普遍默认一套逻辑城区 NOA 就是昂贵的技术只适合放在高端车上。征程 6M 的量产上车直接挑战了这个默认逻辑。4. 征程 6M 凭什么能把城区 NOA 拉入 10 万级市场征程 6M 之所以能做到这一点关键在于地平线在架构层面的取舍。这里我把几个技术要点拆开来讲。4.1 算力架构的“够用”哲学征程 6M 并不是追求极致算力而是追求“跑通城区 NOA 场景的最低可接受算力”。这个思路类似于手机芯片中的中端芯片不追求跑分最高而是追求在日常使用体验中最流畅。这种取舍在芯片设计上直接体现为降低不必要的算力冗余把晶体管预算用在城区 NOA 最核心的感知和预测任务上。用工程化的话说就是“定位清晰不给用不上的功能买单”。4.2 计算架构的软硬协同地平线从征程 2 时代就开始强调 BPUBrain Processing Unit征程系列芯片内部的专用计算引擎架构的迭代。征程 6M 使用的 BPU 架构针对 Transformer 这类大模型算子做了专门优化而 Transformer 恰好是当前城区 NOA 视觉感知方案的主流架构。这意味着同样算力下征程 6M 跑 Transformer 类网络的效率比通用 GPU 或上一代 NPU 更高。这就像同样是八核 CPU有的芯片跑 AI 应用流畅有的却卡顿差别就在于对常用算子的优化深度。4.3 集成度的提升征程 6M 的高集成度也是降低成本的重要因素。一颗芯片集成度越高外围器件的数量就越少整机 BOM物料清单成本就越低。10 万级车型对成本极其敏感每增加一个外部芯片、每增加一平方厘米的 PCB 面积都会被算进整车成本。从公开材料看征程 6M 采用了 3D 封装技术来提升集成度这对降低智驾域控的物理尺寸和散热需求都有帮助。做嵌入式开发的人应该很清楚小型化和高集成度对量产车型来说是多么重要的工程优势。4.4 算法和工具的生态成熟度地平线过往在征程 2、征程 3、征程 5 上积累的开发者生态和工具链为征程 6M 的量产提供了重要基础。对车厂和供应商来说芯片的算力只是起点成熟的工具链、丰富的参考算法、经过验证的工程方案才是量产节奏的保障。这一点非常关键。很多芯片的纸面参数看起来很漂亮但落地时没有好用的工具链算法团队光是适配就要花掉几个月最终导致项目延期。地平线过往的工程积累让征程 6M 的“上车”节奏比新玩家快得多。5. 从算力竞赛到成本竞赛征程 6M 带来的行业范式变化征程 6M 大规模量产的消息除了产品层面的意义更重要的是它揭示了行业竞争逻辑的变化。过去两年智驾芯片市场的竞争逻辑是“算力越大越好”。从 100 TOPS 到 200 TOPS 再到 500 TOPS数字成了发布会上的关键指标。但回到真实场景一辆车的智驾体验并不完全由芯片算力决定算法的效率、传感器配置、系统集成的成熟度都同样重要。征程 6M 的策略是用“刚好够跑城区 NOA”的算力结合高能效比和合理的芯片单价把整个系统的成本压缩到 10 万级车型可接受的范围。这意味着智驾行业的竞争重点正在从“谁能提供更高的算力”转向“谁能把好用的功能做到更低的价格”。这种变化对产业链的影响是深远的对芯片厂商比拼的不只是 AI 算力跑分还要比工具链、成本控制、量产经验。对 Tier 1 供应商需要更快地适应中算力平台的高要求在有限算力下把体验做扎实。对车企10 万级车型具备城区 NOA 能力有望改变消费者对“国产车智能化”的预期。对开发者围绕中阶芯片的开发需求将大幅增长掌握嵌入式优化和模型部署能力的人才将更受欢迎。6. 征程 6M 与同级产品的竞争凭什么能拿下量产定点从行业公开信息来看征程 6M 的直接竞争对手主要是同为中阶智驾定位的芯片方案。这类芯片普遍主打“支持高速 NOA 记忆行车”等功能但能够稳定支持城区 NOA 的并不多。征程 6M 能在这一档位站稳有几个技术层面的关键点6.1 BEV 感知的支持程度当前城区 NOA 的主流感知方案已经转向 BEVBird‘s Eye View鸟瞰视角 Transformer。和传统的“2D 检测 后融合”方案相比BEV 方案在统一坐标下做感知融合对遮挡场景和时序预测的鲁棒性更高但对芯片的算力架构提出了更高的要求。征程 6M 的 BPU 架构对 BEV 感知模型的算子进行了针对性的加速。这保证了算法团队在部署城区 NOA 模型时不需要做大量的算子替代和重写直接降低了移植成本。6.2 多传感器接入的灵活性10 万级车型的传感器配置不会太高常见方案是“摄像头为主 毫米波雷达为辅”。征程 6M 对多路摄像头的接入和数据处理做了优化能够在这个成本区间内把视觉感知能力发挥到极致。6.3 量产的工程成熟度征程 6M 设计之初就按照车规级标准打造在可靠性、功能安全、信息安全等方面都有配套方案。量产上车不是把芯片焊在板子上那么简单正常的 DFMEA设计失效模式分析、DV/PV 测试、EMC 测试、热管理验证、软件版本冻结管理等环节都需要芯片厂商有成熟的经验。这一点上地平线的路线图节奏和量产交付记录给它加分不少。7. 开发者的机会征程 6M 意味着什么新技能需求作为 CSDN 的技术读者我更关心的是征程 6M 量产对开发者意味着什么又有哪些新的技能需求坦白说之前高阶智驾开发还是一个相对小众的方向因为高算力平台的开发门槛高、硬件成本贵一般开发者很难接触。征程 6M 把城区 NOA 带入 10 万级车型后量产规模和开发者需求都会上升一个量级。具体来说以下几类技术能力值得开发者关注7.1 嵌入式 AI 芯片部署能力过去很多算法工程师习惯于在 GPU 上开发和验证模型到了量产阶段才考虑嵌入式芯片的部署。但在征程 6M 这类中阶芯片上部署阶段必须是提前介入的因为算力“刚刚好”容不得太多的冗余浪费。这就需要开发者掌握模型量化、算子融合、内存复用等部署优化技术。举个简单的例子# 这是一个 PyTorch 模型量化的简化示例演示如何在部署前压缩模型精度 import torch model torch.load(city_nova_model.pth) model.eval() # 将模型转为半精度减少嵌入式端的存储和计算开销 model_half model.half() # 在真实部署到征程 6M 平台前通常还会做 int8 量化 # 并且配合地平线提供的工具链进行算子检查和蒸馏优化这段代码只是演示思路实际部署到征程 6M 上需要配合地平线的工具链做更深度的优化比如算子对齐检查和自定义算子实现。但核心思想不变中阶芯片上的模型部署必须从一开始就考虑资源约束。7.2 数据闭环和场景挖掘能力城区 NOA 的体验提升离不开数据闭环。如果你的团队在开发基于征程 6M 的城区 NOA 功能必然需要搭建一套“路测数据采集 → 场景挖掘 → 标注 → 模型训练 → 仿真验证 → OTA 迭代”的完整链路。这里面涉及的工程问题很具体如何高效回传车端数据如何自动挖掘“困难场景”如何做大规模并行仿真。这些能力对智驾开发者来说越来越重要。7.3 多传感器标定和融合10 万级车型的传感器配置有限但感知的可靠性要求不能降低。这非常考验对多传感器标定和融合的理解。从摄像头内参标定到摄像头与毫米波雷达的外参对齐再到时间同步没有这些底层能力上层感知模型的效果会大打折扣。8. 给车企和方案商的建议选征程 6M 时要注意的 4 个问题如果你所在的公司正在评估征程 6M 平台我建议你关注以下四个问题它们直接决定量产项目的成败。8.1 算力余量规划征程 6M 的算力定位强调“够用”这就意味着算法团队要控制模型的复杂度。在上车之前务必梳理清楚目标车型的 NOA 功能范围到底是全程城区还是城区 高速的入门级功能不同的功能范围对算力的预留要求完全不同。建议在项目早期就明确 NOA 场景的 ODD设计运行域避免后期算法膨胀导致算力不足被迫做无休止的剪枝和蒸馏。8.2 传感器成本上限征程 6M 能做到低成本前提是传感器配置也要克制。有些车企在选芯片时选择了中阶芯片却上了激光雷达和超高像素摄像头这就拉高了整车成本背离了中级车型定位。最好的策略是先确定功能定义和传感器方案再评估选哪一档芯片。8.3 工具链的熟悉周期地平线的工具链有比较强的平台属性第一次接入的团队通常需要 2 到 4 周的学习和磨合期。这部分时间一定要算进项目排期不要只算硬件 BOM 成本。具体来看建议团队提前安排专人完成以下工作在目标域控平台上跑通地平线官方提供的参考模型验证推理结果与参考环境是否一致。用自己的真实数据完成一次“训练 → 量化 → 编译 → 部署 → 回灌测试”的全流程。尽早暴露算子不支持或精度下降等问题而不是等到量产前才发现。8.4 功能安全和预期功能安全城区 NOA 相比传统 L2 辅助驾驶在系统安全等级上的要求更高。除了芯片本身要满足车规级认证外系统层面还需要考虑冗余设计、降级策略和驾驶员监控。这些需求都会额外占用硬件资源你在做系统规划时就要预留出这些资源。9. 从征程 6M 量产看智能驾驶的未来三个判断聊完具体的技术和选型我再给三个基于当前材料可做出的判断。这些判断不一定完全准确但它们反映了技术演进的趋势。判断一城区 NOA 的价格门槛还会继续下探。征程 6M 把城区 NOA 带到 10 万级市场但这不会是终点。随着芯片集成度继续提高、算法效率持续优化未来 8 万级甚至更低价位的车型也可能会逐步搭载简化版的城区 NOA 功能。当然前提是行业能把安全验证的成本也降下来这一点还需要时间。判断二中阶智驾芯片赛道将进入“生态竞争”阶段。芯片的参数不再是唯一衡量标准开发者工具链的易用性、参考算法的丰富度、量产案例的规模会成为车企选择合作伙伴的核心考量。地平线在这一轮竞争中有先发优势但其他厂商也在快速跟进。判断三对开发者来说智驾软件栈的价值将超过硬件本身的算力价值。硬件决定功能的上限但软件决定体验的底线。同样是征程 6M 平台不同团队做的城区 NOA 体验差异可能非常大。像感知模型的场景泛化能力、规划算法的博弈推理水平、控制策略的舒适度标定这些软件能力将是未来智驾供应商的核心竞争力。10. 常见问题与排查思路在实际接触征程 6M 相关项目的过程中开发者经常遇到以下几类问题。我整理成表格方便快速定位问题现象可能原因排查方式解决方案模型编译失败使用了工具链不支持的算子查看编译日志定位报错的算子名称替换为等价算子组合或编写自定义算子并完成验证量化后精度下降明显模型动态范围过大量化参数选取不当对比量化前后每层输出的余弦相似度使用更细粒度的量化校准集对敏感层做混合精度量化车端推理帧率不达标模型中存在高计算量算子如大尺度注意力使用性能分析工具统计算子耗时对注意力模块做稀疏化或低秩近似减少计算冗余多传感器时间戳对齐偏差大摄像头和毫米波雷达的驱动时间源不一致检查各传感器的 PTP 同步状态和驱动时间戳统一使用域控主时钟校准各传感器驱动的时间戳获取时机摄像头图像畸变矫正导致延迟矫正逻辑放在 CPU 端算力不足使用性能分析工具查看 CPU 占用率将矫正逻辑迁移到 GPU/NPU 端或优化矫正算法减少计算量车辆紧急变道场景响应慢感知到规划的链路中延迟叠加过多统计每个模块的端到端处理耗时裁剪冗余数据处理环节优化模块间通信方式系统偶发死机重启可能是内存资源不足或存在死锁查看域控日志监控内存使用率变化优化内存分配策略添加异常恢复心跳机制11. 写在最后对技术人的建议地平线征程 6M 的量产上车是一件值得技术人长期跟踪的事。它不只是一条商业新闻更代表着一个技术范式的转变智能驾驶不再只是高端车的专属标签而会成为主流市场的标配功能。对开发者来说我建议大家关注以下几件事情尽早接触中阶智驾平台。高端平台的门槛高、机会少但中阶平台因为量产规模大会带来更多的岗位和项目需求。深入理解嵌入式平台的计算约束。学会在有限的算力下做出优秀的体验比单纯追求大算力更有工程价值。关注工具链演进。地平线这类芯片厂商的工具链迭代速度很快保持对新版本工具链的敏感度能让你在项目选型和开发中少踩很多坑。最后给一个实战建议如果你想快速上手这类中阶智驾平台可以先从一个目标检测模型的移植开始跑通“训练 → 量化 → 部署 → 推理验证”的最小流程。先把链路练熟再逐步加入 BEV 感知、时序融合、规划控制等更复杂的模块。这个最小流程看起来简单但很多量产项目的问题恰恰是出在这个最小流程的细节里。
地平线征程6M量产：城区NOA如何打入10万级市场？
地平线征程 6M 官宣量产上车城区 NOA 攻入 10 万级市场背后靠的不只是“便宜”如果你最近关注智能驾驶应该已经注意到一个信号2025 年第一季度还没过完地平线征程 6M 的官宣量产消息就已经成了行业热点。与之相关的热搜词一个是“征程 6M”另一个是“NOA”。先说我的一个明确判断征程 6M 的大规模量产上车真正值得关注的不是“又一款智驾芯片发布”而是“城区 NOA 的价格门槛被系统性拉到了 10 万元级主流市场”。这是智驾从“高端选配”走向“大众标配”的关键节点也是芯片端算力方案从“堆料竞赛”转向“成本与体验平衡”的分水岭。这篇文章我打算从芯片定位、架构变化、上车门槛、开发适配、行业影响几个维度展开。不管你是做智驾算法、嵌入式开发还是做整车供应链选型这篇文章都值得你花十分钟读完。1. 为什么征程 6M 量产会让行业重新讨论“入门高阶智驾”过去两年行业里有一个很尴尬的局面高阶智驾的体验一直在进步但覆盖面始终卡在 20 万以上的车型。20 万以下的车不是说没有智驾而是大多停留在“L2 级辅助驾驶”也就是自适应巡航加车道保持上了高速能减轻疲劳但进了城市就基本靠人。城区 NOA 之所以上不了低价车型核心原因有三个算力成本高城区 NOA 需要处理城市道路的复杂交通场景对芯片算力要求远高于高速 NOA过去主流的方案普遍需要 100 TOPS 的算力这类芯片的单价对 10 万级车型来说是不可承受的负担。传感器成本高早期的城区 NOA 方案依赖高精地图和激光雷达一套系统下来成本轻松超过 3 万元这比一台 10 万级车型的利润空间还大。工程复杂度高城区道路的场景无限复杂从异形路口到非机动车博弈都需要大量的算法迭代和工程适配这种投入过去只有高端车型愿意分摊。地平线征程 6M 的量产上车恰好从这三个维度同步打破了僵局。它在算力、成本和工程落地之间找到了一个新的平衡点让 10 万级车型也能具备城区 NOA 的硬件基础。对开发者来说这背后的技术变化远比“芯片更便宜”这四个字复杂得多。2. 征程 6M 到底是什么地平线征程 6 家族的中坚力量要理解征程 6M先要理解征程 6 家族的架构布局。地平线在 2024 年发布了征程 6 系列不是一颗芯片而是一个覆盖不同算力档次的家族。从公开材料看征程 6 家族从低到高覆盖了从入门级辅助驾驶到全场景高阶智驾的多个档位而征程 6M 是定位在主流中阶智驾市场的型号主打“城市 NOA 普及”这个关键任务。这里需要先解释两个高频词征程 6M地平线征程 6 家族中的中阶智驾芯片型号目标是支持城区 NOA 功能但成本控制在主流价位车型可以接受的范围内。NOANavigate on Autopilot 的缩写即领航辅助驾驶。根据应用场景不同又分为高速 NOA 和城区 NOA。高速 NOA 相对成熟而城区 NOA 因为道路复杂度、交通参与者多样性技术难度和硬件要求都显著更高。征程 6M 的设计思路和过去的高算力方案有明显区别。它不是在芯片面积和功耗上硬堆参数而是通过计算架构的优化让中等算力也能跑通城区 NOA 的关键场景。这种设计理念对熟悉嵌入式开发的同学来说不难理解它更像是一个“能效比优先”的 SoC 设计而不是一个“峰值性能优先”的竞赛型产品。3. 城区 NOA 为什么难从技术角度说说“贵”在哪里要理解征程 6M 对市场的冲击得先明白城区 NOA 为什么在过去那么难做。我用一个对比来说明。高速 NOA 的场景相对规整。高速公路有明确的车道线交通参与者基本是机动车行驶路线可以依赖导航地图做全局规划。这种情况下算法面对的是“结构化道路”也就是规则清晰、拓扑明确的环境。城区 NOA 面对的是“非结构化道路”。城市道路上有行人、骑行者、快递车、施工围挡、临时红绿灯、异形路口甚至还有逆行的三轮车。车道线可能被磨损导航地图可能缺失部分路口信息还要应对加塞、鬼探头等驾驶场景。这种复杂度直接推高了三个成本维度感知层面城区 NOA 需要更密集地识别交通参与者并且预判他们的运动轨迹。这要求视觉感知模型更大、更准对应芯片的 NPU 算力需求也随之上升。规划层面城区驾驶的决策必须考虑博弈比如“公交车靠边时要不要减速”“前车压线时是跟随还是绕行”。这种复杂决策需要更强大的 CPU 和更深层次的算法模型。验证层面城区 NOA 的路测里程和仿真场景数量远超高速 NOA。每一版算法更新都需要大量的数据回灌和场景验证背后的数据闭环系统成本极高。过去了几年行业普遍默认一套逻辑城区 NOA 就是昂贵的技术只适合放在高端车上。征程 6M 的量产上车直接挑战了这个默认逻辑。4. 征程 6M 凭什么能把城区 NOA 拉入 10 万级市场征程 6M 之所以能做到这一点关键在于地平线在架构层面的取舍。这里我把几个技术要点拆开来讲。4.1 算力架构的“够用”哲学征程 6M 并不是追求极致算力而是追求“跑通城区 NOA 场景的最低可接受算力”。这个思路类似于手机芯片中的中端芯片不追求跑分最高而是追求在日常使用体验中最流畅。这种取舍在芯片设计上直接体现为降低不必要的算力冗余把晶体管预算用在城区 NOA 最核心的感知和预测任务上。用工程化的话说就是“定位清晰不给用不上的功能买单”。4.2 计算架构的软硬协同地平线从征程 2 时代就开始强调 BPUBrain Processing Unit征程系列芯片内部的专用计算引擎架构的迭代。征程 6M 使用的 BPU 架构针对 Transformer 这类大模型算子做了专门优化而 Transformer 恰好是当前城区 NOA 视觉感知方案的主流架构。这意味着同样算力下征程 6M 跑 Transformer 类网络的效率比通用 GPU 或上一代 NPU 更高。这就像同样是八核 CPU有的芯片跑 AI 应用流畅有的却卡顿差别就在于对常用算子的优化深度。4.3 集成度的提升征程 6M 的高集成度也是降低成本的重要因素。一颗芯片集成度越高外围器件的数量就越少整机 BOM物料清单成本就越低。10 万级车型对成本极其敏感每增加一个外部芯片、每增加一平方厘米的 PCB 面积都会被算进整车成本。从公开材料看征程 6M 采用了 3D 封装技术来提升集成度这对降低智驾域控的物理尺寸和散热需求都有帮助。做嵌入式开发的人应该很清楚小型化和高集成度对量产车型来说是多么重要的工程优势。4.4 算法和工具的生态成熟度地平线过往在征程 2、征程 3、征程 5 上积累的开发者生态和工具链为征程 6M 的量产提供了重要基础。对车厂和供应商来说芯片的算力只是起点成熟的工具链、丰富的参考算法、经过验证的工程方案才是量产节奏的保障。这一点非常关键。很多芯片的纸面参数看起来很漂亮但落地时没有好用的工具链算法团队光是适配就要花掉几个月最终导致项目延期。地平线过往的工程积累让征程 6M 的“上车”节奏比新玩家快得多。5. 从算力竞赛到成本竞赛征程 6M 带来的行业范式变化征程 6M 大规模量产的消息除了产品层面的意义更重要的是它揭示了行业竞争逻辑的变化。过去两年智驾芯片市场的竞争逻辑是“算力越大越好”。从 100 TOPS 到 200 TOPS 再到 500 TOPS数字成了发布会上的关键指标。但回到真实场景一辆车的智驾体验并不完全由芯片算力决定算法的效率、传感器配置、系统集成的成熟度都同样重要。征程 6M 的策略是用“刚好够跑城区 NOA”的算力结合高能效比和合理的芯片单价把整个系统的成本压缩到 10 万级车型可接受的范围。这意味着智驾行业的竞争重点正在从“谁能提供更高的算力”转向“谁能把好用的功能做到更低的价格”。这种变化对产业链的影响是深远的对芯片厂商比拼的不只是 AI 算力跑分还要比工具链、成本控制、量产经验。对 Tier 1 供应商需要更快地适应中算力平台的高要求在有限算力下把体验做扎实。对车企10 万级车型具备城区 NOA 能力有望改变消费者对“国产车智能化”的预期。对开发者围绕中阶芯片的开发需求将大幅增长掌握嵌入式优化和模型部署能力的人才将更受欢迎。6. 征程 6M 与同级产品的竞争凭什么能拿下量产定点从行业公开信息来看征程 6M 的直接竞争对手主要是同为中阶智驾定位的芯片方案。这类芯片普遍主打“支持高速 NOA 记忆行车”等功能但能够稳定支持城区 NOA 的并不多。征程 6M 能在这一档位站稳有几个技术层面的关键点6.1 BEV 感知的支持程度当前城区 NOA 的主流感知方案已经转向 BEVBird‘s Eye View鸟瞰视角 Transformer。和传统的“2D 检测 后融合”方案相比BEV 方案在统一坐标下做感知融合对遮挡场景和时序预测的鲁棒性更高但对芯片的算力架构提出了更高的要求。征程 6M 的 BPU 架构对 BEV 感知模型的算子进行了针对性的加速。这保证了算法团队在部署城区 NOA 模型时不需要做大量的算子替代和重写直接降低了移植成本。6.2 多传感器接入的灵活性10 万级车型的传感器配置不会太高常见方案是“摄像头为主 毫米波雷达为辅”。征程 6M 对多路摄像头的接入和数据处理做了优化能够在这个成本区间内把视觉感知能力发挥到极致。6.3 量产的工程成熟度征程 6M 设计之初就按照车规级标准打造在可靠性、功能安全、信息安全等方面都有配套方案。量产上车不是把芯片焊在板子上那么简单正常的 DFMEA设计失效模式分析、DV/PV 测试、EMC 测试、热管理验证、软件版本冻结管理等环节都需要芯片厂商有成熟的经验。这一点上地平线的路线图节奏和量产交付记录给它加分不少。7. 开发者的机会征程 6M 意味着什么新技能需求作为 CSDN 的技术读者我更关心的是征程 6M 量产对开发者意味着什么又有哪些新的技能需求坦白说之前高阶智驾开发还是一个相对小众的方向因为高算力平台的开发门槛高、硬件成本贵一般开发者很难接触。征程 6M 把城区 NOA 带入 10 万级车型后量产规模和开发者需求都会上升一个量级。具体来说以下几类技术能力值得开发者关注7.1 嵌入式 AI 芯片部署能力过去很多算法工程师习惯于在 GPU 上开发和验证模型到了量产阶段才考虑嵌入式芯片的部署。但在征程 6M 这类中阶芯片上部署阶段必须是提前介入的因为算力“刚刚好”容不得太多的冗余浪费。这就需要开发者掌握模型量化、算子融合、内存复用等部署优化技术。举个简单的例子# 这是一个 PyTorch 模型量化的简化示例演示如何在部署前压缩模型精度 import torch model torch.load(city_nova_model.pth) model.eval() # 将模型转为半精度减少嵌入式端的存储和计算开销 model_half model.half() # 在真实部署到征程 6M 平台前通常还会做 int8 量化 # 并且配合地平线提供的工具链进行算子检查和蒸馏优化这段代码只是演示思路实际部署到征程 6M 上需要配合地平线的工具链做更深度的优化比如算子对齐检查和自定义算子实现。但核心思想不变中阶芯片上的模型部署必须从一开始就考虑资源约束。7.2 数据闭环和场景挖掘能力城区 NOA 的体验提升离不开数据闭环。如果你的团队在开发基于征程 6M 的城区 NOA 功能必然需要搭建一套“路测数据采集 → 场景挖掘 → 标注 → 模型训练 → 仿真验证 → OTA 迭代”的完整链路。这里面涉及的工程问题很具体如何高效回传车端数据如何自动挖掘“困难场景”如何做大规模并行仿真。这些能力对智驾开发者来说越来越重要。7.3 多传感器标定和融合10 万级车型的传感器配置有限但感知的可靠性要求不能降低。这非常考验对多传感器标定和融合的理解。从摄像头内参标定到摄像头与毫米波雷达的外参对齐再到时间同步没有这些底层能力上层感知模型的效果会大打折扣。8. 给车企和方案商的建议选征程 6M 时要注意的 4 个问题如果你所在的公司正在评估征程 6M 平台我建议你关注以下四个问题它们直接决定量产项目的成败。8.1 算力余量规划征程 6M 的算力定位强调“够用”这就意味着算法团队要控制模型的复杂度。在上车之前务必梳理清楚目标车型的 NOA 功能范围到底是全程城区还是城区 高速的入门级功能不同的功能范围对算力的预留要求完全不同。建议在项目早期就明确 NOA 场景的 ODD设计运行域避免后期算法膨胀导致算力不足被迫做无休止的剪枝和蒸馏。8.2 传感器成本上限征程 6M 能做到低成本前提是传感器配置也要克制。有些车企在选芯片时选择了中阶芯片却上了激光雷达和超高像素摄像头这就拉高了整车成本背离了中级车型定位。最好的策略是先确定功能定义和传感器方案再评估选哪一档芯片。8.3 工具链的熟悉周期地平线的工具链有比较强的平台属性第一次接入的团队通常需要 2 到 4 周的学习和磨合期。这部分时间一定要算进项目排期不要只算硬件 BOM 成本。具体来看建议团队提前安排专人完成以下工作在目标域控平台上跑通地平线官方提供的参考模型验证推理结果与参考环境是否一致。用自己的真实数据完成一次“训练 → 量化 → 编译 → 部署 → 回灌测试”的全流程。尽早暴露算子不支持或精度下降等问题而不是等到量产前才发现。8.4 功能安全和预期功能安全城区 NOA 相比传统 L2 辅助驾驶在系统安全等级上的要求更高。除了芯片本身要满足车规级认证外系统层面还需要考虑冗余设计、降级策略和驾驶员监控。这些需求都会额外占用硬件资源你在做系统规划时就要预留出这些资源。9. 从征程 6M 量产看智能驾驶的未来三个判断聊完具体的技术和选型我再给三个基于当前材料可做出的判断。这些判断不一定完全准确但它们反映了技术演进的趋势。判断一城区 NOA 的价格门槛还会继续下探。征程 6M 把城区 NOA 带到 10 万级市场但这不会是终点。随着芯片集成度继续提高、算法效率持续优化未来 8 万级甚至更低价位的车型也可能会逐步搭载简化版的城区 NOA 功能。当然前提是行业能把安全验证的成本也降下来这一点还需要时间。判断二中阶智驾芯片赛道将进入“生态竞争”阶段。芯片的参数不再是唯一衡量标准开发者工具链的易用性、参考算法的丰富度、量产案例的规模会成为车企选择合作伙伴的核心考量。地平线在这一轮竞争中有先发优势但其他厂商也在快速跟进。判断三对开发者来说智驾软件栈的价值将超过硬件本身的算力价值。硬件决定功能的上限但软件决定体验的底线。同样是征程 6M 平台不同团队做的城区 NOA 体验差异可能非常大。像感知模型的场景泛化能力、规划算法的博弈推理水平、控制策略的舒适度标定这些软件能力将是未来智驾供应商的核心竞争力。10. 常见问题与排查思路在实际接触征程 6M 相关项目的过程中开发者经常遇到以下几类问题。我整理成表格方便快速定位问题现象可能原因排查方式解决方案模型编译失败使用了工具链不支持的算子查看编译日志定位报错的算子名称替换为等价算子组合或编写自定义算子并完成验证量化后精度下降明显模型动态范围过大量化参数选取不当对比量化前后每层输出的余弦相似度使用更细粒度的量化校准集对敏感层做混合精度量化车端推理帧率不达标模型中存在高计算量算子如大尺度注意力使用性能分析工具统计算子耗时对注意力模块做稀疏化或低秩近似减少计算冗余多传感器时间戳对齐偏差大摄像头和毫米波雷达的驱动时间源不一致检查各传感器的 PTP 同步状态和驱动时间戳统一使用域控主时钟校准各传感器驱动的时间戳获取时机摄像头图像畸变矫正导致延迟矫正逻辑放在 CPU 端算力不足使用性能分析工具查看 CPU 占用率将矫正逻辑迁移到 GPU/NPU 端或优化矫正算法减少计算量车辆紧急变道场景响应慢感知到规划的链路中延迟叠加过多统计每个模块的端到端处理耗时裁剪冗余数据处理环节优化模块间通信方式系统偶发死机重启可能是内存资源不足或存在死锁查看域控日志监控内存使用率变化优化内存分配策略添加异常恢复心跳机制11. 写在最后对技术人的建议地平线征程 6M 的量产上车是一件值得技术人长期跟踪的事。它不只是一条商业新闻更代表着一个技术范式的转变智能驾驶不再只是高端车的专属标签而会成为主流市场的标配功能。对开发者来说我建议大家关注以下几件事情尽早接触中阶智驾平台。高端平台的门槛高、机会少但中阶平台因为量产规模大会带来更多的岗位和项目需求。深入理解嵌入式平台的计算约束。学会在有限的算力下做出优秀的体验比单纯追求大算力更有工程价值。关注工具链演进。地平线这类芯片厂商的工具链迭代速度很快保持对新版本工具链的敏感度能让你在项目选型和开发中少踩很多坑。最后给一个实战建议如果你想快速上手这类中阶智驾平台可以先从一个目标检测模型的移植开始跑通“训练 → 量化 → 部署 → 推理验证”的最小流程。先把链路练熟再逐步加入 BEV 感知、时序融合、规划控制等更复杂的模块。这个最小流程看起来简单但很多量产项目的问题恰恰是出在这个最小流程的细节里。
