NVIDIA 汽車事業主管 Xinzhou Wu 最近接受媒體專訪時表示，NVIDIA 汽車團隊的任務是建立一套完整汽車平台。這套平台不只包括晶片，也涵蓋作業系統、AI 模型、安全架構、模擬工具與資料基礎設施。

市場過去大多把 NVIDIA 汽車業務視為 GPU 與車載運算能力的延伸，評估重點集中在晶片算力、功耗、自動駕駛功能與單一車款合作。而如今，NVIDIA 正透過 DRIVE Hyperion、Halos OS、Halos 安全體系，以及模型訓練與模擬工具，串連 AI 車輛從開發、驗證到部署的完整流程。因此，車廠在評估 NVIDIA 時，不能再只是比較晶片效能與採購價格，也必須判斷：採用 NVIDIA 的完整架構後，自己的 AI 開發、驗證與更新能力會有多少建立在外部平台上。

車廠是只使用 DRIVE 晶片，還是進一步採用 Hyperion 參考架構、Halos OS、安全驗證與模擬工具，是真正需要的驗證訊號。因為，市場談到 NVIDIA 的汽車業務時，最容易注意到的仍是車載晶片、自動駕駛功能，以及它與 Tesla、Waymo 或中國車廠之間的技術競爭。

但從 NVIDIA 汽車事業主管 Xinzhou Wu 的專訪來看，這條主線已經不夠完整。Xinzhou Wu 表示，NVIDIA 汽車團隊的任務是利用公司的硬體、軟體與模型能力，建立一套適用於汽車產業的平台。NVIDIA 將這套平台描述為開放且模組化，車廠可依自身能力，選擇從雲端訓練、模擬工具、車載運算到完整自動駕駛技術堆疊中的不同層級。

這使得 NVIDIA 在汽車市場上的定位開始改變。它提供的不再只是讓汽車取得更多算力的晶片，而是一套車廠可以用來開發、驗證、部署與持續更新 AI 車輛的共同底座。

因此，車廠現在需要重新回答一個問題：採用 NVIDIA，究竟是在購買一項車載技術，還是逐步把下一代 AI 車輛的開發架構建立在 NVIDIA 平台上？

過去市場把 NVIDIA 看成車載運算供應商

NVIDIA 在資料中心市場的快速成長，使外界談到這家公司時，大多數的注意力都集中在 GPU、CUDA、AI Factory 與大型雲端基礎設施。

相較之下，汽車業務經常被視為 GPU 與 AI 運算能力向另一個產業的延伸。

在這套理解之下，NVIDIA 提供車載系統需要的運算晶片，協助車廠處理感測器資料、電腦視覺、進階駕駛輔助系統與自動駕駛推論。車廠則繼續掌握整車架構、軟體、駕駛體驗、品牌與最終客戶關係。

因此，企業評估 NVIDIA 汽車產品時，主要比較：

• 晶片算力與功耗

• 車用安全規格

• 可支援的自動駕駛等級

• 感測器與軟體相容性

• 單一車款的導入成本

• 這套判斷預設 NVIDIA 是重要的零組件與技術供應商，但不是 AI 車輛開發架構的主要控制者。但如今，這個認知需要重新檢視。

NVIDIA 提供的已經超過一顆晶片

NVIDIA DRIVE Hyperion 被官方定位為面向 Robotaxi 與 Level 4 高度自動駕駛車輛的量產導向參考架構與開發平台。

它將標準化感測器、高效能 NVIDIA DRIVE 運算系統與軟體堆疊整合在同一套架構中，協助車廠、移動服務業者與自動駕駛新創開發、驗證及部署下一代駕駛輔助與自動駕駛能力。

與此同時，NVIDIA 的車用軟體底座也正在更新。DriveOS 目前仍是 NVIDIA DRIVE 平台的參考作業系統與開發工具，支援 Linux 或 QNX，以及影像處理、感測器整合、AI 加速與除錯工具。

但在 2026 年的新架構中，NVIDIA 已進一步推出 Halos OS。NVIDIA 將其定位為 AI 驅動車輛的統一、量產導向軟體基礎，涵蓋安全核心軟體、標準化界面、AI 防護機制與部署前驗證。其中，Halos Core 是 DriveOS 的下一代架構。

需要注重的是，Halos 的範圍又比作業系統更廣。NVIDIA 官方將 Halos 描述為一套從雲端延伸到車端的全堆疊安全體系，涵蓋車輛架構、AI 模型、晶片、軟體、工具與服務，用來支援自動駕駛系統的安全開發與部署。

從功能上看，NVIDIA 的 AI 汽車平台已經可以分成四個主要層級：

1. 運算層：NVIDIA DRIVE AGX 提供車端 AI 運算。

2. 車輛參考架構：DRIVE Hyperion 整合感測器、運算與軟體堆疊。

3. 軟體與安全底座：Halos OS 與 Halos 串接車端軟體、安全界面及驗證流程。

4. 訓練與模擬層：Alpamayo、Cosmos 與 Omniverse NuRec 等技術協助模型訓練、模擬與改進。

這些技術個別看來仍是產品或工具，但整合起來後，形成了一套開發、驗證與部署 AI 車輛的方法。NVIDIA 正從提供汽車所需的 AI 元件，走向定義這些元件如何共同運作。雖然我們可以從這項變化佐證 NVIDIA 的平台策略已經形成，但是現在還不能認定車廠普遍接受這個架構，更不能直接視為 DRIVE Hyperion 已經成為汽車產業標準。

平台真正爭奪的是開發與驗證的控制層

一個平台是否具有控制力，不只取決於它包含多少產品，還有客戶的核心流程是否逐漸建立在平台之上。

假設車廠只採用 NVIDIA 的車載晶片，卻自行開發作業系統、AI 模型、感測器架構與安全驗證流程，那 NVIDIA 的位置仍然接近高階零組件供應商。

但是當車廠進一步採用 DRIVE Hyperion、Halos OS、安全驗證架構，以及 NVIDIA 的訓練與模擬工具後，雙方的關係就不再只是硬體採購。

車廠部分開發流程將逐漸建立在 NVIDIA 所定義的工具、界面與驗證方法上，包括：

• 工程團隊使用哪些開發工具

• AI 模型如何部署到車端

• 感測器如何與運算系統共同驗證

• 安全問題採用什麼判斷基準

• 軟體更新如何部署至不同車款

• 下一代車輛是否延續相同運算與軟體架構

Xinzhou Wu 在專訪中表示，NVIDIA 提供多層次服務，車廠可以依照自身能力選擇合作範圍。即使部分企業自行開發車端推論晶片，仍可能採用 NVIDIA 的雲端訓練、模擬或開源模型。這是 NVIDIA 對其平台開放性的描述，實際可替換程度仍需透過導入案例獲得驗證。

這種模組化設計確時降低了車廠一次採用完整平台的門檻，也讓 NVIDIA 有機會從不同層級進入汽車開發流程。所以，這個平台的控制力之所以能形成，不在於 NVIDIA 是否擁有每一項技術，而是車廠日後是否會逐漸依賴它的開發工具、軟體界面、驗證流程與更新架構。

車廠取得效率，也可能增加平台依賴

對車廠來說，採用整合式平台有清楚的商業理由。開發自動駕駛與 AI 車輛，需要同時處理晶片、作業系統、感測器、模型、模擬、道路資料、功能安全、資安與軟體更新。如果各環節由不同供應商提供，車廠必須投入大量資源處理系統整合、驗證與責任界定。

而使用經過共同設計與驗證的平台，就有可能降低跨供應商整合的複雜度，縮短開發時間，也會讓技術更容易重複使用到不同車款。這對缺乏完整 AI 團隊，或無法像 Tesla、Waymo 一樣持續投入全堆疊自研的車廠來說，尤其重要。

但是要注意的是，效率與依賴通常會同時出現，當車廠把更多環節交給 NVIDIA，未來轉換平台時，需要重新處理的可能不只是晶片，也包括：

• 軟體架構

• 工程工具

• 模型部署流程

• 感測器整合

• 安全驗證

• 供應商認證

• 團隊能力與開發習慣

因此，車廠不能再只問晶片效能是否足夠、採購價格是否合理，還需要同時回答四個更具體的問題：

1. 哪些能力交給平台後，可以明顯降低整合與驗證成本？

2. 哪些資料、模型與駕駛體驗必須留在車廠內部？

3. 平台中的個別模組是否可以替換？

4. 軟體失誤、模型錯誤與事故責任如何分配？

這些判斷的核心，不是在回答要不要採用 NVIDIA，而是在思考哪些能力適合外部化，以及外部化之後，車廠是否仍保有資料、產品差異化與供應商轉換的控制權。

汽車市場未必會複製 CUDA 模式

NVIDIA 在資料中心市場的競爭優勢，從來不只來自 GPU。CUDA、開發工具、軟體函式庫、系統架構與開發者生態，共同提高了企業轉向其他平台的成本。NVIDIA 如今在汽車市場建立完整技術堆疊，確實呈現相似的平台策略。

但汽車產業未必會複製資料中心的發展路徑。因為，汽車的產品週期更長。車輛從設計、驗證到量產需要多年，出廠後又可能持續使用十年以上，平台替換速度遠低於雲端服務與企業軟體。

同時，自動駕駛也涉及人身安全。軟體錯誤不只是服務中斷，還有可能造成真實事故。車廠、平台供應商、感測器廠商與軟體開發者之間的責任，很難完全由單一平台吸收。

此外，各地對道路測試、資料使用、自動駕駛等級與事故責任的規定不同。即使核心平台可以跨市場使用，車廠仍可能需要進行大量在地化調整。

大型車廠也不一定願意交出全部控制權。Tesla、Waymo 與部分中國車廠持續採取高度垂直整合；其他車廠可能只使用 NVIDIA 的晶片或部分工具，並將作業系統、模型、資料與駕駛體驗保留在內部。

Xinzhou Wu 預測，Level 4 高度自動駕駛可能在五年內進入主流。這可視為 NVIDIA 汽車主管對產業發展的判斷，但不是已確定的市場時程。目前較合適的結論是：NVIDIA 已取得競逐 AI 汽車底層平台的位置，但它能否建立如 CUDA 般的長期依賴，仍取決於車廠採用的是單一元件，還是完整的開發、軟體與驗證架構。

NVIDIA 的汽車策略目標是成為 AI 車輛的底層平台。從 DRIVE Hyperion、Halos OS 到模型訓練、模擬與安全驗證工具，NVIDIA 正試圖把車載運算、自動駕駛軟體與安全架構，整合成全球車廠開發 AI 車輛時可共同採用的技術底座。

對全球汽車產業而言，競爭正從零件供應轉向平台位置

NVIDIA 擴大汽車平台布局，自然會帶動晶片、感測器、伺服器與車用電子需求，但如果只看硬體訂單的變化，仍會低估平台化對汽車產業分工的影響。

當 DRIVE Hyperion 將感測器、車端運算、軟體、安全架構與模擬驗證整合在共同參考設計中，車廠與供應商面對的問題，就不再只是選擇哪一顆晶片或哪一家零件廠，而是要決定哪些能力應保留在內部，哪些環節可以交由外部平台接手。

這項改變會影響全球汽車產業中的多種角色。

對歐洲、日本與美國傳統車廠來說，採用完整平台可能縮短 AI 車輛開發時間，降低自建全套軟體、模型與驗證體系的成本。但車廠同時也需要評估，自己是否仍能掌握駕駛體驗、資料、軟體更新節奏，以及未來更換供應商的彈性。

對中國車廠而言，判斷會更加複雜。中國電動車與智慧車市場的競爭節奏較快，部分車廠已建立較強的軟體開發、智慧座艙、自動駕駛與供應鏈整合能力。BYD、Geely 等企業可以採用 NVIDIA 的部分硬體與平台能力，加快產品開發；但它們未必會因此交出完整的軟體架構、資料控制權或產品差異化能力。

這使得中國市場可能成為檢驗 NVIDIA 平台開放性的重要場域。如果車廠能夠只採用所需模組，並保留自身模型、資料與作業系統控制權，NVIDIA 所主張的模組化平台就更具說服力。反過來說，如果平台的效率必須建立在高度綁定的軟硬體架構上，具備自研能力的中國車廠可能更傾向維持多供應商策略，或發展自主技術堆疊。

對全球零組件與系統供應商而言，競爭條件也可能逐漸改變。未來較具價值的能力，不一定只是提供價格更低或性能更高的單一零件，而可能包括：

• 能否進入 NVIDIA 或主要車廠的參考設計

• 是否符合不同市場的功能安全與資安規範

• 是否具備軟硬體共同整合能力

• 是否能支援跨品牌、跨車款與跨地區量產

• 是否能配合長期軟體更新與安全驗證

• 是否能在平台供應商與車廠之間承擔整合責任

因此，全球供應鏈真正需要重看的，不只是 NVIDIA 車用晶片能帶來多少新訂單，還有 AI 車輛平台化之後，產業價值是否逐漸往參考設計、系統整合、安全認證與持續驗證能力集中。能夠進入平台架構、支援不同車廠需求，又不完全依附單一技術路線的企業，可能比只提供單一零件的供應商，取得更穩定的競爭位置。

接下來要看的是車廠採用得多深

NVIDIA 已經把汽車視為 Physical AI 的重要平台市場。從 DRIVE AGX、DRIVE Hyperion 到 Halos OS、Halos 安全體系與模型模擬工具，它正在建立一套涵蓋車端運算、軟體執行、感測器整合、模型訓練、模擬與安全驗證的技術架構。但平台元件齊全，不等於平台控制力已經形成。

接下來應觀察的，不只是 NVIDIA 宣佈多少合作，還有不同市場與車廠的採用深度：

• 歐洲、日本與美國車廠採用的是晶片，還是完整軟體與安全架構？

• 中國車廠是否將 NVIDIA 定位為運算供應商、模組化平台，或長期開發底座？

• 合作是否從單一車款擴大至跨車系平台？

• DRIVE Hyperion 是否真正進入大規模量產？

• Halos OS 與 Halos 是否獲得不同地區車廠、監管機關與標準組織接受？

• 平台是否確實縮短開發時間並降低驗證成本？

• 車廠是否因此降低全技術堆疊自研比例？

• NVIDIA 是否能在不同法規、道路環境與供應鏈條件下維持平台一致性？

過去市場評估 NVIDIA 汽車業務，主要看車載晶片與自動駕駛功能。現在更重要的判斷是，NVIDIA 能否在不取代車廠品牌與產品控制權的前提下，成為全球車廠開發、驗證與更新 AI 車輛時，長期依賴的共同底座。

AI 汽車下一階段的競爭，不只看誰能提供更強的自動駕駛功能，也要看誰能跨越不同市場、法規與車廠策略，成為最難被替換的平台。

作者＝InfoAI 編輯部

你不需要讀完所有 AI 新聞。你需要掌握的是：哪些變化值得關注、哪些應用值得理解、哪些風險不能忽略，以及這些訊號可能如何影響企業決策。

訂閱 InfoAI 電子報，把全球 AI 訊號，轉化為更清楚的商業判斷。

InfoAI Line 群提供最新文章發佈通知，讓你不用每天上網查看，也能快速掌握新上線的 AI 產業解讀、應用案例與知識內容。

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。如有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

AI 協作與人工編輯聲明

本文由 InfoAI 編輯部進行主題判斷、內容策劃、事實查核與文字編輯，並使用 AI 工具協助資料整理與內容製作。最終觀點、內容取捨與發佈版本均由人工編輯確認。

你不需要讀完所有 AI 新聞，你需要知道的是：

有哪些變化值得注意，可能會如何影響你的產業、工作與決策。