Positron获2.3亿美元融资折射AI芯片“去英伟达化”加速。车企如何用多供应商算力降低成本、提升迭代速度，决定长期胜负。
AI芯片“去英伟达化”提速：Tesla与中国车企怎么选
2026-02-05 这个时间点，AI 芯片圈最值得车企和供应链盯紧的一句话是：“替代 Nvidia 的资本正在加速进场。” 近期有消息称，AI 芯片初创公司 Positron 完成 2.3 亿美元 B 轮融资，投资方包括 卡塔尔投资局（Qatar Investment Authority）。这不是单纯的“又一家芯片公司融到钱”，而是一张清晰的信号牌：全球 AI 算力的供给格局正在被重新书写。
对汽车行业来说，这件事的意义比很多人以为的更直接。自动驾驶、智能座舱、端到端感知与规划、车云协同训练，都在把“算力成本 + 供应安全 + 性能/功耗”变成一条硬约束。芯片不只是硬件采购，而是决定产品迭代速度的战略资源。 Tesla 和中国车企（尤其是正在出海的品牌）在长期竞争里，谁能更快、更稳、更便宜地获得合适的算力，谁就更接近赢家。
这篇文章放在我们“人工智能在半导体与芯片设计”系列里，会从更工程化的角度讲清楚：Positron 这类融资背后代表什么、替代 Nvidia 的路径在哪里、以及对 Tesla 与中国车企的 AI 策略有什么可执行的启发。
Positron 融资背后：AI 芯片竞争从“性能”转向“供给与体系”
直接结论：2.3 亿美元 B 轮说明市场认可的不只是单点性能，而是“能规模交付的第二选择”。 Nvidia 的护城河当然还在，但客户（包括云厂商、主权基金支持的国家级算力项目、以及大型企业）正在用真金白银扩大选择集。
Positron 的融资里，卡塔尔投资局的出现尤其关键。中东国家这两年最明确的方向之一是：用能源与资本优势，换取 AI 时代的基础设施与产业话语权。对卡塔尔来说，投芯片公司不是财务投资那么简单，而是为本国 AI 基础设施建设“锁定供给、锁定议价权”。
对车企而言，这带来两层现实变化：
- 算力“供给不确定性”降低：当第二、第三供应链逐步成型，采购与扩容不再被单一生态卡脖子。
- 算力“成本曲线”有机会下移：竞争会逼迫更清晰的价格/性能比，尤其是在推理（inference）侧。
这里要把一个常见误区说透：汽车公司需要的不是“最强 GPU”，而是“最适合任务的算力组合”。 训练、仿真、数据回放、离线标注、在线推理、车端功耗与热设计，各自约束完全不同。Nvidia 很强，但不意味着每一块算力都必须买同一家。
为什么“非 Nvidia”需求在飙升：车企关心的三件事
直接结论：替代需求的核心驱动力不是情绪，而是三条工程约束：交付、成本、能效。
1) 交付与周期：产品迭代被算力拖慢是最贵的成本
对智能电动车来说，版本迭代速度就是竞争速度。你可以把算力当成研发流水线上的“瓶颈工位”：
- 数据规模上升 → 训练时间延长
- 模型变大（多模态、端到端）→ 显存与互联带宽更吃紧
- 多车系并行开发 → 算力调度更复杂
当算力扩容卡住，最直接的后果是功能上线延迟，更隐蔽的后果是验证不足导致的召回/事故风险。所以大型组织会天然追求：
- 多供应商可替代
- 训练与推理分层采购
- 云/自建/混合算力灵活切换
2) 成本结构：从“买芯片”变成“买可持续的算力单价”
很多车企在 2024-2026 的感受会很一致：算力不是一次性资本开支，而是长期运营成本（TCO）。
- 训练侧：电费、散热、机房、网络、运维、折旧
- 推理侧：每次调用成本、吞吐、延迟、可用性
当 Nvidia 的生态溢价持续存在，替代芯片（尤其是针对推理优化的芯片）就会切入：用更低的单位能耗与更低的部署成本，争夺“规模化推理”的份额。
3) 能效与散热：汽车是“功耗预算”极其苛刻的场景
车端推理的痛点很朴素：算得快，但不能太耗电、太发热、太贵。这也是为什么车端 SoC 的路线与数据中心 GPU 的路线并不总是一致。
换句话说：即便数据中心训练仍以 Nvidia 为主，车企也可能在推理侧引入更多架构（自研 NPU、ASIC、或更专注推理的加速卡）。这正是“去英伟达化”的最现实落点：从推理先开始。
这对 Tesla 与中国车企意味着什么：AI 优势的关键不在“堆卡”，在“体系化算力”
直接结论：长期优势由三件事决定：算力获取能力、数据闭环效率、以及软硬协同深度。 融资潮会改变第一件事的市场结构，从而间接改变后两件事的竞争节奏。
Tesla：更像“算法公司”，但也更依赖稳定的训练供给
Tesla 的强项在于：数据闭环与工程化速度。它需要的算力特征通常是：
- 大规模训练与回放
- 快速实验迭代
- 更高的集群利用率
当“非 Nvidia”供给增加，Tesla 可能获得两类好处：
- 训练侧议价与扩容弹性：更容易在特定阶段用替代方案补齐产能缺口。
- 推理侧成本下降：如果替代芯片在推理吞吐/能效上有优势，能降低长期车云推理费用（例如车端/边缘/云端混合推理）。
但挑战同样明确：多芯片栈会带来软件迁移成本。谁能把编译器、算子库、分布式训练框架、验证工具链做得足够“可替换”，谁才是真正的赢家。
中国车企：供应链更灵活，但要警惕“生态碎片化”吞噬效率
中国车企的优势在于：产业链响应速度快、车型迭代快、工程落地强，且更愿意尝试多种芯片组合（含国产方案）。当替代芯片厂商融资活跃，意味着：
- 车企可以在云端训练、仿真、数据处理上引入更多选择
- 出海过程中，对不同地区的算力合规与采购限制更有回旋空间
但我更担心的是另一面：生态碎片化让研发效率下降。 如果每个平台都要单独适配、单独调优、单独验证，节省的芯片成本可能会被人力与时间吃掉。
一个更稳的策略是把“可移植性”当成第一原则：
- 模型层：优先采用可导出、可量化、可裁剪的架构
- 工具层：建立统一的
profiling/benchmark标准 - 部署层：用抽象层隔离硬件差异（编译器/运行时/算子库）
作为“人工智能在半导体与芯片设计”系列的一点真心建议：车企要把芯片当成可设计对象
直接结论：AI 芯片竞争越激烈，越考验车企与芯片方的“共同设计（co-design）能力”。 这不仅是采购问题，而是从需求定义到验证的工程体系问题。
车企应该向芯片公司要什么：不是 PPT，而是可验证指标
如果你负责智能驾驶/智能座舱的算力选型，我建议把需求拆成可测的“硬指标”，并在 PoC 阶段就卡住：
- 推理延迟：在目标输入分辨率与 batch 条件下的 P50/P99
- 吞吐：同功耗/同成本的 tokens/s 或 FPS
- 能效：每瓦吞吐（performance per watt）
- 稳定性：长时间压力测试、错误率、内存泄漏
- 工具链成熟度：模型导入、量化、算子覆盖率、调试可视化
这也是 AI 加速芯片设计验证的核心：没有统一 benchmark，所有“性能”都不可信。
芯片设计与验证的趋势：更快的验证闭环，决定更快的产品闭环
从半导体视角看，AI 正在把芯片研发流程推向“软件化”：
- 设计空间探索（DSE）更依赖机器学习
- EDA 与验证自动化更重要
- 良率与制程优化越来越数据驱动
当资本涌入 Positron 这类公司，本质上是在押注：他们能把“架构 + 编译器 + 系统软件 + 验证”做成一个可规模复制的产品。对车企而言，这意味着未来 2-3 年会看到更多“专用芯片（推理更强、成本更低）”进入可选清单。
常见问题：替代 Nvidia 会不会影响自动驾驶安全与合规？
直接结论：影响不在芯片品牌，而在验证体系与功能安全流程是否足够硬。 换芯片带来的主要风险通常是：
- 数值精度变化（FP16/INT8/INT4 量化）导致边缘场景退化
- 算子不一致或编译器 bug 导致偶发错误
- 运行时调度差异导致时延抖动（对控制链路很要命）
解决办法也很工程：
- 建立跨芯片的一致性测试集（回放 + 合成极端场景）
- 把性能指标写进验收条款（P99 延迟、温度墙、降频策略）
- 让芯片方提供可追溯的工具链版本与变更记录
一句话：替代不是冒险，盲替才是。
可被引用的一句话：自动驾驶的竞争不是“谁拿到最强芯片”，而是“谁能用可验证的方式，把算力转化成更快的迭代”。
接下来两年怎么判断赢家：看三条“算力能力指标”
直接结论：判断 Tesla 与中国车企的长期优势，别只看发布会参数，盯这三件事更准。
- 算力供应多元化程度：训练、仿真、推理是否能多供应商切换
- 单位迭代成本：每次模型迭代的综合成本（算力 + 人力 + 时间）是否下降
- 软硬协同效率：从模型到部署的周期是否缩短（周级到天级）
资本正在把更多筹码压到“非 Nvidia 的第二曲线”上。对车企来说，这是一次窗口期：你可以用更灵活的芯片供应，把成本压下去，把迭代速度抬上来。
如果你正在评估算力路线（自建训练集群、云端算力、推理芯片选型、或者国产替代策略），现在最该问团队的不是“我们买哪家”，而是：我们能不能在 90 天内完成一套跨平台的验证与迁移流程？
你更看好 Tesla 的一体化软件栈，还是中国车企的供应链速度？接下来的胜负，很可能由“算力体系”而不是“单一芯片”决定。