Warum beginnt NVIDIA bei der Umsetzung der physikalischen KI zuerst im Automobilsektor?

Nach der weitverbreiteten Verbreitung der Generierung von Texten und Bildern durch große Sprachmodelle richten globale Technologiegiganten ihren Blick nun auf „Physische KI (Physical AI)“, um künstliche Intelligenz aus den digitalen Bildschirmen herauszuführen, sodass sie in der realen Umgebung wahrnimmt, schlussfolgert, Entscheidungen trifft und interagiert, und direkt Maschinenaktionen antreibt.

Unter den zahlreichen Trägern der physischen KI sind intelligente Autos, die bereits in Massenproduktion hergestellt werden und deren gesamte Fahrzeuge mit Kameras und Radarsensoren ausgestattet sind, zum ersten Versuchsfeld geworden, das den geschlossenen Geschäftszyklus erfolgreich durchlaufen hat.

Wu Peidong, Geschäftsführender Direktor von Wanjia Venture Capital, sagte dem Reporter von Cailian She, dass derzeit nur Autos die drei Bedingungen Datenskala, Lieferkette und Cashflow gleichzeitig erfüllen. In China fahren jedes Jahr mehr als 20 Millionen Personenkraftwagen auf die Straße, die Grenzkosten für die Erfassung der zurückgesendeten Daten sind nahezu Null, Sensoren, Batterien und andere Teile sind bereits ausgereift, und die Verbraucher sind bereit, für die Intelligenz zu zahlen; im Vergleich dazu liegt die weltweite Auslieferungsmenge von humanoiden Robotern im Jahr 2025 bei etwa 18.000 Einheiten, und die Datenerfassung ist noch auf Fernsteuerung und Bewegungserfassung angewiesen.

Im Geschäftsjahr 2026 (bis zum 25. Januar 2025) erreichte der Umsatz des Automobilgeschäfts von Nvidia 2,349 Milliarden US-Dollar, was einem Anstieg von 39 % gegenüber dem Vorjahr entspricht. Auf dem chinesischen Markt für intelligente Elektroautos verschärft sich jedoch der Wettbewerb um die Fahrzeugchips von Nvidia. Automobilhersteller wie NIO (09866.HK), XPeng Inc. (09868.HK) und Li Auto (02015.HK) treiben nacheinander die Einführung selbst entwickelter intelligenter Fahrassistenzchips voran, und lokale Anbieter von intelligenten Fahrassistenzchips wie Horizon Robotics (09660.HK) erweitern auch den Umfang der festgelegten Bestellungen im Markt für kostengünstige Lösungen.

Daten von NE Times zeigen, dass im August 2026 die Gesamtinstallationsmenge von Domänensteuerungschips für Fahrassistenzsysteme in chinesischen Personenkraftwagen etwa 810.000 Stück betrug. Nvidia belegte mit einem Anteil von 30,2 % den ersten Platz, während Horizon und Huawei mit 19,8 % bzw. 14,8 % den zweiten und dritten Platz belegten; von Januar bis Februar 2026 lag der Anteil von Nvidia bei 45,1 %, was 35,8 Prozentpunkte vor Horizon lag, und im August hat sich der Abstand auf 10,4 Prozentpunkte verkleinert.

Gleichzeitig wechseln viele führende Automobilhersteller in diesem Jahr zum Weg der „Weltmodelle“ und der großen „Vision-Sprache-Aktion“-Modelle, und der Wettbewerbsfokus erstreckt sich von Fahrzeugchips bis hin zum Modelltraining in der Cloud.

Nach kürzlichen Gesprächen zwischen Reportern von Cailian She und mehreren relevanten Experten von Nvidia haben sich die technische Route und die Geschäftslogik von Nvidia rund um intelligente Autos, den Kernträger der physischen KI, offensichtlich verändert. In der Cloud stellt Nvidia die zugrunde liegenden Weltmodelle und Simulationswerkzeuge der Branche kostenlos zur Verfügung, und die Rendite liegt mehr im Bedarf an Rechenleistung; auf der Fahrzeugseite führt Nvidia Softwareoptimierungen durch, um die Kostensenkungsanforderungen der Automobilhersteller zu erfüllen. Dieser Technologie-Stack soll in der nächsten Phase auch auf autonomes Fahren und Roboter ausgeweitet werden.

Hinter der kostenlosen Bereitstellung von Modellen

Seit diesem Jahr sind End-to-End-Großmodelle zum Standard für die Aufrüstung der intelligenten Fahrassistenz chinesischer Automobilhersteller geworden. In tatsächlichen Verkehrssituationen wandeln die vorhandenen End-to-End-Modelle jedoch nur Kamerabilder direkt in Lenkrad- und Bremsaktionen um, ohne die kausale Logik der physischen Welt zu verstehen.

Zum Beispiel, wenn ein Fahrzeug an einer Kreuzung auf einen Verkehrspolizisten trifft, der mit Gesten den Verkehr lenkt, kann ein gewöhnliches End-to-End-Modell nur erkennen, dass „vorne eine Person ist, die vermieden werden muss“, versteht aber nicht die Bedeutung der Gesten. Nach der Einführung von „Weltmodellen“, die physikalische Gesetze und Allgemeinwissen verstehen, sowie Modellen mit Schlussfolgerungsfähigkeit sollen Autos in der Lage sein, komplexe Verkehrssituationen wie erfahrene Fahrer zu verstehen und Vorhersagen zu treffen.

Allerdings ist die Schwelle für das Training eines Basis-Großmodells, das physikalische Gesetze versteht, von Grund auf extrem hoch. Öffentliche Daten zeigen, dass bis zum ersten Quartal 2026 der bereits in Betrieb genommene Cortex 1-Trainingscluster von Tesla mehr als 100.000 Nvidia H100-Grafikprozessoren (GPUs) entspricht, und der Cortex 2, der sich in der Anfangsphase der Skalierung befindet, entspricht mehr als 130.000 Einheiten; XPeng hat auch einen intelligenten Rechencluster mit mehr als 10.000 Karten aufgebaut. Solche Investitionsumfänge können die meisten Automobilhersteller und Unternehmen für intelligente Fahrassistenz nicht unabhängig tragen.

Dazu besteht die Vorgehensweise von Nvidia darin, zuerst das zugrunde liegende Basismodell zu trainieren und es weltweit kostenlos zur Verfügung zu stellen.

Derzeit hat Nvidia vier Kernmodelle rund um die physische KI freigegeben, darunter das Sprachmodell für das Vortraining (Nemotron), das grundlegende Weltmodell, das physikalische Gesetze versteht (Cosmos), sowie GR00T für Roboter und Alpamayo für autonomes Fahren in der Nachtrainingsphase.

Relevante Mitarbeiter von Nvidia sagten dem Reporter von Cailian She, dass Nvidia hofft, durch die Freigabe von Modellen mit seinen eigenen Ressourcen und Technologien der Branche dabei zu helfen, das Basismodell auf 60 Punkte zu bringen, sodass Automobilhersteller nur eine kleine Menge an Rechenleistung und eigene Straßentestdaten für das Nachtraining und die Feinabstimmung benötigen; wenn keine plattformbasierten Unternehmen das Basismodell zuerst entwickeln, ist es schwierig für die physische KI, in der Branche wirklich umgesetzt zu werden.

Neben dem Modelltraining in der Cloud ist es auch schwierig, bei echten Straßentests verschiedene seltene plötzliche gefährliche Verkehrssituationen zusammenzustellen. Wie man die Sicherheit nach dem Training des Modells vor der Inbetriebnahme kostengünstig überprüft, ist ebenfalls ein Problem, vor dem alle großen Automobilhersteller stehen.

Aus diesem Grund hat Nvidia zwischen den Computern für das Cloud-Training (DGX) und den Computern für die Inferenz auf Fahrzeugseite (AGX) speziell Computer für virtuelle Simulationen (OVX) aufgebaut, und stellt den Entwicklern das Wiederherstellungstool für 3D-Gaußsches Sprühen (NuRec) und das geschlossene Simulationswerkzeug (AlpaSim) zur Verfügung. Nach dem Design von Nvidia können Automobilhersteller ein gewöhnliches Straßentestvideo in eine bearbeitbare dreidimensionale virtuelle Szene umwandeln und die Reaktion des Modells in der virtuellen Umgebung wiederholt testen, um den Zyklus der Überprüfung mit echten Fahrzeugen zu verkürzen.

Wu Peidong ist der Ansicht, dass diese freigegebenen Werkzeuge „den Ausgangspunkt, nicht das Ziel verändern“. Früher dauerte die Entwicklung einer hochgradigen intelligenten Fahrassistenz zwei bis drei Jahre mit Investitionen von mindestens mehreren zehn Milliarden Yuan. Heute kann das Team zuerst den Zyklus durchlaufen und dann Differenzierungen vornehmen, sodass der Startzyklus um mehr als ein Jahr verkürzt werden kann. Er fügte hinzu, dass führende Automobilhersteller diese Werkzeuge als Referenzstandard betrachten und den Kerntechnologie-Stack trotzdem selbst entwickeln werden; zweit- und drittklassige Automobilhersteller fehlen Ingenieurteams und Datenrückflüsse, und diese Werkzeuge geben ihnen eine lieferbare Untergrenze. Dennoch ist kostenlos nicht gleichbedeutend mit Nullkosten, und Investitionen in Rechenleistung, Daten und Kalibrierung können nicht eingespart werden.

Woher kommt die kommerzielle Rendite von Nvidia, nachdem die mit hohen Kosten trainierten Modelle und Simulationswerkzeuge freigegeben wurden? Das Unternehmen gab an, dass es in diesem Jahr den „Entwickler“ in der Automobilindustrie als „alle Unternehmen definiert hat, die selbst Software entwickeln und vertreiben“, wozu sowohl Automobilhersteller als auch Anbieter von intelligenten Fahrassistenzsystemen gehören.

Die oben genannten relevanten Mitarbeiter von Nvidia sagten dem Reporter, dass nur wenn man Entwicklern hilft, ihre eigene KI zu entwickeln, Kunden die Plattformen und Produkte von Nvidia stärker nutzen werden. Nach seinen Angaben nutzen die Hauptanbieter der Automobilindustrie derzeit bei der Förderung der Entwicklung des autonomen Fahrens hin zu fahrerlosen Taxis (Robotaxi) in großem Umfang die von Nvidia freigegebenen Technologien und Werkzeugketten; solange die gesamte Branche bei der Entwicklung zu hochgradiger intelligenter Fahrassistenz dieses offene Framework nutzt, wird es schließlich in eine anhaltende Nachfrage nach der Rechenleistung von Nvidias Servern für Cloud-Training und Simulation umgewandelt.

Automobilhersteller „sparen an den Kosten“ auf der Fahrzeugseite

Nachdem das Großmodell das Training und die Simulationsüberprüfung in der Cloud abgeschlossen hat, muss es schließlich in den Endseiten-Chip des Autos eingebaut werden, um in Echtzeit zu laufen. Auf dem wettbewerbsintensiven und preissensitiven chinesischen Automobilmarkt verlangen die Automobilhersteller nicht nur, dass das Modell schnell läuft, sondern auch, dass die Hardwarekosten gesenkt werden. Li Bin, Vorsitzender von NIO, sagte im April dieses Jahres, dass NIO in Spitzenzeiten jährlich Nvidia-Chips im Wert von 300 Millionen US-Dollar kaufen musste, und die selbst entwickelten Chips haben dem Unternehmen bereits viel Geld eingespart.

In der Phase der Inferenz auf Fahrzeugseite hat Nvidia nach dem in China weitverbreitet in Massenproduktion hergestellten Orin-Chip (Rechenleistung 254 TOPS, also 254 Billionen Operationen pro Sekunde) eine neue Generation von Fahrzeugchips namens Thor mit einer Rechenleistung von bis zu 2000 TFLOPS (2000 Billionen Gleitkommaoperationen pro Sekunde) vorgestellt, sowie ein leichtgewichtiges Inferenzmodell mit nur 2 Milliarden Parametern (2B) und ein Weltmodell mit 4 Milliarden Parametern, das auf der Edge-Seite bereitgestellt werden kann.

In der tatsächlichen Massenproduktion der Automobilhersteller stellt der auf dem Papier angegebene Spitzenwert der Rechenleistung des Chips jedoch nicht das endgültige Nutzungserlebnis dar. Entscheidender ist es, wie man durch zugrunde liegende Software- und Systemoptimierungen die vorhandene Rechenleistung voll ausnutzt und die Materialkosten des gesamten Fahrzeugs senkt.

Aufgrund der großen Anzahl von Parametern des Großmodells ist das erste Problem bei der Integration auf die Fahrzeugseite, dass die vorhandene Rechenleistung der bestehenden Fahrzeugmodelle nicht ausreicht. Derzeit verwenden eine große Anzahl von Hauptmodellen in China noch den Orin-Chip der vorherigen Generation, dessen Hardware selbst keine native FP4- oder FP8-(8-Bit-Gleitkomma-)Berechnung unterstützt und keine großen Modelle direkt ausführen kann, die mit solchen Niedrigpräzisionsformaten komprimiert wurden.

Dem Reporter von Cailian She wurde von Nvidia mitgeteilt, dass die zugrunde liegenden Software-Stacks der beiden Chip-Generationen Orin und Thor konsistent bleiben. In Kombination mit Techniken wie stochastischem Sampling (bei dem mehrere Token gleichzeitig von einem kleinen Modell vorhergesagt werden, um die Ausgabe zu beschleunigen) kann der Orin-Plattform beim Ausführen eines multimodalen Modells mit 7 Milliarden Parametern (7B) eine Durchsatzgeschwindigkeit von 70 Token pro Sekunde erreichen, und die Thor-Plattform kann in Kombination mit 4-Bit-Gleitkomma-Quantisierung (NVFP4) 176 Token pro Sekunde erreichen.

Das zweite Problem bei der Umsetzung auf Fahrzeugseite ist der Kostendruck, der durch den anhaltenden Preisanstieg von Speicherchips entsteht. Öffentliche Informationen zeigen, dass der Preis von fahrzeugspezifischen Speicherchips von März bis Juni 2026 um etwa 180 % gestiegen ist; Li Bin sagte im März dieses Jahres, dass der Preisanstieg von Arbeitsspeicher und anderen Rohstoffen die Kosten von hochwertigen neuen Energiefahrzeugen jeweils um 3000 bis 5000 Yuan beeinflusst, was insgesamt fast 10.000 Yuan ausmacht.

Früher mussten die Domänensteuergeräte (ECU) für intelligente Fahrassistenz chinesischer Automobilhersteller im Allgemeinen mit 32 GB Arbeitsspeicher bestückt werden. Dem Reporter von Cailian She wurde mitgeteilt, dass das chinesische Ingenieurteam von Nvidia ein leichtgewichtiges Open-Source-Inferenzframework basierend auf der C++-Sprache entwickelt hat. In Kombination mit der FP4-Quantisierungstechnik hilft es einigen chinesischen Automobilherstellern, den Arbeitsspeicher des Domänensteuergeräts von 32 GB auf 16 GB zu reduzieren, ohne die Fahrfunktionen und die Genauigkeit zu verringern.

Neben der Verringerung der Belastung des Arbeitsspeichers richten chinesische Automobilhersteller auch ihren Blick auf die peripheren Sensoren, um Kosten zu senken. Ein chinesischer Automobilhersteller hat vorgeschlagen, den Verarbeitungschip im Millimeterwellen-Radarmodul direkt zu entfernen und die unbearbeiteten Rohsignale direkt in den Hauptchip einzuspeisen. Dazu hat das chinesische Team von Nvidia die Middleware der zugrunde liegenden Software modifiziert und die ungenutzten programmierbaren visuellen Beschleuniger im Inneren des Hauptchips aufgerufen, um die Berechnung der Radarrohsignale zu übernehmen, sodass die Kosten des Radarchips eingespart werden. Es wird berichtet, dass dieses Kostensenkungskonzept, das von chinesischen Automobilherstellern stammt, inzwischen in die globale Standardsoftwareversion von Nvidia integriert wurde.

Wu Peidong sagte dem Reporter von Cailian She, dass Optimierungen wie die Verringerung des Arbeitsspeichers und das Einsparen des Radarchips zwar wirksam sind, aber nur den Schritt der Automobilhersteller, zu selbst entwickelten oder lokalen Chips zu wechseln, um ein bis zwei Fahrzeuggenerationen verzögern können, ohne die Richtung zu ändern. Seiner Ansicht nach kann Nvidia die Gruppe von Automobilherstellern behalten, die selbst entwickeln wollen, aber feststellen, dass es sich nicht lohnt, für etwa zwei bis drei Jahre; Nvidias eigene Investitionen neigen sich auch bereits zu Robotaxi, ausländischen Automobilherstellern und L4-autonomem Fahren.

Erweiterung von L4-autonomem Fahren bis zu Robotern

Nachdem das Großmodell auf die Fahrzeugseite integriert wurde und die Hardwarekosten durch technische Optimierungen gesenkt wurden, steht die physische KI, die das Lenkrad auf öffentlichen Straßen übernimmt, noch vor der letzten Schwelle aus Sicherheit und Vorschriften.

Der im August dieses Jahres veröffentlichte verbindliche nationale Standard „Sicherheitsanforderungen für autonome Fahrsysteme von intelligent vernetzten Autos“ soll am 1. Juli 2027 in Kraft treten. Er gilt für Personen- und Lastkraftwagen, die mit bedingtem autonomen Fahren (L3) und hochgradigem autonomen Fahren (L4) ausgestattet sind, wobei das L3-System auch über eine Funktion zur Überwachung der Übernahmefähigkeit des Fahrers verfügen muss.

Derzeit ist das Subjekt der Sicherheitsverantwortung für die schnell verbreitete hochgradige Fahrassistenz (L2++) in China immer noch der menschliche Fahrer, und auf der Fahrzeugseite ist normalerweise nur ein einzelner Hauptchip erforderlich; sobald man jedoch in die Phase L3 und L4 eintritt, wechselt das Subjekt der Sicherheitsverantwortung zum