美国威莫自研传感器融合处理器算力达160 TOPS已装车测试

美国威莫（Waymo）于2026年热芯片大会正式披露其自研传感器融合处理器。该芯片专为应对多源传感器数据实时处理而设计，核心计算单元围绕公司基础模型栈构建，目前已搭载于第六代自动驾驶车队进行路测运行。

硬件规格方面，该处理器采用45毫米×45毫米FCBGA封装，硅片面积208平方毫米，基于台积电N5制程工艺制造。芯片集成片上LPDDR5x内存，带宽达273 GB/s，同时配备PCIe Gen5 x8主机接口与25G以太网端口，整芯热设计功耗严格控制在75瓦以内。计算性能标称INT8精度下160 TOPS，FP16精度下80 TFLOPS，内置64兆字节片上SRAM与8兆字节寄存器文件，外部内存带宽为160 GB/s。

架构设计上，威莫采取自研与第三方IP混合方案。核心carTPU模块涵盖图像信号处理、编及MIPI数据摄入路径，由公司内部团队主导开发；双GPU图形处理器、片上互联网络、内存控制器、PHY物理层及安全启动外设等则采购自成熟供应商。值得注意的是，该芯片未集成数字信号处理器，官方解释主要受限于特定编程技能的人才储备要求。控制处理单元搭载双核RISC-V处理器并扩展向量指令，核心阵列包含16个处理单元，每个单元配置双核结构。

数据流调度遵循确定性大指令集原则，采用静态形状与单线程执行模式，单次运算周期约一千次，取消传统缓存与分支预测机制。通过FIFO队列与信号量实现计算与DMA线程间的顺序控制及背压管理。环形与网格DMA负责跨处理单元的权重流式传输，配合稀疏收集与散列融合技术，每周期可维持一次INT8矩阵乘法运算。软件生态坚持编译器优先策略，通过提前编译生成覆盖全模型的“超级内核”，并按需切分至片上SRAM中，由编译器统一处理内存分区、全局流量调度、竞态条件及数值精度问题。这种软硬件协同设计使实际运行效率显著优于理论峰值吞吐量，有效降低了长尾场景下的推理延迟。

传感器数据处理管线分为视觉、雷达与激光雷达三条并行路径。摄像头链路通过MIPI接口摄入原始数据后，先构建灰度对齐金字塔，再经高动态范围图像信号处理器完成RGB转YUV转换与时序降噪。威莫摒弃标准去马赛克算法，采用自研方案以避免边缘锯齿与色彩失真。针对夜间车灯眩光与隧道进出场景，系统引入合成HDR曝光技术，仅向模型输出有效视区。图像块（Patch）提取阶段可从YUV金字塔中按需裁剪任意缩放区域，并将亚帧级延迟控制在数百行扫描线范围内。雷达与激光雷达数据共享前端摄入通道，重型点云处理与快速傅里叶变换（FFT）立方体运算交由独立GPU集群完成，部分原始数据则直接通过以太网直连主机，避免与AI推理争夺总线带宽。

针对美国凤凰城夏季极端高温环境，车载散热系统支持Zui高60摄氏度的液冷循环，这与数据中心常规散热逻辑存在差异。从技术演进脉络看，威莫的底层算力架构历经2013年深度卷积网络、Transformer架构及海量数据集训练，Zui终在2024年转向驱动感知、规划与世界建模的基础模型栈。当前高阶自动驾驶芯片市场虽普遍追求算力指标，但该方案更强调高精度浮点运算对感知保真度的保障，以及编译器级优化带来的实际延迟压缩。

对于国内自动驾驶一级供应商与芯片采购商而言，该方案的参考价值在于明确了“模型定义硬件”的工程路径。在实际选型与运维阶段，需重点关注片上SRAM容量对模型权重的承载限制、无缓存架构对实时性要求的严苛性，以及RISC-V控制核在底层调试中的兼容性表现。随着基础模型向端侧下沉，具备编译器定制能力与确定性数据流调度的芯片将逐步成为长尾场景落地的关键门槛，采购方在评估总拥有成本时，应将其软件适配周期纳入核心考量。