小米 Xring D100 晶片有幾勁？3 納米、20 核 CPU，2027 年上車

小米公布 Xring D100，代表車企自研晶片的競爭再行前一步。不過，焦點未必只係鬥製程數字：小米想主打車內高算力 AI，NIO 睇重供應鏈成本，XPeng 以軟件及整車平台為核心，而 Tesla 就押注更長遠的晶片製造能力。

小米 Xring D100：規格進取，但上車細節未明

小米表示，Xring D100 係一款已完成驗證的 3 納米自研智能駕駛晶片，配備 20 核高性能 CPU、16 核神經網絡處理器（NPU），並支援最高 160GB 統一記憶體。公司聲稱，晶片可在本地運行參數量最高達 2,000 億的大型模型，並計劃於 2027 年投入商用。18

「本地運行」意思係模型主要在車內計算，而唔係每次都要將資料上傳雲端。理論上，呢種做法有助減低延遲，亦可以在網絡不穩時維持部分功能。不過，小米暫時未公布 D100 的 TOPS 算力、首款搭載車型、量產數量及詳細上車時間表。

另一個需要留意的地方係，現時公開展示包括將 D100 放入 AI Cube 原型桌面終端；該原型機可本地運行 120B 及 3B 模型。呢項展示可以證明晶片具備相關 AI 運算方向，但唔等於已經證明它在量產汽車上能夠安全、穩定地支援 2,000 億參數模型。

NIO：自研晶片首先係一盤成本賬

NIO 的 Shenji NX9031 採用 5 納米製程。相比追求最誇張的模型規模，NIO 公開講得更多的是供應鏈自主及成本效益：減少依賴 NVIDIA，令晶片更貼合自家演算法和傳感器配置，同時降低長期硬件支出，改善研發效率及毛利。114

NIO 管理層曾表示，過往每年購買 NVIDIA 汽車晶片的支出高峰約為 3 億美元；隨着自研晶片放量，固定研發成本可以由更多車輛分攤。公司公布的累計自研晶片產量亦已超過 55 萬枚，當中包括用於 LiDAR 及智能駕駛的晶片。512

所以，NIO 的策略重點唔單止係「邊粒晶片最快」，而係將晶片由供應商成本，變成可以控制、優化，甚至日後對外授權的核心資產。

XPeng：Mona L03 是現階段平台，Level 4 是下一階段目標

XPeng 的 Mona L03 主要展示現階段的 VLA 輔助駕駛系統及 Turing 晶片；公司所講的 Level 4 自動駕駛目標，屬於 2028 年 SEPA 4.0 路線，並會配合自研 AI 基礎模型及「具身智能」方向。

Level 4 代表車輛在指定條件和範圍內可以毋須人類駕駛控制，但唔代表任何道路、任何天氣都可以完全放手。更重要的是，XPeng 的 2028 目標係發展藍圖，並唔能夠直接當成 Mona L03 現時已經係 Level 4 車款。公開資料亦未有提供 SEPA 4.0 的完整性能和安全驗證細節。

Tesla Terafab：規模宏大的計劃，並非現成產能

Tesla 行政總裁 Elon Musk 表示，Tesla 和 SpaceX 計劃在德州興建兩座先進晶片工廠：一座供 Tesla 汽車及 Optimus 人形機械人使用，另一座就面向太空 AI 數據中心。

其他報道將提出中的 Terafab 描述為瞄準 2 納米製程，並引述 Musk 指 SpaceX 的晶片需求可能約為 Tesla 的三倍。 不過，Terafab 目前仍然係前瞻性計劃，唔應該當成已經運作中的晶圓廠或現成產能。所謂超大規模 AI 計算容量，亦係長期目標，而非現時已交付的實際數字。

HW4／AI4 爭議：問題唔只係製程幾多納米

市場上有人質疑 Tesla 現有 HW4／AI4 硬件未必足以支援真正無人監督的 FSD；但呢個主要係投資者及分析人士的批評，並唔係已獲確立的技術結論。

Tesla 據報向 JPMorgan 表示，HW4 足以運行 FSD v15 及無人監督功能；同時，公司亦在部署 AI4.5，運算力約增加一成，記憶體則約為兩倍。 因此，真正未解決的問題包括軟件能力、實際道路驗證、功能安全、監管要求及事故責任，而唔係單純比較 3 納米、2 納米或者 TOPS 數字。

製程更先進，不等於已經達到 Level 4

3 納米或 2 納米製程一般有助提升晶體管密度和能源效率，但製程本身唔會自動帶來安全的 Level 4 自動駕駛。小米的 2,000 億參數模型主張，以及 Tesla 的 Terafab 計劃，確實反映車企想將 AI 和晶片能力收歸自家控制；但最後能否轉化成可靠產品，仍要等到量產部署，以及可以獨立觀察和驗證的實際駕駛表現。

換句話講，今次比較唔係一場單純的「晶片規格鬥獸場」：小米押注車內大型模型，NIO 先算成本和供應鏈，XPeng 建構自動駕駛平台路線，Tesla 則計劃掌握更大規模的製造能力。邊個策略最終勝出，仍然要睇能否真正落地，而唔係發布會上的數字有幾靚。