小米正把下一代「智慧駕駛」的核心，從外部供應商手中逐步收回。公司公布的 Xring D100，是一款針對智慧駕駛與車載 AI 推論打造的自研晶片，預計在 2027 年投入商用。18

但這場競賽不只是比誰的製程數字更小、核心數更多。小米想攻的是高階車載 AI；蔚來重點在供應鏈自主與成本；XPeng 著眼於自動駕駛軟體平台；Tesla 則試圖從更長期的晶片製造能力著手。換句話說，四家公司面對的是同一個產業問題，卻採取了不同解法。

小米 Xring D100：把大型模型帶進車內

小米表示，Xring D100 採用 3 奈米製程，搭載 20 核高效能 CPU、16 核神經處理器（NPU），並支援最高 160GB 統一記憶體。公司宣稱，這套晶片能在本地運行參數規模最高達 2000 億的大型模型，且已完成全部驗證，預計 2027 年投入商用。18

「本地運行」的意思，是模型主要在車輛端執行，而不是每次都把資料送往雲端伺服器。這有機會降低延遲，也能減少對網路連線的依賴，對即時駕駛輔助尤其重要。不過，能夠運行 2000 億參數模型，並不等於車輛已具備安全的高階自動駕駛能力。

目前仍有幾項關鍵資訊未公開，包括 D100 的 TOPS 算力、首款搭載車型、實際量產數量，以及正式上車的具體時間表。 小米在商用前曾把 D100 放進 AI Cube 原型桌上型裝置，展示本地運行 120B 與 3B 模型；這類展示可證明晶片具備一定的推論能力，但不能直接視為在道路環境中的性能驗證。

因此，D100 現階段更適合被看成一項雄心勃勃的硬體與平台計畫，而不是已經證明能實現 Level 4 自動駕駛的產品。

蔚來：自研晶片首先是成本與供應鏈策略

蔚來的自研晶片計畫，核心目標較為務實：降低對 NVIDIA 等外部供應商的依賴，讓晶片更貼合自家演算法、感測器配置與車輛系統，同時改善研發效率與獲利能力。1

蔚來的 Shenji NX9031 採用 5 奈米製程。公司管理層曾表示，過去採購 NVIDIA 汽車晶片的年度支出最高達 3 億美元，而自研方案已帶來成本效益；隨著自研晶片出貨量增加，前期研發投入也能由更大的裝車規模分攤。245

蔚來後續的重點，因此不只是追求紙面上的算力，而是讓晶片真正進入更多車型，形成規模效應。這與小米目前強調的「車端運行超大型模型」形成對比：前者先問每輛車能省多少、供應鏈能否更自主，後者則先展示車載 AI 的上限。

XPeng：把晶片放在更長的自動駕駛平台路線中

XPeng 的 Mona L03 是較接近市場的車輛平台，搭載 VLA（視覺—語言—行動）輔助駕駛系統與 Turing 晶片。XPeng 將更遠期的 Level 4 自動駕駛目標放在 2028 年的 SEPA 4.0 架構，並計畫結合自研 AI 基礎模型與「具身 AI」。

這裡需要區分「現有車型」與「未來路線圖」：Mona L03 是 XPeng 現階段展示 SEPA 3.0 與 VLA 技術的平台，但公司提出的 L4 目標屬於 2028 年 SEPA 4.0 的願景，並不代表 L03 現在已是 Level 4 車輛。

相較之下，XPeng 的重點更像是持續升級軟體、運算平台與車輛架構；小米則試圖先掌握更底層的高算力晶片。兩者最後能否拉開差距，仍取決於實際道路數據、軟體可靠度、法規許可與量產成本。

Tesla 與 Terafab：先解決長期晶片產能

Reuters 報導，Tesla 與 SpaceX 計畫在美國德州興建兩座先進晶片工廠：其中一座服務 Tesla 車輛與 Optimus 人形機器人，另一座則面向太空 AI 資料中心。

其他報導把這項名為 Terafab 的計畫描述為瞄準 2 奈米製程，並引述 Elon Musk 表示，SpaceX 未來可能消耗約為 Tesla 三倍的產能。不過，這些仍屬規劃中的目標，不能當成已經存在的量產能力。即使工廠最終落地，從製程驗證、良率提升到車規量產，仍需要經過漫長的工程與認證流程。

Tesla 目前的另一個爭議，是 HW4／AI4 是否足以支援無人監督的 Full Self-Driving（FSD）。部分投資人與分析人士認為現有硬體算力不足，但這是外部質疑，而非已獲確立的技術結論。另有報導指出，Tesla 曾向 JPMorgan 表示 HW4 足以運行 FSD v15 及無人監督功能；公司同時也在部署 AI4.5，據報其算力約增加一成、記憶體約提升至兩倍。

真正尚未解決的問題，不只是晶片採用 3 奈米還是 2 奈米，而是系統能否在真實道路上經過充分驗證，並符合安全與監管要求。

製程更先進，不等於自動駕駛已達 Level 4

3 奈米或 2 奈米製程通常有助於提升能源效率與電晶體密度，但製程節點本身並不能證明車輛已能安全實現 Level 4 自動駕駛。晶片還必須與感測器、記憶體、演算法、資料訓練、車輛控制及安全冗餘系統共同工作。

小米的 2000 億參數模型能力，代表其車載 AI 願景十分積極；Tesla 的 Terafab，則反映其希望掌握未來 AI 運算供應的企圖。兩者要真正轉化為自動駕駛優勢，仍要等到晶片大規模裝車，並由外部可觀察的道路表現與安全紀錄來驗證。

小米正把下一代「智慧駕駛」的核心，從外部供應商手中逐步收回。公司公布的 Xring D100，是一款針對智慧駕駛與車載 AI 推論打造的自研晶片，預計在 2027 年投入商用。18

但這場競賽不只是比誰的製程數字更小、核心數更多。小米想攻的是高階車載 AI；蔚來重點在供應鏈自主與成本；XPeng 著眼於自動駕駛軟體平台；Tesla 則試圖從更長期的晶片製造能力著手。換句話說，四家公司面對的是同一個產業問題，卻採取了不同解法。

小米 Xring D100：把大型模型帶進車內

小米表示，Xring D100 採用 3 奈米製程，搭載 20 核高效能 CPU、16 核神經處理器（NPU），並支援最高 160GB 統一記憶體。公司宣稱，這套晶片能在本地運行參數規模最高達 2000 億的大型模型，且已完成全部驗證，預計 2027 年投入商用。18

「本地運行」的意思，是模型主要在車輛端執行，而不是每次都把資料送往雲端伺服器。這有機會降低延遲，也能減少對網路連線的依賴，對即時駕駛輔助尤其重要。不過，能夠運行 2000 億參數模型，並不等於車輛已具備安全的高階自動駕駛能力。

目前仍有幾項關鍵資訊未公開，包括 D100 的 TOPS 算力、首款搭載車型、實際量產數量，以及正式上車的具體時間表。 小米在商用前曾把 D100 放進 AI Cube 原型桌上型裝置，展示本地運行 120B 與 3B 模型；這類展示可證明晶片具備一定的推論能力，但不能直接視為在道路環境中的性能驗證。

因此，D100 現階段更適合被看成一項雄心勃勃的硬體與平台計畫，而不是已經證明能實現 Level 4 自動駕駛的產品。

蔚來：自研晶片首先是成本與供應鏈策略

蔚來的自研晶片計畫，核心目標較為務實：降低對 NVIDIA 等外部供應商的依賴，讓晶片更貼合自家演算法、感測器配置與車輛系統，同時改善研發效率與獲利能力。1

蔚來的 Shenji NX9031 採用 5 奈米製程。公司管理層曾表示，過去採購 NVIDIA 汽車晶片的年度支出最高達 3 億美元，而自研方案已帶來成本效益；隨著自研晶片出貨量增加，前期研發投入也能由更大的裝車規模分攤。245

蔚來後續的重點，因此不只是追求紙面上的算力，而是讓晶片真正進入更多車型，形成規模效應。這與小米目前強調的「車端運行超大型模型」形成對比：前者先問每輛車能省多少、供應鏈能否更自主，後者則先展示車載 AI 的上限。

XPeng：把晶片放在更長的自動駕駛平台路線中

XPeng 的 Mona L03 是較接近市場的車輛平台，搭載 VLA（視覺—語言—行動）輔助駕駛系統與 Turing 晶片。XPeng 將更遠期的 Level 4 自動駕駛目標放在 2028 年的 SEPA 4.0 架構，並計畫結合自研 AI 基礎模型與「具身 AI」。

這裡需要區分「現有車型」與「未來路線圖」：Mona L03 是 XPeng 現階段展示 SEPA 3.0 與 VLA 技術的平台，但公司提出的 L4 目標屬於 2028 年 SEPA 4.0 的願景，並不代表 L03 現在已是 Level 4 車輛。

相較之下，XPeng 的重點更像是持續升級軟體、運算平台與車輛架構；小米則試圖先掌握更底層的高算力晶片。兩者最後能否拉開差距，仍取決於實際道路數據、軟體可靠度、法規許可與量產成本。

Tesla 與 Terafab：先解決長期晶片產能

Reuters 報導，Tesla 與 SpaceX 計畫在美國德州興建兩座先進晶片工廠：其中一座服務 Tesla 車輛與 Optimus 人形機器人，另一座則面向太空 AI 資料中心。

其他報導把這項名為 Terafab 的計畫描述為瞄準 2 奈米製程，並引述 Elon Musk 表示，SpaceX 未來可能消耗約為 Tesla 三倍的產能。不過，這些仍屬規劃中的目標，不能當成已經存在的量產能力。即使工廠最終落地，從製程驗證、良率提升到車規量產，仍需要經過漫長的工程與認證流程。

Tesla 目前的另一個爭議，是 HW4／AI4 是否足以支援無人監督的 Full Self-Driving（FSD）。部分投資人與分析人士認為現有硬體算力不足，但這是外部質疑，而非已獲確立的技術結論。另有報導指出，Tesla 曾向 JPMorgan 表示 HW4 足以運行 FSD v15 及無人監督功能；公司同時也在部署 AI4.5，據報其算力約增加一成、記憶體約提升至兩倍。

真正尚未解決的問題，不只是晶片採用 3 奈米還是 2 奈米，而是系統能否在真實道路上經過充分驗證，並符合安全與監管要求。

製程更先進，不等於自動駕駛已達 Level 4

3 奈米或 2 奈米製程通常有助於提升能源效率與電晶體密度，但製程節點本身並不能證明車輛已能安全實現 Level 4 自動駕駛。晶片還必須與感測器、記憶體、演算法、資料訓練、車輛控制及安全冗餘系統共同工作。

小米的 2000 億參數模型能力，代表其車載 AI 願景十分積極；Tesla 的 Terafab，則反映其希望掌握未來 AI 運算供應的企圖。兩者要真正轉化為自動駕駛優勢，仍要等到晶片大規模裝車，並由外部可觀察的道路表現與安全紀錄來驗證。