最近我把地平线征程J3、J5、J6E这三颗智驾芯片的公开资料从头到尾捋了一遍越捋越觉得有意思它们之间隔着好几代架构但又是同一个家族里同时存活、同时在量产车上服役的产品。对于想搞懂智驾芯片怎么选型、怎么理解算力的人来说J3、J5、J6E放一起对比比单独看任何一颗都更有价值。这篇笔记不是官方评测也不是广告就是我从算法部署视角出发的学习整理先看产品序列再拆BPU架构然后落到传感器、工具链和实际选型场景。适合正在入门车载智能驾驶、或者准备做智驾方案选型的朋友参考。1. 产品序列先排清楚J3、J5、J6E在征程家族里站什么位置1.1 三颗芯片的时间线和家族定位地平线征程系列芯片的命名其实很简单J是Journey征程的缩写数字越大代际越新。J3是征程32020年发布主打5 TOPS左右的算力目标非常明确就是把基础的L2级辅助驾驶AEB、ACC、LCC这些做成低成本方案J5是征程52021年发布标称算力128 TOPS一下子把算力拉到了当时的中高阶智驾门槛面向高速NOA和部分城区场景J6E则是征程6家族里的走量型号征程6系列2024年正式发布包含J6B、J6E、J6M、J6P等多个等级其中J6E的定位是中阶智驾主力公开口径算力在60 TOPS级比J5低却能用更新的架构去承接大量原本需要J5甚至双J5才能跑的任务。这里有个容易忽略的点J3、J5、J6E并不是简单的新版替代旧版关系。在2024到2025年的量产市场里J3依然大量存在于入门车型J5被用在已量产的众多中高配车型上J6E则是新一代方案的主力先锋。三代产品同台其实是智驾市场分级的结果——有的车只需要安全的L2有的车需要完整的高速领航有的车想把城区记忆行车和泊车做成标配不同需求对应不同算力档位。所以对比这三颗实际上是在对比智驾芯片的三个典型价位段。1.2 基础规格一张表看明白芯片发布年份BPU架构标称算力公开口径主要面向征程3J32020伯努利约5 TOPSL2级辅助驾驶、基础行泊一体、一体机征程5J52021贝叶斯128 TOPS高速NOA、高阶行泊、部分城区辅助征程6EJ6E2024纳什约60 TOPS级中阶智驾、高速NOA、城市记忆行车、行泊一体这张表是理解后面所有内容的锚点。注意两件事第一从J3到J5算力提升了约25倍从J5到J6E算力数字反而下降了这在芯片迭代里看起来很反常但背后是架构效率的变化。第二不要把J6E当成J5的降级版它是换代产品里专门为性价比走量切出来的一个档位。打个比方J3像排量1.5L的家轿J5像3.0T的性能车J6E则是一台2.0T混动——表面数字不如性能车猛但日常开起来又顺又省。智驾芯片看的不只是纸面马力还要看实际路况下能有效用出多少。我在整理这张表的时候还特意核了一下代际关系征程家族走到今天其实已经横跨了好几代BPU微架构但字母后面的数字并不完全代表性能排序J6家族里数字越大级别越高J6P就是面向全场景高阶智驾的旗舰算力直接拉到几百TOPS级别。J6E处在家族中段它的任务不是挑战旗舰而是在主流价位里给出一个什么都够用的解。对普通车型来说旗舰芯片往往性能过剩成本吃不消J6E这种档位反而更容易被车企接受这也是它一出来就被很多人盯上的原因。2. 算力不是一块铁板伯努利、贝叶斯、纳什三代BPU的实质差异2.1 BPU到底是什么为什么每次换代都提它BPUBrain Processing Unit是地平线自研的神经网络加速处理器你可以理解成芯片里专门用来跑AI模型的加速心脏。智驾芯片上除了CPU、GPU这些通用部件最核心的差异就集中在BPU上。J3的BPU是伯努利架构J5的是贝叶斯架构J6系列换成了纳什架构。架构代际更替带来的不是单纯算力升降而是对不同神经网络结构的支持力度完全不同。伯努利架构在2020年是很典型的CNN加速器它对卷积网络这类规则计算优化得比较好跑传统的前视目标检测、车道线检测都很顺手这也是J3能用5 TOPS完成L2任务的原因。贝叶斯架构在J5上把算力规模拉大同时增加了对大网络的支持能跑更深的模型但遇到后来主流的Transformer、BEV这类带注意力机制的网络时还是会存在算子支持不够、编译效率打折的问题。纳什架构则是完全面向新一代模型设计的它对Transformer、BEV、Occupancy网络做了专门优化底层的算子库和编译器融合了很多通用场景。这个变化往深了说就是为今天的算法去设计硬件而不是让算法去迁就硬件。2.2 60 TOPS为什么敢接J5的活有效算力和算力效率很多人第一次看J6E的参数都会疑惑J6E的标称算力才60 TOPS级J5有128 TOPS凭什么J6E能承接高速NOA和城市记忆行车答案在于架构效率和算子适配。TOPS是芯片理论上每秒执行的整数运算次数万亿次级别但这个数字是峰值跑不同模型时能发挥出来的实际比例差得很大。一个网络如果90%的算子都能被BPU高效利用和只有60%算子能利用最终感受是完全不同的。我见过不少团队在对比芯片时只比较TOPS数字真正做模型部署的人会在意三个指标算力利用率、内存带宽、模型编译后的延迟。J6E的纳什架构在跑Transformer和BEV这类模型时内部算子覆盖率和数据复用效率比J5高出不少所以在实际的高阶智驾任务里J6E能表现出不输J5的处理能力。换句话说J5的128 TOPS还有不少潜能被老架构的适配成本消耗掉了J6E的60 TOPS则更擅长把力气花在刀刃上。这里多说一句算力利用率这个概念在互联网推荐系统里早就被反复强调了但到了车载场景很多人还是会回归到峰值TOPS越高越好的直觉判断。尤其智驾系统是实时任务对延迟非常敏感峰值算力再高如果任务排队或者架构调度不灵活落到体验上就是帧率不稳定、反应慢半拍。所以厂商现在也越来越多用有效算力真实帧率来做宣传口径本质上就是希望大家别再只看TOPS这一个数字。2.3 架构差异背后的软件成本芯片架构换代最直观的负担在软件侧。一个模型从J3迁到J5再到J6E不是拖过去就能跑。伯努利时代的算子比较简单很多手写C算子贝叶斯时代开始有相对成熟的编译工具到了纳什架构新的编译器和工具链需要把模型映射得更细。对于算法团队来说这个过程最磨人的不是网络本身而是量化精度损失、算子不支持时的替代写法、多核调度时延抖动。我自己的体会是选一颗芯片之前一定要先去它的工具链文档里搜一搜你想要跑的模型结构的支持情况这比参数表上的TOPS数字可靠得多。另外还要提一下模型结构的变化趋势。2022年以后智驾算法的主干网开始全面转向Transformer加上BEV和Occupancy模型的形态已经从规则化卷积变成了注意力机制为主导。注意力机制的特点是数据依赖强、并行度不好榨如果硬件没有对应的融合单元跑出来的效率非常难看。J3时代的伯努利架构跑不了这类模型J5勉强能跑但效率一般J6E的纳什架构则是把注意力计算吃透了这也是它算力不高却能应对高阶任务的最底层原因。理解这层关系你再看三颗芯片的算力差距就不会觉得奇怪了。3. 传感器与系统集成三颗芯片的眼睛和外设支持3.1 摄像头接入、雷达接口的定位差异智驾芯片不是光算模型就行它还要接收和处理传感器的原始数据。J3那个年代主流方案是前视摄像头为主加几个毫米波雷达做AEB所以J3的传感器接入规模天然不需要太大几路摄像头、够用的CAN接口就能覆盖。J5明确面向环视和行车摄像头路数、以太网带宽、高精定位接收能力都往上提了一档这样才能支持NOA这类对感知范围和连续性要求更高的功能。J6E作为新平台在传感器接入上又进一步尤其是对更多路摄像头同时接入的支持以及和激光雷达、4D毫米波雷达等新传感器的配合明显是为2025年以后的传感器配置趋势留了空间。这里说个很多人忽略的点多传感器接入不是看接口数量够不够而是看时间同步和数据处理链是否完整。摄像头、毫米波、激光雷达的数据如果时间戳不一致融合出来的障碍物位置就是偏的再强的算力也白搭。地平线在这几代芯片里都做了相关的硬件加速单元和支持库J6E在同步精度和多路数据的调度能力上更成熟。做方案选型时建议把能不能稳定接入我的传感器组合这个问题放在算力之前问否则后期联调会非常痛苦。3.2 从前视一体机到行泊一体域控另一个维度的系统集成差异体现在模组形态上。J3最常见的用法是前视一体机也就是摄像头和芯片做成一个模组放在挡风玻璃后面处理L2功能J5则更常出现在独立的域控制器里因为要承担的感知任务更重需要更大的板子、更强的散热和更大的内存J6E的设计目标明显是一颗芯片覆盖一个域控的中阶主力任务它既可以做前视增强也可以做行泊一体的主控芯片。对整车厂来说这意味着硬件平台可以做到更高集成度减少PCB面积和线束对降本很有帮助。我补充一句个人看法很多人喜欢拿能不能跑多少路摄像头来评价芯片其实更值得关注的是芯片配套的BSP板级支持包、底软和中间件是否成熟。J3早期项目里工程师经常要花大量时间做底层调试到了J5时代地平线在操作系统适配、Autosar支持上已经积累了很多量产经验J6E上来的时候地平线已经把量产车的底子在前面两代踩熟了这是新平台能快速落地的隐形原因。看芯片不能只看芯片本身要把整个系统成本、开发工时都算进去。还有一个容易出现认知偏差的点是内存配置。J3时代很多一体机的内存是2GB到4GB级别的跑L2足够J5的高阶方案普遍需要大内存来承载多路感知模型和高精地图J6E虽然算力数字不高但要承载BEV这类吃显存模型内存带宽和容量反而不能省。也就是说三颗芯片背后连带的是一整套不同的存储、电源、散热设计方案级成本差距往往比芯片本身的价格差距还要大。真正做过域控项目的人一定懂我在说什么。4. 工具链成熟度真正拉开开发效率的差距4.1 从模型训练到上板部署的完整链路芯片性能再强如果模型部署不开放、工具链不好用开发效率就会大打折扣。地平线从J3开始就一直在推自己的开放工具链早期主要是把TensorFlow、PyTorch训练好的模型做量化、编译然后部署到BPU上跑。到了J5工具链的自动化程度明显提升模型转换、精度调优、性能分析这些环节陆续有了相对完整的工具支持这也是J5能快速铺开量产的客观条件之一。J6E这一代工具链进一步和最新的算法栈对接对Transformer、BEV等结构的编译优化做得很细很多J5阶段需要手工处理的算子在这代工具链里可以直接识别和融合掉。我建议真正要上手的朋友从地平线的官方文档和示例demo开始走一遍先拿一个公开的检测模型完成转换、量化、编译、板端推理的全流程再把精度和性能数据记录下来。这个过程能帮你快速感知工具链的成熟度。如果连官方demo跑起来都磕磕绊绊那这个芯片在项目上会非常费劲。具体的步骤大致是这样的准备好PyTorch训练好的模型套用地平线提供的模型转换工具做格式转换再用校准数据集做INT8量化最后通过编译器生成BPU可执行文件在开发板上推理验证。每一步都有对应的日志和调优手段关键是你要有耐心把精度和性能平衡好。4.2 算子支持和量化效果最容易翻车的地方模型部署最大的痛点是算子和量化。J3的伯努利架构时代很多算法工程师为了适配芯片被迫改写模型结构把不支持的算子拆掉J5的贝叶斯架构好了一些但对一些新出的算子还是经常要等工具链版本更新J6E的纳什架构配合新一代工具链对主流模型的覆盖率明显更好。另一个关键点是量化也就是把FP32模型转成INT8甚至更低精度来提升速度量化后模型精度掉多少直接决定算法团队要不要额外做蒸馏调优。这里给个判断方法拿到芯片后先选取你实际业务里最难的一个模型比如带Transformer分支的检测或分割模型完整跑一遍量化部署看看精度损失和速度提升是不是你所在项目能接受的。这个实验比看任何参数表都有说服力。我在实际测试中见过最典型的翻车案例一个团队在J5上部署BEV模型量化后精度掉了超过5个点最后不得不用混合精度再配合蒸馏才拉回来前后多花了一个多月。如果你一开始就选对芯片让工具链天然支持这类模型后面会省很多事。4.3 社区和文档也是一种算力地平线构建的生态里还包括了开发者社区、参考方案、量产案例分享等。我个人的使用感受是越是高频踩坑的环节比如多传感器时间同步、模型量化调优、GPU与BPU的异构调度社区里沉淀的经验越重要。选型评估时可以搜索一下目标芯片的社区问答和开源仓库看看别人真实遇到的麻烦和解决办法这些信息能让你对开发的曲线有个心理预期。芯片厂商说好用和工程师上手后觉得好用中间差的往往就是一套能快速解决问题的文档和社区支撑。5. 落地场景怎么排L2基础辅助、高速NOA、城区NOA各认领主战场5.1 J3的主战场基础L2和成本敏感走量车型J3在2024年后的定位越来越清晰它是入门智能驾驶的成本担当。对于那些只要求AEB、ACC、车道居中、360影像加简单泊车的车型J3用很低的功耗和很低的BOM成本就能满足单芯片方案也不需要复杂的散热和电源设计。很多入门车型选择J3不是因为它能跑多炫的功能而是它把功能安全做过了、量产案例足够多、供应链稳定这就够了。如果你的项目定位是10万出头走量车型的标准安全配置J3依然是一个非常稳妥的选择。5.2 J5的主战场高速NOA和已量产的高阶配置J5的128 TOPS在它发布时是中高阶芯片的标杆实际量产的节点大多落在高速NOA和记忆泊车上。公开信息里理想L系列的部分车型就搭载了征程5这些车型普遍带上了导航辅助驾驶功能包括自动变道、上下匝道、记忆泊车等。J5的算力对于高速场景来说是绰绰有余的跑一些轻量化的城区辅助比如城区记忆行车也能承担。在J6E没有完全放量之前J5依然是不少车企中高配车型的主力选择。需要留意的是J5方案的功耗和成本明显高于J3对域控的散热和供电要求也更高所以它适合追求高阶功能的车型而不是入门走量车。5.3 J6E的主战场用中阶成本做接近高阶的体验J6E最有想象力的地方在于它的算力数字不高但架构新、工具链成熟所以可以用很务实的成本去覆盖高速NOA加城市记忆行车加行泊一体。这对车企来说是非常有吸引力的组合。过去要做一个完整的高速领航加泊车方案往往要上双J5或者更大算力的芯片BOM成本很可观现在J6E单颗就能承接一大块任务系统复杂度降下来了成本也降下来了。2025年开始市场上陆续有搭载征程6系列的新车型进入交付周期J6E在其中承当了让高阶功能向主流价位渗透的角色。这里我还要多提一句J6E并不是要完全取代J5。在那些把传感器堆得很满、功能定义特别激进的车型上J5或者J6家族更高阶的型号依然有存在的必要J6E瞄准的是把高速领航和都市记忆行车做成全系标配这类主流需求。两者在市场上是互补关系而不是你死我活。选型时最重要的是搞清楚你的目标车型到底要卖多少钱、配什么传感器然后顺着需求去找芯片档位而不是反过来被参数牵引着做产品定义。5.4 选型时的决策顺序建议把三颗芯片放在真实的项目里选型我建议的顺序是这样的先确定车型的功能目标到底是L2还是NOA还是更多再确认传感器硬件配置几路摄像头、是否有激光雷达然后框出功耗和成本预算最后才落到芯片算力比较。芯片参数只有在功能、传感器、成本都框定之后才有对比意义。如果功能只需要基础L2J3就够了完全不必为了账面算力更高去选更大芯片如果要主打高速NOA和泊车体验J6E可能是性价比最优解如果要往上够一点城区NOA和更复杂的训练模型J5甚至J6家族更高阶的型号才合适。6. 学习笔记的避坑清单这几个误区值得单独写一页6.1 误区一把TOPS当唯一标尺这是我在接触很多刚开始了解智驾芯片的人时最常见的判断方式。TOPS只是峰值算力或者更准确说是一台机器在理想状态下的理论上限真实场景里的有效算力会受网络结构、内存带宽、工具链优化程度等多重因素影响。J6E用60 TOPS级算力去承接J5原本的职能靠的就是架构效率。建议比较芯片时列出三个维度峰值算力、典型模型的实测性能、工具链支持的算子覆盖率三个维度的数据都看齐心里才有底。6.2 误区二忽略ISP和图像质量感知模型是建立在图像之上的如果前端摄像头采集到的画面亮度、细节、防抖处理不好模型精度再高也发挥不出来。地平线几代芯片都有ISP相关的能力但J3、J5、J6E在图像采集和处理的能力上限上并不完全相同。选型时可以让芯片厂商提供针对800万像素摄像头、夜间低照度场景的实拍效果再结合算法团队做闭环测试不要只在数据集上比mAP。好的ISP能让模型在很多长尾场景里找回几个点的准确率这在智驾量产里可能就是一次事故和一次正常刹车的差别。6.3 误区三从单芯片角度评估整个系统三颗芯片的对比不能只停留在芯片本身。模组设计、散热、内存、电源、BSP、功能安全、量产经验、供应链成熟度这些才是项目落地的真实成本。J3出货多、量产案例多所以现在做入门方案反而很顺J5在高端车型上积累了可靠性数据J6E是新一代平台量产数据还在持续沉淀。我的经验是芯片选型一定要配合着看方案商的参考设计和量产案例比如一家Tier1已经基于某颗芯片跑了量产项目和你从零搭一个平台开发周期和风险级差一个数量级。6.4 给新入门朋友的一条学习路径如果完全从零开始学地平线这代芯片我建议别一上来就翻数据手册先做三件事第一弄清楚L2、高速NOA、城区NOA、行泊一体这些功能名词各自的算力和传感器需求第二分别跑一遍三颗芯片的官方示例模型部署流程体会工具链差异第三找一个真实量产车型配置单倒推出它用了什么芯片、什么架构、多少成本把功能-芯片-成本的关系串起来。这套流程走完你对J3、J5、J6E的认知就不是零散的参数而是一张能指导决策的图景。我个人一直觉得学习笔记的价值不在于记录参数而在于把参数背后的取舍逻辑想明白这一步想通了看任何芯片都会轻松很多。