特斯拉自家的 Dojo 晶片硬體架構包含大量 on-die SRAM＋高速近鄰通訊，是非常適合「傳統分層式自駕 pipeline」的專用硬體.
但去年特斯拉的 FSD v12 導入的端到端自動駕駛，以 Transformer 架構加上數百萬段影片訓練：長序列、跨視角、跨時間的注意力，外加訓練時的激活/KV cache，這代表超巨大的訓練模型，硬體上需要大容量、低延遲、超高頻寬的貼身記憶體與大規模低延遲互連；而市場上正好有GB200/NVL72（HBM3e＋NVLink/NVSwitch）完全符合需求．
也就是特斯拉由「傳統分層式自駕 pipeline」轉向「端到端自動駕駛」的時候，就注定了 Dojo 被 Nvidia GB200/NVL72取代．以下就稍微講一下「傳統分層式自駕 」跟「端到端自動駕駛」的差別：
為什麼「傳統分層式自駕」很適合 Dojo？
- 傳統做法通常是「感知用深度學習（CNN、3D occupancy、tracking NN 等）＋後段用演算法/規則/最佳化」。也就是說感知→預測已是神經網路；但規劃→控制常以各種演算法為主，並夾雜大量 heuristics 與規則。
算力最重的通常是「感知→（短時序）融合」這段—剛好是上面列的那些局部性強、可算子融合的模塊；把它們壓進 on-die SRAM（~11GB）、靠 2D mesh 近鄰交換，正好對上 Dojo 的硬體特性就能做得快又好.
後段複雜的規劃/控制雖有大量規則與最佳化，但計算上更像稀疏且結構化的 CPU/GPU 工作。
為什麼「端到端影片 Transformer」更需要超大而且可擴充的架構？
FSD v12 之後的架構把「多攝影機影片 → 控制輸出」全部交給以 Transformer 為主的端到端，並以數百萬段影片訓練、取代原本的演算法＋規則/邏輯。這樣子長序列、跨視角、跨時間的注意力外加訓練時的激活/KV cache都要長時間貼身留存，這讓模型變的非常巨大，像是Nvidia NVL72 機櫃這樣可以把 72 顆 Blackwell GPU連成單一 NVLink 網域整櫃HBM≈13.5 TB的架構就更適合．
其它因素
除了演算法對應的硬體架構這個因素之外，另外像是Dojo 的 InFO_SoW（System-on-Wafer）把 25 顆近滿光罩的大晶片放在「載板晶圓」上重佈線的做法也在實作上面臨很多挑戰，包含封裝良率、供電、散熱等．
LLM的爆發讓 NVIDIA 的 Blackwell/GB200 成為目前業界標準（軟硬體堆疊、TE FP8/FP4、NVLink/NVSwitch、TensorRT-LLM 等），要大規模訓練或服務 transformer 架構巨型模型採用現成 Nvidia NVL72 機櫃更快、更具擴充性。
也請 ChatGPT 做了一個比較表：
結論：
特斯拉官方沒有把 Dojo 的終止直接歸因於架構更迭，但把端到端駕駛模型 Transformer 架構的行業大勢確實削弱了以超大 on-die SRAM 為核心的 Dojo 路線的相對優勢，讓「可擴充+ 超大HBM + 生態成熟」的 NVIDIA 更符合特斯拉在訓練端的時程與風險管理。
