关于理想造芯，这是你该知道的一切：对话理想汽车CTO谢炎

🚗 理想汽车自研芯片战略与技术深度解析

⚡ 一句话概述

理想汽车基于“第一性原理”与AI算力成本激增的行业趋势，通过构建从5nm制程“马赫M100”芯片、数据流架构编译器到操作系统的全栈垂直整合能力，旨在突破通用GPU效率瓶颈，确立在智能驾驶与具身智能领域的长期差异化竞争壁垒。

🎯 核心战略逻辑：为何必须自研？

1. 成本结构的根本性转变

随着人工智能技术在汽车行业的深度渗透，AI算力成本正迅速攀升，极有可能超越电池成为整车制造中的最高单项成本项。在这一背景下，单纯依赖外购通用芯片方案已无法兼顾性能与成本控制。理想汽车认为，掌握底层核心技术不仅是技术追求，更是应对未来成本压力的必然选择。通过自研芯片，车企能够更精准地匹配算力需求，避免为冗余功能付费，从而在激烈的市场竞争中构建起基于硬件效率的成本优势。

2. 通用GPU的效率瓶颈

当前主流的通用图形处理器（GPU）在处理AI推理任务时存在显著的效率短板。数据显示，通用GPU在实际运行中的利用率往往仅维持在30%至40%之间，这意味着超过一半的算力资源被浪费或闲置。这种低效不仅增加了硬件采购成本，也限制了车辆实时响应能力的提升。理想汽车指出，要解决这一痛点，必须从架构层面进行革新，而非仅仅依靠堆砌晶体管数量。自研芯片允许团队针对特定的AI负载进行定制化优化，从而大幅提升硬件的实际运行效率。

3. 差异化壁垒的构建

在智能电动汽车行业同质化竞争日益严重的今天，软件定义汽车（SDV）已成为共识，但底层硬件的差异性是构建护城河的关键。谢炎强调，车企需要具备模型理解力与全局架构视野，而非单纯地堆砌硬件参数。通过垂直整合，理想汽车能够将芯片、编译器、操作系统以及上层应用进行深度协同设计，形成闭环的技术生态。这种全栈自研能力使得理想能够在算法迭代时快速调整底层支持，实现软硬件的最佳匹配，从而建立起竞争对手难以短期复制的技术壁垒。

🏗️ 技术架构创新：数据流与冯·诺依曼的博弈

1. 摒弃传统指令驱动

传统的计算机体系结构多基于冯·诺依曼架构，其核心特征是“存储程序”和“指令驱动”。在这种模式下，CPU需要不断从内存中读取指令和数据，导致大量的时间消耗在控制逻辑和数据搬运上，而非实际计算。对于高维、并行的AI计算任务而言，这种串行化的处理方式显得尤为低效。理想汽车的自研芯片彻底摒弃了传统的指令驱动机制和复杂的Cache（缓存）层级结构，转而采用可编排的数据流架构。

2. 数据触发计算的范式转移

在数据流架构中，计算的触发条件不再是时钟周期或指令序列，而是数据的可用性。当所需数据到达处理单元时，计算自动开始；若数据未就绪，则等待。这种机制消除了控制逻辑中的冗余操作，显著降低了功耗并提升了执行效率。理想汽车将架构的复杂性从硬件层面转移至编译器层面，通过先进的编译技术来调度数据流，确保计算资源的高效利用。据透露，该芯片在实际运行中的效率高达82%，远超通用GPU的水平，这得益于其针对AI负载特性的深度优化。

3. 软硬件协同设计的必要性

数据流架构的优势发挥高度依赖于编译器的能力。因此，理想汽车在研发过程中采取了软硬件同步开发的策略。硬件团队需要深入了解编译器的工作原理及操作系统的机制，以便设计出更易于调度的硬件结构；反之，编译器工程师也需要知晓硬件实现的边界与代价，从而生成更高效的代码。这种跨领域的深度协同打破了传统分工壁垒，使得整个系统能够在整体层面上实现最优性能，而非局部最优。

🛠️ 研发历程与产品落地：从立项到量产

1. 严谨的研发节奏

理想汽车的自研芯片项目始于2021年，经过半年的深入论证后于2022年正式确定技术方向。这一阶段的重点在于明确芯片的定位、架构选择以及应用场景。随后，团队启动了软硬件协同开发工作，确保底层硬件与上层软件能够无缝衔接。令人瞩目的是，该芯片在首次流片后即成功点亮Linux系统，证明了其架构设计的成熟度与工程实现的可靠性。这种“一次性成功”的背后，是团队对技术细节的极致把控和对潜在风险的充分预判。

2. “马赫M100”的核心规格

理想自研的首款智能驾驶芯片命名为“马赫M100”，采用先进的5nm工艺制程，芯片面积达到400平方毫米，集成了高达450亿个晶体管。在算力方面，其峰值算力为1280 TOPS（每秒万亿次运算），足以支撑当前及未来一段时间内高阶智能驾驶算法的需求。更重要的是，如前所述，其实际运行效率达到了82%，这意味着在同等功耗下，它能提供比通用方案更强大的有效算力，或在同等性能下实现更低的能耗。

3. 应用落地与性能表现

马赫M100芯片已搭载于理想L9等车型上，并支持原生多模态VLA（Vision-Language-Action）模型。在实际应用中，端到端的反应速度被缩短至0.28秒，显著提升了车辆在复杂路况下的响应能力与安全性。此外，通过虚拟化技术，该芯片能够整合中央预控功能，进一步提升了系统的安全性与成本效益。这种快速落地的能力体现了理想汽车在工程化方面的强大实力，也验证了自研芯片在实际场景中的价值。

👥 人才素质与技术前瞻：打破壁垒的工程师文化

1. 好奇心与跨领域学习能力

谢炎在谈及团队建设时强调，面试新人最看重的两个核心素质是“好奇心”和“跨领域学习动力”。好奇心是解决未知问题的原动力，驱使工程师不断探索技术边界；而跨领域学习能力则是应对复杂系统挑战的关键。在AI时代，单一领域的知识已不足以支撑创新，工程师需要具备高位认知，能够理解整个技术栈的运作逻辑。

2. T型人才的培养要求

理想汽车对不同类型工程师提出了具体的跨界学习要求：

• 硬件工程师：不能仅关注电路设计，还需深入了解编译器原理及操作系统机制，以便设计出更利于软件调度的硬件结构。
• 编译器工程师：需知晓硬件实现的边界及代价，避免生成低效或难以执行的代码，确保算法在硬件上的高效运行。
• 模型工程师：需深入理解底层软栈（如进程、线程、I/O机制）及硬件工作方式，以便优化模型结构，使其更适配底层算力特性。

这种“向上向下贯通”的技术视野，使得团队能够在系统层面发现并解决问题，而非局限于局部模块的优化。谢炎指出，架构层面的改进往往需要在运行中通过“上帝视角”去发现，而非预先完全设计出来，这就要求工程师具备极强的全局观和实战经验。

🔮 未来展望：能源、智能与具身智能

1. 行业突破的双重底层能力

对于中国智能汽车产业而言，理想汽车认为未来几年最需要突破的两大底层能力是“能源”（电池）与“智能”。随着电动化技术的逐渐成熟，智能化将成为区分产品竞争力的核心要素。而智能化的基础在于算力与算法的高效结合，这正是自研芯片所致力于解决的问题。通过掌握这两大底层能力，车企才能在未来的市场竞争中立于不败之地。

2. 数据流架构的持续深耕

尽管数据流推理体系已有六七十年的发展历史，但在AI时代的应用尚不足十年，其潜力远未被完全挖掘。理想汽车团队正积极探索如何突破车端芯片算力受限的现状，尝试运行更大的Workload（工作负载），如自动驾驶之外的更大规模模型。未来，团队将继续在数据架构领域深耕，推动车端AI算力向更大规模、更复杂模型的演进。

3. 具身智能与长期竞争

谢炎强调，自研芯片的最终目标不仅是解决当前的智能驾驶需求，更是为了应对未来的“具身智能”挑战。随着机器人技术与汽车技术的融合，对算力的要求将呈指数级增长。通用方案难以兼顾性能、成本及未来扩展性，而垂直整合的全栈能力则是应对这一挑战的唯一路径。行业趋势正从通用走向专用，再回归到高效整合，唯有跑得更快、迭代更迅速的企业，才能在技术追赶中保持领先。

💡 结论

理想汽车的自研芯片战略并非盲目跟风，而是基于对行业成本结构变化、技术瓶颈及未来发展趋势的深刻洞察所做出的理性选择。通过采用5nm制程的马赫M100芯片和数据流架构，理想成功实现了硬件效率的大幅提升（82%），并在实际应用中验证了其高性能与高安全性。更重要的是，理想构建了一套从芯片、编译器到操作系统的全栈垂直整合能力，打破了传统分工壁垒，培养了具备跨领域视野的工程师团队。

这一战略不仅解决了当前外购方案无法兼顾的性能与成本问题，更为未来具身智能和更大规模模型的落地奠定了坚实基础。谢炎指出，车企需具备模型理解力与全局架构视野，通过软硬件协同设计应对技术快速迭代。在能源与智能成为核心竞争力的时代，理想汽车通过掌握底层核心技术，确立了长期的竞争壁垒，其“跑得更快”的发展理念也为整个行业提供了重要的参考范式。未来，随着数据流架构的持续优化与应用场景的拓展，理想汽车有望在智能驾驶及更广泛的AI领域继续保持领先地位。