打开网易新闻 查看精彩图片

出品 | 网易科技《态度》栏目

作者 | 栎行

编辑 | 定西

2026年11月17日,北京,台积电OIP生态系统论坛。

在半导体业内,OIP的含金量不亚于消费电子领域的CES。Synopsys、Cadence、Arm、NXP,全球EDA和IP领域最头部的玩家每年都会聚在这里,交锋最前沿的工艺与设计方法论。历年来,能站上这个主讲台做特邀演讲的,清一色是芯片产业链顶端的玩家。

今年的特邀演讲嘉宾,是理想汽车CTO谢炎。

他不仅是本届论坛唯一的特邀演讲嘉宾,也让理想汽车成为OIP历史上首家登台的中国大陆企业,更准确地说,是全球首家以自研芯片身份站上这个讲台的整车厂。一家造车的公司,被一群造芯片的公司请上了主桌。

这件事之所以值得深究,是因为它折射出一个正在发生的行业变局:智能汽车的芯片之争,正在从“选谁的方案”演变为“能不能自己造出来”。他身后代表的已不只是一家整车厂,而是一个试图改写端侧AI芯片规则的入局者。

行业的真问题:为什么GPU不是端侧AI的终局?

在聊马赫M100之前,我们需要先认清一个现实:过去几年,整个智能驾驶行业在芯片层面其实困在“被卡住”的局面里。

过去五年,英伟达几乎统治了高阶智驾的算力供给。从Orin到Thor,英伟达的GPU方案构成了绝大多数车企的算力底座。性能强、生态成熟、工具链完善,这看起来是一笔稳赚不赔的买卖。但在这份“省心”背后,藏着一个被行业长期回避的结构性矛盾:通用GPU的架构,天然不适配端侧AI推理。

根源在于传统架构的“存储墙”瓶颈。GPU是为大规模并行浮点运算而生的,在数据中心里做云端模型训练,它可以靠庞大的显存带宽和批处理(Batch)机制发挥威力。但把它搬到车上做单帧、低延迟的端侧实时推理,情况就变了:海量权重和中间特征图需要在计算单元与片外内存之间反复搬运,而每一次数据搬运消耗的时间和功耗,往往比计算本身还要高。

这就导致了一个尴尬的现实:一颗标称几百TOPS算力的芯片,在车端实际跑起智驾模型时,真实利用率往往只有30%到50%。剩下的大半算力全耗在了数据搬运的路上。

车企并非不知道这个痛点,但多数人的选择是“将就”:既然英伟达下一代芯片能给到更高算力,那就用堆算力来弥补效率的损耗。甚至有厂商把“搭载了几颗Orin”“堆了多少TOPS”当作核心卖点,本质上是在用硬件冗余去掩盖架构层面的低效。这好比家里的水管漏水30%,你不去修管道,反而把水龙头拧得更大。 短期内确实能出水,但能耗高、发热大,终究不可持续。

在这样的困境中,理想汽车选了另一条路:换管道。

数据流架构:一个“反共识”的技术赌注

2022年芯片项目立项时,理想团队做了一个当时几乎所有同行都避之不及的决定:放弃主流的GPU路线,转向动态数据流(Dataflow)架构。

这个决定在当时显得格外“反共识”。彼时整个车载芯片行业,无论是英伟达、高通,还是目前行业主流车企自研芯片,走的都是GPU或类GPU(NPU/DSA)路线。数据流架构虽然在学术界探讨了几十年,但在工业界的大规模商业量产中几乎是一片空白。选这条路,意味着没有现成的工程经验可借鉴,也没有成熟的工具链可直接复用。

谢炎后来复盘过背后的判断逻辑:“端侧的传统GPU架构已经遇到瓶颈,数据在计算单元和内存之间反复搬运,模型规模越大代价越高。我们判断AI时代的端侧算力,需要从指令驱动转向数据驱动。”

通俗地说,就是不再让计算单元苦等指令去“找数据”,而是让数据按照计算依赖关系,主动流向计算单元。

传统GPU的运行机制,很像一个繁忙却低效的图书馆:每次算子执行,都得派人跑到总书库(内存)去借书,算完再还回去,下一步再跑一趟,大量时间浪费在往返路上。马赫M100的数据流架构,更像一条精密编排的自动化流水线:编译器在编译阶段就规划好每一份数据在何时流向哪个计算单元,数据沿着片上网络预设路径自动流转,上一级算出的结果直接喂给下一级节点,中间无需反复落盘、等待或绕路。

架构变革带来的收益是立竿见影的。马赫M100的实际算力利用率突破了82%,远高于传统GPU在端侧智驾场景下30%至50%的典型水平。换句话说,同样标称1280 TOPS的算力,马赫M100能真正转化为有效推理能力的“实得算力”,达到了同级竞品的两到三倍。

理想官方披露的对比数据也印证了这一点:单颗马赫M100的有效算力达到英伟达Thor U的3倍,双芯组合更是达到5至6倍。 这种差距并非单纯靠堆晶体管数量或先进制程硬拼出来的,而是计算范式切换带来的架构代差。

自研芯片的“隐性门槛”:不是有钱就能干

外界对造芯常有一个误解,认为只要“决心够大、预算够足”就能水到渠成。

实际上,芯片工程的难度呈非线性攀升。设计一颗能点亮的原型芯片只是第一步,难的是把芯片推向车规级量产;而最难的,是量产后在真实场景下的综合能效比还要反超头部供应商。理想面临的挑战还要再加一码,它走了一条此前无人在车载领域跑通的架构路线。

跨过这条鸿沟,至少需要啃下三块硬骨头:

首先是架构与编译器的深度耦合。数据流架构在纸面上很美,但要落地为高利用率,极度依赖编译器与运行时对计算任务和数据流动的协同调度,以及片上SRAM与片外存储的协同设计。这要求芯片架构师和编译器工程师从第一天起就绑在一起做协同设计(Co-design)。这考验的是底层的组织协同与工程文化。

其次是全栈自研的闭环整合。理想选择从芯片、编译器、操作系统到域控制器全栈自研,让算法团队的需求可以直接传导至芯片微架构定义阶段,芯片也能为自研大模型提供通用方案给不了的定制化算子加速。

最后是严苛的量产验证周期。 先进制程芯片流片一次动辄耗资数亿元,能实现“一次流片即成功(First-time Silicon Success)”的团队本就寥寥无几。马赫M100从2022年立项,2025年初回片并展开验证,到2026年正式量产上车,四年走完全流程且一次流片成功。

把视野拉宽到整个汽车行业,车企在芯片策略上的分化已经非常明显。

理想卡住了一个颇具辨识度的身位:它是目前全球唯一选择非GPU数据流架构、并已实现规模量产的车企。它与英伟达、高通的博弈,不再局限于“同一种架构谁做得更极致”,而是转向了“两种不同的计算范式,谁更契合端侧AI推理的未来”。

参数背后的用户体验:当芯片的“好”变成方向盘后的“爽”

聊了这么多微架构与算力指标,落到每天握着方向盘的普通车主身上,感知究竟是什么?

是绿灯亮起时,车辆不再“发愣”。在传统高延迟方案下,受限于推理耗时,车辆在路口常会出现一两秒的“思考迟疑”,绿灯亮了半天车才缓缓起步,后车喇叭已经响成一片。马赫M100驱动的智驾系统几乎消除了这种起步迟滞。这种细节看似微小,但对于每天通勤要过几十个红绿灯的车主而言,体感差异极为直接。

是狭窄车位前,不再反复“揉库”。系统高效完成空间建模与最优路径规划,整套泊车动作连贯干脆,告别了传统方案“三把进、三把出”的犹豫。

是高速巡航时,对远端风险的提前预判。得益于高有效算力支撑下的3D ViT视觉大模型,系统前向感知距离延伸至300米,动态目标识别精度提升50%。反映在驾驶体感上,就是系统比人类驾驶员更早察觉三车道外正在加速并线的重卡,提前完成平稳减速,而非临近跟前才突兀急刹。

这些体验升级的底层逻辑一脉相承:更高的有效算力 → 承载参数量更大的端到端模型 → 更远距精准的感知与更低延迟的决策 → 无限逼近老司机的驾驶直觉。 数据显示,其端到端系统反应时间已压缩至0.28秒。截至2026年11月15日,理想全系车型辅助驾驶系统已累计完成2165.6万次主动避险。

2026年10月,理想旗下芯片子公司上海马赫心科技完成首轮16.25亿元融资,投后最大估值达171亿元。一级市场真金白银的押注表明,资本看重的已不只是理想汽车自身的销量基本盘,更是这颗芯片向泛机器人与端侧AI生态外溢的商业想象力。

四年前,当团队拍板放弃GPU、押注数据流架构时,外界看到的尽是工程风险与商业不确定性;四年后的今天,台积电OIP的讲台给出了全球半导体产业界的第一轮认可。很多时候,技术演进恰恰需要这样一群“叛逆者”,他们不满足于在既有框架里做参数内卷,而是回到第一性原理去追问:如果从零开始为AI时代设计一颗端侧芯片,它原本该长什么样?

马赫M100,就是理想汽车交出的第一份答卷。