告别「暴力堆料」，理想汽车打破车载芯片「高算力低智能」困局

34 0 0

文章摘要

当前智能辅助驾驶行业正从规则驱动转向以大语言模型为核心的VLA系统，行业长期遵循比拼芯片峰值算力、模型参数规模的军备竞赛逻辑，而车载芯片受功耗、散热、成本约束，且芯片团队与算法团队研发节奏脱节，普遍存在芯片峰值性能无法转化为实际系统效能，适配硬件的妥协反而降低模型性能的行业痛点。理想汽车与国创决策智能技术研究所联合开展相关研究，提出软硬协同设计定律的数学框架，为理想自研车规级芯片“马赫100”打下理论基础，核心目标是在有限的车载算力条件下最大化榨出大模型智能。

研究给出了三步落地方案：首先通过训练170个不同架构的模型、评估近2000个候选配置，实现了从传统黑箱试错到白盒预测的转变，给定模型超参数无需训练即可预测最终精度；其次对经典Roofline性能模型完成车载化革新，首次系统性将KV缓存、MoE路由等车载大模型的特殊内存负载纳入建模，并在Orin和Thor平台完成实测验证；最后开发PLAS架构搜索框架，输入芯片硬件参数与工程约束即可自动输出最优模型架构方案，可将原本数月的模型适配工作缩短至一周左右。优化后的模型在与Qwen2.5-0.5B保持完全相同延迟的前提下，精度提升了19.42%。

研究还总结出六个挑战行业常识的核心发现，其中最具冲击力的结论是决定车载AI实际表现的往往不是芯片的峰值算力，而是它的内存带宽和缓存效率，另一重磅发现为在车载单次处理请求的典型场景下，MoE稀疏架构以100%概率碾压所有密集架构，稀疏计算将成为车载AI的标配。此外研究还指出，AI推理两个阶段对硬件需求不同，芯片需支持动态切换工作模式；传统Transformer沿用的4倍FFN扩展比在车载场景低效；INT8量化的实际性能提升低于理论值，需芯片底层原生支持混合精度才能消除损耗。所有结论共同指向，没有万能芯片，只有适配特定场景的芯片，这也是理想自研芯片的底层逻辑。

披露信息显示，马赫100为5纳米制程车规级芯片，预计2026年量产，首搭于全新一代理想L9，是完全基于软硬协同设计定律推导的算法原生芯片，可在同等功耗散热条件下运行更大、精度更高的模型，优化智能辅助驾驶体验。这项研究重新定义了车载AI芯片的评价体系，提出行业竞争核心从比拼算力规模转向比拼算法硬件的匹配效率，印证了软硬一体的自研路线是车载智能化发展的必然方向，会成为下一轮行业淘汰赛的核心分水岭。