在智能驾驶领域，竞争焦点已从最初的硬件比拼，如激光雷达配置、摄像头数量及算力水平，演变为如今更侧重于端到端、VLA（视觉-语言-动作）及世界模型等大模型技术的应用。
当前，仅拥有先进模型已不足以构成显著优势，持续迭代的闭环——模型、数据、算力和芯片的协同优化，正成为决定技术上限的关键。为此，包括小鹏、蔚来以及理想在内的多家车企正积极布局底层技术自研。
理想汽车已在其L8和L9车型中搭载了自研的马赫M100芯片，该芯片采用了数据流架构，并被视为AI领域的重要技术方向。在此基础上，理想还运行了自研的马赫VLA模型。然而，行业更应关注的并非“是否自研”，而是这些投入能切实解决哪些问题。
针对下一代自动驾驶技术路线，理想汽车自动驾驶负责人詹锟和芯片负责人谢炎分享了他们的看法。他们深入阐述了自研芯片、数据体系及AI基础设施的设计理念，并回答了关于追赶特斯拉FSD V14效果、VLA模型构成、数据边际效应、算力中心未来构想、芯片设计考量以及自研芯片所需条件等问题。
詹锟认为，追赶FSD V14主要体现在两个层面：一是基础体验，包括安全感、效率和舒适度能否达到同等水平；二是高级能力，如对特殊车辆的礼让、狭窄路况下的精准感知及对交警指挥的识别等。他指出，这些能力的提升可能源于架构或数据的革新。
关于马赫VLA，詹锟解释说，它是一个技术体系，而非单一模型。他强调，在当前的自动驾驶架构趋势中，VLA和World Model正走向整合，并且“Language”（语言）在其中扮演着重要角色，尤其是在理解环境、交通规则及复杂决策方面。从长远看，基于视觉和语言的原生基础模型将是未来的趋势。
谢炎补充道，随着向L3、L4级别的自动驾驶迈进，模型需要具备类似人类的思考能力，此时语言模型的重要性愈发凸显，这也对算力提出了更高要求。他认为，仅依赖视觉和动作的模型在面对分布外场景时会显得力不从心，而语言模型能赋予其类人的推理和思考能力，以应对诸如理解交警手势等复杂情况。
谈及车队规模的增长对数据边际效应的影响，詹锟指出，数据的关键在于数量和质量。一方面，需要收集更多长尾场景（Corner Case）的数据，这与特斯拉的优势息息相关；另一方面，行为数据的质量至关重要，模型的泛化能力需要高质量的行为数据支撑。尽管数据规模增大后边际效应会递减，但通过规模化应用仍可加速模型能力的提升。
展望未来，谢炎设想理想汽车内部的AI算力将高度集中，形成一个统一的AI计算中心。他认为，尽管“舱驾一体”是行业趋势，但最核心的是AI算力部分的整合，座舱和智驾系统可以独立运行。这种集中式AI计算中心能显著提升效率，并确保智驾任务的确定性，不受其他任务干扰，这需要软硬件协同设计。
对于马赫M100芯片的设计，谢炎解释说，数据流架构确实能降低对外部带宽的需求，但对片上SRAM（静态随机存取存储器）容量的设计考量更为复杂，涉及成本、功耗及整体性能的权衡，而非简单地追求高带宽。他强调，不同架构的芯片不能仅凭单一指标进行简单对比。
关于高端芯片为何未普遍采用舱驾融合，谢炎认为，随着智驾系统向L3、L4发展，其对确定性的要求极高，需要专属的内存和计算资源，此时融合的意义不大，反而可能因资源切换降低确定性。他认为，对于中低端芯片，舱驾融合可能在封装成本上节省一些开支，但对于高端领域，集成化设计（如在同一块板上集成多颗芯片）可能比单芯片融合更有意义。
在自研芯片的条件方面，谢炎表示，除了每年数亿元的先期投入，还需要达到如年营收1000亿以上、研发投入占比10%以上等规模，才能支撑持续的芯片研发。同时，自研芯片必须能显著提升产品能力。他解释说，虽然单颗智驾芯片面积较大，但结合汽车年销量，所需的晶圆面积足以摊薄成本，因此不能仅以芯片数量来衡量规模效应。
在动态数据流编译器方面，谢炎透露，相关工作在流片前甚至设计阶段就已经展开，并且在流片前已跑通了大量模型。他将数据流架构面临的挑战类比于超级计算机的调度问题，即在大规模并行计算中，如何实现高效的通信和协作，传统调度方式在此规模下已不可行。
爱游戏体育围绕ayx不断创新，回应用户的真实需求。
爱游戏体育专注实时更新，比分毫秒必达，为用户提供专业可靠的体验。
mr. robul islam
精选爱游戏内容，爱游戏体育与你一同发现更多精彩。
围绕深度分析，洞悉赛事乾坤，爱游戏体育持续打磨更优质的服务。
爱游戏体育专注实时更新，比分毫秒必达，为用户提供专业可靠的体验。