首页 时政热点 科技头条 智能AI 安全攻防 数码硬件 开发者生态 归档 标签 关于
汽车 morning

理想造了一颗登上台积电讲台的芯片,却希望你在开车时彻底忘掉它

摘要

买车的时候,要判断一台车好不好,往往是一件很凭直觉的事。 踩一脚油门,推背感会告诉你马力够不够。摸一下中控,指尖会告诉你是不是好用料。更不用说还有古早奥义:通过开关车门来听整车的做工。听起来厚实吗?厚实就是好车,简单且直接。 但是时代变了,高科技来了,AI 来了,信息大爆炸的时代来了,世界变得复杂又难懂,买车也是。 比如智驾这件事,就很玄乎。门店的销售通常会热情地抛出一串数字:500 TOPS、1...

M100 OIP TOPS 台积电 Google Meta 35B 买车的时候 要判断一台车好不好 往往是一件很凭直觉的事
2026-11-20 1 阅读 约10分钟阅读 李华
分享:
字号:
买车的时候,要判断一台车好不好,往往是一件很凭直觉的事。 踩一脚油门,推背感会告诉你马力够不够。摸一下中控,指尖会告诉你是不是好用料。更不用说还有古早奥义:通过开关车门来听整车的做工。听起来厚实吗?厚实就是好车,简单且直接。 但是时代变了,高科技来了,AI 来了,信息大爆炸的时代来了,世界变得复杂又难懂,买车也是。 比如智驾这件事,就很玄乎。门店的销售通常会热情地抛出一串数字:500 TOPS、1000 TOPS…… 力大砖飞的道理大家都懂,但实际上,没人真正在乎算力的具体数值。作为一个普通消费者,我们想问的其实特别简单: 花好几年、砸几十个亿自研的芯片,到底能不能让车开起来更像个人? 理想相信,这件事情可以靠自研的「马赫 M100」芯片来实现。就在 11 月 17 日,凭着这颗已经量产上车的芯片,理想走进了半导体的「内行局」——台积电 OIP 开放创新平台生态系统论坛。 作为全球芯片设计、EDA 与先进制程领域规格最高的年度盛会,台积电 OIP 论坛历来只邀请全球最顶尖的计算巨头登台。往年坐上特邀演讲席的,是 Google、Meta 的基础设施负责人,或者是被称为「硅仙人」的芯片界传奇人物 Jim Keller。 而在今年,与理想汽车同台分享的,也都是博通、瑞萨电子、SK 海力士这样的全球头部芯片企业。理想汽车,也由此成了台积电 OIP 生态论坛举办以来,唯一一家进行特邀演讲的中国大陆企业。 但比起这场登台本身,我们今天更想讲清楚的是,理想究竟是如何通过这套底层的芯片架构设计,去治好智驾的「犹豫」,让智驾开起来真正更像人的? 理想的「厨房变革」 用过智驾的人大概都经历过这种时刻,哪怕账面算力堆得再高,车子一到复杂路口还是有可能表现得像个新手,要么对时机的把握不够果决,要么在没有妥善判断路况的情况下莽撞操作。 这种对路况拿捏的不精准,除了算法模型在设计上的局限,还有很大一部分原因,来自更底层的计算效率。 过去几十年,科技行业一直享受着摩尔定律的红利,芯片制程一升级,软件不用大改就能获得一轮提升。但在摩尔定律放缓之后,面对海量并行的 AI 大模型计算,统治了计算机界整整 70 年的「冯·诺依曼架构」,遇到了棘手的内存效率瓶颈。 在计算机体系结构领域,解释这个被称为「内存墙」的瓶颈,有个很经典的「大厨做菜」比喻: 传统的 CPU 或 GPU 就像后厨里手艺高超的「大厨」,而内存则是走廊尽头的「大仓库」。按照冯·诺依曼架构的规矩,大厨每切一次菜,都要放下菜刀跑回远处的仓库拿一次配料,切完再跑回去放好。 于是,大厨有 70% 的时间和体力都消耗在了来回跑仓库的路上,真正挥刀做菜的时间,也就是芯片的实际算力利用率还不到 30%。 在传统软件时代,因为每次处理的数据量不大,大厨在手边放个「小料台」,也就是高速缓存,就能应付日常小炒。但到了 AI 大模型时代,动辄几十亿的参数和实时涌入的视频流直接撑爆了小料台,大厨不得不频繁往返远处的仓库。 那怎么办?行业里传统的方案是多请几个跑腿的厨师,也就是在传统架构的基础上叠加专用加速单元。 而理想选择了对厨房做饭流程进行革新。2022 年,立项马赫 M100 时,理想直接拆掉旧厨房,做出了全球首款量产的动态数据流架构 AI 芯片。 理想取消了那个来回跑腿的「总厨」,把整个后厨改造成了「中央厨房流水线」。 食材,也就是数据,一到工位即刻加工,处理完不再送回远处的仓库,而是顺着片内的高速传送带直达下一个工位,或者通过环形与网格双互联总线,一次性分派给下游的所有工位协同处理。 与此同时,动态设计又保留了高度的软件可编程性。 传统的固定流水线往往只能做一道菜,而马赫 M100 相当于让流水线随时能根据算法换上新菜谱,通过软件重新编译来灵活调整工序,保住流水线高效率的同时,也给日新月异的 AI 大模型留出了演进空间。 正如计算机先驱 Alan Kay 曾提出的,被乔布斯在初代 iPhone 发布会上奉为圭臬的名言: 真正在乎软件的人,应该自己制造硬件。 过去车企在芯片面前,只是看着菜单点菜的「食客」,供应商给什么芯片,算法就得迁就什么架构,这在过去是行业的普遍现状。 理想则通过打破部门墙的「软硬一体联合设计」,把自己变成了主厨,在理想内部,算法团队与芯片团队得以从第一天起就协同工作。 这套量身定制的「后厨」,推高了端侧 AI 计算的效率上限,在这颗采用 5nm 车规级工艺、单颗算力达 1280 TOPS的马赫 M100 芯片上,算力利用率被一举拉升到了 82% 以上。 用它来运行 35B 规模的 Qwen3.5-35B-A3B 模型,预填充速度达到了英伟达 DGX Spark 的 2.7 倍,解码速度也达到 1.5 倍。 今年初,马赫 M100 的架构论文还与 Google、Meta 的成果一道,入选了全球计算机体系结构最高顶会 ISCA 2026 的工业分区。理想汽车也是该分区设立以来,全球首家入选的车企,而上一家入选 ISCA 的中国公司,还是 2025 年的 DeepSeek。 不把算力浪费在「跑路」上,通过马赫 M100 芯片,理想得以进一步释放大模型的执行效率。而芯片上挣出来的效率,最终转化成了路面上的流畅反应。 让车像正常人脑一样「快思考」 诺奖得主卡尼曼在《思考,快与慢》里把思维分为两种:「系统 1」是直觉快思考,瞬间本能反应,「系统 2」是逻辑慢思考,负责深度的逻辑推理与复杂博弈。 但实际上,在人开车的过程中,「系统 1」和「系统 2」是一个手眼脑一体、协同工作的状态。人类大脑处理信息的速度够快,在依靠直觉对实时路况做出快速决断的同时,还能调用经验,也就是「系统 2」,对即将发生的路面状况提前做出预判。 今天智驾行业拼命卷 VLA(视觉-语言-动作)大模型,就是为了赋予汽车更多「系统 2」的高级推理能力,比如在没有红绿灯的路口提前预判盲区风险,或者在施工路段看懂临时改道的意图。 以往的智驾对「系统 2」的利用不够多,核心原因是算不起、算不快。 在传统架构上,一旦模型同时调动复杂的三维空间理解与多步逻辑推演,海量的数据搬运就会撞上「内存墙」。车虽然最终想明白了,但等它算完,路口的通行时机早已错过表现。 表现在驾驶体感上,就是顿挫犹豫,以及「无法像人一样思考」。 而随着今年 5 月马赫 M100 随全新理想 L9 等车型量产上车,这道横在硬件与算法之间的墙被拆掉了。在 11 月 6 日推送的 OTA 9.2 版本中,理想正式上线了马赫 VLA 2.5,并把自研的原生三维视觉编码器——3D ViT 搬上了车端。 如果说以前的智驾视觉是「隔着 2D 屏幕看世界」,只能先在平面画面里认出方框,再去和点云信息做多模块拼接,中间免不了信息损耗与对齐误差,那么 3D ViT 则是给了智能汽车一双真正能「看懂」真实三维物理世界的眼睛。 3D ViT 的特点,是在视觉编码阶段就将三维空间几何与语义信息融为一体,把空间结构、位置关系和物体类别「一口气从头算到尾,不拆包、不拼接」。 而这种连续、海量的数据处理方式,恰好是马赫 M100 动态数据流架构「流水线直达」的最大强项。 你看,自家的厨房果然还是最懂自家人的口味。 依托马赫 M100 的算力底座,3D ViT 引入了前馈式
这篇文章对您有帮助吗?

订阅66必读

每日精选科技资讯,直达你的邮箱