對話理想汽車CTO謝炎：真正認真對待軟件的人，都應該自己造硬件

“理想的目標是構建類似蘋果式的完整技術棧——從操作系統，到硬件與芯片，形成全鏈路自研閉環。”

作者丨倪萍、王瑞昊

編輯丨王瑞昊

5月15日，全新一代理想L9 Livis即將上市。這款車最大的亮點之一，是首發搭載理想自研AI芯片“馬赫M100”。

作為理想首顆車規級自研高算力芯片，馬赫M100不僅是L9 Livis邁向“具身智能汽車”的核心硬件底座，也決定了這款車未來智能能力的上限與進化速度。

馬赫M100僅有一個版本，不區分高低配，高端車型如L9 Livis將搭載2顆芯片。

馬赫M100量產后，理想仍將持續為老車型（如2022款理想L9）迭代模型，將通過蒸餾方法將大模型適配到算力更小的芯片上，保障老用戶的體驗升級。

在理想內部，馬赫M100不僅是一顆芯片的名字，也被視為公司AI戰略的重要象征。

理想最初曾將這顆自研芯片命名為“舒馬赫”，靈感部分來自傳奇賽車手舒馬赫，后來則進一步簡化為“馬赫M100”，既保留了對速度的聯想，也借用了“馬赫”這一速度計量單位，寓意芯片擁有更快的計算速度與更強的AI推理能力。

從2021年開始決定自研芯片，到2022年11月正式立項，再到2023年進入大規模研發、2024年完成流片、2025年回片驗證，最終于2026年隨全新一代理想L9 Livis正式上車，理想用了約3年半時間完成了馬赫M100的研發落地。

理想汽車CTO謝炎告訴我們，理想起步最晚，但最終完成節奏并沒有落后太多，這主要源于整體研發推進速度相當快，從一開始就規劃得非常精細，需求也非常清晰。

蘋果公司一直是理想汽車看齊的目標，而蘋果最大的優勢在于“操作系統 + 芯片 + 軟件”的垂直整合，“蘋果的操作系統會告訴芯片該怎么設計，芯片又會反過來給系統提供差異化能力。”

這也是理想汽車自研芯片的出發點——通過大模型、星環OS、馬赫M100芯片、整車等硬件，逐步形成完整的自研技術閉環。

圖靈獎得主艾倫·凱曾經說過：“真正認真對待軟件的人，應該自己制造硬件。”某種程度上，這句話解釋了理想為何會走向自研芯片之路。

01

要成為頭部公司，繞不開自研芯片

供應商路線圖與理想對AI算力的判斷存在差距，是促使理想加快自研節奏的客觀因素，但根本驅動力是對AI架構演進方向的主動判斷。

供應鏈危機與芯片平臺的不確定性，是促使理想加快動作的客觀因素。讓理想下定決心走向芯片自研的核心因素，是對下一代AI技術演進方向的判斷。

2022年“Scaling Law”還未成為共識時，理想團隊意識到一組推導邏輯：大算力給算法更大的設計空間，更大的算力會帶來更高的性能，更高的性能帶來更好的體驗。

他們的判斷依據，某種程度上來自整個計算機產業的發展歷史。

回顧過去幾十年的技術演進，無論是算力還是內存，人類對計算資源的需求從來沒有真正“夠用”過。上世紀七八十年代，幾十KB內存、幾百KHz主頻就已經屬于高性能計算機。而今天，這樣的性能幾乎難以支撐任何現代應用。

計算需求永遠在增長，這也是理想判斷AI時代算力需求會持續爆發的重要原因。

“如果AI能力持續增長，而現在距離自動駕駛真正實現L4、完全替代人類駕駛，還有很長的路要走，而這背后一定需要越來越高的算力支撐。技術迭代速度又非常快，如果長期依賴外部廠商，整體演進速度會比較慢。”謝炎說道。

謝炎舉了一個案例：隨著Transformer架構在AI領域迅速崛起，2024年初理想內部很快識別到這一趨勢，決定對芯片優化方向做臨時調整。結果如何？內部團隊一個月內完成了新設計優化。

“如果是外部供應商，根本不會接這種需求，除非你給它一大筆錢，甚至還要迭代一年。”謝炎說，“甚至，很多芯片公司不會因為一個客戶就改變自己的技術方案。”

理想自研芯片的第二個關鍵原因在于計算架構正在進入新一輪躍遷周期。

過去六七十年，計算機主要建立在馮·諾依曼架構之上，CPU、GPU本質上都是在這一體系上的優化。但隨著AI快速發展，這一架構開始顯現局限性，無法以最優效率支撐大規模AI計算需求。

因此，謝炎判斷，行業有機會進入“Native for AI”的新架構階段，從軟件到硬件重新設計計算系統。

歷史上類似的變化曾多次發生，例如圖形計算興起時，英偉達判斷需要GPU專用架構，而英特爾則長期堅持CPU足夠應對。最終GPU成為AI與圖形計算的核心平臺，這也導致兩家公司在市值與行業地位上發生逆轉。

理想據此判斷，未來AI計算將成為增長最快的計算形態，而GPU并非終點，因此需要面向AI重新設計計算架構，在軟件與硬件一體化中尋找更高效率的解決方案。從技術上來講，馬赫M100有創新的機會。

當然，成本也是一個現實因素。“供應商的芯片價格本身并不低，我們自己設計在規模上來之后，成本會更有優勢，”謝炎坦言，“但這更多是第三層面的考慮，更核心的，還是在AI快速發展的階段，必須具備自主定義和掌控技術的能力。”

對于外界關注的“車企自研芯片是否真的更省錢”，謝炎給出的答案并不只是簡單的成本賬。

行業過去習慣用“多少顆芯片”衡量規模，但真正決定成本的，其實是“芯片面積 × 出貨量”。因為晶圓廠的計價方式本質上是按硅片面積計算，同樣一塊晶圓，可以切割成數千顆小芯片，也可以只切出數十顆大芯片，但核心成本差異來自面積，而非顆數。

在理想內部的判斷中，未來汽車對于AI算力的需求會持續快速增長，而算力本質上又對應著更大的芯片面積需求。謝炎認為，隨著智能化程度不斷提升，汽車行業未來消耗的AI計算硅片面積，甚至可能超過手機行業，這意味著頭部車企已經具備支撐自研AI芯片的產業規模。

謝炎本身從底層技術一路走來，本科學電子工程、研究生學計算機架構，先后做過編譯器、操作系統，更早之前還做過計算機體系架構相關工作。

“做了這么多年回過頭來看，有機會在軟件開發工作中參與到硬件與底層的聯合設計時，就本能想做出超越性的設計，而不再只是被動依賴供應商。”謝炎說。

謝炎非常認同艾倫·凱的觀點：“真正認真對待軟件的人，應該自己制造硬件。”

這與理想的戰略相契合，理想的目標并不僅是造車，而是構建類似蘋果式的完整技術棧——從操作系統、推理框架、runtime，到硬件與芯片，形成全鏈路自研閉環。

事實上，蘋果與安卓的差異，本質是“垂直整合能力”的差異：操作系統定義芯片能力，芯片反過來強化系統體驗，這種協同是外部供應商無法提供的，也是構建差異化價值所在。

謝炎判斷，未來汽車行業的競爭格局會逐漸呈現兩種模式，少部分企業會走向類似類似蘋果、華為的深度自研路線；大部分企業則會受限于研發成本，更多靠采購通用方案（即貨架方案），通過集成與二次優化來完成產品開發。

“理想希望成為前者，技術高壁壘、競爭高差異化、公司高利潤。”

當然，不是所有的底層技術理想汽車都會選擇自研，只有那些仍處于高速演進、持續變化，并且能夠在未來形成穩定差異化優勢的技術，才會投入自研資源。

“對我們來說，并不是所有芯片都要做，而是聚焦AI芯片這一方向。如果一家公司以AI為核心競爭力，那么自研AI芯片是必須做的事。想要成為頭部公司，這件事是繞不開的。”謝炎表示。

02

設計芯片最重要的不是設計，而是理解需求

小鵬圖靈芯片單顆算力達到750 TOPS；蔚來的神璣 NX9031單顆算力約為1000 TOPS。理想的馬赫M100有效算力更高，達到1280TOPS。

不過，這并不是它的關注重點，比起市場上已有的芯片，馬赫M100重寫芯片架構，將軟件需求與硬件高度耦合。理想汽車認為，比起堆砌TOPS數據，激發有效算力更能提升智駕體驗。

謝炎團隊在研究中發現，英偉達、高通這類芯片往往面向汽車、AI、PC、數據中心等跨行業通用場景，汽車廠商拿到芯片后，需要調試算法或壓縮模型智能，才能讓芯片在車內正常運轉。這個過程中，往往伴隨著70%的算力浪費和模型智能的妥協。

因此，理想汽車不再是根據已有的芯片編寫軟件程序，或是拿著算法找芯片，而是將軟硬件的需求放在一起，共同開發芯片。

謝炎反復強調一個觀點：“設計芯片最重要的不是設計，而是理解需求。”

在傳統模式下，芯片團隊獨立完成設計，后期再由算法、模型團隊適配。一旦需求理解偏差，后續全都會做偏，時間被大量浪費。理想的打法則完全不同——芯片不是芯片團隊單獨設計的。

從項目啟動之初，芯片團隊、模型團隊、自動駕駛團隊、操作系統團隊就坐在一起，共同定義需求。謝炎說：“沒有他們的輸入與認知，沒有大家一起坐下來分析，就會做偏。而做偏就會帶來時間的浪費。”

“我們大概有200人，人員規模會控制在一個精簡規模上，做最核心的事。”在芯片行業，這并不是一支大規模的團隊。作為對比，哲庫科技巔峰期3000人，華為海思超7000人，英偉達單芯片項目團隊動輒數百人。

在聯合開發理念的加持下，馬赫M100的關鍵創新來自芯片架構的重寫。

馬赫M100的理論基礎來自論文《M100: An Orchestrated Dataflow Architecture Powering General AI Computing》。

理想汽車團隊在這篇論文中提出“周密編排數據流架構”，讓數據像河流一樣在計算單元間流動，相比傳統GPU架構，理想的數據流架構能夠減少緩存中的反復存取，釋放更多有效算力，提高AI的運行效率。

謝炎用一句話點明了這一架構的本質：“我們不需要讓數據頻繁去DDR走一圈。”在傳統架構中，數據頻繁在片外DDR與片上計算單元之間搬運，成為性能瓶頸。而數據流架構的核心目標，就是減少甚至避免DDR訪問。

為此，馬赫M100在芯片內部配置了大量分布式SRAM，數據盡量在片上完成流轉。謝炎強調：“一旦大量訪問DDR，性能和效率都會下降。”分布式SRAM的設計，使得數據流架構的優勢得以充分發揮——更低的延遲、更高的能效。

從芯片內部布局來看，馬赫M100是一顆“AI優先”的芯片。

周密編排數據流策略

馬赫M100芯片內部一部分是CPU核，負責Linux與控制邏輯；而超過一半的芯片面積，完全用于AI計算。這一比例在同類芯片中相當突出，直觀體現了理想對AI能力的極致追求。

AI計算部分采用數據流架構，配合大量分布式SRAM，使其特別適合大模型推理——無論是自動駕駛模型、語言模型，還是未來的機器人模型。

而引入MoE混合專家模型則更加放大了計算優勢。傳統稠密模型處理輸入時，所有參數被激活，無論事件復雜或簡單，每一個神經元都參與計算，導致算力浪費。

MoE模型能夠根據輸入數據，精準選擇不同的專家子網絡處理特定任務，從而避免冗余計算，降低資源消耗。

2023年，ChatGPT引發大模型的浪潮，MoE進入主流視野，成為車端部署的又一選擇。基于數據流架構的前瞻性設計，理想汽車擁抱了算法范式的演進。

對于用戶來說，馬赫M100帶來的價值最終體現在智駕體驗的提升。謝炎將其總結為三個維度：看得更遠更準、決策更絲滑、響應更快。

看得更遠更準是指能更好地理解遠距離場景及細節，解決當前自動駕駛遠距離感知不足的問題。

決策更絲滑則是依托更大算力支撐的更優模型，決策更接近人類習慣，避免急剎、急頓等突兀操作。

響應更快是綜合優化推理速度、線控響應、操作系統損耗，縮短從傳感器輸入到控制輸出的時間，同時頻率縮短后還能以15幀、20幀甚至更高速度處理傳感器信號，兼顧絲滑與安全。

安心感則是長期目標——逐步讓智駕系統的決策習慣與大部分人類駕駛認知匹配，減少因操作邏輯差異帶來的用戶顧慮（如避免類似賽車手駕駛的激進風格）。

“有點像你讓一個賽車手給你當司機，你不舒服，因為他的認知跟你的認知差別很大。”謝炎描述，馬赫M100的目標，是要在體驗上接近一個更像人的司機。”

03

一顆芯片融合兩大控制器

此前，理想汽車的電子電氣架構中共有三大核心控制器：中央域控制器XCU、座艙域控制器以及智駕控制器。但隨著馬赫M100芯片與星環OS正式落地，從L9 Livis開始，理想首次完成了中央域控制器與智駕控制器的融合。

謝炎表示，現在車輛中已經不再單獨存在XCU控制器，而是通過虛擬化技術，在一顆芯片上同時運行不同系統。表面上看，輔助駕駛控制與XCU依然是兩個系統，但底層算力已經實現統一調度。

這也是L9 Livis與傳統智能汽車的重要區別。

在理想內部，馬赫M100并不只是被定義為一顆輔助駕駛芯片，而是整車AI能力的底層平臺。謝炎表示，理想并不希望它只服務輔助駕駛，而是能夠支持更多AI模型運行。因此，L9 Livis的定位，也不僅是智能汽車，而是“具身智能汽車”。

所謂具身智能，本質上是讓AI擁有在物理世界中的感知、決策與行動能力。而汽車天然具備成為具身智能載體的基礎。

相比從零開始打造機器人，汽車本身已經具備了完整的“身體”基礎：動力系統、主動懸架、線控底盤、攝像頭、傳感器以及高算力平臺都已經成熟存在，天然擁有感知與行動能力。

“買下一輛車，它已經有輪子、有動力、有算力和攝像頭，缺少的只是把這些能力真正連接起來，形成一個具身智能體。馬赫M100的作用，本質上就是把這些分散能力連接起來。”謝炎表示，這相比重新組裝一套機器人系統，技術路徑更現實，也更容易率先實現商業化。

更重要的是，汽車產業龐大的規模效應，是具身智能快速進化的重要基礎——汽車行業擁有上千億級市場規模，可以持續推動傳感器、AI算力、線控底盤和動力系統快速迭代，并通過大規模量產不斷降低成本、提升成熟度。

當這些核心技術被充分驗證后，再向機器人等其他具身智能形態遷移，難度會明顯降低。

謝炎將這一過程類比為PC與智能手機的演進關系。在他看來，智能手機并非憑空誕生，而是在PC產業長期發展后，芯片、操作系統與計算能力逐漸成熟，最終完成的小型化與移動化。

具身智能的發展路徑也類似，汽車有望成為率先規模化落地的物理AI。

而在理想看來，馬赫M100承擔的角色，也不僅是提升算力。

謝炎將其類比為蘋果的垂直整合模式，蘋果并不會單獨售賣處理器，但芯片與操作系統結合后，能夠提供遠超行業平均水平的體驗。理想希望馬赫M100也能承擔類似角色，通過更高算力與自研模型結合，形成差異化競爭能力。

“自動駕駛會成為用戶選擇汽車的關鍵因素。”謝炎表示，如果AI不能真正改變用戶體驗，那么投入AI也失去了意義。

據了解，馬赫M100并不是傳統意義上只服務自動駕駛的ASIC專用芯片，而是一顆相對通用的AI處理器。除了輔助駕駛，它還能夠支持更多AI模型運行，這也是理想將L9 Livis定義為“具身智能汽車”的原因之一。

在理想的設想中，未來汽車不只是完成駕駛任務，而是會逐漸具備類似機器人的能力，可以主動完成更多現實世界中的工作。

與此同時，隨著AI能力不斷提升，理想對于傳感器路線的思考也在發生變化。

針對華為此前發布的896線激光雷達，謝炎認為，高線數激光雷達本質上是在不斷逼近攝像頭的分辨率，其核心目標是提升三維世界的感知精度。

謝炎表示，僅依賴攝像頭，系統仍然缺少準確的深度信息，而深度感知對于高階智能駕駛至關重要。因此，理想會繼續堅持“激光雷達 + 視覺融合”路線，通過激光雷達提供高精度距離信息，再結合視覺系統構建完整的三維世界模型。

理想目前正在通過3D ViT三維視覺模型，將點云、語義與像素信息進行統一融合，還原更完整的三維空間認知能力。在這一體系中，激光雷達與視覺不再是彼此替代關系，而是共同組成具身智能時代的“眼睛”。

而在軟件層面，L9 Livis也正在從“功能集合”走向“角色化”。

過去的軟件邏輯更像App，每個功能對應一個應用；但在AI時代，理想更傾向于將汽車視為“司機”“助手”甚至“管家”式的智能角色。車輛不只是響應指令，而是開始具備主動理解需求、執行任務的能力。

某種程度上，馬赫M100對于L9 Livis的意義，并不只是提升了一輛車的算力，而是讓理想開始嘗試用AI重新定義汽車。

自2021年末啟動自研計劃，理想用時3年半完成了初步的芯片布局和技術探索，嘗試掌握芯片定義的主導權，向著蘋果、特斯拉這些依靠軟硬件一體化的巨頭看齊。

但成為頭部公司的路從來陡峭，前期研發投入后，芯片造出來只是開始。接下來要通過量產、大規模上車分擔研發成本，為后續的芯片開發和投入鋪墊方向。而車企需要在這個過程中持續加碼，才能蹚出一條商業閉環的自研之路。

與此同時，芯片競爭仍然激烈。英偉達、高通、以及國內廠商地平線正在加速迭代芯片產品，特斯拉的FSD芯片已迭代至第四代，華為昇騰的產能限制正在緩解，馬赫M100需要在算力效率、成本控制、產能保障三個維度同時取勝，才能證明自研的價值。

（作者長期關注蔚小理和智能駕駛的技術與人事動態，歡迎添加微信 ColombaHere 交流討論）