过去几年，智能驾驶技术竞赛的焦点发生了显著转移。

起初，竞争主要围绕硬件展开，例如是否配备激光雷达、安装多少摄像头以及算力达到多少 TOPS。随后，随着大模型时代的到来，竞争转向了端到端、VLA（视觉-语言-动作）以及 World Model（世界模型）等技术路线。

如今，越来越多的企业认识到，拥有更大的模型已不足以形成代际优势，真正决定技术上限的关键在于模型、数据、算力和芯片之间能否构建一个持续优化的闭环。

这也促使了越来越多的汽车制造商选择自主研发。

特斯拉几乎覆盖了从数据采集、训练基础设施、FSD模型到Dojo超级计算机和自研芯片的全链条。在国内，小鹏、蔚来和理想等车企也在不断向更底层技术进行延伸。

在今年推出的L8和L9车型中，理想汽车已采用了自主研发的马赫M100芯片。这款采用数据流架构的芯片被理想汽车视为AI领域的重要技术方向。基于马赫M100，理想汽车也运行了自主研发的马赫VLA模型。

然而，对于整个行业而言，更值得探讨的问题并非“是否自研”，而是这些投入究竟能解决哪些具体问题。

带着这个疑问，我们采访了理想汽车的自动驾驶负责人詹锟和芯片负责人谢炎。他们阐述了理想汽车对下一代自动驾驶技术路线的判断，并解释了自研芯片、数据体系和AI基础设施背后的设计理念。以下为经过编辑的访谈要点：

问：为了在第四季度达到特斯拉FSD V14的水平，理想汽车还需要在哪些方面努力？

**詹锟：**我认为在追赶FSD方面，存在两个层面的挑战。

首先是基础体验，具体体现在安全感、效率和舒适度是否能达到FSD的同等水平。FSD在这三个方面表现出色，具备扎实的基本功。即使不处理极端复杂的路况，也能在这些基础体验上达到同等水平。

其次是能力层面，这部分同样难以追赶。例如，特斯拉在处理特殊车辆的避让、在极窄路段的精准感知，以及识别交警指挥等方面表现出极强的能力。

在能力层面，存在架构升级的机会。为什么某些能力只有特斯拉拥有？这可能与过去的范式限制有关，也可能源于架构或数据方面的原因。我们在这些方面进行了大量探索。

问：我们理解马赫VLA是一套技术体系，而非单个模型。例如，Mind-Edge是服务于智能座舱的端侧模型。那么，当前的智能驾驶模型中是否仍包含“L”（Language语言）的组成部分？

**詹锟：**当前自动驾驶的架构呈现出一种共同趋势，即整合VLA（视觉-语言-动作模型）和World Model（世界模型）。

从长远来看，所有技术路线都将朝着这个方向发展。无论采用VLA还是World Model，其中的提示（Prompt）都需要用到语言。因此，语言部分是必不可少的，关键在于其应用方式。

在机器智能领域，我认为基于视觉（Vision Based）的 approach 更加合理，它能更好地理解空间、感知三维环境并服务于环境交互。语言无疑是有价值的，在理解环境、交通状况、指令以及进行复杂决策思考方面都发挥着重要作用。

从长远来看，基于视觉和语言的原生基础模型，可能是未来的发展趋势。

**谢炎：**如果目标是实现L3、L4级别的自动驾驶，需要解决更广泛的通用性问题，那么模型必须具备类似人类的思考能力。此时，语言的重要性将日益凸显，这也是未来需要巨大算力投入的原因。

如果模型仅具备视觉和动作能力，即使拥有海量数据，在遇到分布之外的情况时也会束手无策。就像动物即使学会了所有常见情况，遇到从未见过的情形也会不知所措，无法做出正确的选择。

我们认为，越是向L3、L4级别迈进，所要解决的问题越接近90%、95%、98%之后的那些“未知”场景，这就需要模型具备类人的思考能力。而实现这种推理和思考能力的关键来源是语言模型。例如，在面对交警的手势时，需要理解其含义并做出相应决策，这并非仅仅通过收集或生成数据就能解决的问题。

问：随着理想汽车车队规模的扩大，内部是否出现了数据边际效应递减的现象？理想汽车是如何定义有价值的数据的？

**詹锟：**首先，数据的规模必须足够庞大，核心目标是收集到更多的长尾场景（Corner Case）。目前，业界有多种方法能够在端侧实现有效的神经网络触发器（neural trigger），以识别场景的难易程度，并将关键数据回传。这也是特斯拉在这一领域表现强大的重要原因之一。

其次，数据的质量至关重要，主要体现在行为质量的高低。目前，行业逐渐趋向于端到端的范式，无论是VLA（视觉-语言-动作模型）、World Model（世界模型）还是Vision-Action（视觉-动作模型），都要求模型能够准确理解和执行动作。因此，行为的质量、清晰度和一致性变得尤为关键。

至于数据规模扩大后边际效应是否递减，首先，只要模型能力持续提升，并且我们致力于将能力提升至满分，那么数据对模型性能的提升必然呈现“对数曲线”的增长趋势，即增长速度逐渐放缓，而非线性增长。这是所有AI公司都会面临的普遍情况。尽管后期数据收敛的速度确实会放慢，但我们依然希望通过扩大规模来加速这一过程。

问：马赫M100芯片能够支持多种AI场景的运行。展望五年后或再往后两代产品，理想汽车车内的算力中心是否有可能完全采用自主研发的马赫芯片？

**谢炎：**尽管业内存在“舱驾一体”的说法，但我们认为，舱驾一体的核心在于AI算力部分，其他部分的集成度则不那么关键。因为座舱系统和AI智能驾驶系统可以完全独立运行，但AI算力可以集中处理，从而显著提高分配效率。

我们的路线图最终目标是实现车内一个集中的AI计算中心，所有AI任务都在该中心进行计算。这类似于在笔记本电脑上运行OpenClaw，AI计算并非在笔记本本地完成，而是在Token Provider Server（Token供应服务器）上进行，车内情况也类似，将拥有一个Token Server（Token服务器）。

这个Token Server的优势在于：第一，效率极高。第二，能够实现不同任务的隔离，互不干扰。例如，智能驾驶任务的确定性——无论是内存还是带宽，都能保证不被其他任务干扰，这是通过软硬件协同设计才能实现的。

问：是否因为M100采用了数据流架构，其对带宽的需求相较于其他厂商的自动驾驶芯片较低，而对片上存储的需求更高？

**谢炎：**我们对带宽的要求确实较低，但这并非设计SRAM容量（而非显存）的直接原因。目前HBM（高带宽内存）非常流行，许多人认为带宽越高越好。然而，计算、带宽、SRAM等都需要晶体管资源来实现，最终的设计是基于成本、综合性能等多方面因素权衡后的选择。

不同的架构设计，不能仅凭一两个指标进行简单对比，这种做法既不合理也不专业。这就像拳击比赛，身高和体重都有各自的优势，但胜负并非由单一指标决定，最终比拼的是这项运动的综合表现。

问：为何目前市面上大算力芯片方案，如英伟达、小鹏以及理想自研的芯片，都没有实现芯片级的舱驾融合，而高通却在低算力芯片上进行了尝试？这是什么原因？

**谢炎：**本质上，座舱和驾驶是两个独立的系统。特别是对于高端L3向L4级别迈进的智能驾驶，需要一个更高确定性的系统，要求内存专属、计算资源专属，此时融合的意义就大大降低了。因为资源无法实现实时切换，而这种切换会降低系统的确定性。如果技术发展趋向于资源越来越独占，那么融合的价值就不大了——即便将两个芯片集成在一起，资源仍然是两份，这并不能降低成本，甚至可能影响效率。

您可以看到，目前所谓的舱驾融合系统，其实仍然是将两者分开的。它无法做到一会儿运行座舱任务，一会儿运行驾驶任务。如果无法实现这种切换，将两个芯片集成到一块，晶体管数量可能不变，仅仅节省了封装成本。对于中低端芯片而言，这部分成本可以节省，但节省幅度也有限。

我的观点是，随着智能驾驶技术向更高端发展，舱驾融合的意义将逐渐减弱。如果能将这些芯片设计得更紧密，在一块电路板上实现高度集成的小体积方案，这是可行的，不一定非要集成到一块芯片中，也可以是多块芯片的集成。

问：自研芯片需要具备哪些条件？例如销量、营收、研发投入。鉴于目前自动驾驶迭代速度很快，芯片的持续迭代需要什么样的支持？

**谢炎：**芯片的初期投入确实巨大，可能每年需要数亿元人民币。

首先，需要达到一定的营收规模。对于车企而言，年营收达到1000亿元以上，研发投入至少占10%，即每年有几十亿到上百亿的资金用于研发，才足以支撑芯片的持续投入。其次，研发的芯片所解决的问题，必须能够显著提升产品的能力。

许多人认为芯片需要巨大的出货量才能摊薄成本。实际上，芯片的成本与其面积密切相关。一辆车上的智能驾驶芯片，例如理想汽车的L7/L8/L9搭载的2颗马赫M100，总面积约为800平方毫米。而一款高端手机芯片的面积约为100平方毫米，因此一辆车的智能驾驶芯片相当于8部高端手机芯片的面积。

如此计算，数十万辆车所需的晶圆面积非常庞大，足以有效摊薄成本。因此，成本不能仅以芯片数量来衡量。

问：动态数据流编译器在技术上存在哪些难点？攻克这一难题花费了多长时间？

**谢炎：**在芯片流片之前，甚至在设计阶段，我们就已经开始了编译器的工作，并在流片前完成了大量模型的运行验证。

数据流架构是一种完全不同的设计思路，它所要解决的问题与超级计算机或大规模计算机集群面临的问题非常相似——当规模扩展到数十万台计算机、上百万个核心时，它们之间的通信和协作需要一种新的调度方式，因为无法依靠一个中央管理员来管理如此庞大的核心数量。传统的冯·诺依曼架构的调度方式在这种规模下已不再适用，这是一个超大规模的并行调度问题。