在过去几年，智能驾驶行业竞争的焦点经历了数次显著转变。

起初，竞争围绕硬件展开，包括是否配备激光雷达、集成的摄像头数量以及算力水平（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-行为）以及World Model（世界模型）等技术路线。

当前，越来越多的公司意识到，仅仅拥有更大的模型已不足以构筑代际优势。真正决定技术上限的关键，在于模型、数据、算力和芯片能否形成一个持续优化的闭环。

这也是促使愈发多的汽车制造商走向自主研发的原因。

特斯拉几乎包揽了从数据采集、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。在中国，包括小鹏、蔚来和理想在内，都在不断向下游技术层面拓展。

在今年发布的L8和L9车型中，理想汽车已采用了自研的马赫M100芯片。该芯片采用了数据流架构，被理想汽车视为AI领域的重要技术方向。基于马赫M100，理想汽车也运行了其自研的马赫VLA模型。

然而，对于整个行业而言，更值得探讨的问题并非“是否进行自研”，而是这些研发投入究竟能解决哪些实际问题。

带着这一疑问，我们与理想汽车自动驾驶负责人詹锟以及芯片负责人谢炎进行了深入交流。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、数据体系及AI基础设施背后的设计理念。以下为部分访谈内容，经过编辑整理：

问：为了在第四季度达到特斯拉FSD V14的性能水平，理想汽车还需要在哪些方面投入努力？

**詹锟：**我认为在追赶FSD方面，可以从两个层面来看。

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在安全感、效率和舒适度方面表现出色，这是其核心功底。即使不处理极端复杂的路况，也能在这些基本功上达到同等水准。

其次是高级能力，这方面追赶的难度更大。例如，特斯拉能够识别并礼让特殊车辆，能在极窄的通行空间内实现精准感知，并能识别交警指挥，这些能力非常强大。

在高级能力方面，存在架构升级的机会。为何某些能力只有特斯拉具备？这可能与以往的技术范式有关，这些能力受到架构和数据等因素的限制。我们在这些方面进行了大量探索。

问：我理解马赫VLA是一个技术体系，而非单一模型。例如，Mind-Edge是面向终端、服务于智能座舱的模型。那么，当前智能驾驶模型中是否还包含“L”（Language语言）的部分？

**詹锟：**当前自动驾驶的架构普遍呈现出将VLA（视觉-语言-行为模型）与World Model（世界模型）整合的趋势。

从长远来看，所有技术路线都会朝着这个方向发展。无论是以VLA还是World Model为主，其中的“提示”（Prompt）都需要用到语言。因此，语言成分是必然存在的，关键在于如何运用它。

对于机器智能而言，我认为基于视觉（Vision Based）的路径更为合理，因为它在空间理解、三维感知和环境交互方面更具优势。语言无疑也有其价值，在理解环境、交通规则、指令以及进行复杂决策时都至关重要。

从长远来看，基于视觉和语言的原生基础模型，可能代表着未来的发展方向。

**谢炎：**如果目标是实现L3、L4级别自动驾驶，需要解决更广泛的问题，那么模型必须具备类似人类的思考能力。届时，语言的重要性将日益凸显，这也是未来需要巨大算力的原因之一。

如果模型仅具备视觉和动作（Vision and Action）能力，即使拥有海量数据，在面对分布之外的异常情况时也会束手无策。动物即使学会了所有常见场景，遇到从未见过的情况也可能不知所措，无法做出正确的选择。

我们认为，随着自动驾驶向L3、L4级别迈进，所解决的问题将越来越接近90%、95%、98%的“长尾”场景——那些前所未见的问题，需要模型具备类似人类的思考能力。而实现类人推理和思考能力的关键来源是语言模型。例如，理解交警的手势意图，这并非简单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不断扩大，从内部来看，数据的边际效应是否出现了递减？你们是如何定义“价值数据”的？

**詹锟：**首先，数据的量必须足够庞大，其核心目的是收集更多的“长尾场景”（Corner Case）。目前，行业内有多种方法，例如在车辆端部署先进的“神经网络触发器”（Neural Trigger），以判断场景的难易程度，并将关键数据回传。这也是特斯拉在数据方面表现突出的重要原因之一。

其次，数据的质量至关重要，主要体现在行为数据的质量。当前，行业逐渐趋向于端到端（End-to-End）的范式。无论是VLA（视觉-语言-行为模型）、World Model（世界模型）还是Vision-Action（视觉-动作模型），核心都在于准确理解和执行“动作”（Action）。因此，行为数据的质量，包括其准确性、一致性和“干净度”尤为关键。

至于数据规模增长带来的边际效应是否递减，首先，只要模型能力不断提升，并且我们追求100%的完美表现，那么数据带来的收益曲线必然是“对数曲线”，即增长速度逐渐放缓，而非线性增长。任何AI公司都面临同样的情况。虽然后期数据收敛的速度确实会变慢，但我们仍希望通过规模化效应来加速这一过程。

问：马赫M100芯片能够支持多种AI场景的运行。在未来五年或更长的时间维度下，理想汽车车内的算力中心是否有可能完全采用自研的马赫芯片？

**谢炎：**虽然业内存在“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，其他部分的整合并非同等关键。这是因为座舱系统和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，从而大幅提升效率。

我们的路线图最终设想是构建一个集中的车载AI计算中心，所有AI任务都可以在此进行计算。这类似于在笔记本电脑上运行某些应用程序，实际的AI计算可能并非在本地完成，而是通过Token Provider Server（Token供应服务器）进行。车内的设想也是如此，将拥有一个“Token Server”。

这个“Token Server”的优势在于：第一，极高的计算效率。第二，能够实现不同任务之间的隔离，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，都能得到保障，不受其他任务的干扰。这是软硬件协同设计才能实现的目标。

问：M100芯片采用数据流架构，是否意味着其对带宽的需求低于其他厂商的自动驾驶芯片，而对片上存储的需求更高？

**谢炎：**我们对带宽的要求确实会相对较低，但这并非直接导致我们设计SRAM（静态随机存取存储器）容量（而非显存）的决定性因素。当前HBM（高带宽内存）技术备受关注，许多人认为带宽越高越好。然而，计算能力、带宽和SRAM等都需要晶体管资源来实现，最终的设计方案是基于成本、整体性能等多方面因素权衡后的选择。

不同架构的设计，不能仅凭一两个指标进行简单对比，这既不合理也不专业。这好比拳击比赛，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：为何当前许多大算力芯片方案，例如英伟达、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？

**谢炎：**从根本上讲，座舱（舱）和智能驾驶（驾）是两个独立的系统。特别是对于向L3、L4级别发展的更高级别自动驾驶，智能驾驶需要一个更高确定性的系统，其内存和计算资源需要专属分配，此时融合的意义便大大降低。因为资源的实时切换会影响系统的确定性。如果资源分配越来越趋于独占，融合的价值便会减弱——即使将两个芯片集成在一起，所需的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，这部分成本的节省是可能的，但总体节省幅度有限。

我们认为，随着智能驾驶技术的不断高端化，舱驾融合的意义可能并不大。如果能将这些芯片设计得更紧凑，集成在一块电路板上实现小型化集成方案，这是可行的。但并不一定需要集成到同一颗芯片上，也可以是多颗芯片协同工作。

问：自研芯片需要具备哪些条件，例如销量、营收和研发投入？鉴于当前自动驾驶技术迭代速度很快，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。对于一家汽车制造商而言，年营收达到1000亿元以上，研发投入至少占10%，即每年拥有数十亿至上百亿元的研发资金，才有可能持续投入芯片研发。其次，自研芯片所解决的问题，必须能够显著提升产品的核心竞争力。

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，例如理想汽车配备的两颗马赫M100，总面积约为800平方毫米。而一颗高端手机芯片的面积大约为100平方毫米。因此，一辆车的智能驾驶芯片面积相当于8部高端手机的芯片面积。

按此计算，几十万辆车的需求量所消耗的晶圆面积非常可观，足以有效摊薄单位成本。所以，成本不能仅仅通过芯片的颗数来衡量。

问：动态数据流编译器的难点究竟在哪里？攻克这一技术花了多长时间？

**谢炎：**在芯片流片之前，甚至在设计阶段，我们就已经开始进行编译器的工作。在芯片流片之前，我们已经成功运行了许多模型。

数据流架构是一种完全不同的设计理念，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、上百万个处理器核心时，它们之间的通信和协作变得异常复杂，无法依赖单一的中央管理员来调度。传统的冯·诺依曼架构的调度方式在这种规模下变得不可行，这是一个超大规模并行调度的挑战。