过去数年间，智能驾驶领域的竞争焦点发生了显著演变。

起初，竞争集中在硬件层面，例如是否采用激光雷达、配置多少个摄像头以及计算能力达到多少 TOPS。随后进入大模型时代，竞争重心转向了端到端、VLA（视觉-语言-行为）以及 World Model（世界模型）等技术路径。

如今，越来越多的企业意识到，仅仅拥有更大的模型已不足以构建代际优势，决定技术上限的关键在于模型、数据、算力和芯片之间能否形成一个持续优化的闭环。

这正是许多汽车制造商选择自主研发的原因。

特斯拉几乎掌控了从数据采集、训练基础设施、FSD 模型到 Dojo 超算和自研芯片的全套流程。在中国，小鹏、蔚来以及理想等品牌也在不断向更底层技术领域延伸。

在其今年推出的 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视为人工智能领域的一项重要技术方向。同时，理想还在马赫 M100 上运行了其自研的马赫 VLA 模型。

然而，对于整个行业而言，更值得关注的问题并非“是否进行自研”，而是这些投入究竟能解决哪些具体问题。

怀揣这一疑问，我们与理想汽车自动驾驶负责人詹锟、芯片负责人谢炎进行了深入交流。他们阐述了理想对下一代自动驾驶技术路线的判断，并解释了自研芯片、数据体系以及 AI 基础设施背后的设计理念。以下为部分访谈内容的整理与编辑：

问：在第四季度达到特斯拉 FSD V14 的效果，理想汽车还需要在哪些方面进行提升？

**詹锟：**我认为要追赶 FSD，需要从两个层面入手。

首先是基础体验，具体体现在安全感、效率和舒适度三个维度是否能达到 FSD 的同等水平。FSD 在安全感方面表现出色，效率也很高，舒适度也很好，这些是其核心基础能力。即使不一定需要应对极端复杂的路况，但在这些基础体验上达到同等水平是必要的。

其次是能力层面，这部分追赶难度更大。例如，特斯拉在处理特殊车辆的礼让、在极窄空间内的感知精度，以及识别交警指挥等方面展现出强大的能力。

在能力层面，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：我理解马赫 VLA 是一个技术体系，而非单一模型。例如，Mind-Edge 是服务于智能座舱的端侧模型。那么，目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存在一个趋势，即将 VLA（视觉-语言-行为模型）与 World Model（世界模型）进行整合。

从长远来看，所有技术路线都会朝着这个方向发展。无论是 VLA 还是 World Model，其内部的 Prompt（提示）都需要用到语言。因此，语言部分必然存在，关键在于如何运用它。

在机器智能领域，我认为基于视觉（Vision Based）的 approach 是更合理的，它能更好地理解空间、感知三维空间以及服务于环境。语言同样具有价值，在理解环境、交通规则、指令以及进行复杂决策等方面都能发挥作用。

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趋势。

**谢炎：**如果目标是实现 L3、L4 级别自动驾驶，需要解决更泛化的问题，那么模型必须具备类似人类的思考能力。在这种情况下，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行为能力，即使拥有海量数据，在遇到分布外（out-of-distribution）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，面对从未遇到的情境也可能不知所措，无法做出正确的选择。

我们认为，越是向 L3、L4 级别迈进，所要解决的问题就越接近那 90%、95%、98% 之后的问题——那些前所未遇的挑战，需要模型具备人类般的思考能力。而实现类似人类的推理和思考能力，其来源正是语言模型。例如，识别交警的手势并理解其指令，这不是简单地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衰减？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长尾场景（Corner Case）。当前，业界已经开发出多种方法，通过车端部署的神经网络触发器（neural trigger）来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，业界正逐渐趋向于端到端（end-to-end）的范式，无论是 VLA、World Model 还是 Vision-Action 模型，都必须关注 Action（行为）的质量。行为的干净程度和一致性非常关键。

关于数据规模扩大后边际效应是否衰减的问题，只要模型在不断进步，并且我们的能力在向满分迈进，数据收敛的曲线必然是“对数曲线”，呈现逐渐衰减的趋势，而非线性增长。任何一家 AI 公司都面临这种情况。尽管后期数据收敛的速度确实会放缓，但我们希望通过规模效应来加速这一过程。

问：马赫 M100 能够应用于多种 AI 场景。五年后，或者再往后推两代产品，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：**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，从而提高分配效率。

我们的路线图最终形态是打造一个车内的 AI 计算中心，所有 AI 任务都可以在这个中心进行计算。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进行，而是在 Token Provider Server（Token 供应服务器）上完成，车内的情况也类似，将有一个 Token Server。

这个 Token Server 的优势在于：第一，极高的效率。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侵占，这是软硬件协同设计才能实现的。

问：是否因为 M100 采用了数据流架构的 AI 推理芯片，其对带宽的需求相较于其他厂商的自动驾驶芯片更低，但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，但这并非设计 SRAM 容量（非显存）的直接原因。当前 HBM（高带宽内存）非常流行，许多人认为带宽越高越好。但计算、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的结果。

对于不同的架构设计，仅凭一两个指标进行简单对比，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，最终比拼的是整个比赛的成效。

问：为何当前大算力芯片方案，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？这是为何？

**谢炎：**本质上讲，座舱和驾驶是两个独立的系统。特别是对于向 L3、L4 级别发展的更高级别智能驾驶，需要一个更高确定性的系统，包括专属的内存和计算资源，此时融合的意义便大大减弱。因为资源无法进行实时切换，而实时切换会降低系统的确定性。如果朝着越来越专用的方向发展，融合的价值就不大了——即使将两个芯片集成在一起，资源仍然是独立的，并不能带来成本的降低，反而可能影响效率。

目前市面上所谓的舱驾融合系统，其内部仍然是分开的。它们无法实现任务的即时切换。将两个芯片集成到一个芯片上，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有意义的，但幅度也有限。

我的观点是，随着智能驾驶技术不断向高端发展，舱驾融合的意义可能并不大。如果将这些芯片设计得更紧密，集成在一块电路板上实现小型化集成方案，这是可行的，不一定非要集成到一块芯片上，也可以将多块芯片组合在一起。

问：自研芯片需要具备哪些条件，例如销量、营收和研发投入？当前自动驾驶迭代速度很快，芯片要持续迭代，需要什么样的支撑？

**谢炎：**芯片的初期投入确实不菲，可能每年需要数亿元。

第一个条件是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%，即每年有数十亿到上百亿元的资金，才足以支撑芯片的研发投入。第二个条件是，研发的芯片必须能显著提升产品的能力。

许多人认为芯片需要有巨大的出货量才行。但实际上，芯片的成本与面积相关。一辆车上的智能驾驶芯片，例如 Lyvis 使用两颗马赫 M100，总面积约为 800 平方毫米。而一部高端手机的芯片面积大约为 100 平方毫米，因此一辆车的智能驾驶芯片面积相当于 8 部手机的芯片面积。

如此算来，几十万辆车的需求所需的晶圆面积非常庞大，足以摊薄成本。因此，成本不能仅以单颗芯片的数量来衡量。

问：动态数据流编译器究竟难在哪里？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，我们就已经开始进行编译器工作了。在流片之前，我们已经成功运行了许多模型。

数据流是一种完全不同的架构，它要解决的问题非常类似于超级计算机或大规模计算机集群所面临的挑战——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套高效的机制，无法依靠一个中央管理员来管理如此庞大的数量。传统的冯·诺依曼架构的调度方式在这种规模下已不可行，这是一个超大规模并行调度的问题。