追赶FSD V14，理想在补哪些课？｜最前线 - 征途国际官网

在智能驾驶领域，竞争焦点在过去几年经历了显著演变。

起初，硬件是比拼的关键，包括是否配备激光雷达、摄像头的数量以及计算能力（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。

如今，越来越多的公司认识到，仅仅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是模型、数据、算力和芯片之间能否构建一个持续迭代的闭环。

这促使越来越多的车企选择自研。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、蔚来和理想等品牌也在不断向下游技术领域拓展。

理想汽车在其今年发布的L8和L9车型上，已采用了自研的马赫M100芯片。该芯片采用了数据流架构，被理想视为AI领域的重要技术方向。同时，理想也在马赫M100上运行了自研的马赫VLA模型。

然而，对于整个行业而言，更值得探讨的问题并非“是否自研”，而是这些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和芯片负责人谢炎进行了对话。他们分享了理想对下一代自动驾驶技术路线的判断，并阐述了自研芯片、数据体系及AI基础设施背后的设计理念。以下为访谈的精选内容，经过编辑整理：

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：**我认为追赶FSD可以从两个层面来看。

首先是基础体验，具体包括安全感、效率和舒适度是否能达到FSD的同等水平。FSD在这三方面的表现非常出色，这是其基本功。即便不处理极端路况，也能在这些基础体验上达到同等水平。

其次是能力层面，这方面追赶难度更大。例如，特斯拉在礼让特殊车辆、在极窄通道内的感知精度以及识别交警指挥等方面的能力非常强。

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？这可能与过往的技术范式有关，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尝试。

问：我理解马赫VLA是一套技术体系，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，当前智能驾驶模型中是否还包含“L”（Language语言）的部分？

**詹锟：**当前自动驾驶架构的一个共同趋势是整合VLA（视觉-语言-行为模型）与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，其内部的Prompt（提示）都需要用到语言。因此，语言必然是其中的一部分，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）是更合理的方式，它能更好地理解空间、感知三维空间并服务于环境。语言当然也有其价值，它在理解环境、交通、指令以及进行复杂思考和决策方面具有重要作用。

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L3、L4级别，需要解决更泛化的问题，那么模型就必须具备类似人类的思考能力。此时，语言的重要性将愈发凸显，这也是未来需要巨大算力投入的原因。

如果模型仅具备Vision和Action（视觉和动作）能力，即使拥有大量数据，在遇到分布之外的情况时也会不知所措。就像动物即使学会了所有常见情境，面对从未见过的情况也可能束手无策，不知道如何做出正确的选择。

我们认为，越是向L3、L4级别迈进，越接近解决90%、95%、98%之后的问题——那些前所未见的问题，需要模型具备类似人类的思考能力。而获得这种推理和思考能力，语言模型是关键来源。例如，需要理解交警的手势，判断其意图是让通行还是停止，这并非仅仅通过收集或生成数据就能解决。

问：随着理想汽车车队规模的扩大，从内部来看，数据的边际效应是否出现了衰减？你们是如何定义有价值的数据的？

**詹锟：**首先，数据的规模必须足够大，其本质是为了收集更多的Corner Case（长尾场景）。目前，业界有多种方法在车端部署优秀的Neural Trigger（神经网络触发器），用于判断场景的难易程度，并将关键数据回传。这也是特斯拉在这一领域表现突出的重要原因之一。

其次，数据质量必须高，主要体现在行为质量上。当前，业界逐渐趋同于端到端范式，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），都可以采用。但关键在于必须准确掌握Action的行为，此时行为质量至关重要，行为的纯净度和一致性非常重要。

至于数据规模增大后边际效应是否衰减，首先，只要模型不断提升，只要我们追求满分能力，其增长曲线必然是“对数曲线”，即增长速度逐渐放缓，绝非线性增长，这是所有AI公司面临的普遍情况。尽管后期数据收敛的速度确实会变慢，但我们希望通过规模效应来加速这一过程。

问：马赫M100可以应用于不同的AI场景。五年后或再往后看两代产品，理想汽车车内的算力中心是否有可能全部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，舱驾一体最核心的部分是AI算力。其他部分的整合则没有那么关键。因为座舱系统和AI智能驾驶系统可以完全独立，但AI算力可以集中处理，这样可以大大提高效率。

我们路线图的最终形态是车内构建一个统一的AI计算中心，所有的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，会有一个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相互隔离，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，这是软硬件协同设计才能实现的目标。

问：是否因为M100是数据流架构的AI推理芯片，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较低，但这并非设计SRAM容量（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，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，但并非单一指标决定胜负，最终比拼的是整个拳击运动的表现。

问：为何目前的大算力芯片方案，如英伟达、小鹏和理想自研的芯片，都没有实现芯片级的舱驾融合，而高通却在低算力芯片上实现了这一点？

**谢炎：**从本质上讲，座舱（舱）和智能驾驶（驾）是两个独立的系统。特别是对于高端L3向L4迈进的智能驾驶，需要一个更高确定性的系统，内存和计算资源需要专属化，此时融合的意义就大大降低了。因为资源无法实时切换，实时切换会影响确定性。如果走向越来越独占的方向，融合的价值就不大了——你只是将芯片集成在一起，但资源仍需两份，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，其内部仍然是分开的。它无法实现“一会儿跑这个，一会儿跑那个”。如果无法实现这种动态切换，将两个芯片整合到一块芯片中，晶体管数量可能不变，只是节省了封装成本。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，随着智能驾驶的不断高端化，舱驾融合的意义可能并不大。如果将这些芯片做得更靠近，在一块电路板上实现高度集成化的小体积方案，这是可行的，不一定非要集成在一块芯片上，也可以是多块芯片组合在一起。

问：自研芯片需要哪些条件，例如销量、营收和研发投入？鉴于当前自动驾驶迭代速度很快，芯片的持续迭代需要具备哪些条件？

**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%，即每年有几十亿到上百亿的投入，才有可能支撑芯片的研发。第二个条件是，你研发的芯片所解决的问题，必须能够显著提升你的产品能力。

很多人认为芯片需要巨大的出货量。实际上，芯片的成本与面积有关。一辆车上的智能驾驶芯片，例如Livis使用了两颗马赫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部高端手机的芯片面积。

如此计算，年销量几十万辆车所需的晶圆面积非常可观，足以摊薄成本。所以，成本不能仅以单颗芯片的数量来衡量。

问：动态数据流编译器的难点在哪里？攻克它花了多长时间？

**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工作了。在流片前，我们已经完成了许多模型的运行验证。

数据流是一种完全不同的架构，它需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，无法依靠单一的中央管理员来管理。传统的冯·诺依曼架构的调度方式在这种规模下是不可行的，这是一个超大规模的并行调度问题。

想在征途国际的精彩世界里玩得更溜？别只盯着攻略，看看我们为你精心挑选的深度专题，带你解锁不一样的娱乐姿势！

还在为错过热门活动而懊恼？征途国际第一时间为你播报最新动态，让你紧跟潮流，玩转最in的娱乐玩法，抢占先机！