夜雨聆风
作者丨倪萍、王瑞昊
5月15日，全新一代理想L9 Livis即将上市。这款车最大的亮点之一，是首发搭载理想自研AI芯片“马赫M100”。
作为理想首颗车规级自研高算力芯片，马赫M100不仅是L9 Livis迈向“具身智能汽车”的核心硬件底座，也决定了这款车未来智能能力的上限与进化速度。
马赫M100仅有一个版本，不区分高低配，高端车型如L9 Livis将搭载2颗芯片。
马赫M100量产后，理想仍将持续为老车型（如2022款理想L9）迭代模型，将通过蒸馏方法将大模型适配到算力更小的芯片上，保障老用户的体验升级。
在理想内部，马赫M100不仅是一颗芯片的名字，也被视为公司AI战略的重要象征。
理想最初曾将这颗自研芯片命名为“舒马赫”，灵感部分来自传奇赛车手舒马赫，后来则进一步简化为“马赫M100”，既保留了对速度的联想，也借用了“马赫”这一速度计量单位，寓意芯片拥有更快的计算速度与更强的AI推理能力。
从2021年开始决定自研芯片，到2022年11月正式立项，再到2023年进入大规模研发、2024年完成流片、2025年回片验证，最终于2026年随全新一代理想L9 Livis正式上车，理想用了约3年半时间完成了马赫M100的研发落地。
理想汽车CTO谢炎告诉我们，理想起步最晚，但最终完成节奏并没有落后太多，这主要源于整体研发推进速度相当快，从一开始就规划得非常精细，需求也非常清晰。
苹果公司一直是理想汽车看齐的目标，而苹果最大的优势在于“操作系统 + 芯片 + 软件”的垂直整合，“苹果的操作系统会告诉芯片该怎么设计，芯片又会反过来给系统提供差异化能力。”
这也是理想汽车自研芯片的出发点——通过大模型、星环OS、马赫M100芯片、整车等硬件，逐步形成完整的自研技术闭环。
图灵奖得主艾伦·凯曾经说过：“真正认真对待软件的人，应该自己制造硬件。”某种程度上，这句话解释了理想为何会走向自研芯片之路。
要成为头部公司，绕不开自研芯片
供应商路线图与理想对AI算力的判断存在差距，是促使理想加快自研节奏的客观因素，但根本驱动力是对AI架构演进方向的主动判断。
供应链危机与芯片平台的不确定性，是促使理想加快动作的客观因素。让理想下定决心走向芯片自研的核心因素，是对下一代AI技术演进方向的判断。
2022年“Scaling Law”还未成为共识时，理想团队意识到一组推导逻辑：大算力给算法更大的设计空间，更大的算力会带来更高的性能，更高的性能带来更好的体验。
他们的判断依据，某种程度上来自整个计算机产业的发展历史。
回顾过去几十年的技术演进，无论是算力还是内存，人类对计算资源的需求从来没有真正“够用”过。上世纪七八十年代，几十KB内存、几百KHz主频就已经属于高性能计算机。而今天，这样的性能几乎难以支撑任何现代应用。
计算需求永远在增长，这也是理想判断AI时代算力需求会持续爆发的重要原因。
“如果AI能力持续增长，而现在距离自动驾驶真正实现L4、完全替代人类驾驶，还有很长的路要走，而这背后一定需要越来越高的算力支撑。技术迭代速度又非常快，如果长期依赖外部厂商，整体演进速度会比较慢。”谢炎说道。
谢炎举了一个案例：随着Transformer架构在AI领域迅速崛起，2024年初理想内部很快识别到这一趋势，决定对芯片优化方向做临时调整。结果如何？内部团队一个月内完成了新设计优化。
“如果是外部供应商，根本不会接这种需求，除非你给它一大笔钱，甚至还要迭代一年。”谢炎说，“甚至，很多芯片公司不会因为一个客户就改变自己的技术方案。”
理想自研芯片的第二个关键原因在于计算架构正在进入新一轮跃迁周期。
过去六七十年，计算机主要建立在冯·诺依曼架构之上，CPU、GPU本质上都是在这一体系上的优化。但随着AI快速发展，这一架构开始显现局限性，无法以最优效率支撑大规模AI计算需求。
因此，谢炎判断，行业有机会进入“Native for AI”的新架构阶段，从软件到硬件重新设计计算系统。
历史上类似的变化曾多次发生，例如图形计算兴起时，英伟达判断需要GPU专用架构，而英特尔则长期坚持CPU足够应对。最终GPU成为AI与图形计算的核心平台，这也导致两家公司在市值与行业地位上发生逆转。
理想据此判断，未来AI计算将成为增长最快的计算形态，而GPU并非终点，因此需要面向AI重新设计计算架构，在软件与硬件一体化中寻找更高效率的解决方案。从技术上来讲，马赫M100有创新的机会。
当然，成本也是一个现实因素。“供应商的芯片价格本身并不低，我们自己设计在规模上来之后，成本会更有优势，”谢炎坦言，“但这更多是第三层面的考虑，更核心的，还是在AI快速发展的阶段，必须具备自主定义和掌控技术的能力。”
对于外界关注的“车企自研芯片是否真的更省钱”，谢炎给出的答案并不只是简单的成本账。
行业过去习惯用“多少颗芯片”衡量规模，但真正决定成本的，其实是“芯片面积 × 出货量”。因为晶圆厂的计价方式本质上是按硅片面积计算，同样一块晶圆，可以切割成数千颗小芯片，也可以只切出数十颗大芯片，但核心成本差异来自面积，而非颗数。
在理想内部的判断中，未来汽车对于AI算力的需求会持续快速增长，而算力本质上又对应着更大的芯片面积需求。谢炎认为，随着智能化程度不断提升，汽车行业未来消耗的AI计算硅片面积，甚至可能超过手机行业，这意味着头部车企已经具备支撑自研AI芯片的产业规模。
谢炎本身从底层技术一路走来，本科学电子工程、研究生学计算机架构，先后做过编译器、操作系统，更早之前还做过计算机体系架构相关工作。
“做了这么多年回过头来看，有机会在软件开发工作中参与到硬件与底层的联合设计时，就本能想做出超越性的设计，而不再只是被动依赖供应商。”谢炎说。
谢炎非常认同艾伦·凯的观点：“真正认真对待软件的人，应该自己制造硬件。”
这与理想的战略相契合，理想的目标并不仅是造车，而是构建类似苹果式的完整技术栈——从操作系统、推理框架、runtime，到硬件与芯片，形成全链路自研闭环。
事实上，苹果与安卓的差异，本质是“垂直整合能力”的差异：操作系统定义芯片能力，芯片反过来强化系统体验，这种协同是外部供应商无法提供的，也是构建差异化价值所在。
谢炎判断，未来汽车行业的竞争格局会逐渐呈现两种模式，少部分企业会走向类似类似苹果、华为的深度自研路线；大部分企业则会受限于研发成本，更多靠采购通用方案（即货架方案），通过集成与二次优化来完成产品开发。
“理想希望成为前者，技术高壁垒、竞争高差异化、公司高利润。”
当然，不是所有的底层技术理想汽车都会选择自研，只有那些仍处于高速演进、持续变化，并且能够在未来形成稳定差异化优势的技术，才会投入自研资源。
“对我们来说，并不是所有芯片都要做，而是聚焦AI芯片这一方向。如果一家公司以AI为核心竞争力，那么自研AI芯片是必须做的事。想要成为头部公司，这件事是绕不开的。”谢炎表示。
设计芯片最重要的不是设计，而是理解需求
小鹏图灵芯片单颗算力达到750 TOPS；蔚来的神玑 NX9031单颗算力约为1000 TOPS。理想的马赫M100有效算力更高，达到1280TOPS。
不过，这并不是它的关注重点，比起市场上已有的芯片，马赫M100重写芯片架构，将软件需求与硬件高度耦合。理想汽车认为，比起堆砌TOPS数据，激发有效算力更能提升智驾体验。
谢炎团队在研究中发现，英伟达、高通这类芯片往往面向汽车、AI、PC、数据中心等跨行业通用场景，汽车厂商拿到芯片后，需要调试算法或压缩模型智能，才能让芯片在车内正常运转。这个过程中，往往伴随着70%的算力浪费和模型智能的妥协。
因此，理想汽车不再是根据已有的芯片编写软件程序，或是拿着算法找芯片，而是将软硬件的需求放在一起，共同开发芯片。
谢炎反复强调一个观点：“设计芯片最重要的不是设计，而是理解需求。”
在传统模式下，芯片团队独立完成设计，后期再由算法、模型团队适配。一旦需求理解偏差，后续全都会做偏，时间被大量浪费。理想的打法则完全不同——芯片不是芯片团队单独设计的。
从项目启动之初，芯片团队、模型团队、自动驾驶团队、操作系统团队就坐在一起，共同定义需求。谢炎说：“没有他们的输入与认知，没有大家一起坐下来分析，就会做偏。而做偏就会带来时间的浪费。”
“我们大概有200人，人员规模会控制在一个精简规模上，做最核心的事。”在芯片行业，这并不是一支大规模的团队。作为对比，哲库科技巅峰期3000人，华为海思超7000人，英伟达单芯片项目团队动辄数百人。
在联合开发理念的加持下，马赫M100的关键创新来自芯片架构的重写。
马赫M100的理论基础来自论文《M100: An Orchestrated Dataflow Architecture Powering General AI Computing》。
理想汽车团队在这篇论文中提出“周密编排数据流架构”，让数据像河流一样在计算单元间流动，相比传统GPU架构，理想的数据流架构能够减少缓存中的反复存取，释放更多有效算力，提高AI的运行效率。
谢炎用一句话点明了这一架构的本质：“我们不需要让数据频繁去DDR走一圈。”在传统架构中，数据频繁在片外DDR与片上计算单元之间搬运，成为性能瓶颈。而数据流架构的核心目标，就是减少甚至避免DDR访问。
为此，马赫M100在芯片内部配置了大量分布式SRAM，数据尽量在片上完成流转。谢炎强调：“一旦大量访问DDR，性能和效率都会下降。”分布式SRAM的设计，使得数据流架构的优势得以充分发挥——更低的延迟、更高的能效。
从芯片内部布局来看，马赫M100是一颗“AI优先”的芯片。
周密编排数据流策略
马赫M100芯片内部一部分是CPU核，负责Linux与控制逻辑；而超过一半的芯片面积，完全用于AI计算。这一比例在同类芯片中相当突出，直观体现了理想对AI能力的极致追求。
AI计算部分采用数据流架构，配合大量分布式SRAM，使其特别适合大模型推理——无论是自动驾驶模型、语言模型，还是未来的机器人模型。
而引入MoE混合专家模型则更加放大了计算优势。传统稠密模型处理输入时，所有参数被激活，无论事件复杂或简单，每一个神经元都参与计算，导致算力浪费。
MoE模型能够根据输入数据，精准选择不同的专家子网络处理特定任务，从而避免冗余计算，降低资源消耗。
2023年，ChatGPT引发大模型的浪潮，MoE进入主流视野，成为车端部署的又一选择。基于数据流架构的前瞻性设计，理想汽车拥抱了算法范式的演进。
对于用户来说，马赫M100带来的价值最终体现在智驾体验的提升。谢炎将其总结为三个维度：看得更远更准、决策更丝滑、响应更快。
看得更远更准是指能更好地理解远距离场景及细节，解决当前自动驾驶远距离感知不足的问题。
决策更丝滑则是依托更大算力支撑的更优模型，决策更接近人类习惯，避免急刹、急顿等突兀操作。
响应更快是综合优化推理速度、线控响应、操作系统损耗，缩短从传感器输入到控制输出的时间，同时频率缩短后还能以15帧、20帧甚至更高速度处理传感器信号，兼顾丝滑与安全。
安心感则是长期目标——逐步让智驾系统的决策习惯与大部分人类驾驶认知匹配，减少因操作逻辑差异带来的用户顾虑（如避免类似赛车手驾驶的激进风格）。
“有点像你让一个赛车手给你当司机，你不舒服，因为他的认知跟你的认知差别很大。”谢炎描述，马赫M100的目标，是要在体验上接近一个更像人的司机。”
一颗芯片融合两大控制器
此前，理想汽车的电子电气架构中共有三大核心控制器：中央域控制器XCU、座舱域控制器以及智驾控制器。但随着马赫M100芯片与星环OS正式落地，从L9 Livis开始，理想首次完成了中央域控制器与智驾控制器的融合。
谢炎表示，现在车辆中已经不再单独存在XCU控制器，而是通过虚拟化技术，在一颗芯片上同时运行不同系统。表面上看，辅助驾驶控制与XCU依然是两个系统，但底层算力已经实现统一调度。
这也是L9 Livis与传统智能汽车的重要区别。
在理想内部，马赫M100并不只是被定义为一颗辅助驾驶芯片，而是整车AI能力的底层平台。谢炎表示，理想并不希望它只服务辅助驾驶，而是能够支持更多AI模型运行。因此，L9 Livis的定位，也不仅是智能汽车，而是“具身智能汽车”。
所谓具身智能，本质上是让AI拥有在物理世界中的感知、决策与行动能力。而汽车天然具备成为具身智能载体的基础。
相比从零开始打造机器人，汽车本身已经具备了完整的“身体”基础：动力系统、主动悬架、线控底盘、摄像头、传感器以及高算力平台都已经成熟存在，天然拥有感知与行动能力。
“买下一辆车，它已经有轮子、有动力、有算力和摄像头，缺少的只是把这些能力真正连接起来，形成一个具身智能体。马赫M100的作用，本质上就是把这些分散能力连接起来。”谢炎表示，这相比重新组装一套机器人系统，技术路径更现实，也更容易率先实现商业化。
更重要的是，汽车产业庞大的规模效应，是具身智能快速进化的重要基础——汽车行业拥有上千亿级市场规模，可以持续推动传感器、AI算力、线控底盘和动力系统快速迭代，并通过大规模量产不断降低成本、提升成熟度。
当这些核心技术被充分验证后，再向机器人等其他具身智能形态迁移，难度会明显降低。
谢炎将这一过程类比为PC与智能手机的演进关系。在他看来，智能手机并非凭空诞生，而是在PC产业长期发展后，芯片、操作系统与计算能力逐渐成熟，最终完成的小型化与移动化。
具身智能的发展路径也类似，汽车有望成为率先规模化落地的物理AI。
而在理想看来，马赫M100承担的角色，也不仅是提升算力。
谢炎将其类比为苹果的垂直整合模式，苹果并不会单独售卖处理器，但芯片与操作系统结合后，能够提供远超行业平均水平的体验。理想希望马赫M100也能承担类似角色，通过更高算力与自研模型结合，形成差异化竞争能力。
“自动驾驶会成为用户选择汽车的关键因素。”谢炎表示，如果AI不能真正改变用户体验，那么投入AI也失去了意义。
据了解，马赫M100并不是传统意义上只服务自动驾驶的ASIC专用芯片，而是一颗相对通用的AI处理器。除了辅助驾驶，它还能够支持更多AI模型运行，这也是理想将L9 Livis定义为“具身智能汽车”的原因之一。
在理想的设想中，未来汽车不只是完成驾驶任务，而是会逐渐具备类似机器人的能力，可以主动完成更多现实世界中的工作。
与此同时，随着AI能力不断提升，理想对于传感器路线的思考也在发生变化。
针对华为此前发布的896线激光雷达，谢炎认为，高线数激光雷达本质上是在不断逼近摄像头的分辨率，其核心目标是提升三维世界的感知精度。
谢炎表示，仅依赖摄像头，系统仍然缺少准确的深度信息，而深度感知对于高阶智能驾驶至关重要。因此，理想会继续坚持“激光雷达 + 视觉融合”路线，通过激光雷达提供高精度距离信息，再结合视觉系统构建完整的三维世界模型。
理想目前正在通过3D ViT三维视觉模型，将点云、语义与像素信息进行统一融合，还原更完整的三维空间认知能力。在这一体系中，激光雷达与视觉不再是彼此替代关系，而是共同组成具身智能时代的“眼睛”。
而在软件层面，L9 Livis也正在从“功能集合”走向“角色化”。
过去的软件逻辑更像App，每个功能对应一个应用；但在AI时代，理想更倾向于将汽车视为“司机”“助手”甚至“管家”式的智能角色。车辆不只是响应指令，而是开始具备主动理解需求、执行任务的能力。
某种程度上，马赫M100对于L9 Livis的意义，并不只是提升了一辆车的算力，而是让理想开始尝试用AI重新定义汽车。
自2021年末启动自研计划，理想用时3年半完成了初步的芯片布局和技术探索，尝试掌握芯片定义的主导权，向着苹果、特斯拉这些依靠软硬件一体化的巨头看齐。
但成为头部公司的路从来陡峭，前期研发投入后，芯片造出来只是开始。接下来要通过量产、大规模上车分担研发成本，为后续的芯片开发和投入铺垫方向。而车企需要在这个过程中持续加码，才能蹚出一条商业闭环的自研之路。
与此同时，芯片竞争仍然激烈。英伟达、高通、以及国内厂商地平线正在加速迭代芯片产品，特斯拉的FSD芯片已迭代至第四代，华为昇腾的产能限制正在缓解，马赫M100需要在算力效率、成本控制、产能保障三个维度同时取胜，才能证明自研的价值。
（作者长期关注蔚小理和智能驾驶的技术与人事动态，欢迎添加微信 ColombaHere 交流讨论）
