追赶FSD V14，理想在补哪些课？｜最前线

过去几年，自动驾驶行业竞争的焦点经历了显著转变。

最初，竞争围绕硬件展开：是否配备激光雷达、安装多少个摄像头、以及算力需达到多少 TOPS。随后进入大模型时代，竞争焦点转向了端到端、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，开始转变为模型、数据、算力和芯片之间能否构建一个持续迭代的闭环。

这也是为什么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。在中国，小鹏、蔚来以及理想汽车等品牌也在不断向更底层技术延伸。

在今年发布的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领域的一个重要技术方向。同时，理想汽车也在马赫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，我们采访了理想汽车自动驾驶负责人詹锟和芯片负责人谢炎。他们就理想汽车对下一代自动驾驶技术路线的判断，以及自研芯片、数据体系和AI基础设施背后的设计逻辑进行了阐述。以下为部分访谈内容的编辑整理：

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，具体体现在安全感、效率和舒适度是否能与FSD媲美。FSD在这三个方面表现出色，安全感十足，效率高，并且乘坐体验舒适，这是其核心功底。即使在不处理极端复杂路况的情况下，也能达到这样的基础水平。

其次是能力层面，这一点也相当具有挑战性。例如，特斯拉能够识别并礼让特殊车辆，能在极窄的通行环境下实现精准感知，并且能识别交警的指挥手势，这些能力都非常强大。

在能力提升方面，存在架构升级的机会。为何这些能力是特斯拉独有？这可能与过去的技术范式限制了这些能力的实现有关，既有架构上的原因，也有数据方面的原因。我们在这些方面进行了大量的探索。

问：我理解马赫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，目前的智能驾驶模型是否仍然包含“L”（Language语言）的部分？

**詹锟：**当前自动驾驶架构的共同趋势是将VLA（视觉-语言-行为模型）与World Model（世界模型）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，其中都离不开对Language（语言）的运用，特别是在Prompt（提示）的生成上。因此，Language部分是必然存在的，关键在于如何有效地运用它。

在我看来，对于机器智能而言，Vision Based（基于视觉）的方法更为合理，它能更好地理解空间、感知三维环境并服务于环境交互。Language（语言）也具有其价值，尤其在理解环境、交通规则、指令以及进行复杂的决策思考时。

展望未来，基于Vision和Language的原生基础模型，可能将是长期的发展趋势。

**谢炎：**如果目标是实现L3、L4级别的自动驾驶，需要解决更泛化的问题，那么模型就需要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，这也是未来对算力需求巨大的原因之一。

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，在遇到分布之外的极端情况时也会不知所措。就像动物即使学会了所有常见情况，面对从未见过的情形也可能束手无策，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，需要解决的问题越来越趋向于那些罕见、未曾遇到的情况（占90%、95%、98%之后的问题），这就要求模型具备类似人类的思考能力。而实现这种推理和思考能力的关键来源是语言模型。例如，理解交警的手势并判断其意图，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，从内部视角来看，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，数据的数量必须足够庞大，其核心目的是收集更多的Corner Case（长尾场景）。当前，行业内有多种方法可以在车端部署有效的Neural Trigger（神经网络触发器），以识别场景的难易程度，并将关键数据回传。这也是特斯拉在数据方面表现出色的重要原因之一。

其次，数据的质量至关重要，尤其指行为数据的质量。目前，行业逐渐趋向于端到端范式，无论采用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），都必须清晰地知道Action（行为）的执行。因此，行为数据的质量，包括其准确性、干净程度和一致性，变得尤为关键。

至于数据规模扩大后边际效应是否衰减，首先，只要模型能力不断提升，并且我们朝着满分目标迈进，数据带来的收益增长必然呈现“对数曲线”的形态，即增长速度逐渐放缓，绝非线性增长。这是所有AI公司都面临的普遍情况。尽管后期数据收敛的速度会变慢，但我们希望通过规模效应来加速这一进程。

问：马赫M100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里，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，而其他部分的整合则不那么关键。这是因为座舱系统和AI智能驾驶系统可以保持独立运行，但AI算力可以集中处理，从而大大提高效率。

我们的路线图设想是，在车内构建一个统一的AI计算中心，所有AI任务都可以在该中心进行计算。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进行，而是在Token Provider Server（Token供应服务器）上完成，车内的模式也是如此，即拥有一个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，都能得到保证，不受其他任务的干扰，这是通过软硬件协同设计实现的。

问：马赫M100采用了数据流架构的AI推理芯片，这是否意味着其对带宽的需求较低，而对片上存储的需求更高，相较于其他厂商的自动驾驶芯片？

**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SRAM（静态随机存取存储器）容量（而非显存）设计的原因。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、带宽、SRAM等都需要晶体管来实现，最终的设计是基于成本、综合性能等多种因素权衡的结果。

仅仅依靠一两个指标来简单对比不同架构的设计，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，最终取决于比赛的整体表现。

问：为什么目前的大算力芯片方案，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做了这件事？

**谢炎：**本质上，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级别发展的高端智能驾驶，需要一个更高确定性的系统，包括专属的内存和计算资源。在这种情况下，融合的意义就大大减小了，因为资源无法实现实时切换，而实时切换会降低系统的确定性。如果系统朝着越来越专用的方向发展，融合的价值就会降低——即使将两个芯片集成在一起，资源仍然是独立的，这并不能带来成本的降低，甚至可能影响效率。

目前市面上的舱驾融合系统，它们仍然是分开的。无法做到一个芯片一会儿运行座舱任务，一会儿运行驾驶任务。在这种情况下，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，这部分成本节省是可能的，但幅度有限。

我的观点是，随着智能驾驶向更高端的方向发展，舱驾融合的意义将变得不大。如果能将这些芯片设计得更靠近，在同一块电路板上实现高度集成的小型化方案，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不菲，每年可能高达数亿元。

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，才能支撑芯片的持续研发投入。其次，所研发的芯片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Livis采用了两颗马赫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。

这样计算下来，几十万辆车的销量所需晶圆面积非常可观，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：动态数据流编译器的难点在哪里？攻克它花费了多长时间？

**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的工作，并且在流片前，已经成功运行了许多模型。

数据流是一种完全不同的架构，它所要解决的问题与超级计算机或大规模计算机集群的问题非常相似——当规模扩展到几十万台计算机、上百万个核心时，它们之间的通信与协作，无法依靠单一的中央管理器来调度。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，这是一个超大规模的并行调度问题。