過去幾年，理想貢獻了中國汽車行業被模仿最多的一套產品方法論。如今，理想又要去探索未來了。

6月17日，理想辦了一場Livis Day的AI與具身智能發布會。這次沒有行業熟悉的冰箱、彩電和大沙發。取而代之的是VLA、Agent、世界模型、3D ViT、自研的馬赫芯片。

這些內容更像應該出現在OpenAI、Google或者英偉達的開發者大會上，很多人看完Livis Day後的第一反應是：理想怎麼突然開始講一些聽不懂的東西了。

對於一家年銷量正在衝擊第二個百萬輛規模的車企來說，這些內容看上去甚至有些「不務正業」。但理想討論的已經不只是汽車。或者說，汽車已經不再是故事的全部。

要知道，當下國內汽車市場大盤收縮，1-5月的銷量按年下滑近兩成，玩家們紛紛保銷量、保交付的情況下，理想如此激進的行徑，反而是想破內卷，逃出價格戰的裹挾。

回溯來看，過去幾年裏，中國汽車行業幾乎所有企業都在變得越來越像理想。

理想幾乎貢獻了行業最成功的一套產品方法論。從增程到家庭SUV，從六座到冰箱彩電大沙發，越來越多的新車開始長成理想的樣子。曾經被視作另類的選擇，如今已經成為主流。

這是理想最成功的地方，也是理想必須尋找下一個答案的原因，因為所有產品創新都有一個宿命：一旦被驗證成功，就會被複制，賴以成功的護城河就開始被消解。

十年前，馬斯克已經經歷過一次類似的過程。

當越來越多車企開始學習特斯拉如何造電動車的時候，馬斯克把注意力轉向了自動駕駛；當越來越多公司開始追趕自動駕駛的時候，特斯拉又開始研究機器人；而今天，特斯拉自動駕駛負責人Ashok Elluswamy在CVPR上談論的已經不再是汽車，而是一個統一的機器人基礎模型。

Ashok說，自動駕駛、Optimus機器人和智能體，本質上是同一個基礎模型在不同身體上的投影。重要的是那個能夠理解世界、進行推理並採取行動的統一模型。

如果把這場演講與幾天前理想的Livis Day放在一起看會發現，當整個行業都在學習理想的時候，理想開始學習特斯拉了。

首先是大腦，發布會後的媒體溝通會上，基座模型負責人詹錕被問到，為什麼理想如此強調語言模型能力，他向華爾街見聞揭示了理想的真正目標。

「我們認為越往L3、L4走，解決的問題越來越接近90%、95%、98%之後的問題——那些你從來沒見過的問題，需要模型具備像人類一樣思考的能力。」

過去十年，自動駕駛行業最主流的邏輯是規模化學習，讓模型見更多的數據，走更多的路，覆蓋更多的Corner Case，本質上是一種經驗主義，但理想正在討論另一件事。

如果汽車遇到一個從未見過的場景怎麼辦，如果訓練集裏沒有答案怎麼辦？為了說明這一點，詹錕舉了一個例子。「比如出現一頭鴕鳥和一頭大象時，應該怎麼處理？如果是鴕鳥，碰一下沒事；如果碰到大象，碰一下可能就會翻車。」

對於人類來說，這是常識。對於機器來說，卻不一定。因為常識背後並不是記憶而是理解。於是理想開始把注意力從感知轉向思考。

詹錕表示，「人和動物最大的區別，是人以語言作為符號進行高層次的思考。這些能力來自於語言，而不是來自於視覺。」

這其實已經不是傳統智駕公司的表述方式。過去行業討論自動駕駛，關注的是攝像頭、激光雷達和算力。而理想開始討論語言、推理和思維鏈，實際上是在重新定義智能。因為在理想看來，未來汽車最重要的能力可能已經不是「看見」。

理想對Agent的定義也指向同一方向。

很多人把Agent理解成一個更聰明的車機助手。但從理想的表述來看，它顯然不只是一個聊天機器人。詹錕談到Agent時提到幾個關鍵詞：記憶、規劃、推理、執行。這些能力看似屬於Agent，實際上也屬於自動駕駛，甚至屬於未來所有機器人。

因為無論是幫用戶規劃一天行程，還是幫用戶規劃一段駕駛路線，本質上都是同一種能力。理解意圖、拆解任務、執行任務。

MindGPT、Agent、VLA、世界模型，看起來是幾條獨立業務線。實際上指向同一個目標，一個能夠理解世界並採取行動的統一智能體。

詹錕說，「我們把物理機器人分成三個關鍵任務。一是具身交互，二是移動，三是操作。」

隨後他補充道：「車裏麪包含了Language語言智能，這直接遷移到機器人的概率是非常大的——交互、思考、長程規劃。」理想已經把汽車放進具身智能的座標系裏重新審視。

過去行業認為：汽車是交通工具，機器人是機器人，Agent是Agent。而在理想和特斯拉越來越接近的世界觀裏，它們正在逐漸融合。

在這個框架裏，汽車、Agent和機器人共享同一個大腦，分別負責移動、交互和操作。理想要做的，是同時具備這三種能力的統一系統。

回頭看Livis Day上發布的每一項技術，都在給這個統一智能體補拼圖——語言智能、交互智能、行動智能、物理世界的理解能力。

如果說詹錕談的是大腦，那麼謝炎談的則是神經系統。

也有很多人把芯片的問題理解成成本問題。但謝炎對此反覆提到一個詞：全棧。「從L2往L3走的時候有很多問題，今天沒有供應商可以解決。要解決未知問題、想達到更高標準時，領先企業一定會選擇一起做。」

在謝炎看來，未來的競爭已經不再是簡單採購零部件，而是系統能力競爭。模型需要與芯片協同、芯片需要與系統協同、系統需要與車輛協同，最終形成一個完整閉環。

這其實也是特斯拉過去幾年一直在做的事情。Dojo、自研芯片、FSD、Optimus看似分散，背後卻是同一種邏輯。把關鍵能力掌握在自己手裏。因為當行業進入無人區時，供應鏈已經無法提供現成答案。

謝炎後來的一句話點出了理想這次轉型的根本原因，「車的內卷就是因為同質化。要擺脫同質化，就是要做別人不好做或做不到的事。」

某種意義上說，理想今天越來越像特斯拉。它們爭奪的已經不是下一代汽車，而是下一代智能終端，理想要把汽車公司，變成一家真正的AI公司。

以下是與理想汽車CTO謝炎、理想汽車基座模型負責人詹錕的對話實錄：

問：理想汽車這幾年經過很多次智能化的體系調整，最終把芯片、基座模型和智能輔助駕駛整合成統一的（團隊），您作為CTO視角來看，理想的「三位一體」和特斯拉的FSD、HW、xAI相比，差異化的護城河在哪？是組織效率，還是技術路徑的差異？

謝炎：跟特斯拉相比，大家出發點是一樣的。如果想圍繞AI做出強競爭力有兩方面。

一是需要快速迭代。今天的AI發展很快。從芯片領域來說，英偉達也迭代很快，不僅是自己迭代快，還不斷收購公司補充自己的技術，說明這個行業競爭非常激烈。迭代快是我們進行組織整合的一個目標，幾個團隊更緊密地合作，迭代速度會上去。

第二是，需要垂直整合。理想汽車推崇構建垂直整合的競爭力。在這個時代，如果沒有自己的芯片，只做自己的模型，那麼如果遇到需要芯片和模型聯合設計，才能把問題解決得更好的情況下，我們就失去了這樣的機會，特別是一些大的創新。

我個人觀點是，當技術發展到平台期時，這時分工會很細。比如PC發展到2010年，操作系統歸操作系統、應用歸應用、芯片歸芯片、製造歸製造。但是如果技術處於高速發展期，斜率非常高時，你會發現很多公司又回過頭來做整合，因為需要在技術邊界上把分工打破，重新做整合。

比如英偉達之前只做芯片，現在英偉達連封裝和機架都開始收購公司來做。所以英偉達要解決更進一步的問題時，需要上下游一起來做，如果分成多家公司來做，其實效率是非常低的，甚至是不可能的。

英偉達做Vera Rubin（AI超級芯片平台）時，可以看到不僅是多種處理器，而且機架、散熱技術、互聯技術都是英偉達來做。雖然英偉達是做計算的公司，但現在全拓展開了。我認為技術快速發展的時代，這是有志於領先的公司肯定要走的一條路。

當然這個投入肯定不小，很多公司不具備這種能力。在我們團隊，我的背景是做過操作系統、架構、應用層等AI各個方向，所以我們的整合效率相對更高一些。

除此之外，組織規模小一點也是優勢。如果需要高密度、高整合度，組織規模不能太大，如果組織規模太大，就會導致很多部門牆。這是為什麼我在公司強調要保證比較小的組織規模的原因，就是想讓大家合作得更緊密些。

問：數據是這個時代最寶貴的資產。隨着理想車隊規模的躍升，從理想內部來看，數據的邊際效應是不是出現了衰減？我們是怎麼定義價值數據的？

詹錕：現在大家對於自動駕駛來說，數據的理解逐漸收斂了。

第一，數據的量要足夠大，數據量足夠大的本質是希望收集到更多的Corner Case。Normal Case現在供應商都已經可以採集了，但採集Corner Case非常難，必須要足夠大的車隊纔行。

基數大，但不是說把所有數據都傳回來，這沒意義。現在大家有很多方法在車端做出很好的neural trigger（神經網絡觸發器），來判斷這個場景是難場景還是簡單場景，然後把這些關鍵數據傳回來。這也是現在特斯拉很強的重要原因之一。

對我們來說，我們現在規模已經很大了，主要來源於我們很早就做了很好的基建統一。從理想ONE開始就可以回傳數據了。從L系列開始是全棧所有數據回傳。現在到了Livis具身智能更強了，現在回傳的數據可以理解為達到了L4自動駕駛的公司採集車隊的數據質量，360°點雲和攝像頭數據做了精準的對齊，這些數據給了我們長尾收斂、思考問題的機會。

第二點，指行為質量高。因為現在大家逐漸收斂到端到端的範式，無論做VLA、世界模型還是Vision-Action都可以，但是你一定得知道Action的行為，這時候行為質量就非常重要，行為的乾淨程度、一致性很重要。這對於使用衆包車隊的公司來說很有挑戰。

因為每個人的開車習慣不一樣，怎麼在這麼多的衆包用戶中找到一致性，是我們努力做的事，而且也看到了很多機會點。這相比於採集車隊來說，難度就在這裏。採集車隊的衆包行為沒那麼好控制，但我通過算法可以迅速把好的行為留下來，壞的行為去掉。

比如你每次過紅綠燈時，是不是穩定的加速度；遇到丁字路口時，能否穩定減速；每次超車時是否合理變道，這些都需要清晰的判斷。

正因為我們有很大的車隊，可以篩選出很多高質量的用戶行為和用戶數據。我們用後面的方法來篩選，就簡單很多。因為他在發起行為時，我不確定他的行為好不好。但他開完以後，通過看他的後車距離、變道幅度和角度，就知道是否合理。所以我通過後面完整的數據來看，就可以知道他的每一個行為是不是合理。這對於我們來說非常重要，也是我們現在投入最大力度做的事。

現在你問數據規模上去以後的邊際效應有沒有衰減？

首先，只要模型上去了，只要我們能力往100分去夠，一定是個「對數曲線」，一定是慢慢衰減，不可能線性增長，哪個公司做AI都不是這樣的。但是我們的數據質量，能隨着車隊規模的增大而增長，其實也在抵抗這個對數，我們有更多的機會採集到我們想要的數據。雖然確實越往後面，數據收斂的作用就沒那麼快了，但我們也希望通過規模，把它的速度加起來。

問：要達到特斯拉FSD V14的效果，我們還需要做哪些工作？

謝炎：其實我們的整體能力，內部評分比之前高很多，這個模型現在的上限非常高。真正難的問題是我們要擴大模型的感知與認知能力的上限。你看這個版本的模型在很短時間內，已經達到了量產水平。

很多公司都是先發芯片，再花一段時間適配上車。我們不僅提供了高階的智駕、城市NOA，而且比上一版本能力強很多，在非常窄的3米路況上也可以通行。

詹錕：業界都說要追上FSD的水平，但不一定能追上。我認為追上FSD有兩個層面。

第一是基礎體驗，具體是三方面：安全感、效率、舒適度是否能達到FSD的同等水平。相信大家如果開過FSD，它的安全感非常足，效率很好，舒適度很好，這是它的基本功。我不一定跑很難的路，但這些基本功可以達到這個水平。

第二是能力，這一點也很難追。FSD有哪些能力是別人沒有的？比如特斯拉會禮讓特殊車輛，有極窄通行時的感知精準度，它會識別交警指揮，這些能力非常強。如果我們能做到這兩項，就能追上FSD。

在基礎體驗上，這需要非常好的評價體系。我們希望從自己的測試團隊和產品團隊開始，跟用戶和媒體一起想，怎麼去評價我們的模型——它的安全感、舒適和效率怎麼平衡。這裏有很多方法，再加上我們芯片性能還沒完全釋放，我們可以效率更高、反應更快。

第二個關於能力，這裏有架構升級的機會。為什麼別人沒有、只有特斯拉有？這裏有我們的一些思考。我們會去做這樣的改進，把這些能力提升上來。

大家想想，這些能力是怎麼來的？為什麼別人沒有？可能是以前的範式限制了這些能力，有架構的原因，有數據的原因。它怎麼就能找到這麼多倒車數據？這是採集的還是合成的？怎麼把這些坑坑窪窪的信息傳回去？這在架構上有很好的設計。我們在這個層面做了很多嘗試，目前也有一些初步的實踐結果。

問：五年後或者再往後看兩代產品，理想車內的算力中心有沒有可能全部使用自研的馬赫芯片？

謝炎：我們就是這麼思考的。雖然業內有一個說法叫「艙駕一體」，我們認為艙駕一體最核心的是AI算力部分，其他部分是不是一體沒那麼關鍵。因為座艙系統跟AI智駕系統可以完全獨立，但AI算力可以集中在一起，這樣分配效率會高很多。

所以我們路線圖的最終形態是車內一個AI計算中心，所有AI任務都可以到這個計算中心去計算。就像筆記本上跑龍蝦一樣，AI不在筆記本上，而是在雲上，車裏也類似，有一個Token服務器。

這個Token 服務器的優勢：第一，效率非常高。第二，能做到不同任務互相隔離、互不影響。比如智駕任務的確定性——無論是內存還是帶寬，能夠保證不被其他任務干擾，這是軟件和硬件一起設計才能實現的。只靠芯片提供商做不到這一點，需要軟件跟硬件一起配合設計。

我們的優勢在於，可以把一些計算單元完全隔離給智駕用，另一部分給其他任務用。如果是通用的SRT（安全可靠傳輸協議）架構，它不能完全做到這一點，因為這些東西藏在硬件裏，而硬件並不知道上層應用的語義。它不知道下面跑的線程是智駕任務還是其他任務，或者說它做這些事情的代價非常高。就像我昨天發布會說的，我們走向數據流架構有很多原因，有效率的原因，也有AI場景下多任務需要並行運行、對時延非常敏感、對資源確定性要求很高的原因。

問：之前一直是馮·諾依曼架構指導了整個芯片體系，現在我們第一次看到動態數據流架構用起來了，四年前理想看到了什麼？整個鏈條要從頭到尾全部變短纔是真正的全棧優化，背後的組織是怎麼實現的？

謝炎：四年前，我們給自己立了一個很高的目標就是自研。我們為什麼要自研？我和李想有一個非常一致的意見：自研不是為了證明自己有能力做，而是真正去解決問題。

四年前我們看到的問題：一是算力成本非常高，而且會不斷變高，因為車內需要越來越多的AI算力。二是我們希望通過自研做得更好。當時我們用英偉達和地平線，我們給自己定的目標是，如果做不到比外購芯片更好，那做的意義不大。當時定的目標是4倍Orin的性能。

如果要達到這個目標，背後有一套邏輯——你要做得比英偉達更好，用英偉達的技術路線是不可行的。因為英偉達比你早啓動幾十年，積累比你深，資源比你多幾個數量級。你唯一的機會就是跑另外一條路徑。

在這個思路的指引下，我們開始看其他技術路線。就是扔掉所有以前的架構依賴，回到本質，從第一性原理看AI計算本身還有什麼機會。

我在讀研究生時，我導師高光榮教授是數據流架構的奠基人之一，他在MIT時就做這個事。當然在通用計算時代並不成功。我們發現他的思想本質是：你要做的是計算，馮·諾依曼架構相當於幫人類做一箇中介去實現計算，中間有翻譯層，這個翻譯幫助人類更好地去編程，但這個中介和翻譯會降低效率。

如果回到計算的本質，可以把中間的翻譯拿掉。當然的確很少有企業做過實踐，中國也是如此。所以大家看到的機會都是一樣的，關鍵是如何極致地解決這個問題，從第一性原理來倒推。我們四年前定了這樣的目標，並且覺得是可行的。

關於組織協作。為什麼垂直整合比較重要？因為要做到這一點，只有硬件團隊不夠，還必須有模型團隊。我們設計芯片時，軟件團隊、模型團隊坐在一起分析。而且大家比較興奮——之前很多做軟件的人根本沒有機會直接對硬件團隊提需求。

在組織上，我們希望以某一個核心的、有挑戰的目標為中心，圍繞它構建項目團隊。實際團隊是分開的，但像一團篝火一樣，有硬件的人、有軟件的人、有模型的人，大家在大目標下一起共創、一起實現。我們內部越來越多的項目會往這個方向走。

問：馬赫M100為何沒設計PCIe接口，是否因為M100是數據流架構的AI推理芯片，所以相較其他友商的自動駕駛芯片，對帶寬需求沒那麼高？

謝炎：我認為未來智駕需要更多的算力。回到2022年我們設計芯片時的目標，它的性能是當時最好芯片的4倍，我們覺得夠了。PCIe控制器本身也佔一些面積和成本，所以就沒有加，覺得四年以後怎麼也夠了。

某種程度來說，我認為加上會更好，因為有可能未來智駕需要更多的算力。你可以想象當未來的智駕能力更強時，也許不是幾年，也許是兩年後，需求就不一樣了，這也是我們設計未來芯片時會考慮到的點。

你看昨天發布的場景，今天有一些雲端的大模型最終要落到本地，特別是跟艙內視覺相關的。很多人會敏感，覺得艙內攝像頭把車內信息都上傳到雲端不安全，所以這些信息應該在本地處理。比如你在地庫跟一輛車像跟機器人一樣交流，而地庫沒有信號，所以你需要很強的本地大模型，幾B到幾十B的模型。所以會有另外一顆芯片，更好地承擔這部分工作。

關於第二個問題，我們對帶寬的要求會低，現在HBM很火，很多人覺得帶寬越高越好。計算，帶寬，SRAM等等都是需要晶體管代價來實現，最終的設計都是成本/綜合性能等多方面的綜合設計考量後的一種選擇。

不同的架構設計，僅僅靠一兩個指標來做簡單對比，既不合理也不專業。這就像打拳擊比賽，高有高的優勢，體重大有體重大的優勢，但不是由單一指標決定了勝負，最終比的是拳擊這個運動的結果。泰森，既不是最高也不是最重的，卻是拳擊最強的那一個。

M100 通過編譯器顯式編排數據搬運與計算時序，絕大多數張量數據在片上流動完成算子運算與中間結果傳遞，大幅減少了對於直接進出 DDR 的訪存次數，因此對外部 DDR 帶寬依賴更低。

問：為什麼現在的大算力芯片方案，比如英偉達、小鵬、理想自研的這些，都沒有做芯片級的艙駕融合，反倒是高通在低算力的驍龍8650上做了這件事？

謝炎：從本質上講，艙和駕是兩個獨立系統。特別是對高端的L3往L4走，智駕需要一個更高確定性的系統，內存是專屬、計算資源是專屬，這時融合的意義就小了很多。因為資源不能實時切換，實時切換會降低確定性。如果變成越來越獨佔的方向，融合的價值就不大了——你只是把芯片拼在一起，但資源還是兩份，並不會帶來成本的降低，甚至會影響效率。

對低端來說，L2對切換的實時性要求不高，有一部分確實可以有限地共享，但我認為也不多，未來會證明這一點，因為今天只是個概念。

我認為真正的艙駕融合，是艙需要的資源和駕需要的資源在物理上完全是一塊，可以動態共享。不是形式上放在一起，但實際切成兩半。融合就像你的筆記本跑瀏覽器和其他應用程序，筆記本的內存完全可以共用。

你看現在那些艙駕融合系統，它肯定還是分開的，今天做不到一會兒跑這個一會兒跑那個。如果做到的話，融合的價值確實很大，但做不到的話，只是減少一定的成本，只是省了一次封裝的成本。對中低端芯片來說這部分錢可以省，但也省不了太多。

我的觀點是，越往後走智駕越來越高端，艙駕融合這件事可能意義並不大。如果把這些芯片做得更近一點，在一塊板上做成很小體積的集成化方案，這是可以的，並不一定要做成一塊芯片，也可以多塊芯片放在一起。

問：現在的智能駕駛模型中還有「L」的部分嗎？

詹錕：現在自動駕駛的架構，大家都會有一個共同的趨勢，就是把VLA和World Model整合在一起。無論做VLA還是World Model，裏面的Prompt都要用Language。

我覺得更本質的問題是馬赫VLA到底是Language Based Model還是Vision Based Model？昨天說的機器智能和語言智能，我覺得這可能正好是兩個不同方向的base。

機器智能來說，我覺得Vision Based是更合理的，它是對空間理解、對3D空間的感知、對環境服務是更合理的。Language肯定有用，對理解環境、理解交通、理解指導、理解複雜的思考決策都是有價值的。

馬斯克一直在說要把Reasoning（推理）上車，雖然還沒上，但大家都在往這方向做，而且Language一直是我們很重要的一箇中間監督項。

但對於語言智能來說，Language Based永遠是最好的，沒有哪個語言智能是用Vision Based的。但Vision必須要，否則怎麼能看到車內你拿了手機、拿了電腦呢？這個問題就是你以哪個為base。從長遠來看，基於Vision和Language原生的基礎模型，可能是長遠的未來趨勢。

謝炎：如果要走向L3、L4，要解決更泛化的問題時，你的模型需要具備像人類一樣的思考能力。

如果它只有Vision和Action，它有很多數據，碰到分佈以外的情況就會不知道怎麼辦。比如出現一頭鴕鳥和一頭大象時，應該怎麼處理？如果是鴕鳥，碰一下沒事；如果碰到大象，碰一下可能就會翻車。這隻能通過大量的數據，給它幾十億公里的數據。

而一個動物，哪怕學會了所有常見情況，碰到這種從未見過的情況完全不會處理，它不知道做什麼選擇是對的。

我們認為越往L3、L4走，解決的問題越來越接近90%、95%、98%之後的問題——那些你從來沒見過的問題，需要模型具備像人類一樣思考的能力。而得到像人一樣推理和思考能力的來源是語言模型。

人和動物的最大區別，是人以語言作為符號進行高層次的思考，這些能力來自於語言，而不是來自於視覺。我們認為越往後走，語言的重要性會越突出，這也是未來需要很大算力的原因。因為如果只有Vision-Action，算力到了一定程度就夠了。

但如果要往後走，模型需要理解各種場景，比如有個警察在做手勢，你要理解他是讓你走還是不讓你走，這不是靠收集數據或生成數據就能解決的問題。

問：基座模型怎麼從車擴展到其他終端？

詹錕：你說車的自動駕駛怎麼遷移到機器人上？我認為這個gap很大。切換到機器人的導航沒問題，但如果切換到操作上，模型不是那麼一樣。或者說基座只是一個非常基本的，它後面一定是千差萬別，這一點要確認。

車裏麪包含了語言智能，這直接遷移到機器人的概率是非常大的——交互、思考、長程規劃。DeepMind Robotics團隊有個ER模型，就是來自Gemini的，把語言思考上的能力從通用場景遷移到機器人上。

我們把物理機器人分成三個關鍵任務。一是具身交互，我們跟它溝通、交流、思考，讓它做任務規劃。二是移動，自動駕駛能不能從A點到B點，無碰撞、安全、高效地到達目的地。三是操作，狹義的具身，是一個獨立任務，是開放性場景，業界很多人都在探索，包括硬件、數據都是不完善的。這三個任務任意的組合，都會形成非常有價值的商業模式與價值形態。

我們的車有機會把這三點都涵蓋。涵蓋以後，我們想長成任何一個物理的具身本體都有非常大的機會。你說我們有沒有共同基座？我們肯定有云端的共同基座。但這個基座是不是放在任何任務上就能直接用？我覺得比較難。

但它作為基座，提供海量的數據支持、訓練環境，能提供基模的baseline，幫助你快速做下個任務的收斂，這是很有幫助的。所以這也是我們成立基座模型團隊的原因，我們會有基座來支撐各個業務，但每個業務有自己的特點。

問：自研芯片背後需要什麼條件？目前自動駕駛迭代速度很快，芯片要持續迭代的話，需要什麼樣的條件？

謝炎：芯片，先期投入的確不小，可能一年要好幾億。第一個條件是達到一定的營收規模。對車企來說，營收規模一年1000億以上，研發投入至少10%，就有大幾十億到上百億，每年投錢研發芯片是可以的。第二個條件是，你研發芯片解決的問題，要能讓你的產品能力更強。

這裏有個誤區，很多人說芯片要有很大的出貨規模纔行。其實芯片的成本和麪積相關。一輛車上的芯片，比如Livis是2顆馬赫M100，加起來800平方毫米。而一部高端手機芯片大概100平方毫米，所以一輛車的智駕芯片相當於8台手機的芯片面積。

這樣算下來，大幾十萬輛車需要的晶圓面積非常大，完全可以攤薄成本。所以成本不能僅用顆數來衡量。有的IT公司說一年出貨好幾億顆，但其實每顆面積非常小。不能脫離背景只談量，這是不完整的。

我們在馬赫M100立項時算過，做這個芯片不會讓公司的效益變差，而是會變好。我們不是為了證明自己能做而做，不僅性能要做到最好，在成本上也要幫助公司省錢。

問：自動駕駛的Scaling Law似乎沒有起來。接下來理想要拉大差距的話會做什麼？

詹錕：一年前到現在，智駕格局確實發生了變化，感覺差距變小了。但從另一個角度看，從一年前到現在，很多玩家已經不在了，現在至少智駕的玩家收斂了。

有幾個原因。一是智駕是重投入，它不是把一個公司的算法帶到另一個公司就能轉起來，它是一個系統，涉及到系統、人、技術、算力、平台，這是很大的壁壘，無法在短期內建起來。

為什麼你感覺第一梯隊差距沒拉大？這裏要思考，我們如何建立護城河，靠什麼能讓別人無法快速追上。我認為要參考特斯拉。

第一，全棧才能建立真正的護城河。你的算力、芯片、基礎設施能不能完全統一在自己的可控範圍內，這很重要。如果你只是算法，中美之間的人才流動很快，很容易被遷移。但如果你是全棧的，遷移成本很高，也很難。

第二，你願不願意把精力投入到苦功夫上，比如精細地洗數據。這裏有很多細節，這些細節並不高大上，但這些一點一滴的細節才能形成護城河。我們也會在這方面持續加大投入，逐步把護城河建起來。現在已經有全棧自研的機會了，我們會加大投入，把這些苦功夫做下來。

雖然第一梯隊之間的差距感覺變小了，但大家跟特斯拉的距離並沒有縮小，特斯拉還是很強。如果我們完成年底追上特斯拉的計劃，是有機會脫穎而出的，也是我們一直想做的事情。

問：未來有多少車企會真正做成自研芯片？在當下芯片產業鏈快速發展的情況下，哪些環節是被加速的，哪些過程是必須要經歷的？

謝炎：你的問題分兩部分。第一，為什麼這麼多車企都發布芯片，是不是這件事很容易？我想說其實挺不容易。

我們自己做這顆芯片花了4年，在新勢力裏我們啓動最晚。大家要看發布芯片後，最終結果是最領先的模型什麼時候真正落到車上。從這個時間來看，除了我們以外，其他家一般要5年時間甚至更長，我們是最快的。

做一顆芯片和做一顆領先的芯片，難度又是不一樣的。我跟李想說過，我最擔心的事不是做不出來，最糟糕的事情是做出來了但它不領先，那公司這個錢就白花了。

我們看業界，並不是每一家公司都能做到。現在很多公司宣佈做了，但並沒有真正落到車上。要看它什麼時候落到車上，什麼時候把最高端的智駕用自研芯片跑起來，並且還能做好用戶體驗。

再者，看是不是所有車都能用。有的公司為了證明自己能用，只用了一款車型，出貨量只有幾千輛，其他車還是用外購芯片，說明它也知道這件事並沒有幫它解決真正的問題。

另外一個指標是能不能持續迭代。做一代芯片不說明問題，最終要做出第二代、第三代。很多公司只做了第一代，第二代就不做了。有些公司也可能買個IP就做了，也可以宣傳自己自研。

但我們不是，因為我們連論文都可以看到，這個世界上沒有第二個芯片跟我們做的一樣，完全沒有，甚至連這個思路都是我們提出來的，沒有任何已有的IP可以follow。

問：在芯片產業鏈裏，哪些環節是可以被加速的，哪些環節是必須要自己踩坑的？

謝炎： 有些技術是成熟的，比如偏後端的部分，有點像造房子，你找工程隊，比如壘磚，是可以找到供應鏈幫你加速的。但是真正要做到量產、做到最領先，設計肯定要自己做，軟件要自己做。如果你連軟件都外包給別人的話，你不可能迭代芯片性能。當然生產一般都是fabless，大家不會自己再去造工廠，這是另外一回事，生產今天是成熟的。

回到國內，我們會越做越深。如果做芯片要持續領先的話，僅僅做芯片設計，做成GDS2（版圖數據庫），交給晶圓廠去做流片，這也不夠。很多部分要跟封裝廠聯合設計，要垂直整合。有些技術不僅僅是貨架商品，由別人提供就可以，你要深入到封裝製造領域才能領先。我們不會停留於此，會越做越深。

問：這套架構能不能很好地應對Agent爆發式的流量？模型的通用性是一方面，帶寬和並行能力能不能應對Agent的爆發？

謝炎： 您可能想問它的通用性問題。我們芯片第一個重要的業務毫無疑問是自動駕駛，但我們沒有做成只能跑一個模型。它的數據流可以跑任何模型算子，不僅可以跑自動駕駛，也可以跑語言模型，昨天我介紹了我們能跑Qwen 35B。

我們是個端側芯片。作為端側芯片，它的服務請求不會很多。如果我們設計一個雲端芯片，是同時服務1000個用戶。但端側芯片的要求不一樣，它服務的對象往往只有一兩個任務，它要求的是更短的延時，而不是服務更多的對象。如果是雲端芯片，架構還是數據流，但設計和端側芯片就不一樣了。

問：馬赫M100芯片對編譯器的要求非常高，編譯任務非常重。跟傳統編譯器相比，有什麼不一樣？

謝炎：如果你學計算機會知道編譯器是計算機裏最難的課，比操作系統還難。

數據流和傳統的馮諾伊曼架構不同。馮諾伊曼架構是為了適應人類的思考，把計算抽象成順序的指令，這樣人可以一步步做推理。而數據流是大規模的併發，多條數據流同時在進行，它不僅在時間上往前推，在空間上也要佈局，叫時間空間編譯。再加上我們沒有指令順序，基本上是用消費者-生產者的模式，大量的消費者和生產者在同步進行，這需要完全不一樣的編譯框架。我們做這個事花了大量的時間。

我們對人才的要求是，不僅要懂編譯，也要懂架構。反過來講，做硬件的人也要懂軟件編譯器怎麼用。所以我們的編譯團隊也是架構團隊，這個芯片是軟件、硬件、架構團隊一起設計的。

我非常同意Jack B.Dennis教授的一句話，他說現在計算機分工太細了，硬件的人不懂軟件，芯片的人不懂編譯器，軟件的人不知道硬件怎麼work。

大家沒有意識到，當你同時看到硬件與軟件，本質就是計算機完整的圖景，當你看到所有東西時，你可以創造更大的創新。看計算機理論的話，它本身不分硬件軟件，本質就是如何讓一個計算任務完成。為什麼後面分出了硬件與軟件？因為有一部分用軟件來抽象效率更高，有一部分用硬件來抽象效率更高。但當你需要更大的創新時，應該打破這個邊界，重新看計算機是怎麼設計的。

今天美國非常創新的公司，他們思考的東西是從根本上打破軟硬件的邊界——把傳統認為是軟件的東西放到硬件上，把傳統認為是硬件的東西放到軟件上，這樣才能得到劃時代的創新。如果原來怎麼做，今天還是怎麼做，性能的提升速度遠遠趕不上需求。今天摩爾定律越來越弱了，縮放定律已經失效了很多年，會拖慢整個AI發展的速度。

問：馬赫M100芯片在理想的定義裏是一款AI推理芯片，而不是AI訓練芯片，這兩者的邊界是什麼？在AI訓練領域英偉達已經很壟斷了，跟它做競爭是不是很難追上？

謝炎： 我認為AI計算的算力市場，最終會出現99%的推理，訓練只佔很小的部分。從這個角度來講，今天中國和美國大量的公司在為了更高的效率專門做推理芯片，也是這個原因，因為最終推理市場更大。如果推理市場沒起來，說明AI沒有真正落地。

從我們的角度而言，我們公司先要解決推理問題。訓練的話，用市場上好的訓練芯片，目前夠我們用了。

從經濟模型角度來講，訓練要的是效率，它對成本不太敏感。訓練要的是在足夠短的時間內迭代。至於成本高了50%，甚至高了100%，也沒關係。英偉達最高端的芯片，很多公司以翻倍的價格也願意買。

但是推理芯片不一樣，它要同時考慮成本與效率，而且考慮成本的比重非常高。從解決公司和業務問題來講，推理問題更大，它跟我們想要達到目標的gap更大。如果我們做一件事的話，我們就解決機會最大的問題。

問：跟友商相比理想的領先性體現在哪些方面？

謝炎：我們為什麼敢說自己是世界第一呢？因為我們跟市面上標準可以獲得的芯片做對比，它是英偉達Thor-U三倍的性能，對於上車時間我們已經做得很快了。做芯片基本要5年時間，而我們基本快4年時間就上車，而且把所有模型都跑起來，這已經很快了。

問：去年年中，為什麼還要重新做編譯器開發？去年年中迭代的那一版主要是解決什麼問題？

謝炎：編譯器工作不是做完就結束了。從流片前、回片後、部署上車後，一直會持續迭代，因為編譯器的核心任務是把硬件效率發揮出來，需要一版一版不斷優化。去年年中那一版主要是把性能優勢充分發揮出來。

我在20多年前學編譯課時，老師第一課就講：編譯問題是個NP-Complete（NP完全）問題，是計算機理論裏最難的問題之一。這種問題你並不知道最佳性能點在哪，但可以不斷逼近。所以「跑通」跟「跑到最好」距離非常大，而且最好永遠不可及，只能不斷逼近。

我們在跑馬赫VLA模型時，性能已經是ThorU的三倍了，但我們覺得依然有潛力可挖，依然在繼續迭代編譯器。

問：3DViT我們大概是什麼時候開始研發這個技術路徑的？

詹錕：3DViT證明了2D視覺也能學會完整的3D空間結構，證明了Scaling Law在3D空間的全新可行性。

第二，之前團隊一直在往這方面探索和嘗試，中間做了很多方案的取捨和權衡。最後因為我們看到3D ViT對空間深度的理解、物體精細度的理解能達到激光雷達級別的效果，我們去年才正式從研究探索階段轉入產品開發階段。

在這個過程中，我們把它變成一個真實項目，放到最新的馬赫VLA裏面來。原來馬赫VLA不一定使用3D ViT，但有了會更好。3D ViT後續還有更大的改進與優化空間，這也是追上FSD V14很重要的一環，中間的視覺信息能不能表徵清楚，這是非常關鍵的。

3D ViT是一個純視覺方案，它不依賴於激光雷達。它基於視覺，把空間建模成帶有色彩信息的全綵點雲，基於更強的視覺編碼器和空間視覺表徵，做到更豐富的3D理解。

能不能達到激光雷達的效果？我們是有信心的。因為我們最新所有的車都標配了激光雷達，激光雷達對純視覺方案有非常強的監督和校驗作用。一定要達到跟激光雷達完全一樣的精度嗎？不一定。特別是看遠處時，人也分不清大貨車是20.8米還是19.8米。

但在極近處，人對深度的感知非常敏感，我們也是如此，在極近處能達到激光雷達的水平，這是上線的標準。另外，理解空間以後更重要的是做出更擬人的行為決策。

問：之前的CNN（卷積神經網絡）模型映射到數據流架構會比較好，但現在模型進化到了Transformer和MoE（混合專家）結構，芯片是否還適合模型架構的進化？

謝炎：我認為數據流架構比馮·諾依曼架構更貼近計算的本質。馮·諾依曼做的事情是為了人類編程方便，抽象了數據的順序指令流，GPGPU也是多個指令流，做SIMT。為了人類編程方便，用指令流順序表達，又要有高並行度，所以需要做很多硬件額外開銷，把並行度重新挖出來。

我認為數據流最重要的一個思想是：假設對人類編程的方便性降低，我靠很強的編譯器，甚至靠AI編譯器，能不能拿掉這部分額外開銷？CPU和GPU架構裏有大量的晶體管開銷用在緩存一致性，比如指令重排序、分支預測。你看一個CPU，30%的晶體管開銷在這上面。如果不用馮·諾依曼架構，這些都可以拿掉。

緩存一致性也是同樣的道理，不僅緩存一致性本身會佔用晶體管規模，更大的問題是，你為了做到緩存一致性，並行規模不會特別大。如果把可擴展性拉起來的話，緩存一致性就是個災難，這是不可行的。早期有研究表明，8到16核做緩存一致性就非常困難了，時間開銷很大，效率開銷也很大。

講到本質，就是這些額外開銷能不能拿掉。這樣做的代價就是編譯難度會變大，調度難度會變大。在過去這不可行，首先並行度沒那麼高，除了高性能計算，就是所謂的超級計算機，模擬核爆炸或預測天氣，這種場景並行度非常高，這種場景下用編程模型是有意義的。

AI有大量的並行，需要分配到不同的計算單元時，這個架構就有優勢了。我昨天講了，幫把晶體管利用率提升。

你啱啱想問的是，MoE和Transformer的計算密度沒那麼高，特別是decode階段可能計算密度沒那麼高，帶寬瓶頸會更大，這的確是需要解決的問題。在計算密度不高的工作負載裏，斯坦福去年有一篇論文講Mega kernel，它把kernel做大，就是為了避免數據頻繁進出。

Groq和Cerebras為什麼要做那麼大的片上內存？就是因為數據全放在片上的效率更高，可以不進出DDR，因為DDR的瓶頸很高，而且成本也很高。今天大家都要用HBM，但都不想用HBM，因為太貴了。回到車上更是如此，我們用不了HBM。我們通過架構的方式把進出DDR變少，讓效率進一步提升，不僅是晶體管利用率提升，計算效率也提升。

問：理想做全棧自研的底層思考是什麼？

謝炎：全域到底解決什麼問題？假設我們停留在L2、L2+，以自動駕駛為例，不做垂直整合也可以，無非是從供應商採買。車還是人類監督，人類隨時準備接管，開得慢一點、效率低一點也沒關係，要求不高。

但昨天發布會上理想希望它像機器人一樣獨立地完成任務，那對它的智能要求就非常高了。不僅是腦子，對手腳的掌握、對加速、輪子、縱向橫向的控制，要求都很高。

從L2往L3走的時候有很多問題，今天沒有供應商可以解決。你分開採買，可以給你係統、給你線控，但加在一起，有大量的冗餘，成本又高，延遲又高，出了問題還很難定位。所以要解決未知問題、想達到更高標準時，領先企業一定會選擇一起做。當然我不排除20年後技術進入平台期時，會拆分出各種供應商。但在技術還沒收斂的階段，要達到這個目標，必須自己整合。

就是因為一些問題不好解決，我們纔要自己出手，而且這些問題是長期性、重要性的問題。比如L3、L4，今天沒有人完全做到，特斯拉也沒完全做到，這是無人區，你需要解決這些問題，需要投入巨大的資源。

車的內卷就是因為同質化。要擺脫同質化，就是要做別人不好做或做不到的事。這些事如果供應商能做到，那又同質化了。這就是基本邏輯。

問：3D ViT對智駕行為的改善，具體體現在哪些方面？

詹錕：人眼有兩個非常重要的特性：第一是實時雙目，雙目天然就帶了3D結構，這一點很厲害；第二是前額葉很強，能抽取非常高維特徵的表徵。做深度學習本質上是在做表徵學習，就是把信息映射到高維空間的特徵，這個特徵長什麼樣子我們沒法直觀描述，但它要包含所有下游想要的信息，這是大腦在做的事。

人的雙眼時刻去觀察3D物理空間以後，大腦中整個物理空間會有很強烈的3D感。但是攝像頭，特別是單目攝像頭，天然是沒有3D感的。人眼如果遮住一隻，當習慣了雙眼訓練以後，單目也能看到3D結構，因為前額葉已經把這種能力固化下來了。

對機器來說也是這個思路：用很高維的3D空間數據去訓練它。即便攝像頭在移動中，也能構建出三維空間，這就是典型的3D建模思路。任何一段視頻進來，通過三維建模構建出三維空間，任何一個單目攝像頭就可以知道三維空間是什麼樣，跟人的思路一模一樣。通過這種方式，3D ViT就可以深刻理解3D環境。

補充一點，激光雷達也能理解3D環境，它是主動光。但3D ViT的特點是，除了理解環境的3D結構外，還能理解3D物體的屬性、紋理、類型，因為它有RGB，保留了所有信息。甚至還能做tracking，就是對移動物體做動靜分離，在3D環境中很容易判斷目標是動還是不動，這就是光流的作用。把這些能力結合以後，高維的視覺表徵就非常豐富，不會有遺漏。比如地面有個坑和溝，你很容易識別出來。

如果我拿BEV來表達的話，我沒有定義什麼是溝和坑，對下游決策來說就缺少了這個信息，這就叫高維表徵的缺失。所以只有解決了這個問題，才能給下游提供更完整的信息，下游才能根據這些表徵做出正確的動作。

以前大家熟知的「The Bitter Lesson」（苦澀的教訓），是指機器不要加任何人為先驗，用數據訓練，一定做得比人更好。現在最新的理念是「Vision Bitter Lesson」（視覺苦澀教訓），就是怎麼判斷你的視覺表徵好不好？看你有沒有做出對應的動作——你繞過了這個溝，才能證明你理解了這個溝。我們通過構建一個非常好的三維空間表徵標準，讓下游把動作真正理解好，這樣視覺能力就得到了充分的展現。

問：在馬赫M100平台上，強化學習數據提升了15倍，具體會在哪些場景去做強化學習？

詹錕：強化學習最重要的是決策和行為的聯合優化。現在所有訓練範式中，強化學習都是post-training階段的一部分，主要針對訓練中的弱勢場景、數據分佈不好的場景、或者混淆度高的場景。這需要有很精細的拆分方法，把這些場景識別出來後，讓模型在裏面自主探索，通過reward給它反饋探索的結果對不對，對決策和行為做聯合強化。具體場景非常多，比如繞行、變道等，都是通過這套方法論，找到post-training中的弱勢場景來做強化，不是一概而論的。

問：做基座模型是不是汽車公司想站在AI前沿的必要基礎能力？

詹錕：關於基座模型，我認為答案是肯定的。只要想走具身智能和AI方向，基座模型一定是必爭之地。基座模型不太可能像OS（操作系統）一樣有一個標準件，因為每個人的場景任務不一樣，需求也不一樣，所以基座模型需要自己建。特別是語言模型的基座，做汽車有汽車的基座，我們對視覺語言的重視更多，參數量的分配比例也跟通用模型不同。

核心有兩種類型的任務——語言智能和機器智能，這兩個對基座模型的需求是不一樣的。可以共用一個雲端大模型做基礎，但實際使用中一定是有區分、有差異化的，我們也是在往這個方向做。我們已經有非常強大的統一基座模型，可以構建物理環境，我們對它有很多反饋和評價機制。但真正落到車上時，需要有裁剪、有取捨、有參數量的適配、芯片能否承載，我們要做不同的改造。

至於將來會不會有一個技術收斂的外部模型給所有廠商直接用？如果說有開源的pre-training（預訓練）模型，這是有可能的。但你想讓一個pre-training模型就直接給大家當基座用，我覺很難。大概率大家還是要做很強的post-training（後訓練），才能變成真正能用的基座模型。

問：Mind-Pro在Agent能力上表現出行業領先的水平，未來有沒有考慮過開源？

詹錕：Mind-Pro是一個性能不錯的主流模型。模型架構採用了MHA（多頭注意力）、GQA（分組查詢注意力）之類的架構設計。要不要對外輸出？這是一個商業選擇問題。我們自己車的本體有強烈的優化傾向性，沒有必要對外去卷coding（代碼能力）這個賽道。現在大家賣token主要還是往coding方向走，我們沒必要卷這個方向。

但我們為什麼在這些benchmark（基準測試）上取得了不錯的成績？因為我們對自己的硬件本體有非常深刻的理解。我們車上有很多硬件資源需要調度，如果用其他第三方大模型去試，效果不會比我們好，反應還很慢，常識錯誤也很多。我們通過強化學習以後，模型對車身運動有很強的理解——知道車身如何晃動，裏面有很多tools（工具接口）可以調用。只有基於自己的本體做了強化以後，纔會有非常深刻的優勢。我們不一定要跟別人去卷coding，因為那是另一個賽道了，不符合理想汽車的主路徑。

如果有機會往具身應用方向做開源的話，從長遠來看可能有這個機會，但目前各家硬件差異較大，並不一定完全能通用。這是我們想做的方向——把我們的模型跟Agent和物理世界結合得更好，這就是馬赫Mind要解決的問題。

問：李想想基於下一代馬赫芯片做一個家庭算力中心，類似英偉達DGX Spark的理念。這個項目現在是否在推進中？

謝炎：我們做的M100本質上是一個通用AI推理芯片，理論上講，它能很好地推理自動駕駛模型，也可以推理語言模型。有同事說這個芯片這麼好，能不能裝到家裏面，因為他需要一個私人的家庭算力。出發點是從這裏開始的。下一代芯片毫無疑問會更強，經過一定的改造，我相信放在家裏非常有競爭力。