过去几年，自动驾驶领域的竞争焦点发生了显著转变。

最初，竞争集中在硬件层面，例如是否采用激光雷达、配备多少摄像头以及算力达到多少 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）和 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。真正决定上限的，在于模型、数据、算力和芯片之间能否构建一个持续迭代的闭环。

这正是许多汽车制造商选择自研的原因。

特斯拉几乎涵盖了从数据采集、训练基础设施、FSD模型到Dojo和自研芯片的整个链条。在中国，小鹏、蔚来以及理想等品牌也在不断向更底层技术延伸。

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。这款采用数据流架构的芯片被理想视为AI领域的一个重要技术方向。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，更关键的问题并非“是否自研”，而是这些投入究竟能解决哪些实际问题。

带着这个疑问，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理念进行了阐述。以下是经过编辑的部分访谈内容：

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有两个层面的目标。

首先是基础体验，具体体现在安全感、效率和舒适度是否能达到FSD的同等水平。FSD在这三方面表现出色，拥有很强的安全感、高效率和良好的舒适度，这是其核心优势。即使不处理极其复杂的路况，也能在这些基本体验上达到同等水平。

其次是高级能力，这方面追赶难度更大。例如，特斯拉能够识别并礼让特殊车辆，能在极其狭窄的道路上实现精准感知，还能识别交警的指挥手势，这些能力都非常突出。

在高级能力方面，存在架构升级的机会。为什么其他公司没有而特斯拉拥有这些能力？这可能与过去的技术范式限制以及数据和架构等因素有关。我们在这些方面进行了大量的探索。

问：我们理解马赫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，目前的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趋向于整合VLA（视觉-语言-行为模型）和World Model（世界模型）。

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，其中都需要用到Language（语言）作为提示（Prompt）。因此，Language是必然存在的，关键在于如何使用它。

在机器智能领域，我认为Vision Based（基于视觉）的方法更为合理，因为它能更好地理解空间、感知三维空间并服务于环境。Language无疑是有价值的，它有助于理解环境、交通状况、指令以及进行复杂的决策。

从长远来看，基于Vision和Language的原生基础模型，可能是未来的发展趋势。

**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。

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，在遇到分布之外的罕见情况时也会束手无策。就像动物即使学会了所有常见情况，面对从未见过的情形也会不知所措。

我们认为，越接近L3、L4级别，需要解决的问题就越接近90%、95%、98%之后的那些“未知”场景，这些场景要求模型具备像人类一样的思考能力。而获得这种推理和思考能力，语言模型是关键。例如，理解交警的手势并判断其含义，这并非仅靠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？我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，核心目的是收集更多的Corner Case（长尾场景）。目前，业界有多种方法在车端实现高效的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，尤其体现在行为质量上。目前，业界逐渐趋向于端到端范式，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），都必须关注Action（行为）的质量。行为的准确性、一致性是关键。

至于数据规模增长带来的边际效应是否衰减，只要模型能力在不断提升，追求100%的完美表现，其收益曲线必然是“对数曲线”，即增长速度逐渐放缓，不可能实现线性增长。这是所有AI公司都会遇到的情况。尽管后期数据收敛的速度会变慢，但我们希望通过规模化来加速这一进程。

问：马赫M100能够运行在不同的AI场景下。五年后或者再往后看两代产品，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：**虽然业界存在“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，其他部分的融合则不那么关键。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。

我们的路线图最终目标是实现车内一个集中的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。车内的架构也类似，将设立一个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隔离，互不影响。例如，智能驾驶任务的确定性——无论是内存还是带宽，都能保证不受其他任务干扰，这是软硬件协同设计才能实现的结果。

问：是否因为M100采用了数据流架构的AI推理芯片，所以相较于其他厂商的自动驾驶芯片，其对带宽的需求较低，但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，最终的设计是一个综合考虑成本、整体性能等多种因素的权衡选择。

不同的架构设计，仅凭一两个指标进行简单对比是不合理且不专业的。这就像拳击比赛，身高和体重都有各自的优势，但最终的胜负并非由单一指标决定，而是取决于比赛的整体表现。

问：为什么当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实现了这一点？

**谢炎：**本质上，座舱和驾驶是两个独立的系统。特别是对于向L3、L4级别发展的智能驾驶，需要一个更高确定性的系统，要求内存和计算资源是专属的，此时融合的意义就大大降低了。因为资源无法进行实时切换，实时切换会影响系统的确定性。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，不会带来成本的降低，甚至可能影响效率。

目前所谓的舱驾融合系统，它们实际上仍然是分开的。如果无法实现任务的动态切换，将两个芯片集成到一个芯片中，虽然晶体管数量可能不变，但可以节省一次封装的成本。对于中低端芯片来说，这部分成本可以节省，但节省的幅度有限。

我的观点是，随着智能驾驶向更高阶发展，舱驾融合的意义可能并不大。如果能将这些芯片设计得更紧凑，集成在一块电路板上形成高度集成的方案，这是可行的，不一定非要集成到一块芯片上，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，芯片要实现持续迭代需要什么样的条件？

**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，才足以支撑芯片的研发。第二个条件是，通过研发芯片解决的问题，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。然而，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Luminar采用两颗马赫M100，总面积约为800平方毫米。而一款高端手机芯片的面积大约为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的晶圆面积非常庞大，足以有效摊薄成本。所以，成本不能仅仅通过芯片数量来衡量。

问：动态数据流编译器的难点在哪里？攻克这一技术花了多长时间？

**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的工作。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，它需要解决的问题类似于超级计算机或大规模计算机集群所面临的挑战——当规模扩展到几十万台计算机、上百万个核心时，它们之间的通信和协作需要一种全新的管理方式。传统的冯·诺依曼架构调度方式在这种规模下已不可行，这涉及到超大规模并行调度的复杂问题。