追赶FSD V14，理想在补哪些课？｜最前线 - 狗子28官网

2026-06-26

过去几年，智能驾驶领域的竞争焦点发生了显著变化。

最初，竞争集中在硬件层面，包括是否配备激光雷达、安装多少个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）、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领先优势。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优化的闭环。

这正是为何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。在国内，小鹏、蔚来以及理想等品牌也在不断向更底层的技术进行延伸。

在今年推出的 L8 和 L9 车型上，理想汽车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汽车视为人工智能领域的重要技术方向。基于马赫 M100 芯片，理想汽车也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“是否进行自主研发”，而是这些研发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、芯片负责人谢炎进行了深入交流。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。以下为经过编辑的部分访谈摘要：

问：为达到特斯拉 FSD V14 在第四季度的表现水平，理想汽车还需要在哪些方面进行努力？

詹锟： 我认为在追赶 FSD 的过程中，有两个关键层面。

首先是基础体验，具体体现在三个方面：安全感、效率和舒适度能否达到 FSD 的同等水平。FSD 在安全感方面表现出色，效率很高，舒适度也很优秀，这是其基本功。即使在不复杂路况下，也能达到这样的水平。

其次是能力层面，这同样是一个难以追赶的方面。例如，特斯拉能够礼让特殊车辆，其在极窄通道内的感知精度很高，并且能够识别交警的指挥，这些能力非常强大。

在能力层面，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？这可能与以往的技术范式限制了这些能力的实现有关，既有架构的原因，也有数据的原因。我们在这一领域进行了大量的尝试。

问：我理解马赫 VLA 是一个技术体系，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，当前的智能驾驶模型中是否还包含“L”（Language 语言）这一部分？

詹锟： 当前自动驾驶的架构普遍存在一个趋势，即将 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这个方向发展。无论开发 VLA 还是 World Model，其中的提示（Prompt）都将使用语言。因此，语言是必然存在的，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）的 approach 是更合理的，它能够更好地理解空间、感知三维空间并服务于环境。语言无疑是有价值的，对于理解环境、交通、指令以及进行复杂的思考和决策都至关重要。

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： 如果要实现 L3、L4 级别自动驾驶，解决更泛化的问题，模型需要具备类似人类的思考能力。届时，语言的重要性将愈发凸显，这也是未来需要巨大算力的原因。

如果模型仅具备视觉和行为（Vision and Action）能力，即使拥有大量数据，在遇到分布外的情况时也会不知所措。就好比一个动物，即使学会了所有常见情况，遇到从未见过的情形也会完全不知如何处理，无法做出正确的选择。

我们认为，随着自动驾驶技术向 L3、L4 级别发展，所要解决的问题将越来越接近 90%、95%、98% 之后的问题——即那些前所未见的问题，需要模型具备人类般的思考能力。而实现类似人类的推理和思考能力，其来源正是语言模型。例如，当一位交警做出手势时，你需要理解他的意图是让你通行还是停止，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，从理想汽车内部来看，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，数据的量必须足够大，其根本目的是收集更多的长尾场景（Corner Case）。目前，大家都在探索多种方法，例如在车端开发先进的神经网络触发器（neural trigger），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强大的重要原因之一。

其次，数据的质量至关重要，主要体现在行为质量上。目前行业逐渐趋向于端到端的范式，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），核心都在于准确的行为输出。因此，行为的质量、干净程度以及一致性变得尤为重要。

至于数据规模扩大后边际效应是否衰减，首先，只要模型持续优化，只要我们追求满分，那么数据收敛的速度必然呈现“对数曲线”的特征，即增长放缓，而非线性增长，这是所有 AI 公司都面临的普遍情况。尽管后期数据的作用提升速度确实会减慢，但我们仍然希望通过规模效应来加速这一进程。

问：马赫 M100 可以在不同的 AI 场景下运行。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： 尽管业界存在“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，其他部分的整合并非那么关键。这是因为座舱系统和 AI 智能驾驶系统可以完全独立运行，而 AI 算力则可以集中处理，从而大幅提升分配效率。

我们的路线图最终形态是构建一个车内 AI 计算中心，所有 AI 任务都可以在这个中心进行计算。这类似于笔记本电脑运行某些应用时，实际计算是在云端的 Token Provider Server（Token 供应服务器）上完成的，车内也将类似地设置一个 Token Server（Token 服务器）。

这个 Token Server 的优势在于：第一，极高的效率。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，都能保证不被其他任务干扰，这是软硬件协同设计才能实现的。

问：M100 采用数据流架构的 AI 推理芯片，是否意味着其对带宽的需求相对较低，而对片上存储的需求更高？

谢炎： 我们对带宽的要求确实会相对较低，但这并非设计 SRAM 容量（非显存）的直接原因。当前 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，最终的设计是基于成本、综合性能等多方面因素权衡后的选择。

不同架构的设计，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，身高和体重各有优势，但并非单一指标决定胜负，最终比拼的是整个比赛的结果。

问：为何目前的大算力芯片方案，如英伟达、小鹏、理想自研的芯片，都没有实现芯片级的舱驾融合，反而高通在低算力芯片上实现了这一功能？

谢炎： 从本质上讲，座舱和驾驶是两个独立的系统。特别是对于高端 L3 向 L4 级别的自动驾驶，智能驾驶需要一个更高确定性的系统，要求内存专属、计算资源专属，此时融合的意义就大大降低了。因为资源无法实时切换，实时切换会损害确定性。如果朝着越来越独占的方向发展，融合的价值就不大了——你只是将芯片整合在一起，但资源仍然是两份，这并不会降低成本，甚至可能影响效率。

目前市面上所谓的舱驾融合系统，本质上仍然是分开的。如果无法实现任务的实时切换，将两个芯片集成到同一颗芯片上，虽然晶体管数量可能不变，但仅仅节省了封装成本。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。如果将这些芯片设计得更靠近，在同一块电路板上实现高度集成化的方案，这是可行的，不一定非要做成一颗芯片，也可以是多块芯片集成在一起。

问：自研芯片需要具备哪些条件，例如销量、营收、研发投入？当前自动驾驶迭代速度很快，芯片要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 亿元以上，研发投入至少占 10%，即每年拥有数十亿到上百亿的研发资金，才足以支撑芯片的年研发投入。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，芯片的成本与面积密切相关。一辆车上的智能驾驶芯片，例如 Livis 使用两颗马赫 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 部高端手机芯片的总和。

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。因此，成本不能仅以芯片数量来衡量。

问：动态数据流编译器的难点何在？攻克这一难题花费了多长时间？

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。在芯片流片前，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，无法由一个中央管理员来统一管理。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，这是一个超大规模并行调度的挑战。

精选狗子28登录入口内容，狗子28与你一同发现更多精彩。

狗子28专注狗子28平台，为用户提供专业可靠的体验。