AI汽车计算架构革新：自研芯片破局解析

理想汽车现在正处在一个关键的十字路口。距离自研芯片马赫M100正式量产装车，只剩一个月的时间了；但公司CTO谢炎坦言，目前的业务目标达成度只有60%。真正意义上的成功，不仅要求搭载这款芯片的理想L9在智驾能力上达到业界顶尖水准，车辆本身的销量表现也得同样亮眼。 自研芯片这件事，理想汽车从2022年就开始筹划了，为此投入的资金已经达到数十亿元软妹币。谢炎是在同年7月加入理想，半年后晋升为CTO，全面负责芯片自研项目。他一直认为，特斯拉的成功证明了自研芯片对提升智驾体验至关重要。而且，当时国内新能源车市场正处于爆发期，资本市场也对新势力企业寄予厚望。 但就在马赫M100准备上车的时候，现实给了理想汽车一记重拳。公司经历了自理想ONE交付以来首次年度销量下滑，纯电战略遇阻，增程产品也深陷激烈的红海竞争。在中国新能源车市场产品严重同质化、价格战愈演愈烈的背景下，像自研芯片这样需要高额投入的战略决策，其正确性只能交给时间验证。 自研芯片这件事，说起来容易做起来难。通常情况下，没有经验的公司会从简单的小芯片起步，用较低的成本跑通设计、流片和供应链的整套流程。即便如此，一次失败也可能意味着数百万美元的损失。如果是采用先进制程的大芯片，流片成本更是动辄千万美元级别。谢炎刚加入理想时，芯片团队只有两个人，不到一个月就只剩下一人。面对如此困境，他坚持要直接解决最核心的问题：确保公司首颗自研芯片在量产时，能超越同时期最强的英伟达芯片。 谢炎没有选择更主流的GPGPU路线，而是走了一条少有人走的路——数据流架构。这种架构其实早在1970年代就由MIT的几位教授提出，但过去几十年一直没能大规模商业化。原因在于，它的优势需要足够大的计算规模才能充分显现，同时编程和调试的难度也更高。但谢炎认为，AI时代需要一套全新的计算架构，数据流架构比传统的冯·诺依曼架构更靠近大规模AI计算的实际需求。按照理想公布的数据，马赫M100单颗有效算力达到1280 TOPS，是英伟达Thor-U的3倍。 对于马赫M100，杜克大学电子与计算机工程系教授陈怡然给予了一定肯定，认为这是一次很有前景的工程尝试。不过他也强调，数据流架构并不是未来发展的唯一路径，关键在于具体的设计细节，以及它和目标应用、软件系统的协同效果。由于大部分优化工作都转移到了软件栈上，实际效果很大程度上取决于编译器的成熟度，以及软硬件协同设计的质量。 谢炎也坦承，马赫M100的上车过程并不顺利。硬件设计复杂度降低的同时，软件复杂度却在大幅上升，这对传统编程方式来说并不友好。第一版智驾模型从更新到完成车端适配，足足用了两个月时间。虽然后来能大幅缩短到不到一周，但仍有很大的优化空间。接下来，他们的核心任务就是通过编译器等软件工具，把芯片的硬件性能潜力彻底释放出来。 理想的芯片团队目前大约有200人，这个规模远小于外界想象中的完整芯片团队。谢炎认为，人多不一定就强，核心部分自己来做，后端、SoC集成这些环节完全可以通过供应商解决。在理想上万人规模的研发体系里，这个团队更像一个安静的角落，尽量不被每月销量起伏所干扰。 谢炎表示，只要公司资金还撑得住，他就会保持当前的研发强度，把内功练好。在他看来，自研芯片是理想汽车构建产品差异化的关键。他回忆过和创始人李想的沟通，两人达成了一致：如果理想未来要以产品为核心竞争力，就必须自己掌握核心的软硬件。 至于自研芯片到底投入了多少，谢炎没有透露具体数字，但他强调，芯片自研是一个逐步迭代的过程，很难用固定的预算来衡量。他认为，随着AI算力的需求远远超出预期，自研芯片不仅能在性能和成本上形成差异化，还能节约大量采购成本。只要能满足一年的销量，就足以覆盖好几年的芯片研发团队费用。 在定义芯片时，谢炎坚持要直接解决最核心的问题——AI推理计算。他反对从小芯片开始试水，认为那样根本证明不了理想在AI时代的技术领先优势。团队最终确定的目标很清晰：一半成本、两倍性能，也就是四倍的效能。从目前来看，这个目标已经基本实现了。 谢炎透露，马赫M100是中国第一款完全原创设计的AI芯片，采用了非主流但更适合AI的数据流架构。在定义芯片时，他们花了半年时间分析计算特征，弄清楚如何设计数据流架构，最后才定义参数。这种从问题出发、软硬件协同设计的方式，让马赫M100在跑AI计算任务时速度更快。 对于未来，谢炎充满信心。他认为，智能电动车就是当前个人能拥有的最大算力终端设备，完全可以围绕它把端侧人工智能做得非常成熟。随着技术不断演进，汽车将不再只是单纯的交通工具，而会成为一个能理解你、替你干活的智能机器人。

来源：互联网