很早之前就听到一位工程师朋友吐槽，一颗标称几百TOPS的旗舰芯片，把公司自研了大半年的模型放上去跑，实际能调用的算力打了对折。算法团队说是芯片的问题，芯片团队说是算法没优化好，最后谁也没说服谁。

这个场景在今天的智能驾驶行业太常见了。车企发布会上一水的“搭载英伟达Orin/Thor”“算力突破XXXTOPS”，好像芯片算力越高，车就能越聪明。但真正干过这行的人都知道，理论峰值和实际效能之间，隔着一条深不见底的鸿沟。

理想汽车最近干的一件事，让我觉得终于有人想把这笔账算明白了。他们和国创决策智能技术研究所联合发布了一个研究成果——端侧大模型“软硬协同设计定律”。名字听着学术，但捅破的就是那层窗户纸，芯片和算法各跑各的，合在一起效率大打折扣，软硬协同设计定律就是为了解决这一问题。

  芯片和算法“不合群”，是行业心照不宣的痛

过去几年，智能驾驶的技术路线变了。从原来的规则驱动，转向以大语言模型为核心的VLA（视觉-语言-行动）系统。简单说，你的车需要在本地跑一个能看懂路况、理解场景、做出决策的“小型GPT”。

问题来了，云端大模型可以拿成千上万张GPU堆，但车载芯片受功耗、散热、成本限制，算力天花板是固定的。更要命的是，芯片团队和算法团队的节奏天生对不上。芯片按摩尔定律走，追求算力线性增长；算法按规模定律走，追求参数指数级扩张。硬凑在一起的结果就是精心设计的模型架构调不动硬件，为了适配硬件做的妥协又满足不了模型智能。

理想在英伟达Orin/Thor平台上被这个问题反复折磨过。他们是最早一批把VLA模型往车上搬的玩家，踩的坑比谁都多。但也正是这种经历，让他们下定决心从根上解决问题。

把“玄学”变成数学，理想是怎么算这笔账的

理想的解法，是把芯片和算法的关系翻译成数学语言。

他们先做了一件很笨但很扎实的事：训练了170个不同架构的模型，评估了近2000个候选配置，把Transformer架构的精度表现用多项式拟合出来。以前换一款芯片，算法团队要花几个月试错、调优，现在给定模型参数，不用真跑训练就能预测最后能到什么水平。从“黑箱试错”变成了“白盒预测”。

然后他们把计算机体系结构领域的经典Roofline模型搬了过来，针对车载场景做了改造。KV缓存、MoE路由、注意力机制——这些大模型特有的负载对芯片内存子系统的影响，他们第一次系统性地纳入了建模。简单说，以前只能估算芯片能跑多快，现在能算清楚到底是卡在计算上，还是卡在数据搬运上。

与此同时，理想开发了一个叫PLAS的架构搜索框架。输入芯片的硬件参数（算力、带宽、缓存层次），再输入工程约束（延迟、功耗、内存），这个框架就能自动生成最优的模型架构方案。

这套工具的效果是能算出来的，优化后的模型跟Qwen2.5-0.5B保持完全相同延迟，精度提升了19.42%。同样的硬件，同样的响应速度，跑出来的模型聪明了将近五分之一。

  六个发现，每一句都在挑战行业惯例

研究过程中沉淀出的六个技术发现，我觉得比这套公式本身更有意思。它们每一句都在挑战行业延续多年的设计惯例。

第一条，决定车载AI实际表现的，往往不是芯片的峰值算力，而是内存带宽和缓存效率。那些被印在海报最显眼位置的TOPS数字，可能真没大家以为的那么关键。

第二条，稀疏计算将成为车载AI的标配。在车载这种“一次只处理一个请求”的场景下，MoE稀疏架构碾压所有密集架构。未来的芯片必须天生就懂得“挑着算”，只调用必要的神经元，而不是把所有计算单元一起点亮。

第三条，大模型的推理过程分为两个阶段——“理解输入”和“生成答案”，两者对硬件资源的需求完全不同。芯片不能是一条固定的流水线，而需要具备动态调配资源的能力。

第四条，Transformer架构中沿用多年的4倍FFN扩展比，在车载场景下被证明是低效的，芯片内部的计算单元配比需要重新设计。

第五条，INT8量化理论上能快2倍，实际只能快1.3到1.6倍。中间损耗来自精度转换和非线性算子的开销。只有芯片在指令集层面原生支持混合精度计算，才能把这部分效率捡回来。

第六条，没有通用的万能芯片，只有针对特定算法场景深度优化的专属芯片。只有自己最懂自己的算法需要什么，才能造出最高效的芯片。

  理想自研智能驾驶芯片马赫100：将理论应用于实践

这套“软硬协同设计定律”首次建立了一套可量化、可预测的软硬协同数学框架，它的第一批工程产物，就是理想自研的智能驾驶芯片“马赫100”。

该芯片采用5nm制程，首搭于即将上市的全新一代理想L9。两颗马赫100组成的双芯片系统，总算力2560TOPS。但说实话，这个数字在这个时代只是个小惊喜。真正让我觉得有意思的，是这颗芯片的诞生方式。

马赫100不是芯片团队拍脑袋定的规格，而是由那套数学公式“算”出来的芯片，针对理想自己的VLA模型做了定向优化。传统芯片的逻辑是“先有房子再让人适应”，马赫100的逻辑是“先问清楚住户需求再动工”。 过去升级芯片更新模型时，研发团队往往需要数月时间进行模型设计和选型。而“软硬协同设计定律”理论上可以将模型设计和选型的周期缩短至一周，大幅提升研发效率。

这套理论诞生的背后，是理想近8年累计近500亿元的研发投入。截至2025年11月，理想围绕BEV、端到端、VLA、世界模型等方向，累计发表近50篇论文，被引用超过2500次，其中32篇登上顶会。此外，理想还将辅助驾驶部分代码和数据集在Github开源，获得了超过3200名开发者的收藏或调用。

写这篇文章的时候，我一直在想一个问题：过去这些年，行业评判芯片好不好，看的是TOPS算力、看制程、看参数规格。这些规则是谁定的？是芯片厂商。车企只能在别人制定的规则里玩。

现在有人开始重新定义规则了。理想这套“软硬协同设计定律”，本质上是在说，真正决定车聪明不聪明的，不是堆了多少算力，而是每一分算力被用到了哪里。

从这个角度看，马赫100的意义可能不只是理想自研的首颗智能驾驶芯片，它释放了一种可能性，当车企开始深度理解自己的算法需要什么样的芯片，当芯片开始为算法“量身定制”，智能驾驶的天花板才有可能被真正打开。

这场人工智能时代下关于“效率”的行业竞赛，或许比我们想象的来得更快一些。

来源：理想汽车