當(dāng)大模型開始從云端走向手機(jī)、汽車等終端設(shè)備，一個此前被高速發(fā)展掩蓋的矛盾正逐漸浮出水面，芯片算力在不斷膨脹，算法團(tuán)隊在瘋狂擴(kuò)參數(shù)，但這兩樣?xùn)|西湊在一起時，實(shí)際效能卻大打折扣。一臺搭載了頂級芯片的車，理論算力充足，真跑起來卻發(fā)現(xiàn)芯片在“等數(shù)據(jù)”，算法在“等資源”，彼此空轉(zhuǎn)。這種“軟硬割裂”帶來的效率損耗，讓延續(xù)多年的“堆料”模式走到了盡頭，正在成為AI進(jìn)一步落地的隱形路障。

近日，理想汽車聯(lián)合國創(chuàng)決策智能技術(shù)研究所，對外公布了端側(cè)大模型“軟硬協(xié)同設(shè)計定律”。這并非一款新的產(chǎn)品功能，而是一套試圖從數(shù)學(xué)底層重新定義芯片與算法關(guān)系的理論框架。

“暴力堆算力”正在面臨物理極限

在智能輔助駕駛邁向更高階的階段，行業(yè)正面臨一個核心悖論。以大語言模型為基礎(chǔ)的視覺-語言-行動（VLA）模型，確實(shí)需要更強(qiáng)的認(rèn)知能力；但車載環(huán)境對功耗、散熱和成本的嚴(yán)苛要求，決定了車企不可能為了算力無限堆砌硬件。換言之，競爭的制高點(diǎn)正在從“誰的芯片算力更強(qiáng)”轉(zhuǎn)向“誰的真實(shí)效率更高”。

英偉達(dá)、蘋果、微軟、谷歌等全球科技巨頭早已關(guān)注到這一挑戰(zhàn)，軟硬件之間的“協(xié)同設(shè)計”（Co-design）正在成為行業(yè)共同探索的研發(fā)范式。

理想的研發(fā)團(tuán)隊在實(shí)際部署中感知到了這種“軟硬割裂”。在上一代英偉達(dá)Orin/Thor這類車載平臺上，他們也發(fā)現(xiàn)一個普遍現(xiàn)象：芯片的理論峰值性能很強(qiáng)大，但實(shí)際部署大模型時，精心設(shè)計的模型架構(gòu)往往無法完全調(diào)用硬件特性，而為了適配硬件做出的調(diào)整，又可能折損模型的智能表現(xiàn)。這種“芯片峰值性能≠實(shí)際系統(tǒng)效能”的困境，指向了一個深層次問題，芯片遵循摩爾定律線性增長，算法則是指數(shù)級擴(kuò)張，兩者的演進(jìn)節(jié)奏產(chǎn)生錯位。

把軟硬協(xié)同從理念變成數(shù)學(xué)表達(dá)范式

為了解決這一錯位，理想汽車基座模型MindVLA團(tuán)隊與國創(chuàng)決策智能技術(shù)研究所聯(lián)合研發(fā)的“硬件協(xié)同設(shè)計擴(kuò)展定律”，首次嘗試將這種復(fù)雜的協(xié)同關(guān)系轉(zhuǎn)化為一套可量化、可預(yù)測的數(shù)學(xué)框架。

這套框架的核心思路在于“建?！薄F(tuán)隊通過訓(xùn)練170個不同架構(gòu)的模型、評估近2000個候選配置，將Transformer架構(gòu)的精度表現(xiàn)與模型架構(gòu)進(jìn)行了多項式擬合，找到了潛在表達(dá)式。同時，他們將計算機(jī)體系結(jié)構(gòu)領(lǐng)域的經(jīng)典Roofline模型引入車載場景，系統(tǒng)建模了KV緩存、MoE路由、注意力機(jī)制等大模型特有負(fù)載對芯片內(nèi)存子系統(tǒng)的影響。

基于這兩大建模，團(tuán)隊開發(fā)了PLAS（帕累托最優(yōu)LLM架構(gòu)搜索）框架。這一框架的作用是給定芯片的硬件參數(shù)（算力、帶寬、緩存）和工程約束（延遲、功耗），自動生成最優(yōu)的模型架構(gòu)方案。

這套數(shù)學(xué)工具的落地效果是直接的。以往升級芯片或更新模型時，研發(fā)團(tuán)隊需要耗費(fèi)數(shù)月進(jìn)行模型選型和適配；而依據(jù)這一定律，模型設(shè)計和選型周期理論上可以縮短至一周以內(nèi)。更重要的是，它證明了智能的提升不必綁定算力的線性增長，通過軟硬件的深度協(xié)同，同樣可以實(shí)現(xiàn)系統(tǒng)能效的跨越式提升。

破解芯片設(shè)計的“黑盒”，六大發(fā)現(xiàn)改寫游戲規(guī)則

這套數(shù)學(xué)框架在實(shí)際研發(fā)中沉淀出的結(jié)論，正在反向定義下一代芯片的模樣。研究團(tuán)隊發(fā)現(xiàn)，未來的車載智能芯片不能再一味追求理論算力的攀升，而必須重新審視架構(gòu)設(shè)計的底層邏輯。稀疏計算將成為車載場景的標(biāo)配，大模型在推理時不需要激活所有參數(shù)，芯片必須學(xué)會“挑著算”，只調(diào)用必要的神經(jīng)元；同時，內(nèi)存帶寬和緩存效率往往比單純的算力TOPS數(shù)字更能決定實(shí)際性能。此外，大模型在理解指令和生成答案兩個階段對硬件資源的需求截然不同，這意味著芯片需要具備“動態(tài)變臉”的能力，在不同階段靈活調(diào)配算力。

另一方面，一些延續(xù)多年的傳統(tǒng)設(shè)計慣例正在被打破。Transformer架構(gòu)中固定的4倍擴(kuò)展比在車載場景下被證明是低效的，芯片的運(yùn)算單元配比需要更靈活的方案。INT8量化理論上能帶來2倍加速，實(shí)際卻只能實(shí)現(xiàn)1.3到1.6倍，問題出在非線性算子和精度轉(zhuǎn)換的開銷上，下一代芯片必須在指令集和運(yùn)算單元層面原生支持混合精度計算和算子融合。這些發(fā)現(xiàn)表明沒有通用的萬能芯片，只有針對特定算法場景深度優(yōu)化的專屬芯片。算法定義芯片，正在從一句口號變成硬性的設(shè)計準(zhǔn)則。

從理論到量產(chǎn)，一套公式背后的硬核家底

端側(cè)大模型“軟硬協(xié)同設(shè)計定律”的發(fā)布，對理想汽車而言，不僅是一篇學(xué)術(shù)成果的總結(jié)，更體現(xiàn)其在智能輔助駕駛技術(shù)棧上層應(yīng)用到底層芯片的完整閉環(huán)。而支撐這一閉環(huán)的，是近8年累計近500億元的研發(fā)投入——這個數(shù)字在新勢力車企中穩(wěn)居前列。僅2025年一年，理想的研發(fā)投入預(yù)計就達(dá)到120億元，其中約60億元流向了人工智能領(lǐng)域。

真金白銀的投入換來了扎實(shí)的學(xué)術(shù)積累。從2021年至今，理想圍繞BEV、端到端、VLA、世界模型等前沿方向，累計發(fā)表了近50篇論文，被學(xué)術(shù)界引用超過2500次，其中32篇登上了頂級學(xué)術(shù)會議的舞臺。這種“研究驅(qū)動研發(fā)”的模式，讓理想從用戶需求的響應(yīng)者，逐漸轉(zhuǎn)變?yōu)榧夹g(shù)規(guī)則的參與制定者。

而這套理論最直接的工程產(chǎn)物，就是理想自研的智能輔助駕駛芯片“馬赫100”。這款采用5納米制程的車規(guī)級芯片，正是“軟硬協(xié)同設(shè)計定律”從紙面走向現(xiàn)實(shí)的第一次完整驗(yàn)證。它將首次搭載于全新一代理想L9（參數(shù)丨圖片）之上，兩顆馬赫100組成的雙芯片系統(tǒng)，總算力達(dá)到2560TOPS，但更關(guān)鍵的是其“有效算力”，單顆馬赫100的有效算力是英偉達(dá)Thor-U芯片的3倍。

正如理想汽車董事長兼CEO李想在此前的AI Talk中所言：“任何時候當(dāng)我們想去改變和提升能力，第一步一定是搞研究”。當(dāng)行業(yè)還在比拼誰家的芯片“看起來更猛”時，理想汽車已經(jīng)開始用一套數(shù)學(xué)公式，把智能輔助駕駛的競爭從“堆料游戲”拉回了“效率戰(zhàn)爭”。這一定律的發(fā)表和應(yīng)用，也展現(xiàn)出以理想為代表的中國企業(yè)正在從產(chǎn)品創(chuàng)新的“跟隨者”向技術(shù)標(biāo)準(zhǔn)的“定義者”轉(zhuǎn)變，成為全球AI浪潮中的硬核玩家與行業(yè)領(lǐng)航者。