理想马赫M100登台积电OIP:自研芯片能否让智驾更像人?
最好的智驾芯片,是让你彻底忘掉它。 #欢迎关注爱范儿官方微信公众号:爱范儿(微信号:ifanr),更多精彩内容第一时间为您奉上。

判断一辆车好不好,买车时往往全凭直觉。
踩一脚油门,推背感就告诉你马力够不够;摸摸中控,指尖能感觉出用料好不好。还有更老的招数:开关车门听做工。声音厚实,就是好车,简单直接。
不过时代变了,高科技来了,AI 来了,信息大爆炸,世界变得复杂难懂,买车也一样。
智驾这事就挺玄乎。门店销售常常热情地报出一串数字:500 TOPS、1000 TOPS……
力大砖飞的道理谁都懂,可实际上没人在乎算力的具体数值。普通消费者想问的其实特别简单:
花好几年、砸几十个亿自研的芯片,究竟能不能让车开起来更像个人?

理想的答案是自研的「马赫 M100」芯片。11 月 17 日,靠着这颗已经量产上车的芯片,理想走进了半导体的「内行局」——台积电 OIP 开放创新平台生态系统论坛。
台积电 OIP 论坛是全球芯片设计、EDA 与先进制程领域规格最高的年度盛会,历来只请全球最顶尖的计算巨头登台。往年坐上特邀演讲席的,是 Google、Meta 的基础设施负责人,或者被称作「硅仙人」的芯片界传奇 Jim Keller。

今年和理想汽车同台分享的,同样是博通、瑞萨电子、SK 海力士这类全球头部芯片企业。理想汽车也因此成为台积电 OIP 生态论坛举办以来,唯一一家进行特邀演讲的中国大陆企业。
但比起登台本身,今天更想讲清楚的是:理想到底怎么通过这套底层的芯片架构设计,治好智驾的「犹豫」,让智驾开起来真正更像人?
理想的「厨房变革」
用过智驾的人大概都碰上过这种时刻:账面算力堆得再高,车到复杂路口还是可能像个新手,要么时机把握不够果决,要么没把路况判断清楚就莽撞操作。
对路况拿捏不准,除了算法模型设计上的局限,很大一部分原因来自更底层的计算效率。
过去几十年,科技行业一直吃着摩尔定律的红利,芯片制程一升级,软件不用大改就能提升一轮。可摩尔定律放缓之后,面对海量并行的 AI 大模型计算,统治计算机界整整 70 年的「冯·诺依曼架构」碰上了棘手的内存效率瓶颈。

计算机体系结构领域解释这个被称为「内存墙」的瓶颈,有个很经典的「大厨做菜」比喻:
传统 CPU 或 GPU 就像后厨里手艺高超的「大厨」,内存则是走廊尽头的「大仓库」。按冯·诺依曼架构的规矩,大厨每切一次菜,都得放下菜刀跑回远处的仓库拿一次配料,切完再跑回去放好。
结果,大厨 70% 的时间和体力都耗在来回跑仓库的路上,真正挥刀做菜的时间,也就是芯片的实际算力利用率还不到 30%。
传统软件时代,每次处理的数据量不大,大厨在手边放个「小料台」,也就是高速缓存,就能应付日常小炒。到了 AI 大模型时代,动辄几十亿的参数和实时涌入的视频流直接把小料台撑爆,大厨不得不频繁往返远处的仓库。
那怎么办?行业里传统的方案是多请几个跑腿的厨师,也就是在传统架构上叠加专用加速单元。

理想选的是把厨房做饭流程整个革新。2022 年立项马赫 M100 时,理想直接拆掉旧厨房,做出了全球首款量产的动态数据流架构 AI 芯片。
那个来回跑腿的「总厨」被取消了,整个后厨改造成「中央厨房流水线」。
数据就好比食材,送进工位就马上处理,做完也不必再运回远处的仓库,而是沿着片内高速通道直接交给下一个工位;也可以走环形加网格的双互联总线,一次分发给下游所有工位并行处理。
与此同时,动态设计又保留了高度的软件可编程性。
传统固定流水线往往只能做一道菜,马赫 M100 相当于让流水线随时能按算法换上新菜谱,通过软件重新编译灵活调整工序,既保住流水线的高效率,也给日新月异的 AI 大模型留出了演进空间。

计算机先驱 Alan Kay 有句话,乔布斯在初代 iPhone 发布会上引用过:真正在乎软件的人,应该自己制造硬件。
以前车企在芯片面前就是照着菜单点菜的食客——供应商给什么芯片,算法就得迁就什么架构,行业里一直如此。理想换了个路子:拆掉部门墙,搞「软硬一体联合设计」,自己当主厨。算法团队和芯片团队从第一天起就在一起干活。
这套量身定制的「后厨」把端侧 AI 计算的效率上限抬高了。马赫 M100 采用 5nm 车规级工艺,单颗算力 1280 TOPS,算力利用率被拉到 82% 以上。跑 35B 规模的 Qwen3.5-35B-A3B 模型时,预填充速度是英伟达 DGX Spark 的 2.7 倍,解码速度也有 1.5 倍。

今年初,马赫 M100 的架构论文和 Google、Meta 的成果一起进了 ISCA 2026 工业分区。ISCA 是全球计算机体系结构最高顶会。理想汽车是该分区设立以来全球首家入选的车企;上一家入选 ISCA 的中国公司是 2025 年的 DeepSeek。
算力不浪费在「跑路」上,大模型的执行效率就还能再释放一层。芯片上省出来的效率,最后落在路面上,就是更流畅的反应。
让车像正常人脑一样「快思考」
诺奖得主卡尼曼在《思考,快与慢》里把思维分成两种:「系统 1」管直觉,瞬间本能反应;「系统 2」管逻辑,负责深度推理和复杂博弈。
但人开车时,「系统 1」和「系统 2」其实是手眼脑一体、协同工作的。大脑处理信息够快,凭直觉对实时路况做出快速决断的同时,还能调出经验,也就是「系统 2」,对即将发生的路面状况提前预判。
智驾行业今天拼命卷 VLA(视觉-语言-动作)大模型,图的就是给汽车补上更多「系统 2」的高级推理能力——在没有红绿灯的路口提前预判盲区风险,或者在施工路段看懂临时改道的意图。

以往智驾对「系统 2」用得不多,说到底还是算不起、算不快。传统架构上,模型一旦同时调动复杂的三维空间理解和多步逻辑推演,海量数据搬运就会撞上「内存墙」。车最后是想明白了,可等它算完,路口的通行时机早过了。
落到驾驶体感上,就是顿挫、犹豫,以及「无法像人一样思考」。
今年 5 月,马赫 M100 随全新理想 L9 等车型量产上车,横在硬件和算法之间的这堵墙被拆掉了。11 月 6 日推送的 OTA 9.2 版本中,理想正式上线马赫 VLA 2.5,把自研的原生三维视觉编码器 3D ViT 搬上了车端。

以前的智驾视觉像是「隔着 2D 屏幕看世界」:先在平面画面里认出方框,再去和点云信息做多模块拼接,中间免不了信息损耗和对齐误差。3D ViT 给的则是另一双眼睛,能真正「看懂」真实三维物理世界。
它的特点是在视觉编码阶段就把三维空间几何和语义信息揉在一起,空间结构、位置关系、物体类别「一口气从头算到尾,不拆包、不拼接」。
这种连续、海量的数据处理方式,恰好撞上马赫 M100 动态数据流架构「流水线直达」的强项。
自家的厨房,果然还是最懂自家人的口味。
依托马赫 M100 的算力底座,3D ViT 引入前馈式 3DGS 三维高斯泼溅,把道路、建筑等静态环境和车辆、行人等动态物体分开建模,再靠「下一帧预测」的自监督学习持续进化。
感知能力上,车辆前向感知距离拉到 300 米,具备等效 1080 线分辨率的像素级感知,动态视力提升 50%。放到每天上下班的路上,这些指标会变成辅助驾驶更干脆利落的细节反应。

理想这套从底层芯片到顶层模型的逻辑,更接近正常人开车时大脑的运作方式:真正厉害的老司机,手、眼、脑配合到位,靠的是「系统 1」与「系统 2」协同——底层传输效率足够高,「系统 2」的深度思考就能跑出「系统 1」般的本能直觉。
在理想的技术体系里,全线控底盘好比手脚,VLA 好比大脑,3D ViT 好比眼睛,马赫 M100 则是那颗持续泵出算力的心脏。
想要这颗「心脏」和这双「眼睛」的,如今已经不只是四个轮子的汽车。整套体系同样对接上了具身智能产品。
亚马逊当年为了缓解自家电商大促时的算力拥堵,硬是磨出一套高效的内部云架构,后来对外开放,成了云计算的底座 AWS。马赫 M100 打从一开始就不甘心只做一颗「智驾专用芯片」,它要当的是能跑通大语言模型、Agent 和复杂视觉推理的端侧通用 AI 芯片。
眼下人形机器人和具身智能行业也卡在同一个死结上:电池背不动几百瓦高功耗的传统 GPU,可大模型又必须在端侧实时跑起来。

今年 10 月,理想旗下芯片子公司「马赫心」刚完成 16.25 亿元纯股权融资,投后最大估值达到 171 亿元。马赫 M100 芯片、碳化硅模块等自研核心部件正陆续推进对外供应,理想攒了多年的自研家底,也开始在物理 AI 的淘金热里做起给行业「卖铲子」的生意。
最好的芯片,是被你忘记的那一个
话说到这里,终于可以回头看看开头那个问题了。
一辆汽车浑身上下那么多显性卖点,智驾和芯片为什么偏偏常常是最难被普通人直接感知的能力之一?
答案其实就藏在「不被感知」这四个字里——这恰恰是智驾和芯片要达成的终极目标。
「普适计算之父」Mark Weiser 有过一个著名的论断:
最深刻的技术,是那些消失的技术,它们将自己编织进日常生活的肌理之中,直到你再也察觉不到它们的存在。
放到智能汽车上一样成立。芯片不够聪明、智驾系统算不过来,你才会时不时注意到它的存在;真正顶级的底层技术,生来就是要「隐身」的。

理想费尽周折自研芯片、还走上台积电的讲台,图的并不只是念叨「动态数据流」「1280 TOPS」这类参数和名词。
说到底,这一切都是为了一件事:你握住方向盘的那一刻,彻底忘掉芯片的存在。