最新动态
买车的时候,要判断一台车好不好,往往是一件很凭直觉的事。 踩一脚油门,推背感会告诉你马力够不够。摸一下中控,指尖会告诉你是不是好用料。更不用说还有古早奥义:通过开关车门来听整车的做工。听起来厚实吗?厚实就是好车,简单且直接。 但是时代变了,高科技来了,AI 来了,信息大爆炸的时代来了,世界变得复杂又难懂,买车也是。 比如智驾这件事,就很玄乎。门店的销售通常会热情地抛出一串数字:500 TOPS、1000 TOPS…… 力大砖飞的道理大家都懂,但实际上,没人真正在乎算力的具体数值。作为一个普通消费者,我们想问的其实特别简单: 花好几年、砸几十个亿自研的芯片,到底能不能让车开起来更像个人? 理想相信,这件事情可以靠自研的「马赫 M100」芯片来实现。就在 11 月 17 日,凭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。 作为全球芯片设计、EDA 与先进制程领域规格最高的年度盛会,台积电 OIP 论坛历来只邀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,或者是被称为「硅仙人」的芯片界传奇人物 Jim Keller。 而在今年,与理想汽车同台分享的,也都是博通、瑞萨电子、SK 海力士这样的全球头部芯片企业。理想汽车,也由此成了台积电 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。 但比起这场登台本身,我们今天更想讲清楚的是,理想究竟是如何通过这套底层的芯片架构设计,去治好智驾的「犹豫」,让智驾开起来真正更像人的? 理想的「厨房变革」 用过智驾的人大概都经历过这种时刻,哪怕账面算力堆得再高,车子一到复杂路口还是有可能表现得像个新手,要么对时机的把握不够果决,要么在没有妥善判断路况的情况下莽撞操作。 这种对路况拿捏的不精准,除了算法模型在设计上的局限,还有很大一部分原因,来自更底层的计算效率。 过去几十年,科技行业一直享受着摩尔定律的红利,芯片制程一升级,软件不用大改就能获得一轮提升。但在摩尔定律放缓之后,面对海量并行的 AI 大模型计算,统治了计算机界整整 70 年的「冯·诺依曼架构」,遇到了棘手的内存效率瓶颈。 在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: 传统的 CPU 或 GPU 就像后厨里手艺高超的「大厨」,而内存则是走廊尽头的「大仓库」。按照冯·诺依曼架构的规矩,大厨每切一次菜,都要放下菜刀跑回远处的仓库拿一次配料,切完再跑回去放好。 于是,大厨有 70% 的时间和体力都消耗在了来回跑仓库的路上,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%。 在传统软件时代,因为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。但到了 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撑爆了小料台,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,也就是在传统架构的基础上叠加专用加速单元。 而理想选择了对厨房做饭流程进行革新。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。 理想取消了那个来回跑腿的「总厨」,把整个后厨改造成了「中央厨房流水线」。 食材,也就是数据,一到工位即刻加工,处理完不再送回远处的仓库,而是顺着片内的高速传送带直达下一个工位,或者通过环形与网格双互联总线,一次性分派给下游的所有工位协同处理。 与此同时,动态设计又保留了高度的软件可编程性。 传统的固定流水线往往只能做一道菜,而马赫 M100 相当于让流水线随时能根据算法换上新菜谱,通过软件重新编译来灵活调整工序,保住流水线高效率的同时,也给日新月异的 AI 大模型留出了演进空间。 正如计算机先驱 Alan Kay 曾提出的,被乔布斯在初代 iPhone 发布会上奉为圭臬的名言: 真正在乎软件的人,应该自己制造硬件。 过去车企在芯片面前,只是看着菜单点菜的「食客」,供应商给什么芯片,算法就得迁就什么架构,这在过去是行业的普遍现状。 理想则通过打破部门墙的「软硬一体联合设计」,把自己变成了主厨,在理想内部,算法团队与芯片团队得以从第一天起就协同工作。 这套量身定制的「后厨」,推高了端侧 AI 计算的效率上限,在这颗采用 5nm 车规级工艺、单颗算力达 1280 TOPS的马赫 M100 芯片上,算力利用率被一举拉升到了 82% 以上。 用它来运行 35B 规模的 Qwen3.5-35B-A3B 模型,预填充速度达到了英伟达 DGX Spark 的 2.7 倍,解码速度也达到 1.5 倍。 今年初,马赫 M100 的架构论文还与 Google、Meta 的成果一道,入选了全球计