社区

理想汽车发布了一篇有关自研芯片马赫 M100 的论文，题目为： M100: An Orchestrated Dataflow Architecture Powering General AI Computing。 十几页的论文里，只字未提 TOPS，也就是业内惯用的算力值。 这个背后其实隐藏了一个反直觉的判断： 50TOPS 的芯片，推理延迟可能比 1500TOPS 的芯片更低；CPU 里的 1TOPS，可能顶得上 GPU 里的 10TOPS 甚至 30TOPS。 理想 CTO 谢炎更直接，他说 GPU 架构的执行效率天花板只有 40%，而马赫 M100 的目标是 50%-60%。 换句话说，同样标称 3000TOPS，实际能用上多少，是两回事。 自动驾驶和具身智能已经进入 VLM/World+Action Expert 时代，TOPS 这把尺子，量错了地方。 典型的 MAC 电路 首先要澄清算力这个概念，TOPS 这个指标是衡量芯片进行 MAC 运算时的能力，MAC 即 Multiply-accumulate，代表矩阵（矩阵是张量 tensor 的典型代表）的乘积累加。 MAC 一般是阵列形式，MAC 阵列一个周期能完成两次操作 0perations，算力值就是 MAC 阵列数量*2*MAC 阵列运行频率，这个数值仅仅代表芯片的矩阵乘法能力，AI 运算中还有很多非矩阵乘法，只不过卷积神经网络时代即 CNN 时代，95% 的运算都是矩阵乘法，于是将 TOPS 数值等同了芯片的 AI 算力。 今天 CNN 基本上被 Transformer 和 Transformer 与 Diffusion 的混合架构 DiT 替代，TOPS 这个数值已经无法反映真实的 AI 算力。 其次要说说等效算力这个水分重灾区。 除了高通、英特尔、谷歌、**这些老牌厂家，多数厂家给出的算力值是「等效算力」

过去几年，汽车行业有一个越来越明显的变化：车企开始亲自下场造芯片。 特斯拉有 FSD 已迭代至第五代；蔚来推出神玑 NX9031；小鹏自研 AI 图灵芯片；理想造了马赫 M100；比亚迪、吉利、Momenta 也被频繁点名。 表面上看，这是一场「去英伟达化」的运动。 但如果只看到这一层，就太浅了。 真正的问题是：自动驾驶模型本身，已经开始变了。 从 CNN，到 Transformer，再到 DiT 与世界模型，模型范式在切换，而旧时代的芯片逻辑，未必还能接住下一代自动驾驶。 这才是车企重新造芯片的真正原因。 01、不是省钱，是抢控制权 自研还是外采，表面是商业决策，骨子里是对技术路线的判断。 自研或外采取决于车厂对自动驾驶路线的判断，芯片研发周期比较长。 从完整定义设计目标到芯片上量产车型，中间需要 2-4 年。海外厂家更长，可能是 3-5 年。 这意味着芯片厂家在今天落笔，押注的其实是 5-8 年后的技术走向。 预测错了，要么芯片生命周期大幅缩短，要么干脆没人用。 做汽车数字类芯片，赌性确实很大。 车企自研芯片，某种意义上是在说：我比供应商更清楚自己五年后要跑什么模型。 5 纳米甚至 3 纳米，一次性工程费用加对外采购 IP 高达数亿人民币。一次性工程费用加 IP 授权，动辄数亿人民币。 出货量不够，账面上一定是亏的。但这笔钱可以进整体研发成本，还能拉高市值、强化科技品牌。 账算到最后，商业逻辑是通的。 技术门槛方面，随着 IP 生态成熟、EDA 工具链完善，以及索喜这类专门服务车厂定制芯片的中间商涌现，工程难度正在快速下降。 真正难的部分，已经转移到软件栈、编译器和长期模型适配上，这恰恰是芯片供应商最难替你定制的部分。 02、模型变了，芯片的逻辑也得变 先搞清楚现在的自动驾驶，在跑什么模型。 目前自动驾驶路线有三条。 一是分段端到端，大多数厂家的选择，典型代表是 Uni

智能编程（AI Coding），正在把一件极度“科幻”的事，变成智能汽车研发的日常。 试想下，前一天产品脑暴会上一个想法刚被抛出，第二天清晨，它已经真实地跑在了车主的车机上。 这种近乎“疯狂”的迭代效率，曾只存在于工程师的想象里。 但现在，随着智能编程开始系统性地嵌入底层研发链路，这一场景即将成为现实。 过去数年，汽车行业对于“ AI 定义汽车”的落地应用，更多集中在功能层面——智驾、座舱、芯片，本质都是在让车变聪明。 而现在， AI 直接进入生产层。智能编程接管了开发链路中的核心任务，被重构的不再只是车的产品力，更是造车方式本身。迭代速度、研发效率、组织响应能力，正从管理命题变成 AI 可深度介入的新战场。 AI Coding 的深度应用，带来的最确定结果正是：提质增效。 某种意义上，这类似于百年前福特流水线对制造业的改造。流水线重塑了工业生产效率，而智能编程正在重塑汽车软件研发效率。 前者决定一家车企能造多少车，后者则决定一家车企能多快迭代出下一代智能汽车。 一些头部玩家已率先行动。特斯拉已经全面整合 AI 编码工具链；而国内，无论是吉利、上汽等车企，还是地平线这样的智驾公司，都开始借助阿里 Qoder 等智能编程工具，将智能编程嵌入核心研发链路。 这场智能汽车最隐蔽、却最有可能颠覆牌局的战争，已拉开帷幕。 谁能先通过智能编程重构研发范式，谁就更快掌握定义下一代智能汽车的主动权。 01、AI 生产力，必须入场 在智能汽车行业，至少有三股力量正在同时把“ AI 工程师”推向台前。 首先是代码量的指数级爆炸。智能汽车本就系统复杂，智驾、座舱、车控、地图、云端服务、数据闭环……背后横跨十余个技术领域。 车企还在不断加码：智驾卷基座模型，座舱迎来Agent上车潮，舱驾一体的全场景智能逐渐成为行业共识。 而智能汽车的每一个创新，本质上都在继续推高软件复杂度。如今，一台智能汽车的代

小米造车的风向，变了。 从 SU7 Ultra 刷纽北，到 YU7 GT 破千匹马力，小米把「驾驶乐趣」这件事推到了极致。但这条赛道跑得再快，始终缺一块拼图：家庭。 如今，一个新的商标浮出水面——SkyNomad。 外界对它的猜测有两条线： 一是独立的第二品牌。 换标、换名、换叙事，跟现在的产品彻底切割，划分出纯电和增程两个不同的品牌，同时车尾和方向盘也换成「寻天」的专属标识。 据了解，小米增程车型将采用独立品牌和销售运营。 疑似小米昆仑 N90 尾标（图源网络） 二是新产品序列。类似揽胜之于路虎的关系，但定位更野、更户外、更游离于现有的产品谱系之外。 看似两种路径，但殊途同归——小米汽车的产品哲学，正在从「驾驶者之车」转向「全家人的车」。 从 SU7 到 SkyNomad，雷军开始认真思考：一辆车除了「好开」，还能承载什么。 过去，小米讲的是极致性能、极致效率和极致性价比。现在开始讲家庭场景、空间体验和户外生活。 这正是 SU7/YU7 和 SkyNomad 在产品理念上的分野。 小米 SU7、YU7 是「悦己型产品」，卖的是性能情绪。 SkyNomad 是「家庭型产品」，卖的是空间情绪。 前者追求速度的边界，后者探索空间的极限。 据了解，小米首款增程 SUV 昆仑 N3 将推出车顶升降功能，能提供小型房车甚至户外露营车的场景体验。 雷军要的不只是一块新增量，更想在家庭用车的红海里，踩出一片属于自己的无人区。 只是，当增程退潮、独立子品牌，以及大六座 SUV 红海的三重变奏之下，雷军的挑战，才刚刚开始。 01、小米为什么必须进入家庭市场？ 过去两年，小米汽车的成绩远超预期。 小米至今累计交付 68.5 万台车，去年汽车销售收入突破千亿并实现盈利，毛利润已经大幅超越了最会赚钱的理想。 小米这步棋「活了」，但市场瞬息万变，小米既要守住现有的基本盘，更要直面两个「题眼」。 一是

几乎每年，行业都要把「舱驾一体」拉出来讲一遍。但今年的热闹不太一样——主角从高通换成了地平线。 为此，地平线包了一大盘饺子：从一颗叫「星空」的芯片，到 KaKaClaw 座舱系统，软硬一体，来势汹汹。 余凯还给车企算了一笔诱人的账。这颗芯片最高能为单车抠出 4000 元的成本。在存储价格暴涨的周期里，降本才是硬道理。 据晚点报道，这可能是地平线有史以来设计最复杂的芯片。 而复杂背后，是地平线几乎不留退路的决心。发布会后的群访里，有两句话，余凯和苏菁说得无比笃定： 一句是，「计算机工业的本质就是集成、集成、再集成。」 另一句则是，「在人工智能改变世界的大时代潮流面前，一定要不计一切地砸研发。」三年时间，地平线在这颗芯片上砸了几十亿元。 没人怀疑地平线要把舱驾一体「干穿」的决心。但少有人意识到，余凯真正想争的，或许从来不是一颗芯片的生意。 就像当年征程系列撕开 Mobileye 的垄断铁幕一样，「星空」真正承载的，是一张下一代汽车生态的话语权门票。 舱驾一体这场战打到最后，比的是谁能率先定义整车的计算平台。 而地平线的对手是高通与英伟达，两家顶级芯片大厂同样在觊觎这块肥肉。 高通 SA8775P（稠密算力 72TOPS）已率先在极狐阿尔法 T5 上量产落地，抢下了「舱驾一体第一车」的名头。 而在算力天花板一侧，英伟达依然想靠 DRIVE AGX Thor「通吃」全局，甚至不惜拉上联发科补座舱的课。 三路人马，各自亮剑。一场关于下一代「汽车大脑」的终极卡位战，悄悄打响。 01、舱驾一体，全是难题 很长一段时间里，舱驾一体的口号声与量产进度之间，横亘着一条明显的错位带。 所有人都认同这一大趋势，车企指望着它降本增效，用户更期待它能提升智能的「质价比」。 但舱驾一体的落地情况，不容乐观。 去年，极狐阿尔法 T5 的确让舱驾一体第一次有了量产下文。可回到体验层面，一颗芯片与两颗芯片，差

有一个问题，整个自动驾驶行业问了十年，却从来没有真正回答过： AI 到底有没有理解这个世界？ 这个问题的答案，决定了自动驾驶未来十年走哪条路。 今年的北京车展，轻舟智航给出了自己的答案：通用物理 AI。 所谓物理 AI，指的是能真正理解现实世界并与之交互的 AI：不只是看懂图像、识别物体，而是理解物理规律、预判行为、在真实环境里做决策。所谓通用，是指未来物理AI也能做很多事情，而不是只做开车这一件事。 而要实现这一点，轻舟押注的核心路径，是世界模型+强化学习。 世界模型的核心价值，在于让智能驾驶系统从「识别物体」升级为理解世界、预判趋势，不再局限于简单的感知与路径规划。 进一步说，它将仿真推演、场景生成、动态轨迹预判融为一体，让车辆在人车混杂、突发状况多的复杂路况中，依然能做出安全、平顺、接近人类老司机的决策。 在这套技术逻辑下，城市 NOA 不再依赖海量人类驾驶数据拟合，也不必靠路测「碰运气」收集极端场景，而是采用实际道路数据与云端生成数据双向互补的模式——以真实数据为基，用云端世界模型生成「稀缺场景与强化学习」的训练数据，再将知识蒸馏到车端。 这套叙事，在智驾圈并不陌生，各个玩家的差别不在于讲没讲这个故事，而在于有没有用工程化落地来撑住它。 01、模仿人类，是端到端的天花板 过去十年，是自动驾驶行业从无到有的探索十年。 从早期雷达与视觉融合的感知方案，到 BEV 架构、端到端模型逐步上车，再到高速 NOA、城区 NOA 功能落地，车辆完成了从「不能开」到「能开」、从「会开」到「开得稳」的跨越。 早期自动驾驶技术的局限十分清晰——系统依赖人类驾驶数据做监督学习，碰到训练集之外的场景便容易「卡壳」。而罕见场景靠路测采集效率极低，一个极端案例可能需要数百万公里才能自然触发。 这时候诞生了端到端：直接让 AI 学习人类成熟驾驶行为，理论上无限趋近人类司机，也更「丝滑」了。但数据

2026 北京车展，新车不再是唯一的焦点。 有些展台，甚至都没有新车。 广汽本田没有推出新车型。因为内部正在推行严苛的产品赛马机制，主动叫停了多款未达到核心竞争力标准的研发车型。 福特同样在收缩。2025 年启动电动化战略收缩，削减多款大型纯电车型的研发和生产计划。 蔚来旗下三大品牌（NIO、乐道、萤火虫）首次同台亮相，展台布局相较往年更紧凑，李斌的解释是，可以省不少精力和钱。 这三组动作表面不同，但指向同一个战略取向——收拢战线，降本增效。 2026 年一季度，中国汽车行业利润率仅为 2.9%，车企营收越做越大，利润反而越摊越薄。 然而，车企这种降本需求越来越迫切的信号，却成为了供应商扩大战略的破局点。 车企收缩的尽头，是供应商的边界扩张。甲方越省力，乙方越有力。 地平线、英伟达首次大规模从零部件馆「跃迁」至主展馆，跟整车企业同台竞技，**更是集结了智能汽车生态，从鸿蒙智行超 4000 平方米的展台，到**乾昆、**数字能源的独立展台，**几乎无处不在。 供应商的身影从未如此密集。 赛道也变了。过去供应商只管给车企「送上螺丝」，现在直接递上整套智能方案，火山引擎和荣威合作打造「家越」品牌、地平线也拿出了首颗舱驾融合芯片——星空（Starry)。 这背后还有一个更深层的逻辑：当车企开始降本、聚焦和收缩时，供应商反而迎来了历史性的窗口期。 01、押注中国版 Grok+FSD 这场变局，从一颗芯片开始。 2026 年北京车展释放出的第一个信号是：智驾和座舱的硬件边界，正在逐步消失。 随着电子电气架构迈向中央计算，一个现实的问题浮出水面：为什么不能用一颗芯片同时搞定智驾和座舱？ 从降本增效的逻辑来看，舱驾一体，即座舱域控和智驾域控合二为一，节约软硬件成本、提升通信效率。 这一变化的冲击，远比想象中剧烈。 但能量产舱驾一体的玩家，是极少数，目前只有两路玩家。 一路玩家是造车新势力，

刚结束的北京车展，声量是被物理 AI 撑起来的。 1451 台展车、181 台全球首发、38 万平方米展区，构成规模层面的新纪录，却不再构成核心价值。 过去新车、智驾开城数量、产品参数是发布会叙事主角，但这届车展，物理 AI 几乎统一行业语境。 小鹏、理想展露具身智能业务，将自身定义为 AI/具身智能公司，吉利首次以独立科技生态展台呈现全域 AI 2.0 能力。 而以元戎、Momenta、卓驭、轻舟智航等头部智驾玩家，都心照不宣得把发布会内容收敛为物理 AI。 元戎 CEO 周光直言，公司目标是要成为物理世界的 AI 基础设施。 只不过，物理 AI 的共识之下，分歧同样存在。所有人都在谈物理 AI，但谈论得似乎并不是同一件事。 一条新的竞争规则浮出水面——如何定义物理 AI 本身，构成了新的分水岭。 01、物理 AI，抵达技术与战略分岔口 车展上看似热闹的「物理 AI」表态，实际叙事角度各异： 一种是边界叙事。 如卓驭、轻舟智航都强调以通用物理 AI 为底座，布局乘用车、商用车和多垂类场景。 一种则是模型叙事。 如元戎、Momenta，则聚焦基座模型与世界模型，试图重构自动驾驶能力上限。 但这还只是浅层差异。 如果进一步深究物理 AI 模型的构建路线，还能看到两种战略站位： 路径一：AI 作为工程体系的增强层。 以「工程主导+AI 增强」为核心，将 AI 嵌入既有体系，用于提升感知、决策与数据效率，本质仍是工程优化问题。 尽管 AI 的确成为影响性能的关键标尺，但作用程度依然有限。 路径二：AI 就是系统本身。 直接以大模型重构架构，实现感知—推理—决策一体化。相比传统 CNN、BEV+Transformer 拼接方案，这一路径更接近「类人驾驶」，在语义理解与防御性决策上具备更高上限。 比如卓驭。在经历「删库重练」后，发布首个原生多模态基础模型，宣称 100% 含模量。 以

在自动驾驶行业从「野蛮生长」步入「量产落地」的深水区，易航智能正试图重新定义自己的坐标。 从早期的 L2 级辅助驾驶突围，到如今将触角伸向 Robotaxi 与具身智能，这家公司展现出的不仅是技术的迭代，更是对行业终局的思考。 他们没有盲目追逐人形机器人的风口，而是基于一套统一的技术栈，冷静地切开了 Robotaxi 和商用车 AEB 两个高价值市场。 这背后，是一条从「让车开得更好」到「具身智能」的清晰跃迁路径。 01、Robotaxi：在有限区域跑通「无限」商业闭环 为什么是现在切入 Robotaxi？ 易航智能创始人、CEO 陈禹行博士的判断非常务实： 时机到了。易航智能在车展上带来了其首款 Robotaxi 原型车。在陈禹行看来，当前 Robotaxi 正立于成本、行业逻辑与技术路线三条线交汇的拐点之上。 从成本来看，基于量产车的城市智驾已逐渐普及，激光雷达、算力芯片的成本大幅下降，Robotaxi 的运营成本结构已初步具备盈利可能。 从行业逻辑来看，自动驾驶的开发范式已发生了根本转变——从局部 AI 开发，转变为 AI 在驾驶领域的实践。 当智能汽车被重新定义为具身智能，Robotaxi 便不再是独立业务线，而是 AI 在交通出行领域的终极表达。 从技术路径来看，易航智能此前已基于量产车完成了从 L2 到城区智驾近十年的技术沉淀。但真正的无人驾驶要跑通全国所有道路，仍需要很长时间。 而 Robotaxi 聚焦于一个城市或局部区域的有限场景，技术难度相对可控，商业闭环更容易跑通。正是基于这三重判断，易航智能选择在此时切入 Robotaxi 赛道。 陈禹行的判断与行业风向形成了精准呼应。Momenta 已宣布在德国、中东等地进行 Robotaxi 运营，元戎启行则与无锡政府合作建立研发测试基地。 从智驾规模化量产到进军 Robotaxi，已成为智驾方案供应商的共同选择

一场智能汽车的技术革命已经悄然到来。 以前，消费者购车决策的原因十分分散，据杰兰路 2025 年度新能源汽车消费者行为研究，购车原因 TOP10 分别是：外观、安全性、品牌、价格、空间、智驾、内饰、座舱和配置。 这些要素其实非常笼统，尤其是针对安全性的各种测试纷繁复杂。 这些要素其实非常笼统，很长一段时间汽车安全性测试，往往停留在汽车碰撞成绩、电池测试等等。 但被动安全是最后一道防线，真正能阻止事故发生的是主动安全。 所以最近几年主动安全能力也开始广受车企和消费者关注。所谓主动安全，比的是车辆对危险的感知速度和执行响应能力，而这两件事，都指向运动域。 从近两年中国自主品牌的技术突围就能窥探一二。 尊界 S800 使用了业界首个高压增程 800V 分布式电机，新一代问界 M9 采用了全新 800V 双碳化硅动力平台、全主动悬架，小鹏新一代旗舰 SUV 小鹏 X9 采用了全栈高集成高压油冷发电机，鸿蒙智行的首款 MPV 智界 V9 被曝将搭载后轮转向。 这些豪华车型，不约而同都在运动域争首发技术。 但现在，曾经散落在四处的车身安全、安全配置、刹车性能、配置质量等等，任何与车辆控制有关的单元都可以被归类为「运动域」。 **智擎率先提出这套新架构，给了行业清晰的答案——曾经纷繁复杂的制动、转向、悬架等等，可以被整合成一套完整的运动域智能化解决方案，统一调度、协同控制。 豪华旗舰车型争夺运动域话语权，也反映了「座舱域、智驾域、运动域」正在成为智能车的新三大件。 智驾、智舱是给汽车安装大脑，从而解放用户的时间精力。而运动域也有着自己的进化阶梯：随着运动域的逐步融合，最终就像给汽车安装人类小脑，用来协调、平衡、精准控制车辆动作。 运动域的水平决定了车辆动作执行的质量。 上层大脑再聪明，下层执行接不住，差距照样拉不开。 可以明确，继智驾和座舱之后，运动域将是智能汽车的第三场硬仗。 01、运