过去几年，智能驾驶行业的竞争焦点经历了多次明显转移。
最初比拼的是硬件配置：是否搭载激光雷达、摄像头的数量、算力达到多少TOPS；随后行业迈入大模型阶段，竞争转向端到端、VLA（视觉-语言-行动）、World Model（世界模型）等不同技术路径。
而到了今天，越来越多的企业意识到，仅仅依靠更大的模型已难以构建代际优势，真正决定能力上限的，逐渐演变为模型、数据、算力和芯片能否形成一个持续迭代的闭环。
这也解释了为什么越来越多的车企开始布局自研。
特斯拉几乎打通了从数据采集、训练基础设施、FSD模型到Dojo、自研芯片的全部环节。在国内，无论是小鹏、蔚来还是理想，也都在不断向更底层的技术延伸。
在今年发布的 L8、L9 车型上，理想已经搭载了自研的马赫M100芯片，这款采用数据流架构的芯片被理想视为面向AI的重要技术方向。同时，理想也在马赫M100上运行了自研的马赫 VLA 模型。
但对整个行业而言，更值得关注的并不是“是否自研”，而是这些投入究竟能够解决什么样的实际问题。
带着这一疑问，我们与理想汽车自动驾驶负责人詹锟、芯片负责人谢炎进行了交流。他们谈到了理想对下一代自动驾驶技术路线的判断，也阐述了自研芯片、数据体系以及AI基础设施背后的设计逻辑，以下是经过编辑的部分访谈纪要：
问：要在四季度达到特斯拉FSD V14的效果，理想还需要完善哪些方面？
詹锟：我认为追上FSD可以从两个层面来看。
第一是基础体验，具体包含三个维度：安全感、效率、舒适度能否达到FSD的同等水平。FSD的安全性非常充分，效率很高，舒适度也很好，这是它的基本功。我们未必需要挑战极其困难的路况，但这些基础素质要达到那个水准。
第二是能力层面，这也更难追赶。比如特斯拉会主动礼让特殊车辆，在极窄通道下感知精度很高，能够识别交警的指挥手势，这些能力非常突出。
能力层面存在架构升级的机会。为什么其他厂商没有、而只有特斯拉拥有这些能力？可能是此前的技术范式限制了这些能力的实现，背后有架构的原因，也有数据的原因。我们在这个方向做了大量尝试。
问：我理解马赫VLA是一套技术体系而不仅是一个单独的模型，比如Mind-Edge是端侧、服务于智能座舱的模型，那么目前的智能驾驶模型中是否还包含“L”（Language 语言）的部分？
詹锟：现在自动驾驶架构的一个共同趋势，就是把VLA（视觉-语言-行为模型）和World Model（世界模型）融合在一起。
从长远来看，没有谁会不往这个方向发展。无论是做VLA还是World Model，其中的Prompt（提示）都需要使用Language。所以语言一定会存在，问题只在于如何使用语言。
就机器智能而言，我认为Vision Based（基于视觉）是更合理的路径，它对理解空间、感知3D环境、服务环境更加自然。但Language也肯定有用，它对理解交通环境、解析指令、完成复杂的思考决策都很有价值。
从远期来看，基于视觉和语言原生融合的基础模型，很可能是未来的演进方向。
谢炎：如果要迈向L3、L4，去解决更泛化的问题，模型就需要具备类似人类的思考能力。语言的重要性会越来越凸显，这也是未来需要巨大算力的原因。
如果模型只有Vision和Action（视觉和动作），它拥有很多数据，可一旦遇到分布之外的情况就会不知所措。就像一个动物即使学会了所有常见场景，面对从未见过的状况完全无法处理，不知道该做怎样的选择才是正确的。
我们认为越往L3、L4深入，要解决的问题就越接近90%、95%、98%以后的那些——你从未见过的问题，这就需要模型具备像人一样的推理和思考能力。而获得这种能力的来源正是语言模型。比如，一名交警在用手势示意，你要理解他是让你通过还是停止，这不是单靠收集数据或生成数据就能解决的。
问：随着理想汽车保有规模快速扩大，从内部视角看，数据的边际效应是否出现了衰减？我们怎样定义有价值的数据？
詹锟：首先，数据的量必须足够大，本质上是希望能收集到更多的Corner Case（长尾场景）。现在业界有很多方法，可以在车端通过性能良好的neural trigger（神经网络触发器）来判别场景的难易程度，然后将这些关键数据回传。这也是当前特斯拉非常强势的重要原因之一。
其次，数据的质量要高，尤其指行为质量。现在大家逐渐收敛到端到端范式，无论是VLA（视觉-语言-行为模型）、World Model（世界模型）还是Vision-Action（视觉-动作模型）都可以，但一定要清楚Action对应的高质量行为，此时行为的干净程度、一致性就显得格外重要。
至于数据规模扩大后是否会出现边际效应递减，首先要明确，只要模型在提升，只要我们在追求100分的能力，就必然是一条“对数曲线”，增速一定会慢慢趋缓，不可能保持线性增长，做AI的任何公司都不是这样。虽然越往后走，数据收敛的速度确实会变慢，但我们仍希望通过规模效应，来加快整体进步的步伐。
问：马赫M100可以适配不同的AI场景，那么五年后或者再往后看两代产品，理想汽车车内的算力中心有没有可能完全采用自研的马赫芯片？
谢炎：虽然业内有一种“舱驾一体”的说法，但我们认为舱驾一体最核心的是AI算力部分，其他部分是否一体并没有那么关键。因为座舱系统和AI智驾系统可以保持完全独立，但AI算力可以集中在一起，这样分配效能会大幅提高。
我们路线图的最终形态，是车内构建一个AI计算中心，所有的AI任务都可以到这个计算中心去运行。就像笔记本上使用OpenClaw一样，AI的计算并不在笔记本本地，而是在Token Provider Server（Token供应服务器）上，车里的情形也类似，配备一个Token Server（Token服务器）。
这个Token Server的优势在于：第一，效率非常高。第二，能够实现不同任务间的相互隔离、互不干扰。比如智驾任务的确定性——无论内在还是带宽，都能保证不被其他任务侵扰，这需要软件和硬件协同设计才能做到。
问：是否因为M100是数据流架构的AI推理芯片，所以相比其他自动驾驶芯片，对带宽需求没那么高，而对片上存储需求更高？
谢炎：我们对带宽的要求确实会相对较低，但这并不是设计SRAM容量（不是显存）的直接原因。现在HBM（高带宽内存）很热门，很多人觉得带宽越高越好。但计算、带宽、SRAM等都需要付出晶体管代价，最终的设计都是成本、综合性能等多方面权衡后的选择。
不同架构的设计，仅凭一两个指标来简单比较，既不合理也不专业。这就好比打拳击比赛，个子高有高的优势，体重大有体重大的优势，但胜负不是由单一指标决定的，最终比拼的是拳击这项运动的整体结果。
问：为什么现在的大算力芯片方案，比如英伟达、小鹏、理想自研的这些，都没有做芯片级的舱驾融合，反倒是高通在低算力芯片上实现了这一融合？原因是什么？
谢炎：从根本上讲，座舱和智驾是两个独立的系统。尤其对于高端的L3向L4演进，智驾需要一个更高确定性的系统，内存是专用、计算资源也是专用，这种情况下融合的意义就小了很多。因为资源无法实时动态切换，实时切换反而会降低确定性。如果朝着越来越专用独占的方向发展，融合的价值就不大了——你只是把芯片拼在了一起，但资源依然是两份，并不会带来成本的降低，甚至可能影响效率。
看看现在那些舱驾融合系统，其实仍然是分开的，今天还做不到一会儿跑这个任务一会儿跑那个任务，既然做不到，把两颗芯片合成一颗，晶体管数量也许不变，只是省下了一次封装的成本。对于中低端芯片来说，这笔钱可以节省，但也省不了太多。
我的观点是，越往后走智驾越向高端演进，舱驾融合这件事可能意义并不会太大。如果把这些芯片做得更紧凑，在一块板上做成极小体积的集成化方案，这是可行的，不一定要做成单颗芯片，也可以是多颗芯片紧凑地组合在一起。
问：自研芯片背后需要什么条件，比如销量、营收、研发投入。当前自动驾驶迭代速度极快，芯片要持续迭代，需要哪些条件？
谢炎：芯片的前期投入确实不小，可能一年要数亿元。
第一个条件是达到一定的营收规模。对车企来说，如果营收规模在一年1000亿以上，研发投入至少占10%，那就是大几十亿到上百亿，每年投入做芯片研发是可以承受的。第二个条件是，你研发芯片所要解决的问题，必须能让你的产品能力变得更强。
很多人说芯片需要很大的出货规模才能摊销成本。事实上，芯片的成本和面积相关。一辆车上的智驾芯片，比如Livis使用两颗马赫M100，加起来约800平方毫米。而一部高端手机芯片大约100平方毫米，这样算下来，一辆车的智驾芯片面积相当于8部手机的芯片面积。
以此计算，大几十万辆车所需的晶圆面积就非常可观，完全能够摊薄成本。所以成本不能简单地用芯片颗数来衡量。
问：动态数据流编译器到底难在哪里，花了多长时间攻克？
谢炎：在流片前，甚至在设计阶段，我们就开始做编译器的工作，在流片之前，已经让很多模型能够跑通了。
数据流是完全不同的架构，它要解决的问题本质上很像超级计算机或大规模计算机集群面临的挑战——当规模扩大到几十万台计算机、上百万颗核心，它们之间需要互相通信和协同运作时，你没办法让一个中央管理员去管控上百万颗核心。传统冯·诺依曼架构的调度方式在这种规模下就变得行不通，这是一个超大规模的并行调度问题。
