返回资讯中心
外部精选
企业动态
#科技#产业#投稿

L4需要更大的模型,芯片得换个造法了

如果你长期跟踪智驾行业,会察觉到一个变化正在悄然发生:发布会上的主角,正在从“技术”换成“量产”。

钛媒体互联网江湖2026/11/1 · 17 天前11 分钟阅读中文

以下正文同步自 钛媒体,版权归原站所有,已转换为易读排版。

(本文作者为 互联网江湖,钛媒体经授权发布) 文 | 互联网江湖,作者 | Evin,编辑 | 刘致呈 如果你长期跟踪智驾行业,会察觉到一个变化正在悄然发生:发布会上的主角,正在从“技术”换成“量产”。 2026年以来,L4落地声量明显抬升,城市NOA渗透率持续走高,车企量产军备竞赛全面打响。 从“技术竞争”换轨到“量产竞争”,已是行业明牌。 但换轨途中横着一个尴尬的现实:多数通用芯片正在拖量产的后腿。 车规环境下,通用芯片的“不可能三角”凸显:账面算力与有效算力相差悬殊,利用率往往只有30%—40%。 这笔被浪费的差价,堪称L4规模化路上一笔“隐性税”。 10月29日,转机出现了。 XHEART新芯航途CEO李宗霖正式发布大模型芯片X7 Ultra:700 TOPS大模型算力、超大核NPU、高精度专用算子加速、Armv9车规级CPU。 这颗芯片自创立之初就沿着一条另类的路线前行——“大模型定义芯片”:不追求通用性的面面俱到,而是由大模型反向定义硬件。 这有点像当年的DeepSeek。 DeepSeek的出现为AI行业指明了,大模型不必沿着旧算力逻辑硬堆也能跑出新的可能性,此后AI应用如雨后春笋般生长。 如今,X7 Ultra则为L4验证了,L4的落地也不必拘泥于通用芯片的算力瓶颈,L4量产落地,有了一条新路。 自此,L4量产的DeepSeek时刻来了。 大模型芯片发布,L4落地有了“新基建” 大模型定义芯片不是实验室里的炫技,而是量产需求倒逼出来的必然产物。 推动力首先来自市场端。 最近一段时间,车企新车的大模型和辅助驾驶能力正在全面标配。 工信部数据显示,2026年以来乘用车组合驾驶辅助渗透率已达70.5%,NOA渗透率超过30%,首批L3车型也开始在特定区域上路。 随着端到端的智驾普及,接下来,车企的每一款新车立项,都会用上更强的芯片。 与此同时,AI模型体量越来越大,对芯片性能的要求也越来越高。 Momenta CEO曹旭东判断,未来规模化L4需要10B—100B量级的大模型来应对复杂长尾场景。 新一代大模型规模化上车,带来的直接问题是:通用芯片接不住。 为什么接不住? 因为量产赛场上最难的,是三条互相拉扯的硬指标。 首先,要“跑得起来”,就得满足算力和功耗的硬性要求——10B—100B的模型要在几十瓦功耗、毫秒级延迟下运行,通用芯片为灵活性预留的架构冗余,在车端反而成了负担,大量算力耗在架构开销而非有效计算上。 其次,要实现“规模上车”,那么对应成本——成本必须降到付费方持续买单的水平,并为折旧运维留出利润空间。而在通用芯片的定价体系下,车企很难算平成本账。 最后一点,也是最重要的一点:安全。L4阶段责任主体转移到主机厂,安全成为“生死线”,芯片的计算行为必须可预测、可验证——同样的输入产生稳定输出,负载变化时延迟可控,结果可被完整追溯。而时快时慢、利用率飘移的通用平台,撑不起安全底线的工程化验证。 最终,结论只有一个:市场需要一颗从大模型需求出发设计的大模型芯片。 L4的落地发展,其实有点像前几年AI行业。 ChatGPT火了之后,模型对算力的需求越来越大,直到DeepSeek给AI行业开辟了一条新路。 从底层逻辑上来看,大模型定义芯片,恰如当年DeepSeek的发布。 DeepSeek证明了AI大模型不必硬堆参数、硬烧算力卡,通过架构创新提升AI infra层的效率,也能跑出规模应用。如今,在L4这个赛道,X7 Ultra发布之后,XHEART通过NPU架构创新,再次验证了这条路径。 从这个意义上讲,XHEART和Momenta要做的事情,相当于L4落地的“新基建”。 L4怎么量产落地? 关键核心在于解决几个问题: 第一,从NPU入手,解决效能问题。 传统智驾芯片的NPU由多个小核拼凑,核间数据交互在百GB/s量级,大量算力耗在“内部搬运”上。 大模型定义芯片则从根本上解决了这个问题。X7 Ultra把计算单元聚合成一个超大核,内部互联速率拉到TB/s级。 但仅此还不够,数据能在核内高效流动,计算本身也得高效。 这就是第二点:靠专用算子,解决延迟问题。 Transformer架构里的高频计算,过去在NPU里跑不动、只能绕道CPU,一来一回既费带宽又费时间。 为此,XHEART从2023年起便与Momenta算法团队联合研究模型架构及关键算子,为这些高频算子配备了专用硬件,原生支持FP16/FP32高精度向量计算——关键计算既快,又不丢精度。 高精度带来计算行为的确定与可预测,这正是安全验证的物理基础。 还有,靠整网级工具链重构,解决最终上车的问题. 传统推理是算子逐个执行、中间结果反复写回外部内存;XHEART的做法是把整张网络统一编排、融合,实现“整网内存零拷贝”,结果就是内存带宽消耗降下来了,同一块芯片能跑更大的模型,单位算力的成本自然也就降下来了。 最终实测数据给出了答案:NPU计算利用率98.7%,内存带宽消耗比行业旗舰低80%,能效翻倍。 X7 Ultra的700 TOPS大模型算力,也是在真实量产智驾模型上测得的,前提是量化后模型输出与FP32模型的相似度达到99.99%以上。模型结构不能随意改,精度和驾驶体验不能打折——性能优化从一开始,就要对准量产要求。 实际上,大模型定义芯片,不是在某一个指标上做加法,而是让此前互相拉扯的算力、成本、安全,在同一个架构里被同时满足——它给L4的到来铺平了一条路。 对行业而言,这背后还意味着一场更深层的变化:智驾的竞争逻辑,正从“堆算力”转向“系统竞争”。 过去L2普及阶段,行业信奉“算力越高,智驾越强”的公式,但现在,L4落地要求系统竞争,背后是算力、成本、功耗、安全四者之间的协同。 简而言之,这场比赛的规则变了,从“单项锦标赛”进入了“团体赛”。 这个逻辑在新能源汽车行业已有先例:比亚迪的闪充技术本质上就是“系统竞争”:单靠堆电池容量解决不了补能焦虑——只有当电池、平台、桩、储能在架构层面协同设计,快充才能真正落地。 同理,单靠堆算力也解决不了智驾的天花板。 把镜头再拉远一点,大模型芯片并非孤例,而是专用化AI芯片浪潮中最先被推到台前的场景之一。 芯片专用化、软硬一体早已是大势所趋。 谷歌TPU从诞生之初就只为加速神经网络计算服务,专用芯片正变成AI算力结构中的重要一极。 汽车行业亦然,主机厂不再满足于采购通用座舱或智驾芯片,而是直接参与定义甚至自研专用芯片,L4量产阶段尤甚。 X7 Ultra正是这个逻辑的产物:它对大模型的“适配”不是软件层面的修修补补,而是架构层面的血脉相通——不做算法去适配芯片,而是芯片天然契合大模型计算。 这等于从芯片定义逻辑上,诞生了一个新物种。而这个新物种,不是L4的配套,而是L4量产的前置条件。 从此,L4量产的大门才真正被打开。 L4只是起点,真正的未来在物理AI 在汽车产业链条上,判断一条技术路线的成色,最终要回到一个朴素的问题:它装进车里了吗? 在这一点上,Momenta与XHEART已经交出了答卷。 X7系列的客户车型包括上汽大众ID. ERA 9X/8X、荣威家越07、MG07等,从德系合资巨头到自主品牌头部,这表明双方的软硬协同已跨过“PPT协同”阶段,进入可验证的商业化落地。 同时,也足以见得大模型定义芯片,未来商业化落地的路径清晰。 从智驾技术演进来看,量产本身就是最好的验证场。 只有在真实车型、真实用户、真实路况中打磨成熟的软硬协同能力,才能更好迭代,产品技术,进而带动L4进一步实现规模化。 曹旭东给出的时间表是:L3和L4有望在2028年迎来重要引爆点,2030年走向规模化落地。 加速这一进程的,正是大模型芯片。 当模型需求直接定义芯片,算法、软件、芯片的迭代节拍第一次被拉到同一节奏上,行业进化速度自然会变快。 据了解,基于X7 Ultra的支撑,Momenta发布的R7 Ultra世界模型,参数规模将扩大5—10倍,安全性能同步提升5—10倍以上,推动世界模型从“理解世界”走向“推演世界”。 至此,L4 商业化落地的最后一块拼图,已经摆上了桌面。 但如果只盯着眼前的装车量,仍然低估了大模型定义芯片的价值。 大模型定义芯片的想象力,可能远不止于L4。 它更深的护城河,在于这套研发方式可以迭代延续:一颗为模型而生的芯片,其研发过程沉淀的是可继承的资产——量产模型参与硅前验证的经验、模型与芯片团队联合调试的协作机制、精度与效率之间取舍的方法论…… 这些无形资产不会随一代产品退役,而会完整传递到下一代芯片上,支撑未来更大的模型在性能、能效、系统成本和交付效率上持续优化。 这个剧本似曾相识。 当年,英伟达靠CUDA生态绑定AI开发,也是靠芯片架构技术代际更迭能力,统治了AI算力市场。如今,专注芯片、聚焦AI计算、以软硬件协同构建壁垒,大模型芯片的进化逻辑,某种意义上与之高度相似。 这个方向下,XHEART的定位从一开始就不止于智驾,其官方表述是“一家专注于大模型计算的芯片设计公司……并应用于智能汽车,现正向机器人等领域拓展”。 曹旭东也明确指出,大模型定义芯片的思路可以进一步推动机器人以及更多物理AI应用取得突破。 物理AI的命题,是“大模型必须在物理世界的实时约束下运行”——要省电、要低延迟、要成本可控、要行为可验证。 这意味着今天在量产车上被验证过的这套解题方法,明天可以复用到人形机器人、移动机器人,以及一切需要“聪明的大脑+可控的躯体”的物理AI产品上。 也因此,未来芯片的持续研发与规模交付,夯实的不只是Momenta在汽车赛道的长期竞争力,更是两家公司为整个物理AI时代铺设的智能底座。 大模型芯片的前景如何,资本市场的动作往往最诚实。 XHEART的战略融资,参投阵容很有看点:雷诺集团首次投资,奇瑞汽车追加,长鑫科技入局。 产业端,开始真金白银地下注了。 三家资方的诉求各不相同:雷诺看中的是智驾供应链的确定性与下一代车型的计算底座;奇瑞追加投资,要的是量产芯片稳定供给的深度绑定;长鑫科技的入局,则指向存储与算力协同的产业纵深。 诉求不同,但指向同一个判断:一家能把算法能力硬件化的芯片公司,在智驾走向软硬一体的趋势里,有不可替代的位置。 对XHEART而言,这笔融资的意义不在于财务数字,而在于未来芯片持续研发和规模交付的确定性。 芯片是一门重资产生意:从架构立项到流片上车以年计,持续的研发投入、产能保障、车规认证,每一环都需要长期弹药。 50亿融资与已经铺开的客户阵列,就是这种确定性的最佳展现。 眼下,汽车行业的规模化L4是确定的,模型能力与量产能力同步增长的需求是确定的;剩下的变数在供给端。 接下来,谁先贯通了模型、芯片与整车应用,谁就可能真正打开通向未来的那扇门。 而眼下,打开这扇的钥匙已经握在了Momenta和XHEART的手中。 更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →