买一台车好不好,过去靠直觉就能判断:踩一脚油门知道动力够不够,摸一摸中控知道用料扎不扎实。到了智驾时代,这套判断方式不太管用了。销售会报出一串算力数字,但普通消费者真正想问的只有一件事:花几年时间、投入大量资源自研的芯片,能不能让车开起来更像个人。

理想把自研芯片带上台积电论坛,想让智驾少一点犹豫

11 月 17 日,理想带着已经量产上车的自研芯片「马赫 M100」出现在台积电 OIP 开放创新平台生态系统论坛上。这个论坛往年邀请的演讲者多为 Google、Meta 的基础设施负责人,以及芯片界人物 Jim Keller;今年与理想同台分享的是博通、瑞萨电子、SK 海力士等企业。据原文介绍,理想是該论坛举办以来唯一一家进行特邀演讲的中国大陆企业。

问题出在内存效率

智驾在复杂路口表现犹豫,除了算法模型本身的局限,也和底层计算效率有关。摩尔定律放缓后,面对 AI 大模型的海量并行计算,沿用七十年的冯·诺依曼架构遇到内存效率瓶颈,业内称为「内存墙」。原文用大厨做菜来打比方:大厨每切一次菜都要跑到走廊尽头的仓库取放配料,大量时间和体力耗在路上,真正做菜的时间不到三成。AI 大模型时代数据量激增,原有的高速缓存已经放不下。

行业常见的做法是在原有架构上叠加专用加速单元,相当于多请几个跑腿的人。理想在 2022 年立项马赫 M100 时选择了另一条路:采用动态数据流架构,数据到达工位即处理,处理完不再送回仓库,而是沿片内高速通道直达下一个工位,或通过环形与网格双互联总线分派给下游工位协同处理。同时保留软件可编程性,可通过重新编译调整工序,为后续模型演进留出空间。

原文还提到,理想内部推行算法团队与芯片团队共同参与的软硬一体联合设计。过去车企面对供应商提供的芯片,只能让算法迁就架构;理想希望反过来,从架构设计阶段就参与定义。