当整个汽车行业还在为芯片算力军备竞赛而狂热时，一个根本性的悖论正悄然浮出水面：算力越高，实际效能真的越高吗？或者说，砸下重金采购的顶级芯片，究竟被榨出了几成功力？

近日，当理想汽车携其端侧大模型 " 软硬协同设计定律 " 走入公众视野时，它揭开的不仅是一项技术突破，更是一场关于 AI 底层逻辑的范式革命。这一定律由理想汽车基座模型 MindVLA 团队与国创决策智能技术研究所联合研发，它试图用数学的语言，打通芯片与算法之间的 " 任督二脉 "。

这一定律的意义，远不止于让理想汽车自家的智能辅助驾驶变得更顺畅。它向行业投射出一个更深层的信号——当前的中国科技企业，在技术创新上实现了从 " 跟随者 " 向 " 定义者 " 的悄然转身。

一、算力悖论：当"暴力堆料"撞上物理天花板

在智能辅助驾驶的演进史上，过去十年几乎可以被概括为一句话：算力崇拜。车企发布会上，TOPS 成了比马力更时髦的参数指标，动不动就是几百 TOPS、上千 TOPS。消费者也渐渐形成一种朴素认知——算力越高，车就越聪明。

但事实真的如此吗？

理想汽车在基于 NVIDIA Orin/Thor 平台的早期实践中发现，即便搭载了行业最顶级的车载芯片，在实际部署大语言模型时，其真实释放的性能往往大打折扣。

这不是理想汽车一家遇到的问题。英伟达、苹果、微软、谷歌等全球科技巨头都在为此头疼。

传统的研发模式中，芯片工程师埋头追求更高的峰值算力，算法工程师则疯狂堆叠模型参数，两者在各自的轨道上狂奔。结果就是：软件与硬件在最后集成阶段才仓促碰面，彼此妥协、相互迁就，大量算力被闲置，大量功耗被浪费。这种 " 软硬割裂 " 的研发方式，在全场景智能辅助驾驶对算力需求呈指数级攀升的今天，正变得愈发难以为继。

也正是这种 " 软硬割裂 " 的痛感让理想汽车意识到，如果继续沿着 " 堆料 " 的老路走下去，永远只能跟在别人身后吃灰。真正的解法，不在芯片厂商的下一代产品路线图里，而在底层研发逻辑的重构之中。

基于此，理想汽车 MindVLA 团队与国创决策智能技术研究所选择了一条更难的路：他们不再满足于用好别人的芯片，而是试图从数学层面回答一个根本性问题——芯片与算法究竟该如何协同，才能让有限资源发挥最大效能？

研究团队将损失函数扩展法则与 Roofline 性能建模相结合，最终提炼出一套可量化、可预测的软硬协同数学框架。通俗地说，这一定律把芯片的物理特性和算法的计算需求同时 " 翻译 " 成数学语言，输入芯片参数和模型需求，公式便能自动输出最优的软硬配比方案。这相当于为协同设计建立了 " 通解公式 "，而非过去那种依赖工程师经验反复试错的 " 特解摸索 "。

在这套理论框架下，六大核心发现浮出水面，每一项都在颠覆行业固有的认知。例如，研究揭示，在车载典型的批处理大小为 1 的场景下，MOE 稀疏架构将 100% 主导效率前沿。这意味着未来车载芯片必须原生支持稀疏计算，而非简单堆砌密集矩阵乘算力。再如，内存带宽和缓存效率往往比理论 TOPS 更能决定系统实际性能，" 宽而浅 " 的芯片架构才是车载场景的最优解。更有意思的是，传统 Transformer 中沿用了多年的 4 倍 FFN 扩展比，在车载场景下被证明是低效的，这直接挑战了芯片矩阵乘单元与激活函数单元的配比设计。

这些发现凝聚成一个核心结论：没有通用芯片，只有场景最优芯片。最优架构强烈依赖于具体硬件参数，这从根本上证明了 " 算法定义芯片 " 的必要性。只有深度理解上层算法需求，才能设计出最高效的专用计算架构。

这项研究的深远意义，在于它为中国企业在 AI 基础理论层面赢得了一席话语权。它不是对西方技术路线的修修补补，而是一种原生于中国产业实践的方法论突破。当理想汽车与国内高校持续产出顶会论文时，我们看到的不只是企业研发实力的证明，更是产学研深度融合的 " 中国智慧 " 在   global AI   舞台上的一次集体亮相。

二、从理论到实践：研发投入浇灌出的技术密林

理论的价值，最终要落地为产品的温度。

2026 年 2 月，全新一代理想 L9 正式亮相，搭载两颗 5 纳米制程的马赫 100 芯片，总算力达 2560TOPS。但更具说服力的不是这个峰值数字，而是 " 有效算力 " 的概念。由于采用数据流架构，马赫 100 在运行 VLA 大模型时的单颗有效算力达到英伟达 Thor-U 的三倍，双芯协同时的整体有效算力更是达到 Thor-U 的五至六倍。

李想回顾，理想自 2022 年启动芯片自主研发时，团队便预判行业将在 2025 年后全面迈入 " 自研算法与自研算力深度融合 " 的软硬一体化发展阶段。马赫 100 芯片的推出，正是这一长期技术战略落地的首个关键成果。

如果理想仅仅将这些技术用于自家产品升级，它或许只是一次成功的企业级技术突破。但真正值得深思的是，这一定律背后所折射出的中国科技企业创新姿态的转变。

回顾中国汽车产业的发展历程，从最初的技术引进、合资合作，到后来的消化吸收、局部创新，再到如今在新能源和智能辅助驾驶领域的全面突围，中国企业走过了一条漫长的追赶之路。但在 AI 基础理论层面，能够为全行业贡献通用科学方法论的案例，依然屈指可数。

理想汽车此次联合国创决策智能技术研究所发布的这一定律，恰恰填补了这一空白。这项研究不是针对某个具体问题的补丁式解决方案，而是一套具有普适意义的数学框架，可以为整个端侧 AI 领域提供研发指导。

此外，还有一点不容忽视。软硬协同设计定律的诞生，离不开理想汽车多年来对研发投入的持续加码。数据显示，2025 年，理想预计研发投入达到 120 亿元，近八年累计研发费用预计将超过 468 亿元。即便面对激烈的市场竞争，理想的研发费用依然持续领跑新势力车企。这些数字背后，是一个朴素的认知：只有从最基础的研究做起，才能真正掌握技术迭代的主动权。

如今，这种投入正在转化为可见的成果。2021 年至 2025 年 11 月，理想汽车围绕 BEV、端到端模型、VLA 等领域发表近 50 篇论文，被引用超过 2500 次，其中 32 篇论文中稿顶会。更重要的是，理想选择将这些研究成果开源—— DriveVLM、DIVE、3DRealCar 等项目在 GitHub 上已获得超过 3200 名开发者的收藏或调用。这种开放姿态，正在为中国智能驾驶产业构建一个良性的技术生态。

2025 年 3 月，理想星环 OS 正式宣布面向全行业开源，涵盖 AI 计算系统、智能实时系统、通信中间件和安全系统。截至 2025 年 9 月，已有超过 30 家企业及社区加入星环 OS 生态。按照理想的测算，这一开源系统每年可为汽车行业节省 100 亿至 200 亿元的重复研发投入。

开源的背后，是一种更深层的战略思考。在智能汽车这个复杂的赛道上，没有一家企业能够包揽所有创新。只有当更多的开发者、更多的企业参与到同一套技术体系的共建中，整个产业的创新节奏才能加快。

这不再是企业层面的商业博弈，而是一种产业责任感的体现——当中国企业开始主动输出基础设施、贡献通用方法论，全球 AI 竞赛的叙事，已然被改写，中国企业正在成为游戏规则的共同制定者。

三、结语

回到文章开头的问题：算力越高，实际效能真的越高吗？

理想汽车给出的答案是：算力是效能的根基，但协同才是决定效能兑现程度的天花板。没有足够的芯片算力，再精妙的算法也只是纸上谈兵；但若只有算力堆砌而缺乏软硬件的深度协同，再高的账面数字也只能在闲置与损耗中打了折扣。当芯片与算法能够从设计之初就 " 商量着办事 "，当数学定律取代经验调参，智能汽车的进化路径便从堆料模式切换到了精算模式。

软硬协同设计定律的意义，或许要放到更长的时间维度里去理解。它不仅为今天的智能辅助驾驶提供了方法论，更为未来的具身智能、空间机器人等更广泛的 AI 应用，铺下了一块理论基石。当人工智能开始走出数据中心、走进物理世界，如何让算法在有限的算力上高效运行，将成为所有端侧智能面临的共同挑战。而理想今天所做的工作，正是在为这个未来准备 " 通用语法 "。

从跟随者到定义者，这条路注定艰难。但当中国车企开始用数学定律而非营销话术来定义智能的高度，这场全球 AI 竞赛的叙事，已然被改写。理想汽车的故事证明，中国科技企业不仅有实力参与全球竞争，更有智慧为全行业贡献通用的科学方法论，这或许正是 " 中国智慧 " 在全球 AI 浪潮中最硬核的表达。