2026 年，智能驾驶正在加速驶出 " 高配专属区 "，城市 NOA 正从高端车型快速向主流价位下探。但一个矛盾也愈发刺眼：AI 模型的迭代以月计，整车的开发以年计，而一辆车陪伴用户的时间，又远比开发周期漫长。今天选定的芯片，能否撑得起明天的模型？

10 月 29 日，一场以 " 大模型定义芯片 " 为主题的发布会在苏州举行。当 700TOPS、98.7% 计算利用率、20 万颗出货量等数字被逐一抛出，一条新的技术路线清晰起来：不再是先做芯片，再让模型适配，而是先理解大模型，再设计芯片。

图片来源：新芯航途（下同）

大模型给芯片出了三道题

大模型时代，我们究竟需要一颗什么样的芯片？在 XHEART 新芯航途 CEO 李宗霖看来，它关系到模型的进步能不能真正变成产品的进步，也关系到更强的智能什么时候能进入更多人的日常生活。

这要从智驾算法的变化说起。

过去的智驾系统，本质上是由多个小模型 " 拼 " 出来的：感知是一个模型，预测是一个模型，规划又是另一个模型。分工看似明确，问题却恰恰出在这里。信息在模型间传递时维度被压缩，大量有效信息丢失，数据利用率被拉低。同时，小模型的性能天花板低，泛化能力也差。

" 小模型的能力上限，本质上就是规划设计者的认知上限。" 李宗霖如此表示。小模型时代的智驾，本质上是一个人脑驱动的系统：工程师写顶层规则，机器通过小模型执行规则。而随着基于 Transformer 的端到端大模型走向成熟，海量数据第一次被真正高效利用，智驾开始从 " 人脑驱动 " 转向 " 数据驱动 "。

模型变了，芯片的考题也随之改写。

在李宗霖的讲述里，三道题各有指向。一是算力能不能在真实系统里真正发挥出来，用户要的不是纸面数据，而是量产大模型部署下推理足够快、判断足够及时。二是今天设计的芯片能不能跟上明天的模型，若设计时缺乏对架构趋势的预判、没有预留资源，后续 OTA 升级很快就会触顶。三是能不能以合理的能耗获得所需能力，车上散热条件永远有明确的天花板，算力上去、能耗也飙升的方案，走不进大规模应用。

" 这三道题，是要放在一起回答的。" 李宗霖的判断是：从真实的大模型需求出发，倒推计算、存储和数据流动的组织方式，让芯片资源真正用在模型需要的地方。这就是 " 大模型定义芯片 "。

这并非一次临时起意。2023 年决定创业时，这支在芯片行业深耕十几二十年的团队，给自己的第一条纪律就是谨慎：芯片几年后做出来，是不是市场真正需要的？他们选择从汽车这个对性能、成本、安全都最苛刻的场景切入，检验自己的判断。

认同这一方向的，不止新芯航途自己。作为新芯航途的战略合作伙伴，Momenta CEO 曹旭东当天首次公开了公司的第三个核心洞察：大模型定义芯片。

在他的推演中，规模化 L4 需要至少 10B、大概率需要 100B（千亿级）参数的模型，而通用芯片无法同时满足功耗、车规可靠性和成本三重约束，他称之为 " 通用芯片的不可能三角 "。" 如果用通用芯片来做，相当于在车上放一台巨大的 GPU 服务器，功耗车端受不了，可靠性也很难满足车规要求。"

曹旭东表示，大模型定义的专用芯片，相比通用芯片综合性能可提升 10 倍。而在 Momenta 成立之初的测算里，要解决数百万个长尾问题、支撑规模化 L4，需要约 1000 亿公里的真实数据，相当于 100 万台乘用车跑满一整年。

在这套逻辑里，汽车只是起点。这支团队的第二个判断是：让更多品牌、更多级别车型都能搭载更好的智驾，让用户用得上、用得起，芯片必须同时做好性能、能效和成本。

一边是千亿公里的数据喂养，一边是千亿参数的模型胃口。当智驾的主战场从 " 规则 " 转向 " 数据 "，芯片的定义权，正在悄然易主。

把算力变成真实能力

此次发布会的主角，是新芯航途面向量产的大模型芯片 X7 Ultra。

" 请大家先记住一个数字，大模型算力 700TOPS。" 李宗霖说。但比数字更值得玩味的是评测口径：不用实验室基准测试，直接用真实量产智驾大模型评测；量化部署后，模型输出与训练后的 FP32 浮点模型相似度达 99.99% 以上。

" 实验室的结果，与量产模型的性能和体验往往相去甚远。" 这意味着模型结构不能随便改、计算精度必须保证、驾驶体验不能打折。

为了让大模型在量产中跑得又快又稳，X7 Ultra 在架构上做了多件事。

最显眼的，是专为大模型设计的超大核 NPU。模型走向集中，架构就要为集中做好准备。他打了个比方：过去协作的人分散在不同办公室，资料要来回传递，超大核则像把团队放进同一个工作空间。数据交互从传统小核之间的百 GB/s 量级，聚合到超大核内部的 TB/s 量级，互联速率实现数量级提升，再配合高容量、高并发的多级缓存，" 让计算少等待，让数据少绕路 "。

与超大核相配合的，是为关键算子配备的专用加速引擎。早期 NPU 为卷积网络设计，面对 Transformer 的不支持算子只能交给其他处理器，带来任务切换和额外内存读写。早在 2023 年，芯片团队就与算法团队围绕持续演进的主线模型，共同判断哪些计算会变得越来越重要。新芯航途针对 ReLU、Softmax、Transpose 等高频、对整体耗时影响大的关键算子，专门设计硬件加速器并搭配访问效率最高的缓冲寄存器，且原生支持浮点高精度向量计算，" 让关键计算又快又准 "。

在此基础上，X7 Ultra 进一步解锁硬件并行度、重构 AI 工具链。量产模型实测中，X7 Ultra 的 NPU 计算利用率达到 98.7%，计算与权重加载并行，当前这批计算还在执行，下一批数据已提前备好。工具链的最大亮点是 " 整网级融合 "：常规推理中，中间结果要反复写回、读回外部内存，X7 Ultra 把优化范围扩展到整张网络，对各分层、分支统一编排，融合为一个整网级大算子，实现整网内存零拷贝。

一组硬指标随之而来：按官方实测数据，在大模型性能相当的条件下，与行业旗舰产品相比，内存带宽消耗下降 80%，推理能效提升 100%。

如果说 NPU 负责主攻，中国首发量产的 Armv9 车规级 CPU 则是 " 超级调度官 "。它已于今年 3 月随客户车型量产，相比上一代性能提升 20%、能效提升 10%，全新 SVE2 向量引擎带来更强 DSP 性能，大集群架构提升了多核协同与 L3 访存效率。

在主控之外，深度异构计算同样关键。激光雷达处理加速器可支持高达 2000 万点 / 秒的处理带宽，足以支撑千线级激光雷达，针对摄像头，新芯航途没有盯着 " 会骗人 " 的平均时延，而是聚焦时延抖动，平时处理 30 毫秒，抖动在 20 到 50 毫秒之间，那 50 毫秒就是系统安全的下限。借助本地高性能多核处理器，摄像头处理稳定性相比竞品提高 100%。

最底层的，是安全底座。X7 Ultra 满足 ISO26262 ASIL-B 功能安全要求，内置 MCU 通过等级最高的 ASIL-D 认证，信息安全满足 GM/T0028 国密二级。但团队强调，硬件安全只是 " 身体 "，智驾故障大多源于超出模型算法边界，由算力和迭代空间支撑的 " 行驶安全 " 才是 " 大脑 "。

智驾摩尔定律再次加速

一颗芯片好不好，最终要回到真实的整车、模型和场景里检验。客户侧的适配速度同样能说明问题。曹旭东在圆桌环节给出对比：通用芯片时代，" 跑通、跑稳、跑对、跑好 " 往往需要 3 到 6 个月，甚至 6 到 12 个月，而在 X7 上，这一过程只用了 27 天，" 因为从模型设计到芯片设计、从功能设计到验证，流片之前就已经做完了 "。

商业化数据更直接。X7 系列已量产 8 个月，累计出货超过 20 万颗，搭载 10 款量产车型，获得超过 40 款车型订单。基于双 X7 芯片打造的 L3/L4 计算平台已获多个车型定点，统一双大脑架构配合电源、传感器、通信三重冗余，可同时兼容 L3 与 L4。

发布会还披露了下一代产品 X9 的核心研发目标：3000TOPS 大模型算力、700GB/s 单芯片内存带宽，计划 2027 年推出。通过计算与访存能力同步提升，X9 将继续围绕下一代世界模型推进软硬协同设计。

芯片的迭代，正在为模型的跃迁铺路。

曹旭东当天宣布，基于 X7 Ultra，Momenta 新一代世界模型的参数规模扩大到原来的 5 倍，安全性能已有 5 倍提升，" 推演万物 " 的能力开始涌现。

世界模型训练有三个支柱：预训练学习物理世界常识，中间训练注入开车常识，后训练与金牌司机行为对齐，再加上可低成本演练长尾场景的仿真、以正负反馈持续 " 打怪升级 " 的强化学习，模型正在学会连续预测未来。

支撑这一切的是数据规模：Momenta 累计量产突破 140 万台，最新 10 万台的量产只用了不到一个月，累计行驶里程达 200 亿公里，相当于阿波罗登月往返 2.5 万次、绕地球赤道 51 万圈。倒车避让、多把掉头等实测视频里，车辆在几厘米的缝隙中辗转腾挪，" 比肩甚至超越人类老司机 "。

同一套世界模型还在 Robotaxi、Robotruck 等场景验证，Robotaxi 已在苏州、上海、阿布扎比、慕尼黑等地取得测试运营许可。

由此，一个更大胆的判断被提出：大模型芯片正在加速智驾摩尔定律。

2022 年至 2026 年，智驾体验基本保持每两年 10 倍的提升节奏，2024 年迎来城市 NOA 引爆，而在大模型定义芯片的推动下，节奏将从 " 两年 10 倍 " 切换到 " 每年 10 倍 "，车端模型规模未来两年有望增长 10 到 100 倍。

曹旭东判断，2028 年有望成为 L3/L4 的引爆点，2030 年迎来规模化落地，行业头部公司到 2028 年底有望做到人类驾驶的 10 倍安全，2030 年有望达到 100 倍。

中国科协名誉主席万钢在 2026 世界智能网联汽车大会上表示，预期 2030 年 L3 级自动驾驶渗透率将超过 35%。Jack Dongarra 则提醒：三十年前浮点运算昂贵，如今最稀缺的资源是数据搬运，评价芯片的基准测试必须随之重构，" 正确的芯片，是帮助整个系统可靠完成任务的那一颗，而不是峰值数字最高的那一颗 "。

上汽集团相关负责人在现场也给出了车企视角的答案：消费者为体验买单，不为参数买单；大模型时代的芯片必须是 " 六边形战士 "，车规可靠、场景能打、能耗够低，同时成本可控。

从 " 比峰值 " 到 " 比有效 "，从 " 芯片定义模型 " 到 " 模型定义芯片 "，智驾芯片的下半场，胜负手已经变了。当专用架构让更大的模型以更低成本跑在更多车上，高阶智能驾驶真正走向 " 用得上、用得起 " 的那一天，或许比所有人预想的都更近。