10 月 29 日，XHEART 新芯航途发布了新一代大模型芯片 X7 Ultra，宣布其大模型算力达到 700 TOPS。Momenta 则分享了 R7 Ultra 世界模型的最新进展。双方希望让模型需求提前进入芯片设计，从源头为更大模型的量产部署创造条件。

对于当天到场的 Momenta CEO 曹旭东来说，这场发布会还有另一层意义。他首次公开分享了公司的第三个技术洞察—— " 大模型定义芯片 "。

这个判断可以追溯到 2022 年底。彼时 ChatGPT 刚刚发布，自动驾驶行业还在探索如何将端到端大模型应用到汽车上。Momenta 已经开始考虑，未来如果要依靠百亿甚至千亿参数的大模型实现规模化 L4，汽车需要什么样的计算平台？

曹旭东认为，答案一定不是继续堆叠晶体管、提高通用芯片的峰值算力。汽车的散热能力、能耗预算和硬件成本都有上限，更大的模型需要专门为其设计的芯片。

这不是 Momenta 第一次提前考虑规模化无人驾驶的成本。2020 年，曹旭东提出 " 飞轮式 L4"，希望通过量产数据和自动化算法，降低解决长尾问题的研发成本。

六年后，Momenta 已经拥有百万辆级的量产基础。但随着世界模型规模不断增长，计算平台开始成为新的竞争变量。如何让更强的模型，以合理成本进入量产汽车？曹旭东选择把下一阶段竞争的 " 杀手锏 "，提前埋进了芯片设计环节。

模型越来越大，规模化 L4 开始重新考验芯片

六年前，Momenta 对外分享 " 飞轮式 L4" 的最新进展。

曹旭东当时就提出，规模化 L4 并非几辆 Robotaxi 在一个区域内运行，而是至少覆盖十座路况复杂的城市，每座城市至少有一万辆车。要实现这样的规模，自动驾驶系统需要解决上百万个长尾问题，并经过至少千亿公里的测试验证。

Momenta 把 L4 开发成本拆成两部分：数据成本和研发成本。前者取决于需要积累多少公里的数据，以及获得每公里数据要花多少钱；后者取决于需要解决多少问题，以及解决每个问题的研发投入。如果沿用传统规则驱动的方式，工程师需要不断为新场景编写规则。随着长尾问题持续增加，依靠人工逐一解决，研发成本很难得到有效控制。

Momenta 选择通过量产数据和自动化算法解决这个难题。辅助驾驶系统进入更多汽车，真实道路数据随之积累；算法利用数据发现问题、训练模型、完成验证，再将改进后的能力交付给量产产品，以此降低数据和研发成本。

2024 年 9 月，曹旭东在全球智能汽车产业大会上提出，未来能够跟上 " 智驾摩尔定律 " 的公司才能生存。当时，Momenta 已经推出量产智驾大模型，将原本相对独立的感知与规划能力整合进一段式端到端模型。相比依赖人工设计大量规则，系统可以从驾驶数据中学习更复杂的行为和决策方式。

但真实道路上的复杂情况几乎无法穷举。仅靠学习历史驾驶数据，仍然难以充分覆盖全部罕见场景，模型还需要进一步理解物体的运动规律和不同行动可能带来的结果。

今年 3 月，Momenta 发布 R7 世界模型，开始将模型能力从学习驾驶行为，进一步推进到理解和预测物理世界。例如，前方车辆突然掉落一个装有苹果的箱子，苹果散落在道路上。车辆不仅要识别障碍物，还需要判断这些物体可能如何运动，周围车辆会作出什么反应，以及选择哪条路线能够安全通过。

Momenta 在 R7 中引入世界模型预训练、闭环仿真和强化学习，让系统学习物体的物理属性、运动规律与交互关系，并在虚拟环境中反复推演不同驾驶行为的结果。模型需要学习的内容，已经从如何执行驾驶动作，延伸到对物理世界的理解和推演。

10 月 29 日，Momenta 公布了 R7 Ultra 世界模型的最新进展，R7 Ultra 的模型参数规模扩大至原来的 5 倍，安全性能表现提升 5 倍。未来还将进一步把模型规模扩大至原来的 10 倍，推动安全性能提升至原来的 10 倍以上。在曹旭东看来，规模化 L4 需要应对大量复杂长尾场景，模型规模可能进一步达到百亿至千亿参数，也就是 10B — 100B。

模型规模的增长，也开始重新考验车端计算能力。

相比云端数据中心，汽车有更明确的功耗、散热和成本限制。为了部署更大的模型，可以使用更多计算资源，但随之增加的能耗、散热负担和硬件成本，最终都要由整车承担。如果减少计算资源，又可能限制模型规模，让部分算法能力无法充分发挥。

曹旭东将其称为 " 通用芯片的不可能三角 "：功耗、车规可靠性与成本。按照他的判断，面对下一阶段规模化 L4 的需求，通用芯片已经难以同时满足这些约束。单纯堆叠晶体管、增加峰值算力，并不能持续解决车端大模型的部署问题。

因此，下一阶段的竞争，不只是看谁能训练出更大的模型，也要看谁能让模型在有限的车端资源下充分发挥能力。软硬一体能力，将成为企业留在牌桌上的重要前提。这种能力不一定要通过全部自研实现，也可以依靠模型公司与芯片公司的深度战略协同构建。关键在于能否贯通模型、芯片与整车应用，让模型的发展需求提前进入硬件设计。

这是 Momenta 在 2022 年底就开始作出的准备。

从适配芯片到定义芯片，Momenta 为什么有这个底气？

Momenta 过去十年积累的，不只有自动驾驶算法，还有与不同计算平台合作的工程经验。

2024 年 11 月，Momenta 与智己汽车、NVIDIA 共同开发基于 DRIVE AGX Thor 的量产智驾解决方案。当时，双方希望利用更高的计算性能，支持更高分辨率、更长时序的图像和视频输入，让模型看得更远，也能够结合更长时间内的道路变化作出决策。

2025 年 6 月，Momenta 又与高通合作，推出基于骁龙 8620 的辅助驾驶方案。这套方案实现 156 TOPS 系统级有效算力，并采用 7 颗摄像头加 1 颗雷达的配置，在保证辅助驾驶功能的同时控制硬件成本和功耗。

不同计算平台的适配经验，让 Momenta 逐渐摸清楚一件事：模型性能、算力利用率、功耗与整车成本之间，并不存在简单的线性关系。

过去，模型通常需要在已有的芯片架构上做适配。但随着模型规模扩大，这种方式开始面临限制。大模型运行不仅需要足够的计算资源，还涉及大量数据传输。如果计算单元需要反复等待数据，即便峰值算力很高，实际性能仍然可能受到影响。

Momenta 与 XHEART 共同推进的 " 大模型定义芯片 "，改变的正是芯片设计与模型研发之间的关系。

双方从真实模型需求出发，提前考虑模型未来如何演进，再反过来优化芯片的计算架构、存储、数据传输和软件工具链。这一技术路线在 X7 Ultra 上有了更具体的体现，X7 Ultra 采用专为大模型设计的超大核 NPU 架构，通过专用算子加速、硬件并行和 AI 工具链优化，减少计算等待与内存往返，提高模型推理效率。

X7 Ultra 的大模型算力达到 700TOPS。不同于单纯展示理论峰值算力，XHEART 特意强调，X7 Ultra 是在模型输出相似度达到 99.99% 的精度约束下，释放了 700 TOPS 大模型算力。

这难能可贵，因为行业通常的做法是会通过实验室基准测试评价芯片性能，例如每秒处理帧数（FPS）、模型运行耗时等。但实验室里的测试结果，未必能够直接反映智驾模型量产上车后的实际表现。XHEART 选择直接使用实际的量产智驾大模型进行芯⽚评测，让芯片性能评估从一开始就面向真实的智驾体验。这也意味着更严格的约束：不能为了提高跑分随意调整模型结构，计算精度必须得到保证，性能优化也不能以牺牲驾驶体验为代价。

在合作伙伴的 Transformer 量产智驾模型测试中，X7 Ultra 的 NPU 计算利用率达到 98.7%。在模型性能相当、对标行业旗舰产品的条件下，其内存带宽消耗下降 80%，每瓦性能与体验提升 100%。

大模型芯片的战略价值，是扩大模型在真实产品中的可用空间。而 X7 Ultra 对 R7 Ultra 的支撑，是双方共同构建 Momenta 世界模型基座平台的重要基础。

R7 Ultra 负责复杂环境、交互关系及长尾场景的理解与推演，X7 Ultra 提供高效端侧计算能力，推动世界模型能力在车端充分释放。

双方的合作从设计阶段就已开始：Momenta 将模型的计算特点和演进方向提前带入芯片设计，XHEART 据此优化计算架构、资源配置和执行效率；车端计算条件再反馈到模型研发中。

截至目前，搭载 Momenta 系统的量产车辆超过 140 万台，累计行驶里程 200 亿公里。长期量产让 Momenta 不仅拥有真实道路数据，也熟悉车企在开发周期、硬件成本和交付方面的要求。这些经验可以更早进入 XHEART 的芯片设计，而不必等硬件完成后再进行算法适配。

如今，这一合作已经进入具体车型。9 月，荣威家越 07 宣布采用 Momenta 与 XHEART X7 大模型软硬一体方案。根据 Momenta 披露的数据，该方案相比通用方案，可释放约 10 倍模型参数部署空间。

双方的合作还延伸到功能安全和整车系统。今年 8 月，Momenta、XHEART 与 QNX 宣布联合打造符合全球安全标准的自动驾驶平台，将 Momenta 全栈自动驾驶技术、X7 车规级芯片和 QNX 安全操作系统结合。该联合方案已经通过 T Ü V 莱茵 ISO 26262 ASIL D 功能安全认证。

汽车厂商选择一家智能驾驶供应商，不仅看算法表现，也要考虑整车成本、安全标准、交付周期和后续产品升级。Momenta 过去积累的模型研发、计算平台适配和规模交付经验，正通过与 XHEART 的深度合作进一步进入芯片定义环节，为更大模型的量产部署创造条件。

从百万辆量产车到规模化 L4，模型能力与量产能力一起增长

从模型需求出发设计芯片，最终还需要经过量产验证。

对汽车芯片来说，实验室里的性能指标只是第一步。芯片完成设计和制造后，还需要点亮、完成底层软件适配，再与传感器、算法和整车系统配合，才能真正进入量产流程。XHEART 公布了一组工程进度：首颗 X7 芯片回片后，不到 24 小时完成全芯片点亮，第 17 天实现整车闭环，第 21 天接受合作伙伴实车检验。

XHEART 的商业化进展也开始显现。10 月 29 日公布的数据显示，X7 系列量产 8 个月，累计出货 20 万颗，搭载 10 款量产车型，获得超过 40 款车型订单。

Momenta 也已建立广泛的整车客户基础。根据 Momenta 最新数据，公司已交付超过 120 款量产车型，累计定点车型超过 240 款。8 月 31 日发布的半年报显示，公司上半年营收约 16 亿元，同比增长 76%。

今年 9 月，荣威家越 07 已经采用双方的 X7 软硬一体方案，未来还计划通过 OTA 升级 Momenta R7 世界模型。

在世界模型的量产应用方面，上汽大众 ID. ERA 9X 被宣布为 R7 首发车型，MG07 也公布了后续 OTA 搭载 R7 的计划。包括 ID. ERA 8X 在内的后续合作车型，进一步扩大了 Momenta 世界模型的应用与客户基础。

从 X7 系列量产到 X7 Ultra 与 R7 Ultra 协同升级，Momenta 与 XHEART 希望建立一套让模型能力与量产能力一起增长的研发机制。

对车企而言，计算平台不仅要满足当前的模型需求，还需要为后续升级预留空间。随着软硬协同方案进入更多车型，双方积累的模型适配、芯片优化和整车验证经验，有机会在后续项目中持续复用，减少重复开发和适配工作。

Momenta 希望通过这套软硬协同机制，支撑下一代更大模型的量产部署，在性能、能效、系统成本和交付效率上持续优化。

要维持这样的协同，芯片研发与量产交付也需要长期投入。

从芯片架构设计、流片、车规验证到规模生产，汽车芯片是一项资金和工程资源密集的业务。尤其当大模型快速演进时，芯片公司不仅要保证现有产品交付，还要持续开发能够承接下一代模型的新产品。

XHEART 目前按照 " 量产一代、开发一代、预研一代 " 的节奏推进产品迭代。截至 2026 年 10 月，公司累计融资约 50 亿元，投资方包括上汽、奇瑞、长鑫科技等产业战略投资方，以及多家市场化投资机构和国资背景基金。

这些融资为 XHEART 芯片持续研发与规模交付提供了资本基础。对 Momenta 而言，更稳定的芯片研发和交付能力，有利于双方提前协调模型迭代、芯片设计与整车开发周期，让下一代模型的计算需求更早进入芯片规划，增强软硬一体布局的长期竞争力。

Momenta 与 XHEART 的软硬协同布局，也开始向更广泛的物理 AI 应用延伸。

今年 7 月，Momenta 获得德国联邦机动车运输管理局颁发的德国全国范围 L4 道路测试许可，为后续在欧洲开展复杂道路验证提供了条件。同月，Momenta 宣布 Robovan 业务在苏州相城落地，将乘用车业务中积累的世界模型与无图技术进一步应用于无人配送场景。

Momenta 正将量产辅助驾驶积累的世界模型技术进一步应用于 Robotaxi、Robovan 等场景，并向 Robotruck、机器人等更多物理 AI 领域延伸。这些场景虽然不同，却都需要模型理解物理环境、预测未来状态，并在有限的端侧计算资源下完成实时决策。

XHEART 也已经开始研发下一代大模型芯片 X9，面向更高要求的 L4 自动驾驶及具身智能等端侧物理 AI 场景。随着模型能力不断扩大，对芯片计算、存储和数据传输的需求还会继续增长。提前建立的软硬协同机制，可以帮助双方把既有模型与量产经验带入下一代产品研发。

软硬一体布局的长期价值，不止于一代模型或一款车型，而是让 Momenta 过去积累的数据、算法和量产能力，有机会持续延伸到 L4 及机器人等更广泛的物理 AI 应用。

从数据驱动、规模量产到大模型定义芯片，曹旭东的几次技术判断，始终围绕同一个目标展开：让更高级别的自动驾驶，以合理成本实现规模化落地。

过去十年，Momenta 通过数据飞轮和模型迭代，将自动驾驶技术从一段式端到端模型推进到强化学习、世界模型。最新发布的 R7 Ultra，模型参数量提升 5 — 10 倍，安全性能提升 5 — 10 倍以上，面向复杂环境理解、物理世界推演和长尾场景处理进一步增强模型能力。

如今，Momenta 已经拥有了百万辆级量产基础，双方正在通过 X7 Ultra 与 R7 Ultra 的协同，构建 Momenta 世界模型基座平台，将模型的演进需求提前带入芯片设计，为下一代更大模型的量产部署创造条件。

在规模化 L4 的竞争中，Momenta 已经率先来到了无人区。

* 题图及文中配图来源于网络。