文章核心观点 - 理想汽车通过自研马赫M100芯片及软硬件全域整合，旨在实现其智能驾驶能力在年底追平特斯拉FSD V14，并以此建立长期竞争壁垒[2][15][27] - 公司认为，在智能驾驶技术高速发展期，垂直整合与全栈自研是超越同质化竞争、追赶行业领先者（特斯拉）的必然选择，跟随英伟达等现有技术路线无法实现超越[9][29][33] - 实现高阶自动驾驶（L3/L4）需要车辆各系统（转向、加减速、悬架等）高度协同，这要求公司具备全域软硬一体化的能力，而当前供应商无法满足此需求[8][63][64] 根据相关目录分别进行总结 01 年末智驾水平对齐FSD V14 - 追赶特斯拉FSD V14的标准分为两个层面：基础体验（安全感、效率、舒适度）和特殊能力（如礼让特殊车辆、极窄通行感知、识别交警指挥）[3][4][20][21] - 公司认为通过马赫M100芯片上车释放性能、提升视觉帧率以及利用激光雷达采集极端场景数据，有望在基础体验上追平FSD[4][7][23] - 当前国内智能驾驶第一梯队（理想、华为、小鹏）之间的差距在缩小，但与特斯拉的整体差距并未缩短[7][25][27] 02 跟随英伟达路线跑不赢，理想换道造芯 - 自研芯片的初衷是为了解决算力成本持续上升和外购芯片方案不匹配需求两大难题，目标性能是英伟达Orin芯片的4倍，成本则要降低一半甚至更多[2][9][33] - 公司选择数据流架构而非主流的冯·诺依曼架构，认为这是唯一能在性能上超越现有方案并控制成本的技术路线[9][33] - 马赫M100定义为AI推理芯片，因公司判断未来AI算力市场99%将是推理需求，且推理芯片需同时权衡成本与效率，这与公司业务目标更契合[43][44][45] - 两颗马赫M100芯片设计未包含PCIe接口，因当前协同需求不强，且未来另一颗芯片可用于本地大模型计算（如无网络环境下的车外交互）[38][39][40] 03 “做芯片不领先，不解决问题，钱就白花了” - 车企自研芯片需要达到一定营收规模（如年营收1000亿人民币以上）和相应的研发投入（营收的10%以上）[48] - 衡量芯片成功的关键指标包括：能否全量快速上车、搭载最先进模型、持续迭代至第二代第三代，而非仅做出第一代或用于少量车型[54][55][56] - 实现芯片持续领先不能仅依赖设计外包，需在软件设计、封装制造等环节进行垂直整合[57] - 公司宣称马赫M100是“世界性能最强的AI芯片”，依据是其性能是英伟达Thor-U芯片的3倍，且从启动到上车仅用约4年，速度快于行业普遍的5年周期[59][60] 04 从L2到L4迈进，需要全域自研 - 从L2辅助驾驶向L3/L4高阶自动驾驶迈进，对车辆横向、纵向、底盘执行等系统的协同要求极高，分开采购供应商方案会导致冗余、高成本和延迟，当前无供应商能完全解决[8][63][64] - 数据收集的边际效应会随模型能力提升呈对数曲线衰减，但通过扩大车队规模（如理想ONE已开始全栈数据回传）和提升数据质量（通过算法筛选一致性行为），可以抵抗衰减并加速长尾场景收敛[65][66][67][68] - 下半年两项重要工作：一是通过纯视觉方案提高帧率（目标超越激光雷达的10-15Hz限制）以提升系统反应速度；二是继续利用激光雷达为L3/L4极端场景提供安全兜底和数据采集[7][69][73][74] - 车内算力中心的最终形态是统一的AI计算中心（“Token Server”），可高效分配算力并确保智驾等关键任务的确定性不受干扰[70][71][72] 05 高技术产品的商业化落地要循序渐进，无法一步到位 - 将车载基座模型扩展到机器人等其他终端形态存在较大差距，尤其在操作任务上，但语言智能、交互思考等能力可迁移[77][78][81] - 马赫M100作为端侧芯片，设计重点是低延迟服务少数任务（如自动驾驶、本地大模型），而非像云端芯片那样高并发，其数据流架构具备运行多种模型（如Qwen 35B）的通用性[82] - 技术路径（如从BEV到OCC再到3DViT）的演进并非弯路，而是随着算力、硬件等基础设施升级而逐步成熟和应用的结果[83][84][85] - 高科技产品商业化需逐步推进，例如特斯拉也是从Mobileye方案起步，而非一步到位实现端到端智能驾驶[86]