當前，國內汽車產業正迎來結構性變革，小鵬、蔚來、理想等車企集體放棄外購供應鏈模式，加碼自研芯片與車載大模型，全力沖刺具身智能賽道。

在此背景下，理想近日發布全棧自研量產技術體系，覆蓋車規級AI芯片、車載基座大模型、VLA自動駕駛架構。理想汽車首席技術官謝炎、基座模型負責人詹錕接受了中國證券報記者的深度訪談，針對模型外購、艙駕融合、行業估值重構等熱點議題逐一作答，詳解整車企業轉型具身智能科技公司的落地路徑與底層思考。

另辟動態數據流新賽道 三大自研技術構建量產閉環

“你跟博爾特跑同一條賽道，不可能贏。”談及四年前啟動自研芯片的抉擇，謝炎用一句直白比喻點破行業突圍邏輯。彼時英偉達Orin芯片牢牢占據智駕芯片主流市場，海外巨頭數十年的技術積淀難以逾越，跟隨成熟路線只會持續陷入追趕，動態數據流架構就此成為理想選定的差異化破局路徑。

基于此背景，馬赫M100芯片自2022年11月立項，歷經流片、回片驗證，僅用三年半便在2026年5月實現量產上車。其單芯片算力達1280TOPS，運行效率突破82%，算力密度大幅領先Orin-X與更新的Thor-U。全新L9 Livis搭載雙芯方案，整機總算力達到2560TOPS。

值得一提的是，不同于傳統馮·諾依曼指令驅動架構，動態數據流架構以數據流轉為核心，剔除指令翻譯帶來的計算損耗。這條路線全球商業化案例稀缺，國內暫無同等規模落地項目作為參照。

硬件底座成型后，馬赫Mind系列基座大模型、馬赫VLA智駕架構同步完成適配閉環。新一代馬赫VLA大幅放大模型訓練規模，模仿學習、強化學習規模分別提升50%、15倍，參數量與計算量同步擴容10倍、15倍。

芯片研發絕非硬件團隊單打獨斗。謝炎對記者表示，理想內部推行常態化協同研討機制，算法、軟件、模型團隊全程同步參與研發，軟件工程師可直接向硬件端輸出場景化需求，為軟硬件原生適配筑牢基礎。

根據規劃，今年三季度，搭載Orin、Thor平臺的老款AD Max車型將推送新版VLA系統，四季度理想汽車整車智駕綜合能力將全面對標特斯拉FSD V14。詹錕坦言，國內智駕第一梯隊內部差距持續收窄，但行業整體與特斯拉的鴻溝并未明顯縮小，全棧自研正是縮短差距、構筑獨家護城河的核心抓手。

直面行業核心議題 拆解具身智能底層技術

對于大模型車載的落地路徑，市場中長期存在一種論調，車企無需耗費重金自研基座大模型，直接采購通用大模型做輕量化裁剪，便可滿足車載智能交互需求。對此，詹錕給出了清晰的判斷：“決意深耕具身智能的車企，基座模型是必須攥在手中的核心資產。”

在詹錕看來，云端通用大模型僅能作為技術參考，想要穩定裝車運行，必須針對自研芯片匹配專屬參數，單純外購模型無法塑造獨屬于自身的技術競爭力。

謝炎從底層算力調度邏輯進一步補充道，座艙、智駕分屬兩套完全獨立的AI任務體系，算力基礎設施需要物理隔離、獨占分配。外購標準化芯片與配套模型很難實現精細化資源管控，高階自動駕駛追求的安全確定性自然無從保障。

近兩年艙駕一體是行業持續熱議的風口方向，高通已率先在低算力芯片落地單芯片融合方案，但英偉達、蔚來以及理想這類主攻高階智駕的企業，均沒有選擇芯片融合路線。

謝炎對此有著明確判斷，他認為，面向L3、L4級高階自動駕駛場景時，智駕系統需要專屬且穩定的內存與計算資源，在運行過程中動態共享算力極易埋下不可預估的安全隱患。

談及自動駕駛模型研發中視覺與語言孰輕孰重？詹錕厘清了兩大模塊的主次定位，車輛自動駕駛的機器智能核心是視覺，它對空間理解、3D空間的感知、環境服務更加合理；而語言智能更多承擔交通規則解讀、極端復雜場景邏輯推演的輔助監督職能。拉長產業周期來看，L3級及以上自動駕駛會持續放大車輛類人泛化思考的需求，語言模型在整套系統內的權重將持續抬升，配套算力消耗也會同步大漲。

詹錕補充道，未來主流自動駕駛架構都會走向VLA與世界模型融合的形態，語言是理解人機指令、搭建場景提示詞的基礎，這也是理想同步加碼自研芯片與車載基座大模型兩條業務線的底層動因。

整車廠商具備優勢 車企奔赴具身智能賽道

記者觀察到，目前小鵬、蔚來、比亞迪、長安、上汽等車企均在加碼具身智能布局。其中，小鵬VLA物理大模型實現多終端適配，配套自研芯片支撐本地大模型運算；蔚來落地自研智駕芯片與整車AI底座，算法可復用至工業機器人；比亞迪、長安、上汽搭建專項實驗室，遷移成熟車載技術以降低機器人研發成本。

車企轉型具身智能公司，估值邏輯正在發生怎樣的切換？專家表示，傳統汽車行業依托終端銷量確定PE、PB估值，完成具身智能轉型的車企將轉向“整車硬件銷售+智能軟件持續升級”雙輪驅動模式，長期價值對標SaaS科技企業，這套估值體系目前行業尚無成熟參考案例。

在謝炎與詹錕的判斷中，企業轉型的核心底氣來自三大長期優勢：其一，垂直整合搭建完整自研閉環，覆蓋動態數據流芯片、操作系統、多模態大模型，形成同行難以復刻的技術壁壘；其二，自研芯片規模化量產后釋放成本優勢，持續降低整車硬件成本；其三，汽車天然承載移動、交互兩類具身核心能力，車載基座模型還可跨場景復用至人形機器人研發，拓展業務邊界。

此外，在產業資源上，車企手握完整整車制造產能、覆蓋全國的線下銷售服務網絡，以及千萬用戶日常行駛持續產出的真實道路數據，構建起源源不斷的模型迭代閉環。反觀聚焦人形機器人的創業企業，缺少成熟量產渠道、規模化線下落地場景與穩定真實數據供給，商業化落地周期可能被大幅拉長。

不過，轉型賽道同樣布滿現實挑戰，動態數據流AI芯片量產穩定性、VLA智駕架構追趕海外頭部方案的迭代速度、資本市場對具身智能商業化落地價值的認可程度，三大核心變量將直接決定車企轉型的最終成敗。可以看出，這場行業競速的終局已然不是車型銷量比拼，而是智能汽車時代行業標準的定義權之爭，自主可控的底層全棧技術，才是車企掌握產業話語權的核心籌碼。