智驾换芯，这次轮到模型说了算

今年，中国智驾的换芯速度，比预想中更快。

过去几年，英伟达是高阶智驾绕不开的供应商。如今，蔚来、小鹏、理想等车企的自研芯片陆续上车，国产供应商的份额也在增加。

NE时代的统计显示，2026年1—8月，英伟达在国内智驾域控制器芯片方案中的占比，从上年同期的52.93%降至37.91%；蔚小理自研芯片合计占比从1.27%升至8.24%。

其实，今年换上的芯片，要在几年前就开始设计。车企既要协调车型开发和供应链，又要判断未来的模型需要什么。这件事，也需要供应商提前参与。

2023年，大模型刚进入智驾行业视野，人们还不知道它的能力能走多远。面对不断变化的算法，车企多选择通用芯片，再让模型去适配。

李宗霖那时正准备重新出发。做了十几年芯片，他反复想的是：要做一款什么样的芯片，几年后产品做出来，能解决客户什么问题？

Momenta CEO曹旭东也在思考智驾模型进化的下一步。两人多次讨论后，决定让模型和芯片团队更早合作。李宗霖带队推进芯片研发，项目后来独立融资，成立XHEART新芯航途，他担任CEO。

三年后，两人选择用一场发布会展示最新成果。曹旭东首次公开当年的第三个洞察：“大模型定义芯片。”李宗霖则用行动补了后半句：“让芯片承载大模型的下一次进化。”

会上，李宗霖发布了X7 Ultra，具有700 TOPS大模型算力，六大特点；曹旭东分享了即将发布的R7 Ultra世界模型进展。

曹旭东曾把智驾的进步速度称为“智驾摩尔定律”，每两年提升10倍，当下还在加速。他认为，从模型需求出发设计芯片，性能相比通用芯片有望提升10倍，也有望推动智驾能力迈向每年提升10倍。

从城市NOA普及到规模化L4，大模型定义芯片，是两家公司为下一阶段提前作出的准备。

A

大模型正在改变芯片的设计方式。从模型需求出发定义芯片，正成为AI行业的一种趋势。

今年9月，芯片公司AMD宣布拟收购李飞飞创办的世界模型公司World Labs。AMD看中的，是模型团队对下一代计算需求的判断，并希望将这份判断带进硬件、软件和系统研发。另一边，模型公司也在自研芯片，OpenAI与博通合作开发推理芯片。

模型团队了解自己的应用，知道计算资源消耗在哪里，也更早知道下一代模型可能需要什么。这些经验，正越来越多地进入芯片设计。

智驾领域也是如此。模型训练完成后，还要部署到车上，持续处理道路信息，及时作出驾驶判断。

云端推理可以增加芯片和计算资源，而车上留给计算的空间、供电和散热却有限。

此外，一颗芯片装上车后，几年后模型变强，芯片能否承接升级，“一台车如何保十年体验”，也是要考虑的事。

这些条件放在一起，都会影响一颗智驾芯片该怎么设计。

李宗霖的思路是先回答三个问题：算力能否在真实量产模型中发挥出来？今天的芯片能否跟上未来模型的迭代？能否在合理能耗下获得需要的能力？

问题听起来都很普通，做起来却要不断取舍，这对模型团队和芯片团队都是考验。

芯片的面积和功耗有限，多给一类计算配置专用硬件，就要考虑它是否值得占用资源。

李宗霖的团队首先对NPU动了刀。

NPU负责神经网络计算。早期一些NPU主要面向卷积网络设计，模型发展到Transformer架构后，部分计算无法由NPU处理，就需要切换到CPU。任务换了地方，数据也要跟着移动，整套模型可能因此等待。

团队从2023年开始与算法人员一起研究主线模型，寻找影响整体运行的环节。他们发现，一些计算只是模型中的一小步，却会反复出现；如果每次都需要切换处理单元，消耗就会不断累积。

于是，X7 Ultra针对Transformer中常用的关键计算设计了专用加速引擎，让这些工作可以在NPU内部完成。智驾对安全有较高要求，推理速度和精度都要兼顾；加速引擎因此支持原生FP16向量计算，让关键计算在提速时保留需要的精度。

他们也对NPU内部的数据交换方式做了调整。

大模型运行时，不同计算需要频繁交换数据。XHEART采用超大核NPU架构，把更多数据交互集中到核内，并配合多级缓存，让计算需要的数据尽量留在附近。

但NPU算得再快，也需要整个芯片的综合表现过硬。

模型运行包含许多连续的计算。做完一步，如果把中间结果写回外部内存，下一步再读回来，数据就要不断往返，既占用带宽，也消耗能量。

因此X7 Ultra重构了AI工具链，从整张网络出发安排任务，让相关计算尽量在片上衔接，减少中间结果反复读写外部内存；芯片执行当前计算时，也可以并行加载下一批需要的权重。

此外，模型推理计算之外，车上的摄像头、激光雷达也在不断传回数据，这种数据形态和涉及的硬件接口调度都很复杂。为此，X7 Ultra为不同任务配置了相应计算单元：Armv9车规级CPU负责控制与系统调度，传感器处理子系统处理传感器数据，其中激光雷达处理带宽最高达到每秒2000万点。

无论芯片设计如何，最终这些都要放进真实的量产智驾模型中检验。

据现场公布的数据，在量产大模型测试中，X7 Ultra的NPU计算利用率达到98.7%。在大模型性能相当的条件下，相比行业旗舰产品，X7 Ultra的内存带宽消耗下降80%，能效提升100%。

据李宗霖介绍，X7 Ultra的700 TOPS大模型算力，也以真实量产智驾模型为基础评测，并要求量化部署后的模型输出，与训练后FP32浮点模型的输出相似度达到99.99%以上。

B

设计出芯片只是第一步。能否上车量产，还要经过车企验证。

这对第三方供应商提出了两层要求。

首先，头部车企自研芯片，可以长期围绕自家模型和车型做优化。第三方供应商要理解真实模型的需求，让芯片能够匹配车企的智驾方案。

其次，它还要服务不同客户，适配不同车型的预算、配置和开发周期，以及车企对软件和后续升级的要求。

Momenta与XHEART要把模型、芯片和车企的需求放在一起考虑。这个过程从芯片立项时就开始了。

曹旭东和Momenta对大模型方向的判断，给了芯片团队一个出发点。双方从量产模型中寻找需要优化的计算，再把对未来模型的判断带进架构设计。

判断正确与否，还需要通过回片后的实测检验。

2025年6月，首颗X7回片。李宗霖说，团队只用了不到24小时完成点亮，主要数据通路全部打通。

但点亮只说明芯片开始工作。车企要采购的，是能够进入车辆开发流程、最终完成量产交付的产品。

接下来，芯片还要与底层软件、智驾模型和整车配合。

从芯片回片到量产算法跑通、跑稳、跑对，XHEART用了不到一个月。得益于模型与芯片的协同设计、功能验证在流片前就已开展，一部分适配工作因此被提前完成。

XHEART的定位是芯片供应商，并不直接向车企交付完整硬件系统。围绕X7系列，它提供参考设计，并开展域控制器层面的验证，供客户与合作伙伴继续完成系统开发。

据披露，X7系列量产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的L3/L4计算平台，也已获得多个车型项目定点。

这意味着，X7已经完成了从技术判断到量产交付的关键一步。

为了让芯片进入不同车型，XHEART围绕X7提供了COB、SiP和双X7域控制器等参考设计，适配车辆在接口、集成、散热和安全架构上的不同需求。其中，双X7方案面向L3、L4，在芯片、控制单元和电源等关键环节做了冗余设计，支持16路相机输入，也为风冷、液冷留出了选择。

第一颗芯片进入量产后，下一代产品也开始接力。李宗霖说，XHEART的节奏是“量产一代、开发一代、预研一代”。

X7 Ultra承接更强的模型需求，下一代大模型芯片X9则已进入研发，目标3000 TOPS大模型算力、700GB/s单芯片内存带宽，计划于2027年推出，面向更高要求的L4自动驾驶及其他端侧物理AI场景。

C

发布X7 Ultra的同时，曹旭东也把目光投向了下一阶段：规模化L4。

在他的判断中，自动驾驶的目标不仅是在少数城市跑通少量车辆，还要让大量车辆在更广泛的道路环境中稳定运行。车辆越多、覆盖范围越广，系统就越需要处理那些出现频率很低、却不能忽略的长尾场景。

Momenta此前的两个洞察，是用数据驱动解决长尾问题，以及通过量产获取真实场景数据。第三个洞察“大模型定义芯片”，指向的是另一道难题：随着模型能力提升，如何让车端计算平台跟上模型进化。

三者指向同一个目标：真实数据帮助模型持续学习，芯片则为模型的运行和升级提供支持。模型和芯片两手抓，这关系到Momenta能否把今天的量产积累，带入下一阶段的竞争。

量产乘用车的数量和对应的真实数据，是Momenta走向规模化L4的重要基础。

公司披露，完成第一个10万台量产用了24个月，最新一个10万台用时不到一个月。这些车辆驶过不同道路、经历不同天气，为模型训练和问题分析提供了真实场景。

但有些难题，车辆可能跑很久才遇到一次。一次少见的施工改道、一场复杂的会车博弈，都需要模型学会处理。要提高训练效率，还得让这些场景有机会反复出现。

曹旭东在发布会上提到，世界模型可以从真实数据中学习驾驶场景的规律，并预测接下来可能发生什么；仿真构建反复演练的环境，强化学习再利用反馈推动模型改进。

模型学到的能力，最终要回到真实车辆中接受检验。随着模型能力提升，计算需求也在增加，车辆的供电、散热条件和成本预算却不会随之无限扩大。如何在这些限制下运行更强的模型，考验的正是芯片的能力。

在曹旭东看来，规模化L4需要百亿至千亿参数规模的模型。Momenta与XHEART共同规划芯片，就是希望让两边的研发周期提前衔接。模型团队考虑下一代能力时，芯片团队也在寻找车端实现的方式。

即将发布的R7 Ultra，是双方协同的最新进展。Momenta介绍，在X7 Ultra支持下，R7 Ultra的模型参数规模扩大到原来的5倍，安全性能表现提升5倍；下一阶段，公司计划将参数规模扩大至原来的10倍，安全性能表现提升至10倍以上。

随着模型能力升级，Momenta希望世界模型从“理解世界”进一步走向“推演世界”，更好地预测周围环境和交通参与者的变化。

除了量产乘用车，Momenta也在布局Robotaxi和Robovan。不同业务的运行条件和安全要求各不相同，需要分别完成产品开发和验证，但部分模型基础、训练方法和工程工具可以相互借鉴。

曹旭东判断，L3和L4可能在2028年迎来重要引爆点，2030年走向规模化落地。

三年前，曹旭东和李宗霖共同作出了一个判断，大模型定义芯片。三年后，第一批芯片已经上车，更强的模型获得了新的车端计算支撑。

接下来，他们要做的是让这套能力进入更多车型，在更广泛的道路环境中接受检验。