L4需要更大的模型，芯片得换个造法了

作者：Evin

编辑：刘致呈

审核：徐徐

出品：互联网江湖

如果你长期跟踪智驾行业，会察觉到一个变化正在悄然发生：发布会上的主角，正在从“技术”换成“量产”。

2026年以来，L4落地声量明显抬升，城市NOA渗透率持续走高，车企量产军备竞赛全面打响。

从“技术竞争”换轨到“量产竞争”，已是行业明牌。

但换轨途中横着一个尴尬的现实：多数通用芯片正在拖量产的后腿。

车规环境下，通用芯片的“不可能三角”凸显：账面算力与有效算力相差悬殊，利用率往往只有30%—40%。

这笔被浪费的差价，堪称L4规模化路上一笔“隐性税”。

10月29日，转机出现了。

XHEART新芯航途CEO李宗霖正式发布大模型芯片X7 Ultra：700 TOPS大模型算力、超大核NPU、高精度专用算子加速、Armv9车规级CPU。

这颗芯片自创立之初就沿着一条另类的路线前行——“大模型定义芯片”：不追求通用性的面面俱到，而是由大模型反向定义硬件。

这有点像当年的DeepSeek。

DeepSeek的出现为AI行业指明了，大模型不必沿着旧算力逻辑硬堆也能跑出新的可能性，此后AI应用如雨后春笋般生长。

如今，X7 Ultra则为L4验证了，L4的落地也不必拘泥于通用芯片的算力瓶颈，L4量产落地，有了一条新路。

自此，L4量产的DeepSeek时刻来了。

大模型芯片发布，L4落地有了“新基建”

大模型定义芯片不是实验室里的炫技，而是量产需求倒逼出来的必然产物。

推动力首先来自市场端。

最近一段时间，车企新车的大模型和辅助驾驶能力正在全面标配。

工信部数据显示，2026年以来乘用车组合驾驶辅助渗透率已达70.5%，NOA渗透率超过30%，首批L3车型也开始在特定区域上路。

随着端到端的智驾普及，接下来，车企的每一款新车立项，都会用上更强的芯片。

与此同时，AI模型体量越来越大，对芯片性能的要求也越来越高。

Momenta CEO曹旭东判断，未来规模化L4需要10B—100B量级的大模型来应对复杂长尾场景。

新一代大模型规模化上车，带来的直接问题是：通用芯片接不住。

为什么接不住？

因为量产赛场上最难的，是三条互相拉扯的硬指标。

首先，要“跑得起来”，就得满足算力和功耗的硬性要求——10B—100B的模型要在几十瓦功耗、毫秒级延迟下运行，通用芯片为灵活性预留的架构冗余，在车端反而成了负担，大量算力耗在架构开销而非有效计算上。

其次，要实现“规模上车”，那么对应成本——成本必须降到付费方持续买单的水平，并为折旧运维留出利润空间。而在通用芯片的定价体系下，车企很难算平成本账。

最后一点，也是最重要的一点：安全。L4阶段责任主体转移到主机厂，安全成为“生死线”，芯片的计算行为必须可预测、可验证——同样的输入产生稳定输出，负载变化时延迟可控，结果可被完整追溯。而时快时慢、利用率飘移的通用平台，撑不起安全底线的工程化验证。

最终，结论只有一个：市场需要一颗从大模型需求出发设计的大模型芯片。

L4的落地发展，其实有点像前几年AI行业。

ChatGPT火了之后，模型对算力的需求越来越大，直到DeepSeek给AI行业开辟了一条新路。

从底层逻辑上来看，大模型定义芯片，恰如当年DeepSeek的发布。

DeepSeek证明了AI大模型不必硬堆参数、硬烧算力卡，通过架构创新提升AI infra层的效率，也能跑出规模应用。如今，在L4这个赛道，X7 Ultra发布之后，XHEART通过NPU架构创新，再次验证了这条路径。

从这个意义上讲，XHEART和Momenta要做的事情，相当于L4落地的“新基建”。

L4怎么量产落地？

关键核心在于解决几个问题：

第一，从NPU入手，解决效能问题。

传统智驾芯片的NPU由多个小核拼凑，核间数据交互在百GB/s量级，大量算力耗在“内部搬运”上。

大模型定义芯片则从根本上解决了这个问题。X7 Ultra把计算单元聚合成一个超大核，内部互联速率拉到TB/s级。

但仅此还不够，数据能在核内高效流动，计算本身也得高效。

这就是第二点：靠专用算子，解决延迟问题。

Transformer架构里的高频计算，过去在NPU里跑不动、只能绕道CPU，一来一回既费带宽又费时间。

为此，XHEART从2023年起便与Momenta算法团队联合研究模型架构及关键算子，为这些高频算子配备了专用硬件，原生支持FP16/FP32高精度向量计算——关键计算既快，又不丢精度。

高精度带来计算行为的确定与可预测，这正是安全验证的物理基础。

还有，靠整网级工具链重构，解决最终上车的问题.

传统推理是算子逐个执行、中间结果反复写回外部内存；XHEART的做法是把整张网络统一编排、融合，实现“整网内存零拷贝”，结果就是内存带宽消耗降下来了，同一块芯片能跑更大的模型，单位算力的成本自然也就降下来了。

最终实测数据给出了答案：NPU计算利用率98.7%，内存带宽消耗比行业旗舰低80%，能效翻倍。

X7 Ultra的700 TOPS大模型算力，也是在真实量产智驾模型上测得的，前提是量化后模型输出与FP32模型的相似度达到99.99%以上。模型结构不能随意改，精度和驾驶体验不能打折——性能优化从一开始，就要对准量产要求。

实际上，大模型定义芯片，不是在某一个指标上做加法，而是让此前互相拉扯的算力、成本、安全，在同一个架构里被同时满足——它给L4的到来铺平了一条路。

对行业而言，这背后还意味着一场更深层的变化：智驾的竞争逻辑，正从“堆算力”转向“系统竞争”。

过去L2普及阶段，行业信奉“算力越高，智驾越强”的公式，但现在，L4落地要求系统竞争，背后是算力、成本、功耗、安全四者之间的协同。

简而言之，这场比赛的规则变了，从“单项锦标赛”进入了“团体赛”。

这个逻辑在新能源汽车行业已有先例：比亚迪的闪充技术本质上就是“系统竞争”：单靠堆电池容量解决不了补能焦虑——只有当电池、平台、桩、储能在架构层面协同设计，快充才能真正落地。

同理，单靠堆算力也解决不了智驾的天花板。

把镜头再拉远一点，大模型芯片并非孤例，而是专用化AI芯片浪潮中最先被推到台前的场景之一。

芯片专用化、软硬一体早已是大势所趋。

谷歌TPU从诞生之初就只为加速神经网络计算服务，专用芯片正变成AI算力结构中的重要一极。

汽车行业亦然，主机厂不再满足于采购通用座舱或智驾芯片，而是直接参与定义甚至自研专用芯片，L4量产阶段尤甚。

X7 Ultra正是这个逻辑的产物：它对大模型的“适配”不是软件层面的修修补补，而是架构层面的血脉相通——不做算法去适配芯片，而是芯片天然契合大模型计算。

这等于从芯片定义逻辑上，诞生了一个新物种。而这个新物种，不是L4的配套，而是L4量产的前置条件。

从此，L4量产的大门才真正被打开。

L4只是起点，真正的未来在物理AI

在汽车产业链条上，判断一条技术路线的成色，最终要回到一个朴素的问题：它装进车里了吗？

在这一点上，Momenta与XHEART已经交出了答卷。

X7系列的客户车型包括上汽大众ID. ERA 9X/8X、荣威家越07、MG07等，从德系合资巨头到自主品牌头部，这表明双方的软硬协同已跨过“PPT协同”阶段，进入可验证的商业化落地。

同时，也足以见得大模型定义芯片，未来商业化落地的路径清晰。

从智驾技术演进来看，量产本身就是最好的验证场。

只有在真实车型、真实用户、真实路况中打磨成熟的软硬协同能力，才能更好迭代，产品技术，进而带动L4进一步实现规模化。

曹旭东给出的时间表是：L3和L4有望在2028年迎来重要引爆点，2030年走向规模化落地。

加速这一进程的，正是大模型芯片。

当模型需求直接定义芯片，算法、软件、芯片的迭代节拍第一次被拉到同一节奏上，行业进化速度自然会变快。

据了解，基于X7 Ultra的支撑，Momenta发布的R7 Ultra世界模型，参数规模将扩大5—10倍，安全性能同步提升5—10倍以上，推动世界模型从“理解世界”走向“推演世界”。

至此，L4商业化落地的最后一块拼图，已经摆上了桌面。

但如果只盯着眼前的装车量，仍然低估了大模型定义芯片的价值。

大模型定义芯片的想象力，可能远不止于L4。

它更深的护城河，在于这套研发方式可以迭代延续：一颗为模型而生的芯片，其研发过程沉淀的是可继承的资产——量产模型参与硅前验证的经验、模型与芯片团队联合调试的协作机制、精度与效率之间取舍的方法论……

这些无形资产不会随一代产品退役，而会完整传递到下一代芯片上，支撑未来更大的模型在性能、能效、系统成本和交付效率上持续优化。

这个剧本似曾相识。

当年，英伟达靠CUDA生态绑定AI开发，也是靠芯片架构技术代际更迭能力，统治了AI算力市场。如今，专注芯片、聚焦AI计算、以软硬件协同构建壁垒，大模型芯片的进化逻辑，某种意义上与之高度相似。

这个方向下，XHEART的定位从一开始就不止于智驾，其官方表述是“一家专注于大模型计算的芯片设计公司……并应用于智能汽车，现正向机器人等领域拓展”。

曹旭东也明确指出，大模型定义芯片的思路可以进一步推动机器人以及更多物理AI应用取得突破。

物理AI的命题，是“大模型必须在物理世界的实时约束下运行”——要省电、要低延迟、要成本可控、要行为可验证。

这意味着今天在量产车上被验证过的这套解题方法，明天可以复用到人形机器人、移动机器人，以及一切需要“聪明的大脑+可控的躯体”的物理AI产品上。

也因此，未来芯片的持续研发与规模交付，夯实的不只是Momenta在汽车赛道的长期竞争力，更是两家公司为整个物理AI时代铺设的智能底座。

大模型芯片的前景如何，资本市场的动作往往最诚实。

XHEART的战略融资，参投阵容很有看点：雷诺集团首次投资，奇瑞汽车追加，长鑫科技入局。

产业端，开始真金白银地下注了。

三家资方的诉求各不相同：雷诺看中的是智驾供应链的确定性与下一代车型的计算底座；奇瑞追加投资，要的是量产芯片稳定供给的深度绑定；长鑫科技的入局，则指向存储与算力协同的产业纵深。

诉求不同，但指向同一个判断：一家能把算法能力硬件化的芯片公司，在智驾走向软硬一体的趋势里，有不可替代的位置。

对XHEART而言，这笔融资的意义不在于财务数字，而在于未来芯片持续研发和规模交付的确定性。

芯片是一门重资产生意：从架构立项到流片上车以年计，持续的研发投入、产能保障、车规认证，每一环都需要长期弹药。

50亿融资与已经铺开的客户阵列，就是这种确定性的最佳展现。

眼下，汽车行业的规模化L4是确定的，模型能力与量产能力同步增长的需求是确定的；剩下的变数在供给端。

接下来，谁先贯通了模型、芯片与整车应用，谁就可能真正打开通向未来的那扇门。

而眼下，打开这扇的钥匙已经握在了Momenta和XHEART的手中。