從“奶爸”到“AI宗師”

作者｜秦章勇 王磊

在新勢力的江湖里，理想汽車是最具戰略定力的一家。

當其他選手還在燒錢試錯的蠻荒期，理想汽車早已完成增程路線的驗證，跑通了商業模式，并率先實現穩定盈利，提前進入成熟期。

冰箱彩電大沙發，這七個字不止是產品標簽，還是理想親手開辟的時代紅利，它用一套貼合家庭出行的產品邏輯，站穩了高端家用新能源賽道，也讓同行看到了差異化突圍的標準答案。

可行業的跟風速度，永遠超乎想象。

短短數年，這些理想的專屬賣點，變成全行業的標配，所有人都在試圖復刻理想的成功，卻很少有人停下內卷的腳步，思考下一個時代該往哪走。

別人還在抄昨天的理想，眼下，理想開始把全部重心，押向了尚在行業前沿摸索的具身智能。

6月15日的Livis Day，跳出了流量邏輯，沒有新車亮相，也沒有配置堆砌，復盤整場活動，只講一件事：理想要用具身智能，重啟智能汽車的十年新周期。

馬赫M100芯片、馬赫VLA模型、星環OS等等，理想按照“造硅基人”的方式重構了智能汽車，這場發布會之后，外界最大的感知就是，技術創新已經成為理想足夠寬，也足夠深的護城河。

從早期押注增程，到如今義無反顧地投入具身智能，理想汽車沒有沉溺于過去的輝煌，也沒有模仿任何一家企業，而是基于自身對用戶需求的理解和全棧技術體系，走出自己的具身智能道路。

一如李想的態度：理想汽車堅持做最好的自己，不要期望我們變成別人。

01

拆穿“皇帝的新衣”

物理AI時代，智能汽車應該是什么樣子的？

或者我們換個方式提問，現在的智能汽車，真的智能嗎？

答案是殘酷的。絕大多數車型上的“智能”，更像是偽智能，本質上是座艙、智駕、車身、交互這四塊功能板的拼湊，它們之間像有一堵無形的墻，數據互不相通，邏輯各自為政，決策更是南轅北轍，一旦遇到需要系統性解決的問題，就無法充分調用功能，甚至宕機。

舉個例子，傳統智能駕駛，一旦遇到復雜環境，就會主動退出，并把方向盤丟給駕駛員，而且只會前進和轉向，不會倒車靠邊停，當我們趕時間的時候，甚至都不愿用智駕。

這就是當下的現狀，所謂的智能，不過是被動響應指令的機器，而不是主動解決問題的伙伴，不僅能力有限，效率還非常低。

在李想看來，雖然掛著“智能”這兩個字，但今天的智能手機和智能汽車，都并不是真的智能。

理想給出的解藥，叫“具身智能汽車”。

具身智能汽車既是一輛電動車，一位職業司機，也是一臺AI計算機和一位生活助手，這不是四個產品，而是一個產品，電動車和AI計算機是“具身”，職業司機和生活助手是“智能”。

這不是換個說法那么簡單，它意味著汽車不再是一個拼湊的玩具，而是一個完整的、統一的、有閉環能力的生命體。

在李想看來，具身智能汽車必須以保護人類安全為核心、全面學習人類技能并獨立完成任務，并且比人類效率更高。

要想做到這種程度，就得重新認識汽車這個物種。

它得有眼睛，能看清車外的路況，也能看懂車內乘客的微表情；它得有大腦，能聽懂你的弦外之音，也能預判你接下來五分鐘的需求。它更得有手腳，能自主地完成從出發、會車、泊車到補能的全過程，而不需要你時刻緊繃著神經去兜底。

過去幾年的內卷，大家都在忙著給汽車改造型、堆內飾，比誰更光鮮亮麗，比誰的場景更豐富。

而理想現在做的，是重塑汽車的神經系統和骨骼肌肉，賭的是整個行業的未來形態。有了這套清晰的頂層認知，理想后續所有的芯片、模型、系統、底盤研發，都有了唯一且堅定的落腳點。

02

重構算力底座

所有宏大的敘事，最后都得落到芯片這塊硬骨頭上。

最近這幾年，在車載算力市場出現了頗為尷尬的一幕——TOPS數字越堆越高，有效算力卻越來越虛。各家車企發布的新車，算力動輒標上千TOPS，看起來威風凜凜，但真去跑模型，有效利用率往往只有30%到50%。

一方面，通用芯片為了賣給更多廠商，勢必會有架構上的兼容和妥協，這意味著大量算力在跑特定算法時，都會有浪費，導致推理延遲高、有效算力折損嚴重，無法支撐車規級實時多模態具身運算。

此前理想CTO謝炎也曾形容：“通用芯片像成衣，自研芯片則是量體裁衣，唯有極致定制才能構建非對稱競爭優勢。”

另一方面，計算機行業曾享受摩爾定律與登納德縮放定律的雙重紅利，習慣了兩年后性能的自動翻倍。但如今這套邏輯已然疲軟，單靠擠牙膏式升級，再也滿足不了爆炸式增長的算力需求。

再有就是，傳統緩存架構需要反復讀寫，搬運海量的視覺、雷達、車身數據。大量算力消耗在無效的數據流轉中，為了掩蓋架構缺陷，車企只能不停堆芯片、降精度、減感知，用妥協換取暫時可用。

理想干的事，比“再堆一顆芯片”狠得多：直接換掉了芯片的底層架構邏輯。

馬赫M100，全球首款量產的動態數據流AI芯片，5nm車規級工藝，單顆算力1280TOPS，雙芯片上車總算力2560TOPS。

但這都不是重點，重點是它拋棄了行業沿用了幾十年的“先存再算”緩存架構，改用“讓數據流動來驅動計算”的數據流架構。

謝炎在現場打了個比方，說得非常形象，“它是用完全不同的思路造出來一棟完全不同的房子。馮·諾伊曼架構用70年推動了通用計算的輝煌，今天我們以馬赫M100為起點，希望用數據流架構接過歷史這一棒，繼續推動AI計算再輝煌70年。”

能說出這句話的底氣在于，馬赫M100的實際算力利用率超過82%，而行業主流通用架構想摸到這個數，難如登天。

除了智能駕駛，馬赫M100還能跑其他大模型，比如部署Qwen3.5-35B-A3B通用大模型。發布會現場，謝炎直接展示了在通用模型部署上的測試結果，英偉達桌面超算DGX-Spark的售價4萬元，測試結果顯示，馬赫M100的prefill速度是DGX-Spark的2.7倍，decode速度是DGX-Spark的1.5倍。

正是這顆芯片的架構創新，讓ISCA破例向一家車企敞開了大門，該論文入選了國際計算機體系結構研討會ISCA 2026工業分區，也是自ISCA工業分區設立以來，全球首家入選的汽車企業。同批入選的是谷歌、Meta、美光這些純種硅谷硬核玩家。

除了革新硬件架構，理想還自研了專屬編譯器、底層驅動與AI運行時工具鏈。可以實現芯片、編譯調度、VLA模型的原生協同，從根源上消除了外購芯片軟硬件適配割裂的行業通病。

所以對于行業而言，馬赫M100的真正價值，是終結了通用芯片統治車載AI的時代。它為物理AI時代的智能汽車，建立了全新的算力底層范式，也成為理想具身智能最穩固的硬件地基。

03

具身大腦再進化

芯片是心臟，但心臟跳得再猛，沒有大腦指揮，也只是一團高性能的肌肉。

傳統車載AI最大的問題，就是“大腦分裂”。如前文所說，座艙和智駕兩者各想各的，數據不共享、認知不連貫，如果想車輛舒適且安全地跑完長途行程，傳統智能車只能拆解成碎片化操作，全程需要人工介入兜底。

為了實現“更安全、更高效、更強大”的能力，理想具身智能的大腦被拆成了“左腦”和“右腦”，語言智能由馬赫Mind-Pro和Mind-Edge負責，機器智能由馬赫VLA負責，在理想汽車基座模型負責人詹錕看來，任何一側單獨存在，都不能形成完整的具身智能能力。

語言智能負責語言與邏輯思考，聽懂指令、推演行動方案，機器智能則負責三維視覺感知與軀體動作控制，看清物理世界、精準執行操作。

其中馬赫Mind-Pro覆蓋車輛控制、智慧出行、辦公、問答、娛樂全部車載高頻場景，而且基于Token壓縮技術，在任務完成率不下降的前提下，整體Token平均消耗降低了38%，工具調用冗余輪次降低47%，模型TPS峰值達到208token/s。

對于車載Agent來說，這些數字意味著同樣一個任務，可以用更少Token、更少調用輪次和更低時延完成。

馬赫Mind-Edge則是端側原生智能體模型，多模態流式時序的建模，讓模型能夠連續理解動態的物理世界，同時具備因果推理和自主決策能力，擺脫傳統AI“只回答不行動”的模式，專門來搞定即時的艙內交互。

兩者配合，讓車既能理解各種復雜的指令，又能實時回答像“我的耳機掉在哪個座椅上”的問題，讓車成為真正懂你的助手。

“更安全”則交給了機器智能端的馬赫VLA，傳統輔助駕駛系統中，感知、預測、規劃往往分別工作，容易出現“效率低，結果錯”的情況，理想這次將其升級為原生多模態MoE模型，讓看見、理解、思考和行動在同一個框架內對齊。

還首次引入了3D ViT全域視覺模型，系統能實時把二維的攝像頭畫面，在大腦里構建出像素級的三維空間。有了它，機器智能真正像人類一樣去感知和理解這個真實世界。

能力也很直觀，普通人開車遇到緊急情況剎車平均需要0.45秒，而新一代馬赫VLA系統，反應耗時僅需0.28秒，這一水平已經接近頂級F1車手0.25秒的人類生理極限。

在120km/h的速度下，這0.17秒的差距意味著提前6米剎停。而6米，可能就直接避免了一場重大事故。

算力和訓練規模也同步放大，雙馬赫M100讓車端算力達到2560TOPS，模仿學習數據規模提升50%，強化學習數據量提升了15倍，強化學習訓練算力提升5倍，模型參數量提升10倍，每秒Token計算量提升15倍。

但讓人印象深刻的不是數字，而是那些涌現出來的能力：倒車讓路、識別交警手勢、穿越無車道線的城中村雨夜窄路。

今年下半年，用戶也將在現實中，感受到理想具身智能汽車所帶來的變化：

7月，智駕效率整體將提升30%，可以協助用戶通過限寬墩、限高桿等復雜場景。9月，用戶則會體驗到人類司機的能力，包括窄路倒車、會車倒車讓行、復雜路面通過，以及智能地鎖和車庫門控制。

12月OTA，則是理想最有野心的一步，讓Livis的安全和效率超越人類。用戶誤觸方向盤會主動防護，系統能緊急躲避補償，甚至可以聽從交警指揮。

最關鍵的是，理想官宣要在第四季度，對齊特斯拉FSD V14的能力。

04

別人抄不走的作業

對于其他車企而言，芯片可以自研，模型可以迭代。但真正能拉開代差的，從來不是某一個單點參數，而是這些東西有沒有長在同一個身體里。

當下大多數車企，走的都是組裝式研發路線。比如芯片采用外購，系統是外包，智駕算法分包給供應商，座艙再找另一家做，硬件定型之后軟件來做適配。結果就是，軟件想優化，硬件改不了，硬件出了下一代，軟件又得重新聯調，軟硬件永遠存在適配鴻溝。

這種碎片化模式，適配不了傳統智能，更承載不了具身智能的一體化邏輯，理想最大的優勢在于，敢推倒重來，顛覆舊有的邏輯。

2021年，理想立項自研操作系統星環OS，到2022年芯片和800V主動懸架立項，再到2023年基座大模型立項，這些不是“并行項目”，但是同一條命的根系，從第一天起就同步定義、協同研發。比如算法需求定義硬件架構，硬件迭代反哺算法升級，軟件和硬件之間不是“適配關系”，是共生關系。

組織層面上，更能看出這種“共生”不是嘴上說說。

基于具身智能企業的定位，理想按照“造硅基人”的方式重構了研發體系，重組為Infra團隊、基座模型團隊、軟/硬件本體團隊以及評估團隊，類似于心臟、大腦、手腳等。好處在于，讓做模型、芯片和執行器的人，從一開始就坐同一張桌子。

星環OS就是這套體系的神經中樞，它打破了多域隔離的舊架構，用統一底層內核打通算力池、感知設備、智能終端與車身執行機構，從而達到“感知-決策-執行”全鏈路的深度融合。

全線控底盤則是最終的執行軀干，無機械硬連接的純電控制信號，可以毫秒級承接VLA的決策指令，讓大腦的每一次思考，都精準落地為輪胎的動作。

正如理想CTO謝炎所言，智能化的競爭，從來不是參數競賽，而是芯片、OS、模型三者深度垂直整合帶來的系統化效率與體驗優勢。

單一技術或許可以被追趕，炫目的功能可以被復制，但一整套磨合多年、自迭代、自閉環的工程體系，沒有任何企業能在短期內復刻得了。

所以時至今日，智能汽車的時代分層已經徹底清晰了。

短期競爭，拼的是內飾、大屏、冰箱等表層硬件，門檻極低。中期競爭，拼外購智駕方案和通用大模型，這個差距兩三年內也會被抹平。而長期競爭，拼的就是理想已經站穩的這個位置：自研芯片、原生大模型、軟硬一體工程體系、全域數據閉環，這是未來十年維度的壁壘。

從靠產品定義取勝，到靠底層技術立身，理想完成了一次徹底的身份躍遷。

持續的自研投入，讓技術可以全系復用、攤薄成本，海量的實車數據閉環，讓智能能力持續進化、越用越強，形成無法逆轉的馬太效應。

所以Livis Day的真正意義，從來不是發布幾項新技術。而是宣告理想正式走出那片紅海，從地基開始，用芯片、模型、OS和底盤等創新技術，開辟了一條別人追不上的賽道。