软硬协同设计定律，理想切入AI的一把“尖刀”

撰文| 胥 植

编辑| 吴先之

“每18-24个月，集成电路晶体管数量翻一番，对应性能提升一倍、成本下降一半”，经历半个世纪验证的摩尔定律，在十年前开始放缓。背后的核心原因在于3nm/2nm工艺下晶体管尺寸逼近物理极限，经济成本、功耗与散热也同步形成制约。

早早意识到这一点的英伟达，通过并行架构和全栈协同优化实现了加速计算的范式革命，从通用到专用，成功创造“黄氏定律”，达成AI算力10年1000倍的增长。

经历几年狂奔后，如今智能辅助驾驶行业也站到了相同的关口：过去靠堆算力、堆传感器、堆数据的“线性增长”模式已接近天花板，边际效应急剧递减。

其中最为典型，也最类似摩尔定律的是算力效能瓶颈，同样对应物理、经济、功耗的三重极限，即在多重约束下，算力往往很难发挥对应的有效能力。

2月底，理想汽车MindVLA团队与国创决策智能技术研究所联合提出的端侧大语言模型“软硬协同定律”，核心是用数学方法让AI模型与硬件从一开始就深度匹配，从而让产品更强更快更省。

对于理想汽车自身而言，定律进一步完善了“芯片-算法-模型-应用”的全栈自研闭环，是其构建智能辅助驾驶的基石，也为具身智能夯实了地基。对于行业而言，理想汽车的此次探索提供了可复制、可量化的软硬协同设计框架，或将带来成本控制与效率表现的一次跃迁，推动行业从“拼算力”转向“拼能效”。

打通芯片与算法的“任督二脉”

突飞猛进的智驾市场，算力正在进入两难“悖论”，一面是全面迈向百亿甚至千亿级参数的模型，对于算力的需求呈爆发式增长，一面是受成本和功耗等刚性约束，实际有效算力利用率极低，尤其是通用芯片，往往高算力并不等同于高性能。

这主要源自软硬件两侧的“割裂”，例如基于通用芯片去写算法，或是写好算法后再去找能跑的芯片。以过去几年中高端汽车产品主流采用的英伟达Orin-X为例，由于不适配原生Transformer，根据行业经验来看，其有效算力常常远低于峰值，算力浪费严重。

这也让众多玩家开始逐步陷入“堆算力不划算，不堆算力又做不出好的智能体验”恶性循环——如何让有限的芯片资源发挥出最大的效能，开始成为行业竞争的胜负手之一。包括英伟达、谷歌等国际巨头，都在关注并研究“协同设计”下的研发方案。

“软硬协同定律”的诞生，来自于理想汽车在实践中发现的问题。在上一代基于英伟达Orin或Thor车载计算平台部署大语言模型时，理想汽车踩到了无法物尽其用的坑，模型架构往往无法充分利用硬件特性，而为了硬件适配做出的妥协又可能损害模型智能。

需要指出的是，理想汽车的协同设计并非一项技术，而是一种研发范式，或者说是一套数学框架理论。这项工作提出了一种面向车载与边缘场景的大语言模型硬件协同设计方法，通过结合损失函数扩展法则和Roofline性能建模，实现模型精度与推理延迟的联合优化。

定律将算力、内存、带宽、功耗等物理约束，与精度、速度等模型智能需求放入同一个数学公式里，通过帕累托最优LLM架构搜索框架，自动得出模型架构方案的“最优解”，例如在不超功耗的前提下，模型设计成多少层才最合适。

简单来说，定律既不让软件迁就硬件，也不让硬件迁就软件，而是用数学方法让两者“天生匹配”，这等于打通了芯片与算法的“任督二脉”，能够最大化挖掘出芯片的实际能效，不堆算力也能获得优秀的智驾体验。

这对团队组织架构提出了更高要求，需要打破过去软硬件隔离研发的“组织壁垒”，让芯片和算法从一开始就紧密协同合作，以可控的成本最大化硬件效能，并在这一基础上实现模型性能的越级提升。

基于定律的研究和工程实践，理想汽车还进一步提出多个“反共识”的发现：MoE稀疏架构将取代密集架构成为车载AI标配、内存带宽和缓存效率比理论算力更重要、芯片需要动态变化以支持不同阶段截然不同的需求、传统Transformer的4倍FFN扩展比已被证明低效、INT8量化加速提升实际远低于理论预期。

汇总的结论是，芯片与模型架构都不能一成不变，没有通用万能芯片，只有软硬合一定义出的场景最优芯片。

从经验调优到工程方法论

基础理论的研究突破，最终需要落到实打实的产品体验和竞争力提升上。

“软硬协同定律”的显性价值是加强模型性能，隐性价值则是经济成本、研发周期、应用迭代效率三个方面的全面提升，这在“与时间赛跑”的智驾竞争格局中显得尤为重要。

首先是硬件成本的降低。尽管国产芯片正在逐步拉低均价，但芯片仍是智驾硬件成本的“大头”之一，在算力需求持续上行的趋势下，高端通用芯片的成本占比还在进一步提升，例如英伟达Thor芯片价格就超过1万元。

在定律的指导下，模型可以更好地适配芯片的物理，从而避免模型固化下芯片无法充分释放性能的浪费。换句话说，如今无需盲目采用高端芯片，也能提供同等级的智能体验，“降成本不降效能”。

其次是时间周期上的缩短。在传统模式下，芯片升级和模型更新是一项复杂的工程，需要研发团队进行设计和选型，同时还要反复试错、调参，周期往往花费数月。定律通过数学公式快速得到最优架构，理论上最快只需一周即可完成设计和验证，大幅提升研发效率。

而在应用场景中，定律也能根据场景的输入出处参数，快速选出最适配的模型配置，减少了后期反复调优的麻烦，大幅缩短应用开发周期。

定律的价值并不局限于理想汽车自身，基于长期的开源生态，目前理想汽车已经公开了定律的框架与核心公式，有效填补了车载AI领域的理论空白，为行业带来了一份工程指南，也探索出一条AI时代降本增效的新路径，进而推动中国产业从技术跟随者向规则定义者转变。

一场范式革命正在到来，芯片-算法-整车的协作关系正在重构，行业将从“拼芯片、拼算力”的初级阶段，逐步进化到“拼协同、拼能效”的良性循环，更加符合车规，也更加可持续。

最核心的一点在于定律从理论层面提供了一套可量化、可预测、可复制的端侧大模型软硬协同设计框架，以端侧工程方法论体系，改变以往靠经验、靠堆料的“大力出奇迹”模式——全栈自研有了可计算、可验证、可迭代的科学依据，而非经验试错。

同时定律也为具身智能、边缘计算等更多延伸场景，提供了通用的AI部署方法论，从生态开放角度推动整个端侧AI产业的升级。

奔向下一阶段的阶梯

在深度内卷的国内汽车赛道，科研工作往往是容易被忽视的一点，但却是理想汽车长期坚持的重心，旨在以更快的技术迭代速度，满足用户和市场需求的变化。

在核心技术自研战略之下，理想汽车近年来持续加大研发投入，近8年研发总费用预计超近500亿元，居新势力车企领先水平。其中2025年预计研发投入达到120亿元。

李想在AI Talk第二季中提到，改变和提升的第一步一定是搞研究，第二步是研发，第三步是把能力表达出来，第四步变成业务价值。简单来说，理想汽车并不追求“绝对速度”，而是注重基础的夯实，从2021年到去年11月，理想汽车围绕BEV、端到端、VLM、VLA、世界模型等领域已经发表近50篇论文，被引用超过2500次。

“软硬协同设计定律”正是理想汽车的一次技术跃迁，意味着其正在熬过漫长的投入期，开始加速步入收获期：直接的成果是研发效率的提升、成本的降低、性能的增强；间接的成果是业务价值和竞争力的提升，进一步强化了自身壁垒。

理想汽车自研的马赫100芯片，将是定律的一次可视化成果展示，或将助力其在功耗、成本、智能上全面领先，更好支撑起高级别智能辅助驾驶和具身智能。

李想在近期表示，全新一代L9 Livis版本采用马赫100双芯片，有效算力达2560TOPS，单颗有效算力约为英伟达Thor-U的3倍，在相同场景下，全新一代L9的辅助驾驶系统能够实现更高帧率处理，显著缩短系统响应时间。

全新一代L9是理想汽车的关键一战，也是锚定“汽车=机器人”战略的载体，李想在年前悄然将微信名后缀由“理想汽车”改成“Livis”，便足以证明其重要性和内部的重视程度。

从这个角度来看，定律不仅是理想汽车智能辅助驾驶的理论基石，在智驾全面奔向L3/L4时代时充当理想汽车的“加速引擎”；更是支撑理想汽车升级为AI公司的阶梯，为“汽车机器人”这一终极形态打下了底层技术根基。

总体来看，理想汽车用数学定律实现了从“经验”到“科学”的进化，其长远意义远不止于智能辅助驾驶，而是从自研芯片定义、智能座舱、全栈研发体系、具身智能战略、成本与生态五大维度，一步步构建起理想汽车的技术护城河。

微信号｜TMTweb

公众号｜光子星球

别忘了扫码关注我们！