小米 D100 之后，智驾芯片不再只比算力

小米发布了一颗 3nm 智驾芯片，却没有对外界公布有多少 TOPS 算力。

8 月 24 日，小米在玄戒芯片技术沟通会上发布了首款自研智驾芯片玄戒 D100：

3nm 工艺、20 核 CPU、16 核 NPU，最高支持 160GB 统一内存，最高可本地部署 200B 以上参数的大模型，计划 2027 年商用。

同期发布的还有旗舰 SoC 玄戒 O3、AI 加速芯片玄戒 O100。

但一颗智驾芯片最常被拿来比较的核心指标：TOPS，小米没有公布。

按照过去几年智驾芯片的评价体系，算力几乎是绕不开的核心参数。

这一次，小米反而把 160GB 统一内存放到了台前。

为什么会这样？

这要从大模型推理的特性说起。

上图是三星对 GPT 大模型工作负载的分析，在运算操作数量上，GEMV（通用矩阵-向量乘法）所占的比例高达 86.53%。

在大模型运算延迟分析上，82.27% 的延迟都来自 GEMV，GEMM（通用矩阵乘法）所占只有 2.12%，非线性运算也就是神经元激活部分占的比例也远高于 GEMM。

上图是三星对 GPU 利用率的分析，可以看出在 GEMV 算子时，GPU 的利用率很低，一般不超过 20%，换句话说 80% 的时间 GPU 都是在等待存储数据的搬运。

很多时候不是计算单元不够，而是数据没有及时送到计算单元。这也是为什么进入大模型时代后，内存容量、带宽，以及计算单元与内存之间的数据搬运效率，正变得和 TOPS 一样重要。

在大模型推理中，内存容量和带宽正在成为影响芯片实际性能的重要瓶颈。

存储的重要性从 AI 芯片成本看出，上图是三星在 2026 年 8 月 25 日 Hot Chips 大会上的演讲 PPT，这里的 AI 芯片是英伟达 H100 这样的服务器芯片，HBM 即高带宽内存占 AI 芯片成本的一半以上，并且所占比例越来越高，预计 2027 年 AI 芯片 70% 的成本都来自 HBM。

统一内存架构与传统架构的示意图

早期的统一内存架构是针对 PC 个人电脑领域

近期的统一内存架构则主要针对手机 SoC

这正是 D100 真正的核心看点：

高性能 PC 个人电脑领域的 GPU 显卡和 CPU 是分开的，这样就有两套存储:

• 一套是针对 GPU 显卡的显存;

• 另一套是针对 CPU 的系统内存。

当需要利用 GPU 进行计算时，必须通过 PCIe 总线在两套内存堆中进行显式的数据拷贝，引入了巨大的物理传输延迟，增加了软件开发的复杂度。

简单说，统一内存就是让 CPU、GPU、NPU 等多个计算单元共享同一块内存空间，减少数据搬运。

行业内从 AMD 联合 ARM、高通、三星在 2012 年提出的异构统一内存架构（hUMA），到更进一步实现物理内存也统一的方案，都是在朝这个方向演进。

真正让统一内存架构进入大众视野的，是苹果 2021 年推出的 M1 Max 芯片：CPU、GPU、NPU 等计算单元共享统一内存池，实现近乎零拷贝的数据访问。

苹果 M1 Max 的存储带宽达 400GB/s，要知道英伟达 Thor 也不过 273GB/s。UMA 超高带宽也有代价，首先是存储容量有限，其次是 SiP 封装成本较高。

统一内存真正难的地方，不只是把 CPU、NPU 和内存放在一起，而是要让它们之间拥有足够高的数据吞吐能力。

这背后依赖的是先进封装：AI 芯片与存储之间的连接密度，直接决定了存储带宽。

目前车载领域大多还是 PCB 走线连接（毫米级密度），而更先进的方案会采用有机载板（约 10 微米级密度），其中 ABF 材料是先进封装产业链中的关键环节，成本也更高。

内存容量解决的是「能装多大的模型」，带宽解决的「能多快地把数据喂给计算单元」。

所以对 D100 来说，160GB 只是第一层信息，真正值得等待的其实是内存带宽：目前小米并未公布。

英特尔 Lunar Lake Mx 就用了 UMA 架构，这是英特尔 2023 年底推出的，不过英特尔后来放弃了这种设计，原因很简单，成本太高，内存容量固定了，难以拓展。

AMD 则称之为 MoP（Memory on Package）。

2026 年 6 月 30 日，AMD 推出三款 Versal Premium Gen2 MoP 芯片（2VP3422、2VP3522、2VP3622）作为替代方案，将 32GB LPDDR5X 直接封装在芯片基板上，带宽达 288GB/s。

高通骁龙 X2 Elite Extreme 平台也是 UMA，高通车载领域的 SA8797P 也是如此，当然和苹果的 UMA 有差距，不过不是高通、英特尔和 AMD 技术不如苹果，主要原因还是成本选择。

苹果的品牌溢价高，可以转嫁高成本，但其他几家不能。

特斯拉今年 4 月流片成功的 AI5 芯片展示了另一种思路：将 12 片 LPDDR5X 内存与计算芯片放在同一块有机载板上，以缩短内存与计算单元之间的数据路径。

这意味着，随着车端大模型越来越大，过去「芯片+外置内存」的传统组合正在发生变化，内存可能正在从芯片的外围配件，变成计算架构的一部分。

至于 D100 具体采用什么封装方案、160GB 内存能够提供多大带宽、实际算力是多少 TOPS、上车后的真实功耗与模型性能表现如何，小米目前均未公布，仍需要等待后续信息，也需要等到 2027 年真正量产上车之后再作判断。

但 160GB 统一内存和 200B 大模型的本地部署能力，已经释放出一个比较明确的信号：

• 如果把过去几年的智驾芯片放在一起看，竞争逻辑其实很清楚，第一阶段比的是 TOPS，第二阶段开始比的是有效算力。

• 到了大模型时代，真正要比的，会是算力、内存容量、带宽、封装、软件效率这五个变量的综合博弈。谁能把这五个变量拧成一个协调的系统，谁才有资格定义下一代智驾芯片。

TOPS 依然重要，但已经不能单独定义一颗大模型时代的智驾芯片。

小米 D100 押注的，可能已经不是下一代「更大算力的智驾芯片」，而是一种更接近 AI 计算平台的智驾芯片。