智驾芯片换玩法，模型先上桌

回顾 2023 年创业时的处境，XHEART 新芯航途 CEO 李宗霖这样形容。

彼时，智驾芯片市场已经不缺玩家，XHEART 却决定从头造一颗。

英伟达 Orin-X 凭借 254 TOPS 算力，和 CUDA、TensorRT 等成熟的软件生态，稳居高阶智驾市场主流。

地平线依靠 BPU 架构和征程系列芯片，在国内车企供应链中站稳脚跟。

蔚来、小鹏、理想等车企则纷纷投入自研芯片，希望将智驾算法与底层硬件更紧密地结合起来。

一边是拥有成熟产品与软件生态的芯片供应商，一边是希望掌握核心技术的车企。

留给后来者的机会，看起来已经不多。

即使芯片做出来，又如何说服车企放弃成熟供应商，重新投入模型迁移、域控制器设计和整车验证？对车企而言，换一颗芯片，远不是换一个零件那么简单。

但在李宗霖看来，2023 年是一个「极佳的机会点」。

摆在 XHEART 面前的第一个问题，并不是如何造出一颗算力更大的芯片，而是市场已经有这么多成熟芯片，为什么还需要重新造一颗？

01

模型变了，芯片也要重新设计

「做芯片的人首先要搞清楚，这颗芯片的用户是谁。」

李宗霖给出的答案是：在智能驾驶领域，用户就是算法模型。

而正是模型的改变，打开了 XHEART 的窗口。

过去的智能驾驶系统，更像是一支分工明确的团队。感知负责识别道路，预测负责判断其他车辆的行为，规划再决定下一步怎么走。

不同小模型各司其职，芯片则像一个调度员，用多核、异构计算等方式，把不同类型的任务分派给不同的计算单元。

但端到端大模型正在改变这种分工。原本相对独立的感知、预测、规划任务，越来越多地被整合进统一神经网络。

尤其 Transformer 架构的广泛应用，让矩阵计算、数据交互以及存储访问的需求发生变化。

蔚来智驾负责人任少卿曾分享，在特定计算量下，Transformer 对内存带宽的需求，可能达到 CNN（卷积神经网络）的 8 至 70 倍。相当于干同样多的活，Transformer 需要芯片搬运的数据要多很多。

模型换了，芯片也要跟着优化。此前主要面向 CNN 等计算负载优化的部分芯片架构，虽然能够运行 Transformer，却未必能让新模型发挥出最优效率。所以这是新玩家的机会，可以绕开原来的路径，围绕下一代的模型来设计芯片。

一颗芯片在车上的表现到底怎么样，不能只看表面参数。芯片在真实任务里的处理速度和能耗，主要受三个因素影响：

第一，是芯片本身的计算能力，也就是行业最熟悉的 TOPS 指标。计算单元越多、运算越快，理论上能完成的任务就越多。

第二，是这些计算资源究竟能用上多少。大模型运行时，计算单元要不断读取权重、处理输入，再把中间结果交给下一步。

第三，是算法使用计算资源的效率。硬件够强、计算单元也能持续工作，但如果模型本身存在大量重复计算，或者软件部署方式不够合理，推理速度照样会被拖慢。

反过来，模型优化、算子融合、编译器和工具链改进，也能让同样的硬件完成更多有效计算。

这给芯片提出了新的要求，AI 推理阶段，除了保障充足算力，大模型还需缩短整个芯片系统内的数据搬运路径，它直接影响两件事：

• 性能上，如果芯片设计没有针对大模型的特性，数据就会在芯片上反复搬运，芯片需要花大量时间等待数据；

• 功耗上，数据搬运过程会产生很大功耗，把散热压力传递到域控制器乃至整个系统。

从百 TOPS 到千 TOPS，理论算力不断增长，如何让这些算力真正发挥作用，就成了一道比单纯增加计算资源更复杂的题。

图灵奖得主杰克·唐加拉表示，三十年前，浮点运算成本极高；今天，机器浮点算力普遍过剩，真正的瓶颈变成了数据搬运。需要转向新基准，来匹配当下的架构，以及衡量系统性能。

放到车端芯片上，「TOPS/W」（每瓦功耗提供多少算力）等纸面指标之外，还要看实际表现：

• 目标响应时间下的系统功耗，

• 持续负载下的性能与温度变化。

• 通过模型、芯片与整车热管理的协同，让驾驶能力在不同车型上稳定运行。

于是，与其沿着成熟厂商过去的路线追赶，不如直接从未来模型出发设计芯片。XHEART 决定做一款面向大模型的通用芯片架构，围绕智驾大模型，从架构定义阶段就引入真实模型需求。

当然，提前押注未来模型，同样意味着风险。

一方面，算法迭代与芯片开发并不同步。模型可能几个月就经历一次重要迭代，一颗车规芯片，从架构定义、流片到量产上车，往往需要数年。等芯片真正装车，原本面向的智驾模型，可能已经经历了数轮迭代。

另一方面，在芯片行业，越往研发后期推进，资金和人力投入越高。一旦完成流片，再想改变底层架构，代价往往难以承受。对于 XHEART 这样的后来者，这几乎是一场没有多少试错余地的下注。这也是李宗霖说的「只有一次机会」。

XHEART 的解法是，把模型与硬件之间的磨合往前移，让未来上车的算法，在芯片流片之前就参与检验。

这里的关键合作伙伴是 Momenta。在架构设计初期，XHERAT 就依托 Momenta 的算法趋势判断，推动算法模型与芯片架构的联合定义和同步迭代。

在这套系统机制中，Momenta 带来的不只是一个现成的模型，还有来自量产一线的计算特征和算法演进方向，比如未来的大模型大概会长什么样，哪些计算最吃资源，XHEART 则以此为输入，独立完成芯片架构、存储带宽和工具链设计。

XHEART 选择的并不是一条更轻松的路，而是主动收窄战场，把未来几年押在对智驾大模型计算需求的理解上。

过去，芯片决定模型能够做到什么；如今，模型开始反过来决定芯片应该怎么造。

02

超大核，让算力少走「冤枉路」

看到了新的计算需求，还要找到最合适的芯片架构。

XHEART 内部曾为下一代 NPU（Neural Processing Unit，神经网络处理单元）究竟怎么设计，经历过相当大的分歧。

团队评估了多种架构方案，每套方案都对应不同的数据流结构，需要通过性能建模和仿真反复验证，进行量化评估。

最终，团队把筹码押在了超大核 NPU 上，瞄准的是数据交接这一项开销。

灵活的小核架构，遇上大模型，反而增加了数据交接的负担。受限于单核算力，大模型必须被拆分成多个子模型运行，会带来巨大的数据搬移量，整体效率大幅降低。

这就像一条生产线，工人效率很高，但半成品需要反复送往不同车间。真正拖慢生产的，是工件一直在路上。

XHEART 选择超大核，减少的正是这部分开销。整套端到端大模型可以在单颗大核内完整运行，让数据尽可能通过大核内部的高速互联与多级缓存流转。

X7 Ultra 把部分原本发生在不同小核之间、百 GB/s 级的数据交互，转化为大核内部 TB/s 级的高速交换。

超大核减少了模型拆分带来的数据交接，具体到每一步运算，数据还可以走得更短。

Transformer 运行过程中，除了大规模矩阵计算，还会反复调用 Softmax、转置（Transpose）、Layer Norm 等算子。

如果这些操作频繁访问外部 DDR 内存，数据传输就可能受到内存带宽限制，拖慢整体推理。

因此，XHEART 在硬件架构层面为这些算子做了精细化适配，让相关数据尽可能就近处理，部分操作可以省去往返 DDR 的过程，甚至在寄存器级别完成。

这样一来，芯片对外部内存传输的依赖降低，后续部署的模型也更不容易被内存带宽卡脖子。

据 XHERAT 披露，基于真实量产 Transformer 智驾模型实测，NPU 计算利用率达到 98.7%。

这相当于，在这项测试中，计算单元绝大部分时间都在干活，而不是在等数据。

模型进芯片，中间还要经过编译、量化和仿真等工具链。

硬件架构选定之后，模型怎样高效部署、怎样用好计算资源，还要看工具链。

XHEART 从芯片设计初期，就把 AI 工具链纳入考量：

一方面，提高当前模型的部署效率。通过「整网级融合」和「内存零拷贝技术」，降低数据延迟与 DDR 带宽消耗。

另一方面，承接后续模型变化。新的模型能否顺利转换、部署到旧的硬件架构上，并保持效率，关系到车企能否在这套平台上继续推进智驾升级。

当前模型跑得快，是一次适配的结果。

模型更新之后还能跟得上，才能体现平台的持续价值。芯片一旦量产，硬件就基本定型了，但模型还会不断变化。后续的性能提升，很大程度要靠编译器、算子库和工具链持续释放。

经过整体软硬协同，XHEART 给出基于国创中心对标评测的 700 TOPS 大模型算力。700 TOPS 是真实量产模型实测结果，不是实验室 Demo 跑出的结果。

XHEART 同时披露，在大模型性能相当的测试条件下，相较于其选取的行业旗舰产品，X7 Ultra 内存带宽消耗降低 80%，推理能效提升 100%，也就是能效翻倍。

对车企而言，高效率意味着在有限硬件条件下，有机会部署更复杂的模型，并为后续能力升级留出空间。

从这个角度看，XHEART 证明的不只是一次大核架构选择，更是围绕真实模型组织硬件与软件的一套方法，既要让当前大模型运行得足够高效，又要确保未来模型变化时，芯片仍有适配和升级的空间。

03

智驾芯片，上车见真章

芯片是一门规模生意。

研发、流片、工具链开发和车规验证都需要持续投入。量产之后，单颗芯片能留下多少毛利、出货能否持续增长，决定这些投入能否被覆盖。

这也让车企自研芯片开始走出自家车型。

理想汽车总裁马东辉表示，马赫芯片可以对外供应，有助于摊薄研发成本；小鹏图灵 AI 芯片已获得大众汽车定点；蔚来也在寻找更多汽车及具身智能领域的合作伙伴。

对于没有整车业务提供基础用量的 XHEART，规模更加重要。

但客户增加，带来的不只是出货机会，还有不同的开发要求。

对车企而言，一颗芯片的意义不只是性能参数，还包括能否按时完成软件适配、系统验证和整车开发。更换芯片平台，往往意味着一整套工程流程需要重新确认。

如果供应商能够提前打通模型、芯片和域控制器之间的关键环节，车企需要承担的后期集成风险就有机会降低。

硬件集成上，不同车型对接口、散热、集成方式和安全架构的要求各不相同。XHEART 围绕 X7 系列提供 COB（Chip-on-Board，板上芯片）、SiP（System in Package，系统级封装）及双 X7 方案，让客户可以在已有设计基础上推进开发，减少部分重复工作。

算法适配也有类似的问题。客户可能采用外部算法，也可能坚持自研。即使都基于 Transformer，模型结构、算子组合与部署要求也可能存在差异。XHEART 独立销售 SoC，主机厂可以分别选择芯片和算法，也就是说，用 XHEART 的芯片，并不需要绑定 Momenta 的算法。

Momenta 提供的是量产模型的深度，XHEART 要守住的是芯片平台的开放性。

交付能力则要让客户选了之后，能够按时上车。XHEART 首颗 X7 芯片，从回片到整车闭环，只用了 17 天，而行业通常需要数月。

速度背后，是 XHEART 将部分原本需要回片后解决的问题，提前到了芯片研发阶段。

X7 流片之前，团队就与 Momenta 利用真实量产大模型开展了全芯片仿真验证。通过不同场景的数据，提前检查模型在预期架构上的运行情况，尽可能识别部分软硬件适配风险。

与此同时，XHEART 还与主机厂提前开展域控制器设计。

双方在芯片回片前，就开始推进相关器件的集成与验证准备。等芯片真正回来，模型、软件和域控系统已经有了前期开发基础。

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，并获得超过 40 款车型订单。

但放到整个汽车芯片行业，20 万颗仍然只是起点。

XHEART 需要将与 Momenta 合作中积累的模型优化方法，转化为更多客户可以复用的工具链和工程能力，才可能形成真正的规模效应。

而当智能驾驶进一步走向 L3、L4，这套体系还将面对更复杂的考验。

更高等级的自动驾驶，不只是需要更大的模型，还需要更严格的实时性、故障检测与安全冗余能力。

XHEART 已经推出基于双 X7 架构的 L3/L4 域控制器参考设计，并开始推进相关车型项目。

下一代 X9 也计划于 2027 年推出，目标大模型算力 3000 TOPS、单芯片内存带宽 700GB/s。

从当前量产走向下一代产品，未来真正的壁垒，将是持续理解模型、组织算力，以及服务不同车企的系统能力。

模型变化为后来者打开了入口。智驾芯片的下一轮竞争，正在从比拼纸面算力，走向比拼谁能让更强的大模型，以更高效率、更可控的成本，真正运行在更多量产汽车上。

三年前，「只有一次机会」的决定，变成了今天 20 万颗芯片的出货，而真正的大考，才刚刚开始。