在智能电动车领域，数据流架构正逐渐成为行业关注的焦点。这一概念最早由麻省理工学院的Jack B. Dennis、Arvind和高光荣等学者在1970年代提出，尽管历史悠久，但长期以来在工业界的应用并不广泛。直到近年来，随着计算规模的急剧扩大，数据流架构的优势开始显现，尤其是在车端AI芯片领域，其潜力得到了重新评估。
传统上，冯·诺依曼架构因其便于人类编程的特性而占据主导地位。这种架构通过中心化的指令序列逐步推动计算任务，非常适合人脑在有限上下文下的思考和编排。然而，随着计算规模的扩大，其效率瓶颈逐渐显现。相比之下，数据流架构通过数据依赖图映射硬件结构，实现了更高的并行度，尽管在编程复杂度和调试难度上有所增加。
在智能电动车领域，数据流架构的潜力尤为突出。以CPU为例，其工作方式类似于厨房中的集中式管理，调度员负责发出指令，但当规模扩大时，调度员容易成为瓶颈。GPU虽然通过分组和简单调度员的方式减轻了这一问题，但本质上的指令等待和资源无法互用问题依然存在。数据流架构则通过去除中心化调度员，让计算单元直接协作，从而提高了效率，减少了不必要的晶体管开销。
数据流架构的这一优势在AI计算中尤为明显。随着深度神经网络的普及和大模型Scaling Law的推动，模型参数和计算规模快速增长，对大规模并行计算和数据搬运的效率提出了更高要求。数据流架构通过其天然的高并行度特性，能够更好地应对这些挑战，成为未来AI计算的重要方向。
然而，数据流架构的应用并非一帆风顺。由于其编程复杂度和调试难度的增加，团队在初期面临了不少技术挑战。在理想汽车内部，芯片团队曾因技术理念的不同而出现人员流动，但一旦架构思路统一，大家便能够默契配合，执行起来反而比较顺利。公司内部虽然对全新领域存在疑问，但通过量化分析Workload和架构设计，团队增强了信心，坚定了选择数据流架构的决心。
在具体实施过程中，理想汽车选择了可编程的数据流架构，尽管难度更大，但天花板更高，能够跟随AI的发展持续演进。这一选择不仅体现了团队对技术趋势的深刻洞察，也展现了其在面对挑战时的坚定决心。通过去除中心化调度员，数据流架构在AI计算中展现出了显著的优势，尤其是在处理大规模并行计算和数据搬运任务时，效率提升尤为明显。
除了技术层面的优势外，数据流架构还为理想汽车带来了商业上的考量。使用英伟达芯片虽然性能优越，但成本高昂。通过自研数据流架构芯片，理想汽车能够在保证性能的同时，显著降低芯片成本，提高产品的性价比。这对于以推理任务为主的产品公司来说，无疑是一个重要的竞争优势。
在芯片团队与公司内部的协作方面，理想汽车也展现出了高效的沟通机制。尽管数据流架构并非主流架构，但通过大量的量化分析和技术讨论，团队成功地说服了公司内部的相关方，确保了项目的顺利推进。在项目执行过程中，团队还注重与智驾算法团队的紧密协作，确保芯片设计能够满足智驾算法的需求，从而在智驾体验上实现领先。
随着数据流架构芯片在车端的成功应用，理想汽车开始探索其在其他领域的应用潜力。例如，在云端算力方面，虽然目前仍在使用英伟达的产品，但团队正在积极研究如何通过数据流架构提升云端算力的效率和性价比。在机器人领域，数据流架构芯片也展现出了广阔的应用前景。由于机器人对高性能量产芯片的需求与自动驾驶相似，数据流架构芯片有望成为机器人领域的重要选择。
在芯片设计的具体实施过程中，理想汽车还注重软硬件的协同设计。通过从算法、模型设计上保证低精度推理的性能，团队成功地将数据流架构与低精度推理技术相结合，进一步提高了芯片的效率和性能。这种软硬件协同设计的方式不仅体现了团队对技术趋势的深刻洞察，也展现了其在面对复杂技术挑战时的创新能力。
对于未来技术的发展，理想汽车团队充满了信心。他们认为，随着AI技术的不断进步，数据流架构将在更多领域展现出其独特的优势。同时，团队也在积极探索新的技术方向，如用光、先进封装等底层材料和搭建方式来更好地设计架构。这些努力不仅有助于提升芯片的性能和效率，也将为理想汽车在智能电动车领域的持续领先奠定坚实的基础。
