在智能电动车领域，芯片与软件的深度融合正成为企业竞争的关键。数据流架构作为一种区别于传统冯·诺依曼架构的计算方式，近年来在车端AI芯片领域展现出独特优势。这种架构最早由麻省理工学院的研究团队在1970年代提出，但受限于当时的计算规模，其工业应用长期停滞不前。随着AI计算需求的爆发式增长，数据流架构重新进入行业视野，成为突破传统架构瓶颈的重要方向。
传统冯·诺依曼架构采用中心化指令驱动模式，虽然便于人类编程，但在处理大规模并行计算时存在效率损失。以CPU为例，其内部调度机制类似厨房管理，需要协调不同工序的协同工作，但当任务规模扩大时，调度负担会成为性能瓶颈。GPU通过分散调度单元缓解了部分问题，但仍未摆脱中心化架构的固有缺陷，尤其在数据搬运和内存访问方面存在效率损耗。数据流架构则采用去中心化设计，当操作所需数据就绪时自动触发计算，这种模式天然适合高并行度的AI任务，能够显著减少晶体管资源在调度环节的浪费。
理想汽车芯片团队负责人谢炎指出，数据流架构的优势在AI计算场景下尤为突出。以Transformer模型中的注意力计算为例，传统GPU架构需要将矩阵转置后的数据反复读取全局内存，而数据流架构支持计算单元间的直接数据传输，避免了高带宽内存的频繁访问。这种设计使得理想自研的马赫M100芯片在运行同类模型时，效率较英伟达GPU提升达10倍。团队通过全局广播总线等技术，进一步优化了矩阵乘法等核心算子的执行效率，在保持架构灵活性的同时实现了性能突破。
在芯片架构选择上，理想汽车曾面临定制化加速器与可编程架构的路线分歧。定制化方案虽然能在特定场景下实现高效计算，但难以适应AI算法的快速迭代。团队最终选择数据流架构作为基础，通过可编程设计兼顾性能与灵活性。这种选择使得马赫M100不仅能够支持自动驾驶任务，还可应用于座舱计算、底盘控制等多场景。谢炎强调，芯片设计需要与软件生态协同发展，理想通过自研星环OS操作系统，实现了硬件资源的动态分配，例如将原本独立的XCU控制器功能集成到马赫M100中，单车成本降低1000元。
面对英伟达CUDA生态的壁垒，理想采取差异化竞争策略。谢炎认为，随着AI编程主体的转变，传统为人类开发者设计的抽象层重要性将逐步降低。未来编译器和硬件编程可能由AI主导，这为数据流架构提供了弯道超车的机会。团队正在探索将AI工具应用于芯片设计全流程，从算子开发到编译优化均引入机器学习技术，提升研发效率。在模型协作方面，理想通过降低计算精度和结构化稀疏等技术，在保证安全性的前提下提升推理效率，目前正在研究FP4甚至FP2精度的实现路径。
芯片上车只是智能电动车竞争的起点。理想汽车正推动芯片、模型、操作系统三大技术领域的垂直整合，构建从底层架构到应用层的完整技术栈。这种整合策略在自动驾驶场景中已显现成效，马赫M100通过支持更大规模的模型运行，为解决长尾问题提供了算力基础。谢炎透露，团队正在研发下一代芯片架构，将探索三维集成、光互连等新技术方向，持续提升计算密度与能效比。在组织层面，理想通过"篝火"模式鼓励跨部门协作，允许一线工程师直接提出技术方案并快速组建虚拟团队，这种机制加速了创新想法的落地转化。
对于智能电动车的技术演进，谢炎强调需要跳出传统思维框架。他以火箭回收技术为例，指出人类突破性创新往往来自对概率分布的跳出，这种能力在AI时代依然不可或缺。理想在推进自动化研发流程的同时，仍保持对经验丰富的技术人才的重视，认为他们在关键路径选择和风险控制方面具有不可替代的价值。在管理理念上，谢炎主张通过量化分析支撑技术决策，同时保持组织灵活性，避免过度科层化阻碍创新。这种平衡策略使得理想在芯片研发等长周期项目中，既能保持战略定力，又能快速响应技术变化。
