理想汽车正站在一个关键节点上。距离其自研的马赫 M100 芯片量产装车仅剩一个月，公司 CTO 谢炎坦言，目前业务目标达成度仅有 60%。真正的成功，需要搭载这款芯片的 L9 智驾能力达到业界顶尖水平，同时车辆销量表现出色。
理想汽车自研芯片的决策始于 2022 年，当时公司已为此投入数十亿元资金。谢炎于同年 7 月加入理想，半年后晋升为 CTO，全面负责芯片自研项目。他指出，特斯拉的成功证明了自研芯片对提升智驾体验的重要性，而国内新能源车市场正处于蓬勃发展期，资本市场也对新势力企业充满期待。
然而，当马赫 M100 准备上车时，理想汽车却遭遇了挑战。公司经历了自 ONE 交付以来的首次年度销量下滑，纯电战略受挫，增程产品也面临激烈竞争。在中国新能源车市场产品同质化、价格内卷的背景下，自研芯片这样的高投入决策，其正确性需要时间来验证。
自研芯片并非易事。通常情况下，没有经验的公司会从小芯片做起，以低成本跑通设计、流片和供应链流程。但即便如此，失败一次也可能损失数百万美元。而先进制程的大芯片，流片成本更是高达千万级美元。谢炎刚加入理想时，芯片团队仅有两人，不到一个月就只剩一人。面对这样的困境，他坚持直接解决最核心的问题：确保首颗自研芯片量产时能超越同期最强的英伟达芯片。
谢炎没有选择更主流的 GPGPU 路线，而是采用了数据流架构。这种架构由 MIT 的几位教授在 1970 年代提出，过去几十年一直没有大规模商用，主要是因为其优势需要足够大的计算规模才能显现，且编程和调试难度较高。但谢炎认为，AI 时代需要一套新的计算架构，数据流架构比冯·诺依曼架构更接近大规模 AI 计算的需要。按照理想的说法，马赫 M100 单颗有效算力达 1280 TOPS，是英伟达 Thor-U 的 3 倍。
杜克大学电子与计算机工程系教授陈怡然对马赫 M100 给予了肯定，认为它是一次有前景的工程尝试。但他也指出，数据流架构并非未来发展的唯一方向，关键在于具体的设计以及与目标应用和软件系统的协同效果。由于大部分优化工作转移到软件栈，实际效果很大程度上取决于编译器的成熟度以及软硬件协同设计的质量。
谢炎承认，马赫 M100 的上车过程并非一帆风顺。硬件设计复杂度降低的同时，软件复杂度提高，对传统编程方式并不友好。第一版智驾模型从更新到完成车端适配用了两个月，尽管现在已经可以大幅缩短到不到一周，但仍有很大优化空间。接下来，他们需要通过编译器等软件工具来充分释放芯片的硬件性能潜力。
理想芯片团队目前约有 200 人，远小于外界想象中的完整芯片团队规模。谢炎认为，人多不一定好，核心部分自己做，后端、SoC 集成等环节可以借助供应商。在理想上万人的研发体系里，这个团队更像一个安静的角落，尽量不被每月销量起伏干扰。
谢炎表示，只要公司还有资金支持，就会保持当前的研发强度，把内功练好。他认为，自研芯片是理想汽车实现产品差异化的关键。他回忆起与创始人李想的沟通，两人达成一致：如果理想未来以产品为核心竞争力，一定得自研核心软硬件。
对于自研芯片的投入，谢炎没有透露具体数字，但表示芯片自研是逐步迭代的过程，很难用固定预算来衡量。他认为，随着 AI 算力的需求远远超出预期，自研芯片不仅能在性能和成本方面实现差异化，还能节省大量的采购成本。只要满足一年销量，就能覆盖好几年芯片研发团队的费用。
在定义芯片时，谢炎坚持要直接解决最核心的问题，即 AI 推理计算。他反对做小芯片试水，认为那样无法证明理想在 AI 时代的技术领先。他们最终确定的目标是：一半成本、两倍性能，也就是四倍效能。如今看来，这个目标已经基本实现。
谢炎透露，马赫 M100 是中国第一款完全原创设计的 AI 芯片，采用了非主流但更适合 AI 的数据流架构。在定义芯片时，他们花了半年时间分析计算特征，理解如何设计数据流架构，最后才定义参数。这种从问题出发、软硬件协同设计的方法，使得马赫 M100 在跑 AI 计算任务时更快。
对于未来，谢炎充满信心。他认为，智能电动车就是当前个人能拥有的最大算力终端设备，可以围绕它把端侧人工智能做得非常成熟。随着技术的不断发展，汽车将不再仅仅是交通工具，而是成为一个能够理解你、帮你干活的智能机器人。
