當整個汽車行業還在為芯片算力軍備競賽而狂熱時，一個根本性的悖論正悄然浮出水面：算力越高，實際效能真的越高嗎？或者說，砸下重金採購的頂級芯片，究竟被榨出了幾成功力？

近日，當理想汽車攜其端側大模型「軟硬協同設計定律」走入公衆視野時，它揭開的不僅是一項技術突破，更是一場關於AI底層邏輯的範式革命。這一定律由理想汽車基座模型MindVLA團隊與國創決策智能技術研究所聯合研發，它試圖用數學的語言，打通芯片與算法之間的「任督二脈」。

這一定律的意義，遠不止於讓理想汽車自家的智能輔助駕駛變得更順暢。它向行業投射出一個更深層的信號——當前的中國科技企業，在技術創新上實現了從「跟隨者」向「定義者」的悄然轉身。

一、算力悖論：當「暴力堆料」撞上物理天花板

在智能輔助駕駛的演進史上，過去十年幾乎可以被概括為一句話：算力崇拜。車企發布會上，TOPS成了比馬力更時髦的參數指標，動不動就是幾百TOPS、上千TOPS。消費者也漸漸形成一種樸素認知——算力越高，車就越聰明。

但事實真的如此嗎？

理想汽車在基於NVIDIA Orin/Thor平台的早期實踐中發現，即便搭載了行業最頂級的車載芯片，在實際部署大語言模型時，其真實釋放的性能往往大打折扣。

這不是理想汽車一家遇到的問題。英偉達、蘋果、微軟、谷歌等全球科技巨頭都在為此頭疼。

傳統的研發模式中，芯片工程師埋頭追求更高的峯值算力，算法工程師則瘋狂堆疊模型參數，兩者在各自的軌道上狂奔。結果就是：軟件與硬件在最後集成階段才倉促碰面，彼此妥協、相互遷就，大量算力被閒置，大量功耗被浪費。這種「軟硬割裂」的研發方式，在全場景智能輔助駕駛對算力需求呈指數級攀升的今天，正變得愈發難以為繼。

也正是這種「軟硬割裂」的痛感讓理想汽車意識到，如果繼續沿着「堆料」的老路走下去，永遠只能跟在別人身後喫灰。真正的解法，不在芯片廠商的下一代產品路線圖裏，而在底層研發邏輯的重構之中。

基於此，理想汽車MindVLA團隊與國創決策智能技術研究所選擇了一條更難的路：他們不再滿足於用好別人的芯片，而是試圖從數學層面回答一個根本性問題——芯片與算法究竟該如何協同，才能讓有限資源發揮最大效能？

研究團隊將損失函數擴展法則與Roofline性能建模相結合，最終提煉出一套可量化、可預測的軟硬協同數學框架。通俗地說，這一定律把芯片的物理特性和算法的計算需求同時「翻譯」成數學語言，輸入芯片參數和模型需求，公式便能自動輸出最優的軟硬配比方案。這相當於為協同設計建立了「通解公式」，而非過去那種依賴工程師經驗反覆試錯的「特解摸索」。

在這套理論框架下，六大核心發現浮出水面，每一項都在顛覆行業固有的認知。例如，研究揭示，在車載典型的批處理大小為1的場景下，MOE稀疏架構將100%主導效率前沿。這意味着未來車載芯片必須原生支持稀疏計算，而非簡單堆砌密集矩陣乘算力。再如，內存帶寬和緩存效率往往比理論TOPS更能決定系統實際性能，「寬而淺」的芯片架構纔是車載場景的最優解。更有意思的是，傳統Transformer中沿用了多年的4倍FFN擴展比，在車載場景下被證明是低效的，這直接挑戰了芯片矩陣乘單元與激活函數單元的配比設計。

這些發現凝聚成一個核心結論：沒有通用芯片，只有場景最優芯片。最優架構強烈依賴於具體硬件參數，這從根本上證明了「算法定義芯片」的必要性。只有深度理解上層算法需求，才能設計出最高效的專用計算架構。

這項研究的深遠意義，在於它為中國企業在AI基礎理論層面贏得了一席話語權。它不是對西方技術路線的修修補補，而是一種原生於中國產業實踐的方法論突破。當理想汽車與國內高校持續產出頂會論文時，我們看到的不只是企業研發實力的證明，更是產學研深度融合的「中國智慧」在 global AI 舞台上的一次集體亮相。

二、從理論到實踐：研發投入澆灌出的技術密林

理論的價值，最終要落地為產品的溫度。

2026年2月，全新一代理想L9正式亮相，搭載兩顆5納米制程的馬赫100芯片，總算力達2560TOPS。但更具說服力的不是這個峯值數字，而是「有效算力」的概念。由於採用數據流架構，馬赫100在運行VLA大模型時的單顆有效算力達到英偉達Thor-U的三倍，雙芯協同時的整體有效算力更是達到Thor-U的五至六倍。

李想回顧，理想自2022年啓動芯片自主研發時，團隊便預判行業將在2025年後全面邁入「自研算法與自研算力深度融合」的軟硬一體化發展階段。馬赫100芯片的推出，正是這一長期技術戰略落地的首個關鍵成果。

如果理想僅僅將這些技術用於自家產品升級，它或許只是一次成功的企業級技術突破。但真正值得深思的是，這一定律背後所折射出的中國科技企業創新姿態的轉變。

回顧中國汽車產業的發展歷程，從最初的技術引進、合資合作，到後來的消化吸收、局部創新，再到如今在新能源和智能輔助駕駛領域的全面突圍，中國企業走過了一條漫長的追趕之路。但在AI基礎理論層面，能夠為全行業貢獻通用科學方法論的案例，依然屈指可數。

理想汽車此次聯合國創決策智能技術研究所發布的這一定律，恰恰填補了這一空白。這項研究不是針對某個具體問題的補丁式解決方案，而是一套具有普適意義的數學框架，可以為整個端側AI領域提供研發指導。

此外，還有一點不容忽視。軟硬協同設計定律的誕生，離不開理想汽車多年來對研發投入的持續加碼。數據顯示，2025年，理想預計研發投入達到120億元，近八年累計研發費用預計將超過468億元。即便面對激烈的市場競爭，理想的研發費用依然持續領跑新勢力車企。這些數字背後，是一個樸素的認知：只有從最基礎的研究做起，才能真正掌握技術迭代的主動權。

如今，這種投入正在轉化為可見的成果。2021年至2025年11月，理想汽車圍繞BEV、端到端模型、VLA等領域發表近50篇論文，被引用超過2500次，其中32篇論文中稿頂會。更重要的是，理想選擇將這些研究成果開源——DriveVLM、DIVE、3DRealCar等項目在GitHub上已獲得超過3200名開發者的收藏或調用。這種開放姿態，正在為中國智能駕駛產業構建一個良性的技術生態。

2025年3月，理想星環OS正式宣佈面向全行業開源，涵蓋AI計算系統、智能實時系統、通信中間件和安全系統。截至2025年9月，已有超過30家企業及社區加入星環OS生態。按照理想的測算，這一開源系統每年可為汽車行業節省100億至200億元的重複研發投入。

開源的背後，是一種更深層的戰略思考。在智能汽車這個複雜的賽道上，沒有一家企業能夠包攬所有創新。只有當更多的開發者、更多的企業參與到同一套技術體系的共建中，整個產業的創新節奏才能加快。

這不再是企業層面的商業博弈，而是一種產業責任感的體現——當中國企業開始主動輸出基礎設施、貢獻通用方法論，全球AI競賽的敘事，已然被改寫，中國企業正在成為遊戲規則的共同制定者。

三、結語

回到文章開頭的問題：算力越高，實際效能真的越高嗎？

理想汽車給出的答案是：算力是效能的根基，但協同纔是決定效能兌現程度的天花板。沒有足夠的芯片算力，再精妙的算法也只是紙上談兵；但若只有算力堆砌而缺乏軟硬件的深度協同，再高的賬面數字也只能在閒置與損耗中打了折扣。當芯片與算法能夠從設計之初就「商量着辦事」，當數學定律取代經驗調參，智能汽車的進化路徑便從堆料模式切換到了精算模式。

軟硬協同設計定律的意義，或許要放到更長的時間維度裏去理解。它不僅為今天的智能輔助駕駛提供了方法論，更為未來的具身智能、空間機器人等更廣泛的AI應用，鋪下了一塊理論基石。當人工智能開始走出數據中心、走進物理世界，如何讓算法在有限的算力上高效運行，將成為所有端側智能面臨的共同挑戰。而理想今天所做的工作，正是在為這個未來準備「通用語法」。

從跟隨者到定義者，這條路註定艱難。但當中國車企開始用數學定律而非營銷話術來定義智能的高度，這場全球AI競賽的敘事，已然被改寫。理想汽車的故事證明，中國科技企業不僅有實力參與全球競爭，更有智慧為全行業貢獻通用的科學方法論，這或許正是「中國智慧」在全球AI浪潮中最硬核的表達。