MomentaCEO曹旭东提出“大模型定义芯片”，X7Ultra芯片首发落地

10月29日，在新芯航途（XHEART）举办的发布会上，自动驾驶公司Momenta CEO曹旭东首次系统阐述其公司第三大战略洞察——“大模型定义芯片”。这一提法并非概念空谈，而是基于L4级自动驾驶规模化落地过程中暴露的底层算力瓶颈所提出的工程化路径。

此前，Momenta已形成两大核心方法论：以“数据驱动”应对长尾场景挑战，以“规模量产”持续获取真实道路数据闭环。而此次提出的第三条路径，则直指算力层——当智驾系统需部署百亿乃至千亿参数的大语言模型或视觉-决策一体化模型时，传统通用芯片已难以兼顾车规级可靠性、有限功耗预算与可接受的成本结构，曹旭东将其概括为“通用芯片的不可能三角”。

在这一背景下，“大模型定义芯片”成为唯一可行解：即从模型的计算模式、内存访问特征与推理延迟要求出发，反向设计专用硬件架构。曹旭东指出，此类定制芯片在综合性能上可比通用方案提升高达10倍，是支撑高阶智驾系统真正走向量产的关键一环。

该思路已进入落地阶段。发布会现场，XHEART CEO李宗霖正式发布X7 Ultra大模型芯片。这枚芯片是Momenta与XHEART深度协同的成果，其核心设计围绕大模型推理的两大痛点展开：内存带宽瓶颈与能效比不足。

具体而言，X7 Ultra采用“超大核NPU”架构，将多个计算单元整合为单一大核，显著减少核间通信开销。据官方介绍，核内数据交互速率可达TB/s量级，远高于传统多核分布式架构下的GB/s级别。同时，该芯片搭载中国首发量产的Armv9车规级CPU，相较前代产品，CPU性能提升20%，能效比提升10%。整体设计强调软硬协同——Momenta的模型压缩、量化与调度策略可深度适配芯片微架构，从而在有限功耗下实现更高推理吞吐。

值得注意的是，Momenta对“大模型”的理解已超出传统NLP范畴。在发布会演示中，其技术路线图明确区分了“数字AI”与“物理AI”：前者聚焦于文本生成与语义理解；后者则面向具身智能，目标是从预测下一个Token，跃升至预测下一个世界状态——即对物理环境动态变化的建模与推演。这意味着，车载大模型不仅需处理感知输入，还需实时模拟车辆行为、交通参与者意图及环境演化，对算力的实时性与确定性提出更高要求。

这一转向也解释了为何通用GPU或NPU难以胜任：它们擅长高吞吐并行计算，但在低延迟、高确定性响应方面存在天然局限；而车规芯片必须在极端工况下保持功能安全（ISO 26262 ASIL-D级），这对硬件的容错机制与热稳定性提出严苛标准。定制芯片可通过简化指令集、固化关键算子、优化片上缓存层次等方式，在满足功能安全前提下，为大模型推理提供更高效的执行路径。

行业层面看，Momenta的路径具有示范意义。过去几年，自动驾驶芯片领域呈现两条主线：一是英伟达、高通等巨头提供通用算力平台；二是地平线、黑芝麻等本土厂商推出面向BEV+Transformer架构的专用芯片。但随着模型复杂度指数级上升，后者的“专用”仍显不足——多数仍基于通用NPU IP二次封装，未真正从模型计算图结构出发重构硬件。

相比之下，“大模型定义芯片”意味着硬件设计周期需前置至模型研发早期。例如，若某类稀疏注意力机制成为主流，芯片可针对性强化稀疏矩阵乘加单元；若模型大量依赖记忆增强模块，则需增大片上SRAM容量并优化访存路径。这种深度耦合模式虽提高开发门槛，却能在量产阶段大幅摊薄单颗芯片成本，并提升系统级能效。

值得延伸思考的是，该逻辑正从自动驾驶向更广域的物理AI扩散。具身智能机器人同样面临类似约束：在移动平台上运行具备环境建模与规划能力的大模型，必须解决功耗墙与实时性矛盾。波士顿动力、Figure AI等公司在人形机器人中已开始探索专用协处理器；国内优必选、宇树科技也在推进自研控制芯片。可以预见，未来3–5年，“模型定义硬件”将成为物理AI基础设施的主流范式。

目前，X7 Ultra芯片已完成流片，进入客户导入阶段。Momenta表示，其下一代L4系统将基于该芯片构建，目标是在2026年实现城市道路无接管规模化运营。这一进程不仅考验算法与数据能力，更取决于底层芯片能否在车规约束下稳定承载日益庞大的模型。

从技术演进角度看，“大模型定义芯片”标志着AI发展进入新阶段：当模型本身成为系统设计的起点，硬件不再只是被动执行者，而是与算法共同构成一个协同进化的新物种。对于整个智能驾驶产业而言，这既是挑战，也是摆脱对国外通用算力依赖、构建自主技术栈的关键突破口。