理想马赫M100芯片量产上车,5nm工艺实现82%算力利用率,登台台积电OIP论坛
理想汽车自研的马赫 M100 智驾芯片已量产装车,采用 5nm 车规级工艺,单颗算力达 1280 TOPS,算力利用率超 82%。该芯片基于全球首款量产动态数据流架构,显著提升端侧大模型推理效率,并于...
2026 年 11 月 17 日,理想汽车在台积电 OIP(Open Innovation Platform)生态系统论坛上完成特邀演讲。这是该论坛举办以来,首次有中国大陆企业站上主讲席——与博通、瑞萨电子、SK 海力士等全球头部芯片厂商同台分享技术进展。而支撑这一里程碑的,是理想已量产上车的自研智驾芯片「马赫 M100」。
马赫 M100 并非单纯追求算力堆叠的“参数怪兽”。其核心目标是解决智能驾驶中长期存在的“决策犹豫”问题:即便账面算力高达数百 TOPS,车辆在复杂路口仍可能表现迟疑或操作生硬。理想认为,症结不仅在于算法,更深层源于传统计算架构的效率瓶颈。
过去数十年,AI 推理主要依赖冯·诺依曼架构下的 GPU 或 NPU,这类架构面临经典的“内存墙”问题。类比而言,CPU/GPU 如同一位技艺精湛的大厨,但每次处理数据都需反复往返于远处的“内存仓库”,大量时间消耗在数据搬运而非实际计算上。行业常规应对方式是在原有架构基础上叠加专用加速单元,相当于多请跑腿厨师;而理想选择彻底重构“厨房流程”。
2022 年立项时,理想直接摒弃传统指令驱动模式,开发出全球首款量产的动态数据流架构AI 芯片。该架构取消中央控制器调度,将数据视为流动的“食材”,进入芯片后即按预设路径在片内工位间高效流转,通过环形与网格双互联总线实现多工位协同处理。关键的是,它保留了高度可编程性——流水线可通过软件重新编译灵活适配不同模型,既保障高吞吐效率,又为未来大模型迭代预留空间。
这一设计使马赫 M100 在 5nm 车规级制程下,实现单颗芯片 1280 TOPS INT8 算力,且实测算力利用率高达 82%以上,远超传统架构普遍不足 30% 的水平。在运行 35B 参数规模的 Qwen3.5-35B-A3B 模型时,其预填充速度达到英伟达 DGX Spark 的 2.7 倍,解码速度为 1.5 倍。
技术突破的背后,是理想内部“软硬一体联合设计”机制的落地。不同于传统车企被动适配供应商芯片,理想将算法团队与芯片团队从项目初期就深度协同,使硬件真正服务于端侧大模型的实际推理需求。这种模式让理想从“点菜的食客”转变为“主厨”,自主掌控从数据流定义到模型部署的全链路。
马赫 M100 的架构论文已于 2026 年初入选全球计算机体系结构顶会,与 Google、Meta 的前沿成果并列。其量产上车标志着中国车企在车规级 AI 芯片领域迈出实质性一步——不再仅依赖外部方案,而是以底层架构创新推动智驾体验质变。
值得注意的是,理想并未将芯片性能作为营销焦点,反而强调“让用户开车时彻底忘掉它”。这指向智驾体验的核心诉求:无感、自然、拟人化。当车辆能像人类驾驶员一样果断判断路口通行时机、平稳完成变道合并,技术便完成了它的终极使命——隐于无形。
在摩尔定律趋缓、AI 大模型对端侧算力提出更高要求的背景下,动态数据流架构正成为新一代 AI 芯片的重要演进方向。除理想外,学术界与工业界近年亦有类似探索,但实现车规级量产并大规模装车者尚属罕见。马赫 M100 的落地,不仅验证了该架构在高可靠性、低延迟场景下的可行性,也为后续更大规模模型的端侧部署提供了工程范本。
目前,该芯片已搭载于理想 L 系列最新车型,支持本地运行百亿参数级大模型,实现更精准的环境理解与预测决策。随着后续版本迭代与多芯片协同方案推进,理想有望进一步拉大在端到端智驾技术路径上的差异化优势。
智驾的终极目标不是替代人类,而是延伸人类的感知与判断边界。当芯片不再需要被感知,车辆的每一次转向、加减速都如本能般流畅,技术才算真正抵达成熟阶段。马赫 M100 的出现,正是朝这一方向迈出的关键一步。
