理想追赶FSD V14：谈技术差距、数据价值与自研芯片逻辑

事件概述

理想汽车自动驾驶负责人詹锟与芯片负责人谢炎接受媒体访谈，围绕理想如何追赶特斯拉FSD V14、自研芯片逻辑、数据价值及技术架构选择等核心问题展开讨论。

核心信息

追赶FSD V14的两层目标

• 基础体验：安全感、效率、舒适度需达到FSD同等水平，这是基本功。
• 能力层面：特斯拉在特殊场景（如礼让特殊车辆、极窄通行感知、识别交警指挥）上的能力极强，存在架构和数据范式上的差异，理想正通过架构升级尝试突破。

技术路线判断

• 长远趋势是VLA（视觉-语言-行为模型）与World Model整合，语言作为Prompt自然融入。
• 基于视觉和语言的原生基础模型是未来方向。语言能力对解决未见过场景（如警察手势）至关重要，是实现L3/L4泛化推理的关键。

数据策略

• 数据量足够大才能收集更多Corner Case，车端需通过neural trigger筛选关键数据回传。
• 数据质量核心是行为质量：在端到端范式下，行为的干净度和一致性非常重要。
• 边际效应呈对数曲线衰减，越往高分越慢，但规模能加速这一收敛过程。

自研芯片马赫M100的定位

• 马赫M100采用数据流架构，旨在构建车内统一AI计算中心，所有AI任务共享算力，实现高效率及任务间隔离（如智驾任务的确定性不受其他任务干扰）。
• 带宽需求相对较低，但设计是成本、综合性能等多因素权衡的结果，不能仅凭单一指标评判。

舱驾融合趋势判断

• 舱和驾本质是两个独立系统，高端L3/L4智驾需要高确定性专用资源，舱驾融合可能降低确定性，意义不大。
• 中低端方案中封装成本可节省，但高端方向更倾向于多芯片集成而非单芯片融合。

自研芯片的条件

• 车企需达到年营收1000亿元以上，研发投入占比10%以上方可支撑。
• 成本可通过规模化摊薄：一辆车智驾芯片面积约800平方毫米（2颗M100），大几十万辆车对应的晶圆面积足以显著降低成本。
• 编译器工作需在流片前开始，数据流架构解决的是超大规模并行调度问题，与传统冯·诺依曼架构不同。