理想汽车在基于NVIDIA Orin/Thor平台的早期实践中发现(xian)，即便搭载了行业最顶级的车载芯片，在实际部署(shu)大语言模型时，其真实释放(fang)的性能往往大打折扣。

这不是理想汽车一家遇到的问题。英伟达、苹果、微(wei)软、谷歌等全球科技巨头(tou)都在为此头(tou)疼。

传统的研发模式中，芯片工程师(shi)埋头(tou)追(zhui)求更高(gao)的峰值算力，算法工程师(shi)则疯狂堆叠模型参数，两者在各自的轨(gui)道(dao)上狂奔。结果就是：软件与硬件在最后(hou)集成阶段才仓促碰面，彼此妥(tuo)协、相互迁就，大量算力被闲置(zhi)，大量功耗被浪费。这种“软硬割裂”的研发方式，在全场景智能辅助驾驶对算力需(xu)求呈(cheng)指数级攀升的今天，正变得愈发难以为继。

也正是这种“软硬割裂”的痛感让理想汽车意(yi)识到，如果继续沿着“堆料”的老(lao)路走(zou)下去，永远只能跟在别人身后(hou)吃(chi)灰。真正的解法，不在芯片厂商的下一代产品路线(xian)图里，而在底层研发逻辑的重构之中。

基于此，理想汽车MindVLA团(tuan)队与国创决策智能技术(shu)研究所选择了一条更难的路：他们不再满足于用好别人的芯片，而是试(shi)图从数学层面回答(da)一个根本性问题——芯片与算法究竟该如何协同，才能让有限资源发挥最大效能？

研究团(tuan)队将损(sun)失函数扩展法则与Roofline性能建模相结合，最终提炼出一套可量化、可预测的软硬协同数学框架。通(tong)俗地说，这一定律把芯片的物理特性和(he)算法的计算需(xu)求同时“翻译(yi)”成数学语言，输入芯片参数和(he)模型需(xu)求，公式便能自动输出最优(you)的软硬配比方案。这相当于为协同设计建立了“通(tong)解公式”，而非(fei)过去那种依(yi)赖(lai)工程师(shi)经验反复试(shi)错(cuo)的“特解摸索”。

在这套理论框架下，六大核心(xin)发现(xian)浮出水面，每一项都在颠覆行业固有的认(ren)知。例如，研究揭示，在车载典型的批处理大小为1的场景下，MOE稀疏架构将100%主导效率(lu)前沿。这意(yi)味着未来(lai)车载芯片必须原生支持稀疏计算，而非(fei)简单堆砌密集矩阵乘算力。再如，内存带宽和(he)缓(huan)存效率(lu)往往比理论TOPS更能决定系统实际性能，“宽而浅”的芯片架构才是车载场景的最优(you)解。更有意(yi)思的是，传统Transformer中沿用了多年的4倍FFN扩展比，在车载场景下被证明是低效的，这直接(jie)挑战了芯片矩阵乘单元与激活函数单元的配比设计。

这些发现(xian)凝聚成一个核心(xin)结论：没有通(tong)用芯片，只有场景最优(you)芯片。最优(you)架构强(qiang)烈依(yi)赖(lai)于具体硬件参数，这从根本上证明了“算法定义芯片”的必要性。只有深(shen)度理解上层算法需(xu)求，才能设计出最高(gao)效的专用计算架构。

这项研究的深(shen)远意(yi)义，在于它为中国企业在AI基础理论层面赢得了一席话语权。它不是对西方技术(shu)路线(xian)的修修补补，而是一种原生于中国产业实践的方法论突破。当理想汽车与国内高(gao)校持续产出顶会(hui)论文时，我们看到的不只是企业研发实力的证明，更是产学研深(shen)度融合的“中国智慧”在 global AI 舞(wu)台上的一次集体亮相。

二、从理论到实践：研发投(tou)入浇灌出的技术(shu)密林

理论的价(jia)值，最终要落(luo)地为产品的温度。

2026年2月，全新一代理想L9正式亮相，搭载两颗5纳米制(zhi)程的马赫100芯片，总(zong)算力达2560TOPS。但更具说服力的不是这个峰值数字，而是“有效算力”的概(gai)念。由于采用数据流架构，马赫100在运(yun)行VLA大模型时的单颗有效算力达到英伟达Thor-U的三倍，双(shuang)芯协同时的整体有效算力更是达到Thor-U的五至(zhi)六倍。

李想回顾，理想自2022年启动芯片自主研发时，团(tuan)队便预判行业将在2025年后(hou)全面迈入“自研算法与自研算力深(shen)度融合”的软硬一体化发展阶段。马赫100芯片的推出，正是这一长期技术(shu)战略落(luo)地的首个关键成果。

如果理想仅仅将这些技术(shu)用于自家产品升级，它或许(xu)只是一次成功的企业级技术(shu)突破。但真正值得深(shen)思的是，这一定律背后(hou)所折射出的中国科技企业创新姿态的转变。

回顾中国汽车产业的发展历程，从最初的技术(shu)引(yin)进、合资合作，到后(hou)来(lai)的消化吸收、局部创新，再到如今在新能源和(he)智能辅助驾驶领域的全面突围，中国企业走(zou)过了一条漫长的追(zhui)赶之路。但在AI基础理论层面，能够为全行业贡献(xian)通(tong)用科学方法论的案例，依(yi)然屈指可数。

理想汽车此次联合国创决策智能技术(shu)研究所发布的这一定律，恰恰填补了这一空白。这项研究不是针对某个具体问题的补丁式解决方案，而是一套具有普适意(yi)义的数学框架，可以为整个端侧(ce)AI领域提供研发指导。

此外，还有一点不容忽视。软硬协同设计定律的诞(dan)生，离不开理想汽车多年来(lai)对研发投(tou)入的持续加码。数据显示，2025年，理想预计研发投(tou)入达到120亿元，近八年累计研发费用预计将超过468亿元。即便面对激烈的市场竞争(zheng)，理想的研发费用依(yi)然持续领跑新势力车企。这些数字背后(hou)，是一个朴素(su)的认(ren)知：只有从最基础的研究做起，才能真正掌握技术(shu)迭代的主动权。

如今，这种投(tou)入正在转化为可见的成果。2021年至(zhi)2025年11月，理想汽车围绕BEV、端到端模型、VLA等领域发表近50篇论文，被引(yin)用超过2500次，其中32篇论文中稿顶会(hui)。更重要的是，理想选择将这些研究成果开源——DriveVLM、DIVE、3DRealCar等项目在GitHub上已获得超过3200名开发者的收藏或调用。这种开放(fang)姿态，正在为中国智能驾驶产业构建一个良性的技术(shu)生态。

2025年3月，理想星环OS正式宣布面向全行业开源，涵盖AI计算系统、智能实时系统、通(tong)信中间(jian)件和(he)安全系统。截至(zhi)2025年9月，已有超过30家企业及社区加入星环OS生态。按(an)照理想的测算，这一开源系统每年可为汽车行业节省100亿至(zhi)200亿元的重复研发投(tou)入。

开源的背后(hou)，是一种更深(shen)层的战略思考。在智能汽车这个复杂的赛道(dao)上，没有一家企业能够包揽所有创新。只有当更多的开发者、更多的企业参与到同一套技术(shu)体系的共建中，整个产业的创新节奏才能加快。

这不再是企业层面的商业博弈，而是一种产业责任感的体现(xian)——当中国企业开始主动输出基础设施、贡献(xian)通(tong)用方法论，全球AI竞赛的叙事，已然被改写，中国企业正在成为游戏规则的共同制(zhi)定者。

三、结语

回到文章开头(tou)的问题：算力越(yue)高(gao)，实际效能真的越(yue)高(gao)吗？

理想汽车给出的答(da)案是：算力是效能的根基，但协同才是决定效能兑现(xian)程度的天花板。没有足够的芯片算力，再精(jing)妙的算法也只是纸上谈兵；但若只有算力堆砌而缺乏软硬件的深(shen)度协同，再高(gao)的账面数字也只能在闲置(zhi)与损(sun)耗中打了折扣。当芯片与算法能够从设计之初就“商量着办事”，当数学定律取代经验调参，智能汽车的进化路径便从堆料模式切换到了精(jing)算模式。

软硬协同设计定律的意(yi)义，或许(xu)要放(fang)到更长的时间(jian)维度里去理解。它不仅为今天的智能辅助驾驶提供了方法论，更为未来(lai)的具身智能、空间(jian)机器人等更广泛的AI应用，铺下了一块理论基石。当人工智能开始走(zou)出数据中心(xin)、走(zou)进物理世(shi)界，如何让算法在有限的算力上高(gao)效运(yun)行，将成为所有端侧(ce)智能面临(lin)的共同挑战。而理想今天所做的工作，正是在为这个未来(lai)准(zhun)备“通(tong)用语法”。

从跟随者到定义者，这条路注定艰难。但当中国车企开始用数学定律而非(fei)营销(xiao)话术(shu)来(lai)定义智能的高(gao)度，这场全球AI竞赛的叙事，已然被改写。理想汽车的故事证明，中国科技企业不仅有实力参与全球竞争(zheng)，更有智慧为全行业贡献(xian)通(tong)用的科学方法论，这或许(xu)正是“中国智慧”在全球AI浪潮中最硬核的表达。