雷科技AI硬件组 | 编辑：小林同学 | 监制：罗超
如果把时间往前推几年，智能驾驶系统更多还是多个模型各司其职。
感知、预测、规划等环节各自处理不同任务，再把结果交给下一环节，最终完成驾驶决策。
这种方式推动了智驾能力的进步，但随着端到端大模型逐渐走向量产，模型的计算方式变了，需要处理的任务变了，芯片与算法之间的关系，自然也得重新考虑。
10月29日，XHEART新芯航途在苏州举行发布会，正式推出大模型芯片X7 Ultra，算力达到700 TOPS。与此同时还公布了下一代芯片X9的研发目标，计划在2027年推出，目标算力达到3000 TOPS，雷科技与旗下电车通也受邀参与了本次发布会。
图源：电车通摄制
不过，XHEART这次想讲的故事，还不只是芯片算力的提高。
发布会上，CEO李宗霖用一句话概括了公司的技术方向：“让大模型定义芯片，让芯片承载大模型的下一次进化。”
大模型先走一步，
芯片的旧逻辑不够用了早在2023年创业之初，XHEART就确立了“大模型定义芯片”的技术路线。
与先设计硬件、再让模型适应芯片的做法不同，XHEART选择从真实应用中的模型需求出发，再倒推芯片的计算架构、存储设计和数据传输方式。
这也意味着，芯片团队不能只盯着硬件本身，模型接下来可能怎么发展，哪些计算任务最重要，哪些地方容易成为性能瓶颈，都需要提前考虑。
因此，XHEART从芯片设计阶段就让算法团队参与进来，希望在芯片还没有定型的时候，就把模型运行中可能遇到的问题尽量解决掉。
听起来，这种做法似乎只是把研发顺序调换了一下，但实际操作起来并不简单。
芯片的设计周期比较长，而大模型的迭代速度又很快，如果等模型更新之后再去修改硬件，往往会比较被动。如何提前判断模型的需求，也就成了芯片设计的一部分。
X7 Ultra正是这个背景下的产物。
按照XHEART公布的数据，这款芯片拥有700 TOPS大模型算力。同时，XHEART还将真实量产智驾大模型纳入测试，并要求量化部署后的模型输出与训练后FP32浮点模型的相似度达到99.99%以上。
之所以强调这一点，是因为模型从训练阶段走到车端部署，中间还需要经过量化等处理。如果只顾着提高运行速度，却影响了模型原本的输出表现，那么算力再高，也未必能带来理想的驾驶体验。
所以，对XHEART来说，真正要做的，是让更大的模型能够在车上跑起来，同时尽可能兼顾速度、精度和能耗。
而这也引出了X7 Ultra的另一层看点：除了700 TOPS的算力，它还做了哪些事情，来让这些算力真正发挥作用？
计算、存储、能效，
围绕这个问题，XHEART为X7 Ultra设计了六项核心产品能力。
乍一看，涉及NPU、CPU、工具链、异构计算和功能安全等多个领域，但归根结底其实都是为了解决同一件事，就是怎样让大模型在车端运行得更顺畅。
先说最核心的计算架构。
X7 Ultra采用了专为大模型设计的超大核NPU，按照XHEART的介绍，传统多个小核之间的数据交互通常处于百GB/s级，而超大核内部的高速互联能够达到TB/s级。
除此之外，芯片还为关键算子配置了高精度专用加速引擎，既希望提高计算效率，也尽可能保证模型执行时的精度。
当然，硬件架构设计得再好，也还得看实际运行时能发挥多少能力。
就像一辆车拥有很强的动力，并不意味着每次行驶都能把动力全部用出来。对于芯片来说，如果计算单元需要等待数据，或者不同任务之间无法很好地配合，最终表现也会打折扣。
为了解决这个问题，XHEART对底层软硬件进行了协同优化，让计算任务与权重加载尽可能并行执行，官方公布的量产智驾大模型测试数据显示，X7 Ultra的NPU计算利用率达到了98.7%。
这还不是全部，大模型运行时会产生大量中间数据，如果这些数据反复写入、读取外部内存，也会占用带宽，增加系统开销。
于是，XHEART又对AI工具链进行了调整，通过整网级融合，把模型中的计算任务放在一起进行编排和优化，尽可能减少不必要的数据搬运。
官方数据显示，X7 Ultra的内存带宽消耗较行业旗舰产品下降80%，能效提升100%。这很合理，车上的计算资源终究有限，功耗、散热和成本也都有约束。芯片厂商需要做的，不只是把算力做高，还得尽可能减少运行过程中的浪费。
除了模型计算，芯片还要负责系统控制、任务调度以及各种传感器数据的处理。X7 Ultra因此采用了中国首发量产的Armv9车规级CPU，用来承担复杂控制与系统调度任务。
对于激光雷达等传感器，XHEART则采用深度异构计算方案，通过专用计算单元处理相应任务。按照公司公布的数据，X7 Ultra的激光雷达处理带宽最高达到每秒2000万点，传感器预处理稳定性提升100%。
至于安全能力，X7 Ultra满足ISO 26262 ASIL-B功能安全要求，内置MCU通过ASIL-D认证。毕竟，芯片最后要装进汽车，面对的是复杂多变的道路环境，安全能力自然不能落下。
按照XHEART的说法，通过架构与工具链协同创新，X7 Ultra支持可部署模型参数量实现10倍提升。这意味着，公司希望在车端有限的资源条件下，为更大规模的模型腾出空间。
当然，技术指标说得再漂亮，最终还得看产品能不能真正装车。尤其对于汽车芯片来说，从实验室里的测试结果到稳定量产，中间还有不少关要过。
大模型芯片，
众所周知，汽车芯片的研发，从来都不是一件轻松的事。
芯片流片成功，只能算完成了其中一个环节。后续的软件适配、系统联调、整车验证，每一步都需要时间。即便芯片本身表现不错，如果不能顺利配合车企完成开发，也很难真正进入量产市场。
XHEART在发布会上分享了一组研发进度，首颗X7芯片回片后，不到24小时便完成点亮，主要数据通路全部打通；到了第17天，芯片、底层软件和智驾模型就实现了整车闭环，并在真实道路上接受了测试，覆盖白天、夜晚和暴雨等环境。
从芯片点亮到整车闭环，这样的进度体现了研发团队的工程效率。不过，对一家芯片公司来说，更重要的还是后续交付。
截至10月29日的发布会，X7系列已经量产8个月，累计出货超过20万颗，搭载10款量产车型，并获得超过40款车型订单。
与此同时，XHEART透露基于双X7的L3/L4计算平台已经获得多个车型项目定点。这意味着，随着智驾系统向更高等级发展，XHEART也在尝试将现有的芯片技术延伸到更复杂的应用场景。
在发布会上，Momenta CEO曹旭东首次公开分享了公司的第三个洞察：“大模型定义芯片”。
按照曹旭东的说法，这一判断形成于2022年底，随后由Momenta与XHEART共同推进。他认为，相比通用芯片，大模型定义的芯片性能能够提升10倍，而要实现规模化L4自动驾驶，需要百亿至千亿参数规模的模型。
曹旭东还谈到了智驾能力的提升速度，他表示，大模型芯片正在加速智驾摩尔定律。2022年至2026年，智驾能力每两年提升十倍，推动城市NOA从早期探索走向应用引爆点与加速普及。
而推动这一规律迈向每年十倍提升的关键，是“大模型定义芯片”。曹旭东判断，L3和L4有望于2028年迎来重要引爆点，并在2030年走向规模化落地。
当然，这些判断最终能否兑现，还要看技术成熟度、产品成本以及实际应用场景的发展。但至少从目前的技术路线来看，模型与芯片之间的关系，已经越来越难以分开讨论。