理想Livis Day：推翻冯诺依曼架构，算力不再是智能车上限？

芝能智芯出品

理想Livis Day发布会，谢炎上台的开场白是：今天要跟大家聊一个困扰整个计算机行业将近20年的问题，要向你们展示一个答案，全球首款数据流AI芯片马赫M100。

1024个TOPS、5纳米工艺、双芯2560TOPS，放在2026年已经不算出圈的数字。

但掌声最密集的那几十秒，不是参数，是谢炎讲了冯·诺依曼架构用70年推动了通用计算的辉煌，马赫M100希望用数据流架构接过这一棒。

有这么玄乎吗？

把芯片从冯·诺依曼架构换成数据流架构，是重新盖楼。

谢炎讲了一段历史：上世纪八九十年代，计算机行业享受着两重红利。

摩尔定律管密度，每隔两年晶体管翻倍。Dennard缩放定律管频率，晶体管缩小但电压和电流同步下降，功耗不增反减。程序员写一行代码都不用改，放两年性能自动翻倍。

2004年前后，65纳米工艺出现了一件事：晶体管的绝缘层太薄了，开始漏电、电压降不下去了，热量开始爆发。Dennard定律死了。2010年以后，摩尔定律也开始不太适用了，每代制程的性能提升从翻倍掉到三成、两成、一成。

谢炎说："曾经驱动计算机行业的两条腿，一条断了，另一条也开始瘸了。与此同时，AI来了。"

2012年AlexNet点燃深度学习，2022年ChatGPT让全世界意识到AI没有边界，2025年Agent时代爆发，推理算力需求已经超出了任何人最疯狂的预测。算力的供给在放缓，算力的需求在增长。

冯·诺依曼架构之所以统治了70年，是因为它极其符合人类大脑一步一步推理的思维习惯。控制器、运算器、存储器、输入输出，指令一条接一条执行。

但代价是，为了管理这条指令队列，芯片需要投入海量的晶体管做缓存、调度、分支预测。

当遇到AI这种海量并行计算的时候，管理开销跟着数据量一起膨胀，效率被锁死在一个很低的天花板下。

数据流架构的思路是反过来的，AI计算天然是并行的。

数据之间的关系是确定的，流动路径是清晰的。拆掉中央式的指令队列和伴随它左右的大量管理开销，让数据流动本身来驱动计算的发生。让架构围绕AI的计算形态来原生设计。

听起来抽象。落到马赫M100这颗芯片上，就是一组具体的数字。

单芯片1280TOPS，双芯2560TOPS，5纳米车规工艺。56个计算单元和一个数据处理模块，用网格总线和数据环形总线双互联架构支撑。

网格总线提供高带宽的点对点通路，数据环形总线提供确定性的广播通路。数据流到哪里，就在哪里触发计算。

CPU部分，24颗24核ARM A78AE，主频2.3GHz。8路LPDDR5X内存子系统，273GB每秒的超高带宽。实际运行效率超过82%。

谢炎只提了一句"主流基于SIMT架构的GPU做到这个数字是非常困难的"。

做过AI推理部署的人都知道，一块GPU的理论TOPS和实际跑出有效算力的比例，中间差着巨大的利用率损耗。数据流架构把这层损耗压到了最低。

和Thor直接对比，在CNN骨干网络、unAD和理想马赫VLA核心模型三项测试中，马赫M100全部超越。

谢炎说"不是略微领先，是数倍的性能差距"。

和一台售价4万元的英伟达DGX Spark桌面超算比，跑千问3.5B、3B通用大模型，prefill速度是DGX的2.7倍，decode速度是1.5倍。一台装在车里的芯片，比一台4万块的桌面超算跑得更快。

马赫M100的架构论文被ISCA 2026正式收录，谢炎说："理想汽车是汽车行业中第一家、历史上第一家，在ISCA工业分区获得论文录取的企业。入选ISCA从来不是因为造了一颗芯片，是因为提出并实践了一种创新的架构思路。"

芯片是底座。放在上面的东西是什么？

除了特斯拉，国内没有智驾第一梯队，詹锟 FSD V14.3连着开了整整两个星期。回国以后，脑子里只剩了两句。第一句公开说了："特斯拉真的太强大了。"第二句只在内部说了，因为他说自己感受到了巨大的压力。然后紧急召集核心算法团队复盘。

真正感受到压力，才证明我们是在平视这个星球上最强大的对手，而不是在国内的内卷中自我麻痹。

截至6月14日，理想全系智能驾驶主动避险总次数1727万次。其中重大避险5.5万次。1400余天，日均主动避险1.2万次。

全新马赫VLA系统的端到端时延压缩到了0.28秒。普通人从发现危险到踩刹车的平均反应时间是0.45秒。地表最强的F1车手极限反应是0.25秒。

马赫VLA比普通人快40%，和F1只差0.03秒。在120公里时速下，这0.17秒的差距等于提前6米刹停。6米是一台劳斯莱斯幻影的整车长度，而6米就是刹停到相撞、生存到毁灭的全部距离。

这个0.28秒是从光子进入传感器到车辆执行的全链路深度重构。

视觉输入时延降47%，模型推理链路缩短43%，线控底盘响应降38%，操作系统调度编排降28%。詹锟说是整个链路从头到尾都变短了。

今天的智驾会不会倒车。詹锟在台上问了一个全场没人敢正面回应的问题："请问你们对自己的智驾的倒车能力，有一款是满意的吗。哪怕你是理想的车主，大胆面对这真实的问题。"

他放了一段视频：广州傍晚雨夜，城中村小路，路宽不到3米。没有车道线，没有交通标识，路边有打伞的行人，随时乱窜的外卖骑手，占道摆摊的小贩。马赫VLA在这种路况下没有刹停，没有犹豫，根据对象来车、行人、电动车的位置主动辗转腾挪，给每一个参与者留足了空间。

模仿学习数据规模提升50%，强化学习数据量暴增15倍，模型参数量提升10倍同时每秒token计算量提升15倍，光靠模仿你只能学到大概是这么开的，只有真实的错误砸在你的脸上，你才能真正学会这样开是对的。

芯片管算力，模型管能力。最后是体验。

李想在开场的时候提了一个问题：今天的智能手机和智能汽车其实都不智能。他的逻辑是，传统智能汽车在安全上满足功能安全但不保护人，在能力上只会调用功能不会独立完成任务，在效率上远低于人类。这三个维度加起来，离"真正的智能"还差得很远。

他给出的定义是：一辆具身智能汽车，等于电动车加职业司机加AI计算机加生活助手。

四种能力做进一个产品里。现场做了连演示，最复杂的一个：厂长（李想）一家六口，老婆在蓝色港湾购物，老大在赵全营造学美术，老二在望京学芭蕾，老三在中关村学乐高，老四在满营打羽毛球。先去接老大，再接老四，再接老三，最后接上老二去接老婆，晚上给老四在三里屯过生日。

一段话六个地点，顺序和出发地的地理逻辑完全打乱。理想同学的Agent在十几秒内完成了所有地址的排序和路线规划。

马赫Mind-Pro是云端大模型，208TPS峰值，token消耗降低38%，工具调用冗余轮次降低47%，IFeval、LongBench V2、BFCL V4等权威基准全部第一梯队，这是真正可量化、可落地、高性价比的实战型智能体模型"。

马赫Mind-Edge是端侧原生Agent。多模态流式时序建模，让模型能连续理解动态物理世界，同时具备因果推理和自主决策能力。

彻底摆脱了传统AI只回答不行动的模式。可以说出动作，实时调用车辆硬件，always on全天候，全部在车端本地实现。低时延、高可靠，数据完全不上传。

理想在AI上给出的差异化，云端模型跑分，端侧模型干活。一个管深度的思考，一个管持续的陪伴。两个合在一起，车才从"回答问题"走进了"独立完成任务"。