对谈理想 CTO 谢炎：AI 时代需要新的计算架构，我想在汽车上试出来

📌 一句话摘要

理想汽车 CTO 谢炎详解自研芯片马赫 M100 的技术路线与战略逻辑，阐述为何选择非主流的数据流架构、如何以 200 人团队挑战英伟达，以及 AI 时代软硬件垂直整合对车企竞争力的核心意义。

📝 详细摘要

本文是《晚点 LatePost》对理想汽车 CTO 谢炎的深度专访。谢炎详细阐述了理想自研 AI 芯片马赫 M100 的完整故事：从 2022 年加入理想时仅有两人的芯片团队起步，到如今芯片即将量产装车。他解释了为何放弃主流 GPGPU 路线，选择 1970 年代由 MIT 提出的数据流架构，并认为这是超越英伟达的唯一机会。文章深入讨论了数据流架构相比冯·诺依曼架构在 AI 计算上的效率优势、软硬件协同设计的挑战、以及理想如何通过垂直整合构建从芯片到操作系统的全栈竞争力。谢炎还分享了他对 AI 时代技术趋势的判断，包括算力需求将持续爆发、低精度推理的重要性、以及人需要具备「跳出分布概率思考」的能力。文章也触及了理想在业务波动期如何保持研发定力、以及 CTO 在组织管理上的思考。

💡 主要观点

- 理想选择数据流架构而非主流 GPGPU 路线，认为这是超越英伟达的唯一机会。 数据流架构由数据驱动而非指令驱动，理论上能减少等待和搬运，把更多晶体管用于计算。理想宣称马赫 M100 有效算力是英伟达 Thor-U 的 3 倍，但软件复杂度显著提升。

自研芯片的核心逻辑是软硬件垂直整合以实现产品差异化。 谢炎认为，如果最核心的 AI 算力部件大家都用英伟达，就无法做出真正的差异化。自研芯片不仅能降低成本，更能掌控技术迭代节奏，类似苹果自研芯片的策略。

AI 时代需要新的计算架构，传统冯·诺依曼架构在超大规模 AI 计算中面临瓶颈。 GPU 依赖集中式调度和大量数据搬运，规模越大效率损耗越明显。数据流架构天然适合 AI 的大规模并行计算，但编程和调试难度更高，需要强大的编译器支撑。

理想芯片团队仅约 200 人，强调小团队高效协作而非人海战术。 谢炎认为人多不一定好，核心部分自己做，后端、SoC 集成等环节借助供应商。团队保持安静，不被每月销量起伏干扰，专注于长期技术积累。

在 AI 时代，人的重要能力是能够跳出分布概率思考。 谢炎认为 AI 擅长处理大量数据的平均分布，但难以跳出常规思考。经验丰富的人能提出 AI 不会想到的方案（如马斯克回收火箭），这是人类的核心价值。

💬 文章金句

- 我相信 AI 时代会有一套新的计算架构，一直想在汽车上把它试出来。

• 如果和博尔特比短跑，你无法通过直线跑道——也就是 GPGPU 架构——进行超越。不同的路线或手段，比如数据流架构，是唯一的机会。
• 人最重要的是跳出概率分布的那部分，也就是 AI 从没见过或者 AI 不会去想的一些事情。
• 真正的成功，是搭载马赫 M100 的 L9 智驾能力跑到业界第一，然后车又卖得很好。
• 只要我们还没困难到一点儿钱都没有，那就保持这个研发强度，把内功练好。重要的是，你相信这件事本身不管在什么时代都重要。

📊 文章信息

AI 初评：88

来源：晚点LatePost

作者： 晚点LatePost

分类：商业科技

语言：中文

阅读时间：94 分钟

字数：23483

标签： 理想汽车, 自研芯片, 数据流架构, AI 芯片, 软硬件协同

阅读完整文章