从新能源到“硅基人”——理想如何用十年重新定义汽车

（图源：Livis 发布会）

“今天的传统智能汽车，并不是真的智能，本质上是‘功能驱动’，服务于特定场景，对安全的定义也只是功能安全。”

2026年6月15日，在 Livis Day 理想汽车软件与具身智能发布会上 CEO 李想的一番话，宣告了理想未来十年的战略方向——从造“移动的家”，转向给车和家赋予生命。

过去十年，尽管新能源汽车被诟病“冰箱、电视、大沙发”。但正是在空间、舒适度和家庭体验这些被嘲笑的维度上做到极致，在AI赋能一切的新时代，反而让新能源汽车获得了超越传统汽车、成为硅基智能体的另一种可能。

Livis Day 上，理想正式提出了“具身智能汽车”的完整定义。具身智能汽车不再是一台单纯的交通工具，而是集合了电动车、职业司机、AI 计算机、生活助手四位一体的智能体，且同时具备保护人类安全、独立完成任务、比人类更高效未来三大核心能力。

淘汰马车的，不是更快的马车；真正杀死比赛的，往往不是在赛场上选手，而是跳脱出框架，重新定义比赛意义的人。

未来的新能源产业，也必将完成从“功能驱动”到“硅基生命体”的范式升级。

十年长跑，长期主义的浪漫

理想在具身智能上的布局，是一场长达十年的长跑。

汽车的终极形态是什么？在甚至连特斯拉都未能验证自身商业模式是否可行的 2015 年，李想就向自己和团队抛出了这个问题。当时，他给出的答案就是“机器人”。

李想口中的机器人，并不是狭义上的人形机器人，而是当下火热但彼时却鲜有人提起的具身智能。工业和信息化部装备工业发展中心曾刊文称，具身智能是指智能体（如机器人、无人机、智能汽车等）通过物理实体与环境实时交互，实现感知、认知、决策和行动一体化。

工信部在文章中表示，具身智能的核心理念颠覆了传统人工智能的“离身性”局限，强调智能的本质必须通过身体与环境的动态互动来塑造和体现。

简单来说，传统的对话式大模型不具备“身体”，不强调与物理世界交互。而具身智能则是依托基础模型，通过物理载体完成真实世界中的任务。

但这个身体，无论是车、无人机、机器狗还是人形机器人，在这个阶段并不是问题的核心。

（图源：中国通信院《具身智能发展报告（2025 年）》）

为什么理想如此坚定地将汽车作为具身智能的主战场？2026 年 6 月 11 日，李想在社交平台回应外界“不务正业”的质疑时写道：“基于汽车形态的具身智能，可能是第一个进入物理世界的AI机器人。”李想认为，汽车已天然具备具身智能所需的所有要素：身体（电动车平台）、眼睛（多传感器+3D ViT 感知）、大脑（高算力芯片+VLA 模型）、手脚（全线控底盘）。

更重要的是，汽车运行在结构化道路上，每天产生海量真实世界数据，形成感知-决策-执行的完整闭环，这是目前最成熟、可规模化落地的物理智能体平台。

那么，把汽车从工业时代的交通工具，进化成人工智能时代的空间机器人，需要解决看得见、想的快、动的稳三个问题。

于是从 2021 年开始，理想悄然启动了一系列基础能力建设，自研感知系统率先量产上车。2022 年，理想正式将人工智能确立为公司核心竞争力。此后芯片、操作系统、主动悬架等三大核心项目几乎同时立项，其中马赫 M100 芯片项目正式启动，历时三年半持续打磨。2023 年，理想大模型研发启动；2024 年，自研星环 OS 落地；2025 年，AI 相关研发投入占比已大幅提升至约 50%，VLA 司机大模型开始交付上车。

理想从 2015 年的“机器人”构想到 2026 年 L9 Livis 全栈落地，用十年光阴诠释了真正意义上的长期主义长跑。

造车 vs “造人”

那么问题来了，十年来的持续投入，值吗？

2026 年 5 月在参加罗永浩的十字路口中，李想系统阐述了他的“上下半场”理论，即自动驾驶是具身智能的上半场，人形机器人是下半场。

李想的计划中，企业在上半场通过汽车验证和打磨技术，而在下半场则将积累的模型、数据、算法和工程经验迁移到更通用的人形机器人形态上。李想判断，未来的 3 至 5 年，中高端智能汽车的竞争本质上就是具身智能的竞争。

可惜的是，在当下的新能源汽车市场，并非所有车企都愿意或能够跳出同质化竞争的泥潭。

近年来，尤其是 2025 年之后，各家车企的同质化问题愈发严重。在今年的北京车展上，这种内卷最直观的体现就是：几乎每家品牌都有了自己的“7 系”“8 系”“9 系”旗舰 SUV，造型语言、空间布局、配置清单高度重叠，相似续航参数、堆砌的激光雷达与更大更清晰的中控大屏成为标配。

曾经作为差异化利器的智能驾驶和智能座舱，也迅速从“杀手级武器”沦为基础配置。整个行业陷入“同平台、同参数、同价格”的激烈内卷，产品力严重趋同，用户最终只能靠优惠幅度来做选择。

这样的市场很难说得上健康。而真正让行业更上一层楼，必须跳出当前“功能堆砌”和“参数内卷”的框架，重新思考汽车在 AI 时代的本质：

让汽车从一台功能丰富的交通工具，进化成一个拥有感知、决策和行动能力的硅基智能体。

从车到“硅基人”，理想需要的不仅仅是技术积累这么简单。

2026 年 1 月，理想完成了研发体系重大重构。李想推动团队从传统的按软硬件功能划分，转为按照“造具身智能 / 造硅基人”的方式，模拟人体结构重构组织，设立包含芯片、OS、算力代表的“脏器系统”、以基座模型为代表的“脑系统”、强调 Agent 应用的“软件本体”、和聚焦执行系统的“硬件本体”等板块。

李想曾表示：“人工智能就是在造人。Agent 是数字化的人，具身是物理化的人，只是它是硅基的人，不是我们碳基的。”而这次研发体系变革，正是这一哲学在公司治理层面的落地。

打通了软硬件壁垒，也意味着打通了研发的“任督二脉”。感知、决策、执行能够在同一框架下高效协同，理想模型训练迭代周期也由此从两周一次缩短至一天一次。

无论未来何去何从，至少在当下，面对如何跳出内卷，进而推动整个行业向下个阶段迈进的问题上，理想给出了自己的答案：

造硅基人。

千里之行的一步

当然，正如俗话所说说“大处着眼，小处着手”，这次 Livis 发布会上，理想也拿出了足够有分量的东西。

理想正式官宣了全球首款量产动态数据流 AI 芯片马赫 M100。

需要注意的是，理想的这款芯片与传统芯片有着天壤之别。传统计算机几乎都建立在冯·诺依曼架构之上。该架构的核心是“指令驱动”，即处理器不断从内存中取指令、译码、执行，再把结果写回内存。

这种“取指-执行”循环也带来了著名的冯·诺依曼瓶颈——海量数据需要在处理器和内存之间反复搬运，导致大量能耗浪费在“搬运”而非“计算”本身，并行效率受限。

数据流架构则反其道而行之，计算不是由指令顺序驱动的，而是当一个操作所需的所有输入数据都就绪时，该操作自动触发执行。这样的优点在于只要数据依赖关系允许，多个节点就可以高度并行执行，无需等待中央控制器的统一调度。

业内此前也有使用数据流架构解决 AI 时代冯·诺依曼瓶颈的尝试。

比如由谷歌前工程师创办的 Groq 公司的 Groq LPU。该芯片采用的 Tensor Streaming Processor 架构属于一种确定性数据流架构。在运行 Llama 3 70B 等模型时 Groq 速度惊人，最高可达数百 tokens/s，远超同规格GPU。当前该芯片已获得大规模部署，应用于如沙特主权 AI 等项目。

（图源：Livis 发布会）

数据流架构是AI时代突破冯·诺依曼瓶颈的一条重要路径。理想的马赫 M100 正是在这一趋势下，针对车端具身智能进行的一次创新尝试。

三年的打磨，马赫 M100 的纸面数据相当能打，单芯片算力达到 1280 TOPS，双芯片可达 2560 TOPS，实际运行效率超过 82%。

架构上，M100 将超过一半的晶圆面积分配给神经网络处理器，通过 56 个计算单元和数据处理模块，实现了动态数据流的高效计算。其架构论文更是入选国际计算机体系结构顶级会议 ISCA 2026 工业分区。

虽然纸面数据上仍不及英伟达 Thor 系列、数据流架构的生态和通用性可能不如GPU成熟、真实量产后，在极端天气、长周期稳定性、功耗、成本等方面的表现还需要用户和第三方的长期反馈，但不可否认，理想踏出了通向具身智能的重要一步。

因为在马赫 M100 基础上，理想构建了从芯片到应用的完整具身智能系统闭环。

芯片层面，马赫 M100 提供算力底座；编译器与操作系统上，理想自研编译器与星环 OS 可实现 AI 原生调度，达到“感知-决策-执行”全链路深度融合。

模型层，语言智能由马赫 Mind-Pro 与 Mind-Edge 承载。Mind-Pro 采用混合强化学习并行训练，Token 消耗降低 38%，工具调用冗余减少 47%，推理效率达到主流 Agent 模型的两倍以上；Mind-Edge 则是端侧原生具身智能体，支持全天候主动感知与低延迟控车。机器智能则由马赫 VLA负责，实现了视觉-语言-动作的统一建模。

执行层上，L9 Livis 全球首发完全体全线控底盘，集合了 800V 液压主动悬架 + EMB 线控制动 + 线控转向 + 后轮转向等诸多技术，能够将决策快速转化为物理动作。

脑身合一，在这一刻变得无比真实。

从造车到“造人”，理想已踏出坚实一步。未来成败，时间自会给出答案。