世界模型首次指导设计芯片！超大核NPU700TOPS，99%算力可用

贾浩楠 发自 凹非寺量子位 | 公众号 QbitAI

越靠软件吃饭的公司，越重视硬件——

以智驾模型知名的Momenta，出现在了一家成立仅仅两年多的芯片公司首次公开亮相里。

首款芯片，Day 0适配。

姐妹公司终于合体，最强智驾模型公司，如虎添翼。

新芯航途XHEART，现在成了Momenta的硬通货伙伴。

有模有芯，Momenta的智驾模型表现乃至公司整体，都面临新的价值重估了。

AI算力利用“九九成”，什么样的芯片？谁做的？

芯片名字叫X7 Ultra，只看算力数值，在2026年底已经不能算“极致”了——700 TOPS。

但官方更加强调另外两种参数。

首先是量化模型输出与FP32基准模型的相似度超过99.99%。

它想表达的是：X7 Ultra的确有更高的推理效率，但没有放任量化误差无限扩大，而是要求量化后的模型输出尽可能贴近FP32模型。

因为大模型实在太能吃算力、内存和功耗了，把模型权重和计算精度压下来的主要途径，就是减少存储与计算开销。但压得太狠，输出也可能出现偏差。

能否把这笔账算好，直接关系到有限的功耗预算里究竟能跑多大的模型。

第二个指标，是NPU计算利用率达到98.7%，意味着芯片里的AI计算单元，在运行测试任务时，绝大部分时间都在执行有效的计算工作，闲置时间很少。

这通常也意味着芯片架构、数据传输和软件调度之间配合得比较好，计算单元不容易因为等数据、等指令而空转。

官方给出的参考数据是：对比行业旗舰产品，内存带宽消耗降低80%，能效提升100%。

这时候再回头看700TOPS算力数值，就能理解其不同之处：

这是行业第一次用“大模型算力”描述芯片性能。

过去谈TOPS，多用稠密算力或稀疏算力，这些概念可以说明芯片的理论计算能力，却很难单独回答一个更贴近实际体验的问题：把真正用于智能驾驶的模型放上去，究竟能跑多快、跑得有多稳？

例如，实验室里的APS等测试指标单独测量某个模型的运行耗时，都能帮助工程师分析芯片性能。

但真实智驾大模型涉及复杂的网络结构、不同类型的算子、频繁的数据读写，以及多种计算任务之间的调度；只追求某个环节跑得很快意义有限，因为其他环节却因为等待数据、内存带宽不足或调度效率不高而拖慢整体速度。

最终，实验室基准测试与量产模型的实际性能、驾驶体验之间，就可能出现距离。

“大模型算力”的评测思路，是直接使用真实量产智驾模型测试芯片，而不是只依赖实验室基准测试。

这样一来，评测对象就从相对独立的计算任务，转向了实际部署中的智驾大模型。

这套评测还有另外几项明确约束：模型结构不能随意改变，计算精度必须得到保证，最终驾驶体验也不能打折，芯片需要在这些条件都成立的情况下，尽可能提高模型运行效率。

这就是“大模型算力”想要衡量的东西：在真实量产模型和严格部署约束下，芯片究竟能提供多少的计算能力，让性能数字更准确描述智驾系统实际要完成的工作。

而这个模型，在现在这个阶段，就是Momenta的R7世界模型——

也不瞒各位，这家芯片公司，的确和Momenta有极深的渊源。

新芯航途——XHEART，两家公司没有直接的股权隶属关系，只是Momenta创始团队成员曹旭东、夏炎通过控股股东间接持有新芯航途股份。

和Momenta属于“姐妹公司”，第一款量产产品X7其实已经在上汽大众的新车上量产，但这次的X7 Ultra发布是新芯航途第一次正式对外亮相。

大模型+大算力芯片，会带来什么智驾改变？

先想象一下智驾模型在车里工作的过程。

摄像头和激光雷达把数据送进来，模型开始一层层计算，最后形成感知与驾驶决策所需的信息，整套流程必须在有限时间里跑完。

问题是，芯片内部很容易出现一种尴尬局面：计算单元明明很强，却在等数据；某些算子算得飞快，另一些操作却拖住了整条链路；以及传感器数据越来越多，前端处理又排起了长队。

所以，端侧AI计算芯片最怕的，就是一处猛踩油门，其他环节还在慢慢悠悠地跟。

X7 Ultra的第一步，是把NPU做成超大核架构，并提升核间互连带宽。

这样的考虑直接由大模型计算方式驱动：

模型规模扩大后，大量计算任务需要组织起来执行，计算单元之间也会交换数据，超大核能配合更高效的互连，减少协作过程中的损耗，让计算资源更连贯地工作。

但矩阵计算快了，还不等于整个模型就快了，因为神经网络里还有不少“配角”算子，例如LayerNorm、Softmax和Transpose等等。

它们未必贡献最多的计算量，却可能反复出现在模型执行路径上，一个算子处理得慢，后续计算就得等着“接棒”。

X7 Ultra为这类操作配置了专用计算引擎，相当于把模型里的高频任务单独安排了工位，减少通用计算资源被这些操作占住的时间。

硬件的活儿安排好了，软件还得会派活。

模型在芯片上运行，需要经过编译和调度，但如果每个操作都独立执行，中间结果不断写回外部内存，再重新读出来，计算单元会白白浪费大量时间等数据。

X7 Ultra，或者说新芯航途为所有芯片构建了统一解决方案——AI工具链，通过计算图融合、并行执行和任务调度，把能够合并的计算尽可能连起来，减少中间数据来回搬运。

体现在这一款产品上，X7 Ultra的内存带宽消耗对比常见产品下降80%，能效提升100%——这两项数据对应的，正是减少数据搬运、提高计算资源利用效率的设计目标。

不过，智驾系统也不只有神经网络，传感器数据进模型之前，有不少前置的工作。

拿激光雷达来说，线数增加之后，同一场景会产生更密集的点云，细节更丰富，处理量也跟着涨；再比如，摄像头链路还有一个容易被忽略的问题：时延抖动。

X7 Ultra上针对性给出了方案，比如处理子系统中加入专用激光雷达加速器，每秒可处理2000万点，能够支持千线级激光雷达的点云处理需求。

针对摄像头处理链路，则优化了本地多核处理和流水线控制，处理稳定性相比传统方案提高100%。

当然，还有整颗芯片的“调度员”——CPU。

X7 Ultra采用Arm v9车规级CPU，这也是Arm v9架构第一次中国落地。

相比上一代，内核性能提升20%、能效提升10%，并优化了向量处理、多核协同和L3缓存访问。

最后一关是安全，X7 Ultra的SoC达到ASIL-B标准，集成MCU达到ASIL-D，承担不同层级的功能安全任务，为故障监测、控制和异常处理提供硬件基础。

把这几项设计连起来看，X7 Ultra并不是只盯着NPU往上堆算力，是把计算、数据搬运、传感器处理和系统调度一起安排好：

模型计算少等待，数据进出更顺畅，前端处理不拖后腿，整颗芯片才能更高效处理智能驾驶任务。

这也是新芯航途反复强调，相比实验室测试标准，“用量产智驾大模型测芯片”更合理的原因。

智驾摩尔定律，到底是什么？

早在自动驾驶还处于“刀耕火种”，也就是依赖高精地图+规则的年代、行业把“开城”作为黄金指标的年代，Momenta的CEO曹旭东就一直在行业里反复布道：数据飞轮、两条腿走路……

而他当年和大部队“格格不入”的认知，现在变成了公认的技术共识：端到端、无图、数据驱动、强化学习、世界模型……

这也能直接解释为何Momenta能在英雄辈出的自动驾驶江湖脱颖而出，合作车企广度、车型数量、方案搭载量上都一枝独秀。

XHEART第一次公开亮相，X7 Ultra发布开始，曹旭东首次对外更新了认知：

把“大模型定义芯片”称为Momenta的第三个重要判断。

核心定义是智驾模型的能力持续增长，计算架构也需要跟着模型一起演进，由此，智驾摩尔定律也需要重新评估。

这样的认知成型于2022年，并且在2023年由新芯航途开始实践，时间点对应的，是自动驾驶技术体系经历的快速深刻底层重构。

硬件层面，量产L2规模效应开始起作用，传感器、芯片成本快速下降，“超大杯”配置的智能方案，有了上车量产的基础。

模型层面，数据驱动的范式快速取代传统方法，不但是Transformer架构，模型本身迭代优化，也由人工调参和规则约束，变成了大规模、有特定分布特征的数据回灌，驱动强化学习。

而基于Transformer的端到端智驾模型，本质是通过海量数据学习环境表征、时序关系和驾驶决策。模型需要处理的内容越来越复杂，既要理解当前道路环境，也要结合连续时刻的信息判断车辆、行人和其他交通参与者的行为，最终形成驾驶动作。

世界模型则进一步强调对物理世界状态及其未来变化的预测，让系统具备更强的环境理解与未来推演能力。

曹旭东认为，自动驾驶的规模化落地，对应的端侧模型，可能需要达到至少10B、甚至100B参数级别，这样的才有可能让真正的L4落地部署规模百万级起步。

模型参数规模只是其中一个维度，算子类型、数据访问方式、计算任务的并行关系，也会影响模型能否在车端实时运行。

这就把芯片需要面对的计算需求摆到了更大的量级上——同时满足功耗、车规可靠性和成本约束，细化到哪些算子值得做专用加速，哪些数据需要减少重复搬运，哪些计算任务适合并行处理……都必须在芯片设计阶段与模型架构协同考虑。

如果能把数据飞轮、两条腿走路、原生架构的芯片三者结合起来，模型进步就不再只依赖算法团队单点优化，底层硬件也开始围绕模型的实际需求共同演进。

Momenta的技术体系就有机会贯通数据积累、模型训练与迭代、芯片计算，以及最终的量产部署。

2022年至2026年间，智驾体验大致每两年提升10倍，这是行业过去普遍认可的智驾“摩尔定律”。

但在“大模型定义芯片”的框架里看，Momenta已经实践出一条新的正反馈链路：模型决定计算需求，计算架构反过来影响模型能以多大规模、多少成本部署到车端。

量产规模扩大，又为模型积累数据、检验能力提供持续条件，各环节协同之后，单点技术突破就有机会转化为整个系统的迭代速度。

2年提升10倍，可能并不是一个规定死的数值。大模型定义芯片，正在加速智驾摩尔定律迈向每年提升10倍。

最有可能验证的，首先是L4自动驾驶落地应用，包括无人出租车、无人快递车、无人卡车等不同形态。

车端计算效率更高，而且具备芯片算子与IP级优化合作伙伴，且有成熟产供应链及成本控制能力的Momenta，成为一个影响权重最大的变量。

新芯航途的英文名XHEART，保留了一个可以继续延展的X：今天是汽车，未来也可能是机器人及其他智能体终端，Momenta的技术体系，有了从自动驾驶延伸至广义物理AI的可能性。

毕竟自动驾驶与机器人在感知、决策、实时响应和能效方面有共同需求，机器人更严苛的散热约束也让新芯航途一直重视的低功耗设计，具备更大的潜在价值。

当然不同智能体终端仍需要围绕具体任务重新设计产品方案，但面向Transformer大模型的芯片架构、底层工具链和软硬件协同经验，Momenta、XHEART已经先行一步了。