从堆算力到定义算力，智能汽车的下一场竞争开始了

从XHEART X7 Ultra看大模型时代汽车芯片竞争逻辑的变化

10月29日，XHEART新芯航途在苏州发布大模型芯片X7 Ultra。这款芯片最受关注的参数是700 TOPS大模型算力。与此同时，XHEART还公布了一组数据：基于量产智驾大模型实测，其NPU计算利用率达到98.7%，内存带宽消耗较其所称的行业旗舰产品下降80%，能效提升100%。

如果仅仅将其理解为一次汽车芯片的性能升级，可能会忽略这场发布会背后更值得关注的行业变化。

过去几年，汽车智能驾驶芯片的竞争，更多围绕算力规模、制程工艺和集成度展开。随着端到端大模型逐渐进入量产应用，智能驾驶系统的计算需求正在发生变化，芯片设计也开始从适配既有算法，转向提前理解模型需求。

XHEART将这一路线概括为“大模型定义芯片”。

从X7 Ultra到规划中的X9，这家成立于2023年的芯片公司，试图回答一个正在困扰整个智能驾驶产业的问题：当模型迭代速度越来越快，车端算力需求不断增长，汽车芯片究竟应该怎样设计，才能在功耗、成本和可靠性约束下，承载更强大的智能驾驶模型？

这或许也是中国智驾芯片产业下一阶段竞争的关键。

一、从适配模型到定义芯片，智能驾驶的计算逻辑变了

理解X7 Ultra，首先需要理解智能驾驶技术路线的变化。

在传统智能驾驶系统中，感知、预测、规划等任务通常由不同的小模型分别完成。各个模型承担相对独立的功能，再通过系统架构完成信息交互和决策。

这种模块化方案在过去很长一段时间内是行业主流。芯片设计也相对容易围绕不同任务进行资源分配，为各类算法提供相应的计算能力。

但随着BEV、Transformer以及端到端技术的发展，智能驾驶正在向更大规模、更高集成度的模型演进。越来越多的感知、预测和决策任务开始被整合到统一的网络中，模型不仅需要处理更多信息，也需要在不同计算环节之间进行更加复杂的数据交互。

这对芯片提出了新的要求。

过去，芯片性能的提升很大程度上依赖增加计算单元、提高计算频率。但在大模型时代，计算能力并不是唯一的瓶颈。

一个容易被忽略的问题是数据搬运。

模型在运行过程中，需要不断从存储单元读取权重和数据，并将计算结果传递给后续任务。如果计算单元之间的数据传输速度跟不上计算速度，即使芯片拥有很高的理论算力，也可能因为等待数据而无法充分发挥性能。

更重要的是，数据在不同计算单元和外部内存之间频繁搬运，还会增加功耗和散热压力。

这对于汽车而言尤其敏感。

与数据中心不同，汽车无法通过不断增加服务器和散热设备来解决计算问题。车端计算平台需要与电池、座舱、底盘等系统共同分享有限的空间和能源，同时还要满足复杂环境下长期稳定运行的要求。

因此，汽车芯片不能简单地照搬数据中心的算力扩张逻辑。

XHEART选择的解决方案，是从模型需求出发重新组织芯片内部的计算、存储和数据流转。

以X7 Ultra为例，其采用超大核NPU架构，将传统多个小核之间百GB/s级的数据交互，更多地集中到超大核内部，以TB/s级的互联速度完成。同时，通过多级缓存和针对Transformer关键算子的专用加速引擎，减少计算过程中对外部内存的频繁访问。

此外，XHEART还对AI工具链进行了重构，通过整网级融合，将模型不同层级和分支的计算任务统一编排，减少中间结果反复读写外部内存的情况。

这套设计的核心思路并不复杂：让数据尽可能在芯片内部完成流转，让计算单元减少等待。

从这个角度看，X7 Ultra所强调的并不只是更高的计算能力，而是试图通过计算架构、存储系统和软件工具链的协同，让有限的硬件资源发挥更大作用。

这也是“大模型定义芯片”与传统芯片适配模型之间最重要的区别。

二、700 TOPS之后，汽车芯片究竟应该比什么？

过去几年，智驾芯片市场存在一个非常明显的竞争现象：算力数字不断攀升。

从早期几十TOPS，到100 TOPS、200 TOPS，再到如今数百TOPS甚至千TOPS级别，算力几乎成为消费者和行业判断智驾芯片性能的重要指标。

但TOPS并不能直接等同于实际智能驾驶能力。

TOPS反映的是芯片理论上的计算吞吐能力，而一款芯片在真实模型中能够发挥多少性能，还取决于计算单元利用率、内存带宽、模型适配程度、推理时延以及功耗等多个因素。

换句话说，峰值算力只是芯片能力的一部分，能够在真实量产场景中持续释放多少有效算力，才是更值得关注的指标。

X7 Ultra公布的98.7% NPU计算利用率，正是针对这一问题提出的一个指标。

按照XHEART的说法，其通过底层软硬件协同，使更多计算单元能够同时工作，并让计算与权重加载并行，减少硬件等待时间。

同时，XHEART表示，在模型性能相当的条件下，X7 Ultra的内存带宽消耗较行业旗舰产品下降80%，能效提升100%。

这些数据如果能够在统一测试环境下得到验证，确实具有一定的产业意义。

不过，值得注意的是，公开资料尚未完整披露上述对比测试所使用的具体竞品型号、模型配置、功耗边界和测试条件。因此，这些数据目前更适合作为企业公布的产品性能指标，而不是直接用于横向排名的第三方结论。

同样需要关注的是700 TOPS的计算口径。

XHEART表示，这一大模型算力基于真实量产智驾模型评测，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。

这比单纯展示实验室峰值算力更接近实际应用需求，但模型输出相似度并不等于智驾准确率，更不意味着整车行驶安全性达到99.99%。

实际上，整个行业已经开始重视这些问题。

以地平线征程6系列为例，其最高配置公开标注560 TOPS有效算力，并明确采用1/2稀疏度口径。黑芝麻（参数丨图片）智能的华山A2000则采用大核NPU、三层内存架构，并针对Transformer等大模型相关计算进行硬件优化。

这些产品的设计方向虽然存在差异，但都反映出一个共同趋势：智驾芯片的竞争已经不再只是增加计算单元，而是开始深入模型架构、数据传输和计算效率。

当然，不同厂商公布的TOPS可能采用不同精度、稀疏度和测试口径，不能简单地将700 TOPS与560 TOPS直接相减，得出谁领先多少的结论。

未来，车企在选择智驾芯片时，可能会更加关注几个实际问题：同样规模的模型，哪款芯片推理时延更低？在相同功耗下，哪款芯片能够运行更大的模型？模型升级之后，是否需要大量修改算法？不同模型迁移到芯片上的开发成本又是多少？

这些问题比单纯比较TOPS数字更有意义。

三、从20万颗出货，看智驾芯片创业公司的量产能力

技术路线能否成立，最终还需要量产市场检验。

对于汽车芯片而言，产品发布只是第一步。从芯片设计、流片、回片、软件适配，到域控制器集成、整车测试和量产交付，每一个环节都可能影响最终的商业化进度。

这也是汽车芯片与普通消费电子芯片的重要区别。

按照XHEART公布的数据，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。

需要特别说明的是，这些数据对应的是X7系列，而不是此次新发布的X7 Ultra单一产品。

从商业化进度看，XHEART已经不再处于单纯的技术验证阶段。

据媒体报道，上汽大众是X7系列首个量产客户，相关应用还涉及ID.ERA系列、荣威和MG等车型。基于双X7芯片构建的L3/L4计算平台，也已经获得多个车型项目定点。

这意味着，XHEART正在尝试从单一芯片供应商向完整计算平台供应商延伸。

在研发效率方面，XHEART披露，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，第17天实现芯片、底层软件与智驾模型的整车闭环。

这种速度背后，是研发和验证工作的前置。

传统芯片项目往往需要等芯片回片后，才开始大规模进行算法适配和系统集成。如果前期架构选择存在问题，后续修改的成本可能非常高。

而XHEART在架构设计阶段，就与Momenta算法团队开展模型研究和性能仿真，提前验证不同计算架构对真实量产模型的支持能力。

这在一定程度上减少了芯片回片后的适配工作。

但从行业角度看，20万颗出货和40多款车型定点，也只是观察商业化能力的起点。

对于芯片企业而言，定点不等于量产，量产也不等于持续盈利。汽车项目周期较长，一款芯片能否在不同车型上持续交付，能否获得更多车企和算法公司的认可，才决定其长期市场空间。

此外，芯片价格、域控制器成本、功耗和散热方案，同样是车企选择供应商时的重要考量。

XHEART还需要证明，除了已经建立合作关系的算法伙伴，它的芯片能够在更广泛的客户体系中实现规模化应用。

四、从Momenta到XHEART，软硬协同正在改变产业链关系

XHEART的另一个特殊之处，在于它与Momenta之间的关系。

公开报道显示，XHEART脱胎于Momenta早期的芯片研发项目。2023年独立成立后，双方仍保持着深度的技术合作。

这让XHEART在创业之初就拥有一个相对特殊的条件：能够接触真实量产智驾模型，并提前了解算法团队对下一代模型的判断。

这也是“大模型定义芯片”能够落地的重要基础。

传统产业链中，芯片企业主要负责硬件设计，算法企业负责模型研发，双方通过工具链和软件接口完成适配。

但随着大模型复杂度不断提高，算法与芯片之间的关系正在发生变化。

算法团队越来越需要参与芯片的前期设计，因为不同模型架构对计算资源、存储容量、数据带宽和算子支持的要求存在明显差异。

而芯片团队也需要提前理解算法的演进方向，否则等芯片完成设计、制造并进入量产时，模型可能已经发生了较大变化。

这使得芯片与算法之间的合作开始从后期适配走向前期共研。

从产业竞争角度看，这种模式有明显优势。

首先，芯片企业能够获得真实模型的运行数据，避免完全依赖理论参数进行架构设计。

其次，算法企业可以根据硬件特性优化模型部署，提高推理效率。

更重要的是，双方可以共同规划未来产品，使芯片的研发周期与算法的迭代方向尽可能保持一致。

不过，软硬协同也存在一个值得关注的问题：专用化程度越高，是否越容易形成对特定算法生态的依赖？

如果芯片从设计之初就高度围绕某一家算法公司的模型进行优化，那么当车企选择其他算法，或者未来模型架构发生变化时，芯片能否保持足够的兼容性？

对于XHEART而言，这将是其从Momenta生态走向独立市场必须回答的问题。

值得注意的是，XHEART与Momenta虽然在项目研发上深度协同，但在商业上各自独立，芯片和算法最终由车企分别选择。目前，已有车企将自研算法部署在X7系列芯片上。

如果这一模式能够持续扩大，XHEART就有机会将早期从Momenta获得的模型经验，转化为面向不同客户的通用产品能力。

这也决定了它未来究竟能够成长为一家具有独立市场竞争力的芯片公司，还是主要服务于特定算法生态的专用芯片供应商。

从产业趋势看，软硬协同已经不再是单一企业的选择。随着智驾系统复杂度提高，芯片、算法、操作系统和整车企业之间的合作边界正在被重新划分。

未来的竞争，很可能不只是某一颗芯片或某一个算法的竞争，而是整套智能驾驶计算平台的竞争。

五、面向L3/L4，汽车芯片还需要跨越多少门槛？

XHEART发布X7 Ultra的同时，也公布了下一代芯片X9的研发目标：大模型算力达到3000 TOPS，单芯片内存带宽达到700GB/s，计划于2027年推出。

从700 TOPS到3000 TOPS，意味着XHEART希望进一步扩大车端芯片对大模型的承载能力。

这背后指向的是L3、L4自动驾驶以及世界模型的发展。

与传统辅助驾驶相比，高阶自动驾驶需要车辆处理更加复杂的环境信息，不仅要识别当前道路状况，还需要理解其他交通参与者的行为，并对未来可能发生的情况进行预测和推演。

尤其是在复杂路口、非标准道路、突发障碍物以及多车交互等场景中，模型需要具备更强的泛化能力和长尾场景处理能力。

Momenta CEO曹旭东曾提出，规模化L4可能需要百亿至千亿参数级别的模型。这是企业对未来技术需求的判断，但也反映出车端计算平台面临的长期挑战。

更大的模型意味着更高的计算和存储需求，而汽车无法无限制地增加芯片数量和功耗。

因此，下一代芯片不仅需要提高TOPS，还需要同步提升内存带宽、片上存储能力和推理效率。

不过，算力增长并不意味着L3/L4就能自然实现规模化落地。

自动驾驶与普通AI应用最大的不同，在于它直接参与车辆控制，涉及驾驶员、乘客和其他道路使用者的生命安全。

芯片满足车规要求，只是整个安全体系的一部分。

例如，X7 Ultra披露满足ISO 26262 ASIL-B功能安全要求，内置MCU通过ASIL-D认证。但这并不意味着搭载该芯片的整套自动驾驶系统就自动达到了ASIL-D等级。系统安全还需要结合算法、软件、传感器、冗余设计和整车验证综合评价。

监管层面也在同步推进。

2026年7月30日，工信部组织制定的《智能网联汽车自动驾驶系统安全要求》（GB 44721—2026）正式发布，计划于2027年7月1日起实施。该标准适用于搭载L3、L4级自动驾驶系统的M类和N类车辆，对企业全生命周期安全保障、动态驾驶任务执行、人机交互以及检验检测等提出了要求。

这意味着，未来高阶自动驾驶的竞争，不仅需要更强的模型和芯片，还需要完整的安全验证体系。

对于XHEART而言，X9的3000 TOPS目标只是下一阶段技术路线的一个起点。如何在更高算力下控制功耗、成本和散热，如何保障长期运行可靠性，以及如何支持不同车企的模型部署，才是真正决定产品竞争力的关键。

结语：汽车芯片竞争，正在从参数竞争走向系统竞争

回看过去几年，汽车智能化带动了车载计算芯片市场的快速发展。

从早期的算力提升，到如今端到端大模型上车，芯片企业面对的已经不再是简单增加计算资源的问题，而是需要重新理解模型、算法和整车之间的关系。

XHEART发布X7 Ultra，所释放的信号正在于此。

700 TOPS是一个产品参数，20万颗出货是一个商业化进展，而“大模型定义芯片”则代表着一种新的产业思路。

这条路线能否真正成为行业主流，还需要更多产品和客户验证。但可以确定的是，随着智驾模型持续演进，单纯依靠堆算力建立竞争优势的方式将越来越难。

未来的汽车芯片，既要有足够强的计算能力，也要能够高效处理数据、支持模型持续迭代，并在成本、功耗和安全之间取得平衡。

从这个意义上说，智能汽车的下一场竞争，已经不只是算法与算力的竞争，而是模型、芯片、软件和整车之间的系统性竞争。

谁能够让更强大的模型以更合理的成本、更低的能耗和更高的安全性进入量产汽车，谁才更有可能在下一轮智能驾驶产业竞争中占据主动。