一颗芯片流片之后，硬件架构就很难再大改；一个模型，却可以在同一辆车的生命周期里升级很多次。这就是智能汽车下半场竞争中常被提及的“软硬协同”话题。随着大模型上车，围绕软硬协同的讨论开始正面撞上现实。

10月29日，XHEART新芯航途发布X7 Ultra大模型芯片，Momenta CEO曹旭东同步分享了R7 Ultra世界模型的最新进展。基于X7 Ultra的计算支撑，R7 Ultra的模型参数规模扩大至原来的5倍。

而这次软硬件协同升级，指向的是双方共同面向的下一阶段目标：规模化L4级智能驾驶。

对于Momenta而言，这并非一次临时的产品合作。早在2022年底，Momenta便开始思考一个问题：如果智能驾驶需要更大规模的模型，芯片是不是也应该从模型需求出发，重新设计？

这个问题，把一家算法公司推到了芯片定义的前排。它也正在成为大模型上车之后，整个行业绕不开的一道题。

长尾问题，为什么最后要靠更大的模型

2016年曹旭东创办Momenta时，想解决的是一个很“朴素”的问题：路上总有不按剧本走的情况。

真实道路上的场景数量庞大，交通参与者的行为、道路结构和环境条件都在变。靠有限的预设规则，很难把所有情况都穷尽。Momenta当时定下的思路是数据驱动：用规模化量产积累真实驾驶数据，让模型在复杂场景里持续迭代。

随着端到端大模型的发展，这条技术路线开始进入新的阶段。

早期智能驾驶系统通常由感知、预测、规划等多个模型分工完成。模块之间要传递信息，复杂场景还要靠人工规则兜底。端到端大模型尝试用更完整的数据学习驾驶行为，减少模块之间的信息损耗，也提升系统对复杂场景的泛化能力。

世界模型再往前一步，把能力扩展到对环境变化的理解和推演。面对复杂掉头、会车博弈、倒车让行，系统不只要判断周围正在发生什么，还要预测其他交通参与者下一步可能怎么做，再据此决策。

这对模型的要求随之抬高。按照曹旭东的判断，面向规模化L4，车端可能需要百亿乃至千亿参数规模的模型。更大的模型不必然带来同比例的能力提升，但在Momenta的技术路线里，扩大模型规模仍是提升复杂场景理解与处理能力的重要方向。

问题也随之而来：当模型越做越大，如何让它真正在汽车这个载体上“跑起来”？

毕竟，汽车和数据中心不一样。车端计算平台要在有限的功耗、散热和成本约束下，持续处理实时驾驶任务，还要满足汽车对可靠性和安全性的严格要求。训练时能用多少算力，不等于车端就能以同样的方式运行。

这即意味着，智能驾驶的能力提升，因此不能只靠模型自己往前跑。芯片能不能高效接住模型的计算需求，开始决定新一代算法能以多大的规模、多高的效率进入量产车。问题也从“模型能学多好”，变成了“模型能不能在车上跑起来”。

大模型，为什么要反过来定义芯片

过去做算法，团队习惯了在现成的芯片上想办法。模型要适配芯片的算力、存储和功耗；算力不够，常见的做法是剪模型、降精度、拆任务。到了大模型这里，这套顺序开始不够用了。曹旭东由此提出Momenta的新技术洞察：大模型定义芯片。

但汽车AI的发展，并不意味着所有任务都要交给一个更大的模型，也不意味着预设场景会立刻退出。AI的理解和交互能力增强之后，一部分靠固定规则的场景有望慢慢减少，用户习惯的改变却需要时间，模型能力也要继续迭代。预设规则、模型判断和安全约束，仍会一起发挥作用。

不同任务对计算资源的要求也不一样。需要毫秒级响应、涉及隐私或核心车控的任务，要优先满足实时性和可靠性；复杂但非实时的信息服务，可以借助云端大模型和知识库，做更深的理解和交互。大模型可能产生不准确的输出，还需要车端的高可靠约束、云端安全机制和验证流程来控制风险。

这意味着，汽车AI的演进，因此也是不同模型、计算平台与安全机制之间的重新分工。座舱交互、信息服务和智能驾驶会一起推高汽车的计算需求，但任务在实时性、安全性和工作负载上的差异，决定了它们不能套用同一种方案。

对智能驾驶来说，这个问题更为突出。模型规模和计算需求持续增长，单纯堆通用芯片的算力，不一定能同步改善实际运行效率。计算、存储和数据传输彼此牵连，任何一个环节成为瓶颈，都可能拖住模型的表现。

所以，算力够不够，只是大模型芯片要回答的第一道题。

先看算力、功耗和成本。汽车要在有限的能源和散热条件下持续计算。硬件资源一味往上加，整车系统成本会被抬高；计算资源压得太狠，模型能力和后续升级空间又会受限。

再看峰值算力和实际运行效率的差距。XHEART公布的X7 Ultra大模型算力为700 TOPS。峰值算力并不能单独说明一颗芯片能不能高效运行某个具体模型。模型执行时还要看内存带宽、存储访问、片内和片间的数据搬运，以及不同任务并行时的实时响应和系统稳定性。

这也解释了模型团队为什么要提前参与芯片研发。算法企业更了解模型的演进方向和真实工作负载，芯片企业更了解底层计算架构可以怎么设计。双方在产品定义阶段就坐到一起，计算、存储和数据传输等环节才有机会做针对性优化。

奇瑞汽车股份有限公司执行副总裁、全球技术创新中心院长兼CTO高新华在发布会前说，大模型时代的芯片不只需要更大的算力和更高的带宽，还要兼顾安全、功耗和下一代算法的演进需求。对整车企业来说，芯片最终要放到真实模型、真实系统和真实使用场景里评价，不能只看单一性能数字。

图灵奖得主Jack Dongarra教授也提到，面向大模型时代，让算法、软件与芯片团队在设计定型前紧密协作，是更有效的研发方式。他特别强调了片内和片间数据搬运效率的重要性。

对Momenta与XHEART来说，协同设计的目标很直接：让模型需求更早进入芯片架构，把“模型做完再回头适配硬件”的被动尽量往前移。

此外，芯片研发周期与模型迭代速度之间还存在另一重矛盾。芯片流片之后，硬件架构很难大幅调整；模型却可能在产品生命周期内持续升级。芯片只满足当前模型的需求，未来的软件升级就可能被计算能力、存储条件和架构设计卡住。

因此，面向大模型的芯片设计不仅需要满足当前需求，也需要为后续模型迭代预留空间。

从流片前开始协作，软硬协同怎么落地

Momenta与XHEART的合作，正是从这一技术判断出发逐步展开的。

2023年，双方开始围绕未来大模型的计算需求，一起研究芯片架构。那时候，X7 Ultra还没有发布。Momenta提供算法的发展方向和模型特征，XHEART把这些需求落到NPU、存储、数据流和AI工具链的具体设计里。

这种协作方式的关键变化，是模型和软件团队不再等芯片做完再适配。他们提前进入芯片研发。按照双方披露的研发思路，芯片流片之前，相关大模型就可以参与验证，软件团队也能提前介入开发和调试。模型与硬件之间的不匹配，有机会更早暴露，芯片回片后的适配压力也能小一些。

硅前验证代替不了真实芯片上的测试。它的意义在于把问题尽量前移，让模型需求在硬件定型前就能影响设计，把被动调整的空间尽量缩小。

这套协同的阶段性成果，落在X7 Ultra与R7 Ultra的配合上。XHEART发布的X7 Ultra公布了700 TOPS大模型算力。Momenta表示，基于X7 Ultra，R7 Ultra世界模型的参数规模扩大到原来的5倍，世界模型从理解环境进一步走向对环境变化的推演。Momenta同时提到，相关安全性能指标有所提升；具体指标和对比口径，还要等后续披露才能判断。

从产业角度看，模型规模扩大是结果。背后的变化是，芯片架构开始和模型演进放在同一张时间表上。芯片设计要为某一代算法提供算力，也要和模型团队一起考虑下一阶段的计算需求。

这种研发模式能否进一步转化为量产优势，还需要通过实际产品检验。据悉，X7系列已经进入上汽大众ID. ERA 9X、ID. ERA 8X、荣威家越07、MG07等客户车型项目。对芯片企业来说，进入车型项目只是产业化的一步，后面还有整车集成、可靠性验证、量产交付。

另一方面，Momenta积累的量产规模和真实驾驶数据，是模型迭代的另一项基础。发布会材料显示，Momenta累计量产规模突破140万台，累计行驶里程达到200亿公里。真实道路数据帮模型学习复杂场景，更适配大模型的车端计算平台，则帮模型在实际产品里部署。

两者构成了相互关联的技术链：量产带来数据，数据推动模型迭代，模型又对芯片提出新要求。软硬协同的价值，是尽量减少这条链上的适配障碍，让模型能力和产品能力更顺地一起往前走。

不过，模型规模、芯片性能和整车安全之间，没有简单的线性关系。模型在复杂场景里表现如何，要看实际测试；芯片的长期优势，也要在功耗、成本、可靠性和量产交付里验证。

规模化L4，提前布局的价值在哪里

X7 Ultra之后，X9已经在路上。

XHEART公布，X9的核心研发目标是3000 TOPS大模型算力和700GB/s单芯片内存带宽，计划2027年推出。这些数字目前还是研发目标，最终产品表现要等后续验证。从规划方向看，计算能力和访存能力一起往上走，说明大模型芯片的竞争已经从单一算力指标，转向对实际模型工作负载的整体优化。

对Momenta来说，这种协同的长期价值，先落在下一代模型的车端计算条件上。模型继续扩大、世界模型继续发展，芯片架构能不能及时跟上，会影响新能力进入量产产品的效率。

其次，软硬协同可能改善研发和交付效率。模型团队提前参与芯片定义和验证，一部分适配问题就有机会在硬件定型前解决。研发周期能缩短多少、系统成本能降低多少，还要看具体项目数据，不能只凭协同模式本身下结论。

更重要的是，规模化L4对系统安全和可靠性的要求，远高于单纯的模型性能提升。芯片要在真实道路、复杂环境和长期运行中稳定工作，模型也要经过充分验证。计算资源只是高阶智能驾驶的基础条件之一，整车系统、安全机制和实际运行表现同样不能少。

XHEART脱胎于Momenta内部芯片项目，2023年底独立成立，建立了独立的经营和融资体系。芯片研发需要持续投入，独立经营和融资能力有助于长期研发；它对研发进度和规模交付能起多大支撑，还要结合资金投入、产品规划和交付数据继续观察。

双方也把目光投向了机器人等物理AI应用。汽车和机器人在模型计算、实时响应、软硬协同上有共性，但运行环境、可靠性要求和成本约束并不相同。这些经验能不能延伸到新领域，要看具体应用的需求和验证。

回看曹旭东在2022年底作出的判断，大模型定义芯片的价值，正在于将未来模型的需求提前带入今天的硬件设计。

对Momenta来说，这一步并不意味着规模化L4已经近在眼前，也不能单凭一颗芯片就决定未来竞争格局。它更像是为下一阶段的技术演进提前建立基础：让算法知道硬件能够如何发展，让芯片知道模型将走向哪里，再通过整车产品检验两者能否真正协同。而这种提前布局能否持续转化为安全、效率与成本优势，将成为Momenta面向规模化L4需要回答的下一道问题。