问题：车载算力竞赛升温，效能释放却遭遇“高分低能” 近年来，智能辅助驾驶与座舱交互持续升级，车企发布会将TOPS等算力指标作为核心卖点之一；另外，行业端侧大模型部署中普遍面临现实落差：芯片标称峰值算力不断攀升，但在车载典型低时延、批处理大小为1等工况下，模型推理效率、功耗与响应速度并未同步改善。如何把“纸面算力”转化为“可用效能”，成为制约体验、成本与安全冗余配置的重要难题。 原因：软硬研发节奏割裂，带宽与存储瓶颈放大“算力悖论” 业内长期形成相对分离的研发范式：硬件侧追求峰值算力与单元堆叠，软件侧追求参数规模与结构复杂度，二者往往在集成阶段才集中调优，导致大量算力闲置、能耗上升、开发周期拉长。更关键的是，车载端侧不同于数据中心的高并发场景，其性能更容易受内存带宽、缓存命中率、数据搬运开销等因素约束，单纯增加矩阵乘峰值并不能自动带来吞吐提升。理想汽车在基于NVIDIA Orin/Thor平台的实践中也观察到类似现象，促使其从底层方法论重构入手寻求解法。 影响：从“指标导向”转向“效率导向”，牵动芯片路线与工程体系 此次提出的“软硬协同设计定律”，由理想汽车MindVLA团队与国创决策智能技术研究所联合研发，核心思路是把算法计算需求与芯片物理特性统一映射到可计算、可预测的数学框架中。研究将损失函数扩展法则与Roofline性能建模结合，尝试在给定芯片参数与模型需求的条件下，推导更优的软硬配比与结构选择，减少对经验试错的依赖。 研究还给出多项对工程决策具有指向性的结论：例如在车载常见的批处理大小为1的推理场景下，MOE稀疏架构在效率边界上更具优势，提示未来车载芯片需要更好支持稀疏计算；又如内存带宽与缓存效率对端侧真实性能影响突出，提示“宽而浅”的架构思路可能优于单纯追求密集矩阵乘峰值；此外，传统Transformer结构中长期沿用的4倍FFN扩展比在车载场景下可能并非最优，牵动矩阵乘单元、激活函数等模块配比与系统级调度策略。上述发现共同指向一个产业共识的再强化：不存在放之四海皆准的“通用最优芯片”，更需要面向具体场景的系统工程优化。 对策：以数学模型牵引协同设计，推动“算法需求—芯片架构—系统部署”闭环 面向端侧大模型上车趋势，提升效能的关键在于建立跨层协同机制：一是以可量化模型为牵引，在算法设计阶段同步约束计算强度、访存行为与部署目标，避免后期被动“降配”；二是在芯片与系统层面强化对稀疏计算、带宽利用与缓存体系的针对性支持，提升单位功耗有效算力；三是把协同设计从单点优化扩展到工具链与评测体系，形成可复用的方法与标准化流程，降低多团队协作成本。业内人士认为，这类框架若能在更多平台与工况中验证，将有助于端侧计算走向可预测、可评估、可复现的工程化路径。 前景：端侧大模型上车进入深水区，“提效优先”或成竞争分水岭 随着智能网联汽车向更高阶能力演进，端侧计算将长期面临成本、功耗、热设计与安全冗余等多重约束。以协同设计提升真实效能、以场景定义架构边界，有望成为下一阶段行业竞争的分水岭。一上，整车企业与研究机构的联合创新将推动从应用层突破向基础方法论延伸；另一方面，围绕带宽、稀疏计算与系统级调度的能力建设，或将加速形成面向车载场景的软硬一体化生态。业内预计，未来产品竞争不再仅比“峰值算力”，更要比“单位资源产出能力”和“可持续迭代效率”。
理想汽车此次发布的研究，为智能驾驶系统的能效问题提供了一条新的解题思路，也体现出国内科技企业在基础方法论层面的积累与探索。从产业实践中凝练理论、再用理论指导实践，这条路走通了，对中国智能网联汽车产业的长期竞争力会有实质帮助。理论优势能否转化为产品竞争力，值得持续关注。