2023年，李宗霖已经在芯片行业深耕了二十余年，他做了一个决定：与几位同样在芯片行业做了十几二十年的同事重新创业。

他的此前职业履历十分亮眼：在联发科一路晋升至无线通信事业部总经理，2020年出任OPPO哲库首席运营官，全面统筹哲库芯片团队运营与自研手机SoC项目推进。

那时候的李宗霖与团队反复追问几个问题：这一次到底要做什么？能解决客户什么问题？几年以后是不是市场所需要的？

"我们希望把过去累积的经验做成真正被需要的产品。"10月29日，李宗霖在苏州举行的发布会上这样回忆当初创业的情形。他的身份已经是XHEART新芯航途CEO。

一个偶然的机缘，李宗霖认识了Momenta创始人曹旭东。两人一见如故，聊技术、聊市场，也聊了未来几年智能驾驶会发生什么样的变化。

两人形成了两个共识：一是大模型会改变智能驾驶，也会改变芯片的设计方式；二是大模型将推动新一轮科技变革，而汽车是率先惠及更多用户的起点。

基于这两点共识，李宗霖确立了创业的逻辑：用大模型定义芯片。

一

大模型定义芯片：破解不可能三角

用大模型定义芯片，在那个时间点上，是一件反共识的事情。

2023年，行业里通行的做法是先做芯片，再让模型去适配。李宗霖和团队的做法是反过来，从真实应用里的模型需求出发，倒推芯片的架构。

这个判断的起点是模型自己变了。过去的自动驾驶由感知、预测、规划等多个小模型拼起来，分工看似清楚，问题也出在分工上：信息在模型间传递时维度降低，很多有效信息在交接里丢掉。

李宗霖认为，小模型能力的上限，本质上就是规划设计者的认知上限。

端到端大模型把海量数据真正用起来，芯片被出了三道题：算力能不能在量产模型里充分发挥；今天的芯片能不能跟上明天的模型；能不能用合理能耗换到需要的能力。堆晶体管永远能提算力，车上的散热边界却是硬约束。

三道题要放在一起回答，解法只有一个：按模型的需求重新组织计算、存储和数据流转。

Momenta的需求和这条路线互为因果。曹旭东的目标是L4规模化：不是几千台车试跑，而是百万台、千万台在全中国、全世界跑起来。要做到这件事，得解决数百万个长尾场景，模型至少需要10B参数，大概率需要100B。

通用芯片在这里碰上的是不可能三角：功耗、成本、车规可靠性。硬接大模型，等于在车上放一台巨大的GPU服务器；迁就这些约束，模型又做不到100B。

曹旭东因此认定，大模型定义的芯片相比通用芯片，性能能够提升10倍。这个判断2022年底就有了，两家公司从2023年起一起把它做出来。

10月29日，曹旭东才第一次对外宣讲，并把这称作Momenta的第三个洞察。

落到产品上，定义芯片是一连串具体的取舍。模型计算在集中，架构就要为集中做准备：X7 Ultra用超大核NPU，把散在小核之间、百GB/s级的数据交互聚合到内部TB/s级互联上。

模型从卷积网络转向Transformer以后，一些算子在早期NPU上得不到支持，要交回CPU处理，切换和外部内存读写都增加了。业界的办法是在NPU里加向量处理器，提升还是很有限。

XHEART于是针对Softmax、Transpose这些影响整体耗时的大头专门做了硬件加速器，并要求原生支持浮点高精度，既要快也要准。AI工具链则把融合从局部几步扩大到整张网络，中间结果不必反复写回内存。

这些取舍最后收进一个数字：700 TOPS。约束是用真实量产模型评测，且量化后输出与FP32浮点模型相似度达到99.99%以上。

在这个前提下，NPU计算利用率做到98.7%，内存带宽消耗比行业旗舰产品低80%，能效提升100%，可部署的模型参数量释放10倍。

车上的大模型不只要算得快，还要算得稳。X7 Ultra把复杂控制与调度交给中国首发量产的Armv9车规级CPU，又用深度异构计算把传感器预处理放到离数据最近的地方，接得住千线级激光雷达每秒2000万点的点云。

摄像头盯的也不是平均时延而是抖动：平时30毫秒、偶尔飘到50毫秒，安全就由这50毫秒兜底。

安全也被拆成两层。ASIL-B的功能安全与通过ASIL-D认证的内置MCU是硬件的底子，但智驾故障里真正的硬件故障占比并不高，多数是超出了模型算法的边界。

硬件安全好比身体，行驶安全好比大脑，足够的算力和模型迭代空间本身就是安全的一部分。

这条路线本身也带着取舍。2023年正逢资本寒冬，团队不大，芯片又要长期投入，资源只够选一次：做通用架构不会犯错，但给不出好性能；走专用路线有风险，却可能带来数量级的价值。他们选了后者。

验证很直接：首颗X7回片不到24小时点亮，第17天实现整车闭环，第21天开放客户试乘。

二

闭环创新：数字不只是销量，还是长尾回流

大模型定义芯片落地之后，最先被改变的不是芯片规格，而是谁在什么时候坐到同一张桌子前。Momenta和新芯航途交给车企的也不是一颗芯片加一套算法，而是一整套跑通的方案。

第一个闭环开在流片之前。XHEART从芯片定义阶段就和算法团队一起，围绕持续演进的主线模型讨论架构和算子需求，既看今天的模型怎么跑，也判断未来几年哪些计算越来越重要，值得深度优化的环节就在这里挑出来。模型告诉芯片时间花在哪里，软硬协同让芯片决定为未来准备什么。

Momenta负责给出需求的确定性。曹旭东说，模型迭代的速度没有一个公式可以算，唯一可能做到的办法是超一流的团队加上超一流的洞察；很多预判来自和主机厂一起谈未来三到五年的战略与产品规划，把不确定性一层层剥掉，再把确定性交给芯片。于是从模型设计到芯片设计、从功能定义到功能验证，都在流片之前做完了。

第二个闭环在车上。XHEART明确不做直接向车企供硬件的一级供应商，但参考设计按主机厂的量产标准要求自己，提供经过充分验证的方案，还开展域控级PreDV测试，把客户的开发难度和进度揽到自己手上。

客户的介入也很具体。上汽方面分管质量与技术的负责人说，自己每周都去测曹旭东的大模型，但从不谈技术，只谈客户体验：这个不行，必须改。在他看来，消费者只为体验付钱，选合作伙伴则相当于选人生伙伴，要长期、要价值观一致。

闭环里最硬的一环是人。一位工程师去客户现场支持交付，出发前被HR问到什么时候回来，他说不知道，就先买了一张单程机票，票上没有返程日期。

链条两端还有伙伴。台积电在公司成立初期就给了支持，台积电副总经理陈平说，三年前听他们讲L3、L4和物理AI，像科幻片里的东西，只因这两位公认靠谱他才信；今天看到会场外一排量产车型，他仍觉得难以置信。

他也摆出了约束：要3000到4000 TOPS、功耗可控、面积有限，就非用三纳米、五纳米不可，而我们的工艺已经准备好了。

车企那一端更像一次下注。上汽方面回忆，早年在北京试驾，曹旭东给了一条规定路线，他临时加了一套补充题，车恰好走过一条正在修路的街，绕开了所有路障。

后来聊的都是软件，他忽然问起芯片战略在哪里，曹旭东说在路上，他没有丝毫犹豫：咱们就这么干。今天这些车挂着上汽的品牌，里面装的不只是中国的软件，还有中国的芯片。

两个闭环交叠起来，才长成那条难以复制的回路：量产装车带来数据，数据喂大模型，模型需求再进入下一代芯片。X7系列量产8个月、搭载10款车型，Momenta累计量产突破140万台，这些数字不只是销量，而是真实长尾在持续回流。

XHEART新芯航途下一代X9把目标定在3000 TOPS与700GB/s内存带宽、计划2027年推出，等的正是模型规模继续变大。

三

智驾摩尔定律：从两年10倍走到每年10倍

陈平在发布会上讲了件“旧事”。摩尔定律从1965年到现在六十年，很多人只记得每两年把芯片做得更小、更便宜，它其实带来了三项好处：速度、功耗、密度。密度只是其中之一。

PC产业三十年的繁荣就建立在这三项上：硬件每两年替整个软件行业付一次进步的账，应用怎么变都能白拿一份性能。

免费的午餐在2004年前后结束了。陈平说，经典微缩理论早已终结，但从业者没有停止努力，而是在结构、材料和方法上全方位地抠；今天衡量一颗芯片，算的也不是单颗晶体管的成本，而是系统能效比和总体拥有成本。

性能还在涨，只是不再自动发生，要靠人去争取。

智驾摩尔定律做的也是同一件事：把尺子从纸面参数挪到结果上。曹旭东给出的曲线是，2022年到2026年智驾能力每两年提升10倍。

2022年，早期用户更多把智驾当成一个大玩具；2024年，体验足够好了，城市NOA迎来引爆点；2026年，最新的城市NOA渗透率达到25%。

这条曲线不是某一个变量推起来的，而是数据、模型、芯片相乘的结果。数据这一端，Momenta第一个10万台量产用了大约两年，累计量产突破140万台，累计里程200亿公里。

模型这一端，过去四年车端模型规模涨了5到10倍。芯片这一端，X7 Ultra交出700 TOPS的有效算力。

十倍能力从哪里来，Momenta的答案是世界模型。它通过预训练、中间训练、后训练，分别让模型学到物理世界的常识、开车的常识，再把行为与金牌司机对齐。

仿真像一座练兵场：长尾场景可能百万公里甚至一亿公里才出现一次，路测周期长、成本高；世界模型既能生成环境也能生成轨迹，于是长尾可以被低成本、短周期地反复演练，再用强化学习让模型开得比老司机更好。

R7 Ultra就是这套机制跑在X7 Ultra上的结果：模型参数规模和安全表现都提升到5倍，下一阶段指向10倍。多把掉头、会车博弈、极限泊车这些场景，被曹旭东评价为比肩甚至超越人类老司机。

世界模型真正做的，是让智驾从理解世界走向推演世界，而推演是有价格的，这个价格最终由芯片来付。

这条定律还在加速。曹旭东判断它会从两年10倍走到每年10倍，最关键的变量是大模型定义芯片抬高了模型规模的上限：未来两年车端模型有机会增长10到100倍。

斜率一旦可以预期，改变的就是产业怎么下注。2028年被判断为L3、L4的引爆点，2030年走向规模化落地，曹旭东在世界智能网联大会上听到万钢主席讲2030年L3渗透率可能达到30%。

他说特别有共鸣，因为同样的节奏在城市NOA上已经走过一遍。头部公司有机会在2028年底做到超越人类驾驶、甚至10倍安全，2030年做到100倍。

当能力翻倍变成共同预期，车企才敢按十年整车生命周期押注软件与电子架构，供应商才敢把先进工艺排进产能，用户才从尝鲜变成默认配置。

这跟PC时代是一个道理：一条性能曲线只要变成产业共识里的斜率，它就从技术事实变成了商业结构。

商业侧也在变陡。世界模型像大语言模型一样有通用性和泛化能力，已在量产乘用车和Robotaxi里被验证，能像平台电商那样摊薄每一段研发。

Momenta的Robotaxi已在多个城市拿到测试许可，与阿联酋主权基金的合资公司计划2028年部署5000到1万台。

曹旭东说，AI coding是个更近的参照：去年它特别像L2，今年开始从L2走向L4，随之而来的是市场十倍到百倍的增长。

四

四种智驾路径：协同式的闭环更有机会

从芯片、模型、智驾到整车，今天的智驾行业大致有四种模式。差别不在谁更聪明，而在链条上有几方，以及模型和芯片之间隔着多远。

第一种是特斯拉模式：模型、芯片、整车同属一家，指令最短、迭代最快，代价是这套能力只服务自家车型，别人用不上。闭环越完整，外溢越少。

第二种是华为模式：用自己的算力和整套方案深度介入整车，软硬一体能力很强，但车企要让渡相当一部分产品定义权。合作越深，越接近一家公司的能力、多个品牌的车。

第三种是英伟达加模型厂商加车商的分工模式：通用算力、第三方算法、车企集成各居其位。

它最开放、起步最快，问题也最直白：通用芯片绕不开功耗、成本、车规的不可能三角，模型和芯片之间隔着两家公司的组织边界，错配只能在流片之后暴露，适配动辄3到6个月。三方各赚自己那一段的钱，没有人对端到端的体验负责。

第四种是Momenta加新芯航途。它把这几段关系压回一段：芯片公司在定义阶段就和模型团队讨论架构与算子走向，量产模型参与流片前的验证，算法公司用量产数据反哺模型，双方再把成品交给多家车企。

贯通和规模同时拿到了：X7系列量产8个月出货超过20万颗、搭载10款量产车型、获得超过40款车型订单，基于双X7的L3/L4计算平台已拿到多个车型定点。

还有一种力量正把这四种模式推向同一个方向：协同设计。AMD收购了李飞飞的World Labs，谷歌、亚马逊和OpenAI都在往定制芯片走，理由几乎同一句话：让最懂模型的人参与芯片设计。

图灵奖得主Jack Dongarra说得更技术：算法、软件和芯片团队在定型之前紧密协作，是大模型时代更有效的研发方式，今天的机器在浮点上过剩，真正稀缺的是数据搬运，连评价芯片的基准都得重做。

需求也在从车里溢到车外。曹旭东说，最近不少机器人领域的朋友找上门，说听说新芯航途下一代芯片的规划不小心泄露了，都很期待，因为他们面临的挑战也一样：通用芯片很难满足需求。

大模型定义芯片因此不只是智驾的选项，而是整个物理AI绕不开的底座。

四种模式放在一起，标准由曹旭东自己说破：未来具备软硬一体能力，才能留在牌桌上，关键看能不能贯通模型、芯片和整车应用。

自建的闭环很快，但不共享；分工的闭环共享，但是断开；协同式的闭环，既能看懂明天的模型，也交付得起今天的量产。

五

结语：智能不只是回答问题，还是预测未来

“大脑使用大量的记忆来构建一个世界模型，你所知道的和学到的一切都储存在这个模型中，大脑利用记忆的模型对未来的事件进行连续的预测。”

二十年前，还在上大学的曹旭东读到杰夫·霍金斯的《人工智能的未来》，这句话此后一直左右他的判断。他的解读很朴素：关键词是预测，对未来进行预测的能力，才是智能的关键。

这句话恰好给智驾的下半场定了题。过去比拼谁看得准，接下来比拼谁推演得远。

模型要大到能把物理世界的规律压进去，才预判得了路口的下一秒；而推演是有价格的：要参数规模，要把数据留在计算旁边，要在几十毫秒的确定性时延里给出正确答案。

芯片于是从配套件变成了智能的上限所在。这也是大模型定义芯片更深一层的理由：想预判路上的下一秒，就得先在芯片架构里预判模型未来几年的走向。

趋势因此清楚。研发正在从自动化走向自进化：给模型一个目标、一个足够好的环境，它自己探索、自己进步，谁的数据多、模型大、有效算力高，谁就练得更快。

能力沿着每年十倍往上走，2028年引爆点与2030年L3、L4规模化落地不再是愿景，而是排期。同一套世界模型基座还会从汽车外溢到机器人等更多物理AI产品，前提是能把更强的模型装进成本、功耗和散热都受限的车身里，让技术用得上、也用得起。

陈平把智能车称为物理AI的第一站，曹旭东换了一个说法：具备软硬一体能力，才能留在牌桌上。

二十年前那句话的真正含义到这里显形：智能不是回答问题，而是预测未来。今天重新设计芯片的人，正在为预测购买算力。