7.3
深览指数
科技微博·极客公园··AI 生成
理想的具身智能走到了哪里？一颗芯片、一套大脑、一个新范式
理想汽车在 2026 年 Livis Day 上发布了自研智驾芯片马赫 M100 和端到端 VLA 大模型，核心主张是用「具身智能」架构从底层重写汽车智能系统，而非在传统架构上打补丁。文章详细解释了马赫 M100 的数据流架构如何绕过英伟达 GPU 路线、3D ViT 视觉架构的原理、以及 Livis Agent 在复杂多任务规划上的演示。适合关注自动驾驶技术路线、芯片自研竞争和 AI 落地场景的读者。原文 ↗
核心观点
- ▍理想的具身智能方案不是对现有智能汽车架构的改进，而是用数据流芯片和端到端 VLA 模型从底层重写架构，旨在创造一个新物种。
- ▍理想选择数据流架构（马赫 M100）而非 GPU 路线，是因为在英伟达的赛道上追赶永远追不上，必须走一条不同的路。
- 01马赫 M100 采用 5 纳米车规级工艺，单芯片算力 1280 TOPS，实际运行效率超过 82%；部署千问 3.5 35B 模型时，prefill 速度是 NVIDIA DGX Spark 的 2.7 倍，decode 速度是 1.5 倍。
- 02马赫 VLA 通过模仿学习数据量增加 50%、强化学习数据量增加 15 倍、行泊一体模型参数量增加 10 倍来实现复杂场景处理，如挖掘机压臂、倒车礼让、识别保安手势指挥。
- 03马赫 Mind Pro（云端）在 Agent 专项评测中综合性能超越多款主流大模型，推理效率是主流 Agent 模型的两倍以上；马赫 Mind Edge 是端侧原生模型，无需联网。
- 04理想的 3D ViT 视觉架构用高维三维空间数据训练模型，让单目摄像头也能构建完整三维空间，并实现动静分离。
- 05Livis Agent 演示了处理 5 人 6 地的复杂多点规划任务，几秒内给出正确顺序。
- 06理想目标在 2026 年底追上特斯拉 FSD V14，基座模型负责人詹锟承认国内第一梯队与特斯拉的距离并没有缩小。
反方 / 局限
- — 文章未提及马赫 M100 的客户化工具链成熟度、数据流架构在非理想场景（如桌面、云端通用计算）的兼容性问题、以及大规模量产芯片的良率和成本控制挑战。
- — 理想 CTO 坦言「国内第一梯队跟特斯拉的距离并没有缩小」，表明在基础体验（安全感、效率、舒适度）上仍存在差距。
理想汽车李想谢炎詹锟马赫 M100马赫 VLA马赫 Mind Pro马赫 Mind Edge3D ViT数据流架构冯·诺依曼架构Livis特斯拉 FSD V14
9 分钟 · 4 卡片 · 12 资料
读原文 →