理想 CTO 谢炎：AI 时代需要新的计算架构，我想在汽车上试出来
一句话看懂：理想汽车 CTO 谢炎在接受专访时详细解释了为何选择自研数据流架构芯片，而非沿用英伟达的 GPGPU 路线。他认为，随着 AI 大模型算力需求激增，传统冯·诺依曼架构的效率瓶颈已无法忽视，而数据流架构是汽车端实现低成本、高性能智驾芯片的可能突破口。
事件核心：发生了什么
谢炎在专访中披露了理想汽车自研智驾芯片的技术决策。他强调，团队选择了一种上世纪70年代提出但工业落地极少的“数据流架构”，放弃主流的 GPU 中心化调度模式。其核心思路是：去掉芯片内部的大量调度单元（占CPU约30%-35%的晶体管），让计算单元“数据到达即执行”，从而提升并行效率、降低功耗。目前，理想已基于此路线完成立项，并计划通过自研芯片降低整车智驾方案成本，同时获得数倍于同类产品的性能优势。
为什么重要
这一选择反映了两个关键趋势：一是汽车厂商正从“采购芯片”转向“架构级自研”，试图在算力军备竞赛中建立差异化护城河；二是数据流架构在AI推理任务中的潜力被正视。谢炎指出，英伟达的CUDA生态优势正在被AI弱化——未来编程主体将从人类转向AI，编译器同样由AI完成，人类程序员需要的抽象层“拐棍”重要性下降。这与英伟达花200亿美元收购静态数据流芯片公司Groq的逻辑一致：当算力规模指数级增长，分布式、去中心化的数据流架构可能是更本质的解决方案。
对用户/开发者/创作者的影响
对普通用户而言，若自研芯片按预期落地，理想智驾硬件成本有望大幅下降（谢炎称“50%成本降低、数倍性能提升”），这将直接影响终端售价和智驾功能的普及速度。对开发者与车载AI应用创作者来说，全新架构意味着需要学习新的编程模型（数据依赖图而非指令序列），尽管谢炎认为AI将很快接管这类适配工作，但短期内工具链的成熟度仍是挑战。对于从事AI芯片创投或硬件的从业者，这个案例验证了“非冯·诺依曼路线”在特定场景（车规、推理）的商业可行性，可能催生更多数据流架构的设计公司。
值得关注的后续
首先，理想自研芯片的量产时间表和实际搭载车型尚未公布，需关注其流片与车规认证进度。其次，数据流架构的高度并行特性是否真的能适配复杂、不确定的城区智驾场景（长尾问题），仍需算法团队的工程验证。最后，英伟达对CUDA生态的加固（如限制替代编译器）以及特斯拉FSD芯片的后续迭代，将是检验这一新路线能否真正威胁现有格局的重要参考。
来源：Readhub · AI
