“對做晶片的人來說，首先要搞清楚一件事：這顆晶片的使用者是誰。”在日前與半導體行業觀察等交流的時候，李宗霖如是說。

遵循這個原則，在2023年參與創立晶片設計公司XHEART（新芯航途）的時候，他和團隊就統一了意見——XHEART以智駕為起點，而在智駕這一應用領域裡，使用者就是演算法模型。大家最終的目標是“交付出一個軟硬協同、整體最優的解決方案”。

於是，在和演算法團隊交流過以後，新芯航途決定：用大模型定義晶片。

將時鐘撥回到2023年前後，中國外已經湧現了不少智駕晶片公司。輝達和高通這樣的巨頭更是傲視全球。在中國，亦已經跑出了幾家第一梯隊的智駕晶片公司。但新芯航途團隊卻毅然決然地走向大模型晶片這個賽道。

之所以能一往無前，按照李宗霖的說法，這一方面固然與這個市場有很巨大的潛力有關。用他的話來說，競爭者眾多，說明大家都看好這一市場；另一方面，在與Momenta創始人曹旭東進行多番交流以後，李宗霖對汽車智駕晶片的未來有了新的觀察，這也最終堅定了這位二十多年晶片老兵進軍這個市場的決心。

在日前的產品發佈會上，李宗霖也分享了他創業時的兩個判斷：一是⼤模型會改變智能駕駛，也會改變芯⽚的設計⽅式。

李宗霖表示，過去的智駕系統，基本是由多個"⼩模型"拼出來的——感知是⼀個模型，預測是⼀個模型，規劃⼜是另外⼀個模型。這種看起來合理的模式背後其實隱藏著幾點挑戰：首先，資訊在模型傳遞過程中維度降低了，導致⼤量的有效資訊丟失了，資料利⽤率也被拉低了；其次，性能天花板比較低，泛化能⼒比較差。“⼩模型能⼒的上限本質上就是規則設計者的認知上限。所以⼩模型時代的智駕，本質上是⼀個‘⼈腦驅動’的系統——⼯程師寫頂層規則，機器通過⼩模型來執⾏這些規則。”李宗霖解析說。

他進一步指出，隨著Transformer端到端大模型的發展，智能汽車正逐步從傳統規則驅動走向真正的資料驅動。這一變化不僅改變了汽車理解世界和作出決策的方式，也對底層晶片提出了新的要求：

首先，晶片的價值不能僅僅體現在紙面算力上，更重要的是能否在量產大模型的實際部署環境中，將算力轉化為更快的推理速度和更及時的系統響應；

其次，晶片設計不僅需要滿足當前模型的部署需求，還必須具備面向未來模型迭代的前瞻性。如果缺乏對模型架構演進趨勢的預判，未能在設計階段預留充足的硬體資源，晶片在產品量產後就可能難以適應後續模型升級，進而限制OTA迭代能力；

再者，晶片算力的提升還必須兼顧能效表現。單純通過增加電晶體數量和計算資源來提升算力，可能帶來功耗的大幅增長，而汽車應用場景對散熱條件和能耗存在明確限制。因此，如何在有限的功耗和散熱條件下實現所需的計算能力，是晶片走向規模化應用必須解決的問題。

李宗霖創業時的另一個判斷是——⼤模型將推動新⼀輪科技變⾰，⽽汽⻋，是公司讓這場變⾰率先惠及更多⽤戶的起點。

在他看來，一項好技術的價值，在於它最終能⾛進多少⼈的⽣活。要做到這⼀點，芯⽚就必須要同時兼顧性能、能效和成本。讓更強的模型能夠⾼效運⾏，也讓⻋企能夠把這樣的能⼒帶進更多量產⻋型。

“我們希望⽤更好的⼤模型芯⽚，降低先進技術⾛向規模應⽤的⻔檻，讓更多⽤戶⽤得上、⽤得起好的智能駕駛。當技術服務的⼈越來越多，真實場景和⽤戶需求也會推動產品持續進步，規模化應⽤則能夠⽀撐下⼀輪研發。”李宗霖表示。於是從定義第⼀顆芯⽚開始，新芯航途就希望⾛通這條路：把技術做好，把產品做出來，讓更好的體驗⾛向更⼴泛的⼈群。

正是這種洞察，讓李宗霖帶領新芯航途走上了“大模型定義晶片”的這條路。

眾所周知，過去打造產品的思路是先做好晶片，再去適配模型。在產品演算法和應用都相對固化的過去，這種做法是沒有問題。但進入到AI時代，因為模型的快速變化，傳統的模式就有點捉襟見肘。

在見識到這個侷限之後，李宗霖帶領新芯航途從真實的⼤模型需求出發，重新思考計算、記憶體和資料流動，讓芯⽚的資源真正⽤在模型需要的地⽅，這就是公司所謂的“⼤模型定義芯⽚”。“我們堅信，這是值得投⼊的技術⽅向，能夠讓⼤模型的進步真正⾛進產品、服務⽤戶。”李宗霖強調。他還特別指出，作為公司非常重要戰略合作夥伴的Momenta，在公司定義晶片的過程中發揮了重要作用。

Momenta CEO曹旭東在分享中也從一個演算法供應商的角度談了他對大模型定義晶片的看法。

他表示，隨著自動駕駛等物理AI應用向大模型發展，通用晶片已經難以同時滿足性能、功耗、車規可靠性和成本要求，必須從大模型的實際需求出發重新定義晶片架構。因為相比通用晶片，前者性能有望提升10倍。尤其是面向規模化L4自動駕駛，模型參數規模至少需要達到10B，大機率需要100B（1000億）。但通用晶片很難在車端有限的功耗、嚴格的車規可靠性和成本約束下支撐如此大規模的模型，這被他稱為通用晶片的“不可能三角”。

為此，曹旭東認為，晶片不能再簡單沿用通用GPU的設計思路，而需要圍繞大模型的計算需求進行專門設計，在滿足車端約束的同時，支撐更大參數規模的模型運行。“這一技術方向不僅適用於自動駕駛，也有望解決機器人等物理AI領域面臨的算力瓶頸，成為推動物理AI能力突破的重要基礎。”曹旭東進一步指出。

李宗霖也告訴半導體行業觀察，在定義晶片的過程中，Momenta演算法團隊提供未來演算法發展趨勢及實際應用需求方面的輸入，而新芯航途的晶片團隊則負責晶片架構與設計等核心工作。雙方通過深入交流，明確演算法對晶片平台的核心需求及未來發展方向，以此推動晶片與演算法的協同最佳化。“Momenta是XHEART重要的戰略合作夥伴，雙方並沒有任何捆綁。公司和Momenta的合作遵循市場化原則，並不限制向其它客戶供貨。所有客戶合作都雙向選擇、公平合作。換而言之，其它基於Transformer架構演算法的演算法方案商，同樣可以基於XHEART晶片做適配和開發。”李宗霖重申。

據透露，基於這個理解，新芯航途依託強大的體系優勢，率先實現了X7 系列的量產，並在不到 24 小時內點亮全晶片，17 天完成整車閉環，21 天接受合作夥伴實車檢驗。自8個月前量產以來，該晶片的累計出貨已經超過 20 萬顆，搭載 10 款量產車型，獲得超過 40 款車型訂單；

站在這個成績的基礎上，新芯航途並沒有驕傲，而是以“量產一代、開發一代、預研一代”的步驟推進產品演進，並在近日帶來了公司更新的大模型定義芯⽚ X7 Ultra。

據介紹，作為一款面向端到端大模型智能駕駛設計的車規級晶片，XHEART X7 Ultra的核心特點是以真實量產智駕大模型為最佳化對象，通過超大核NPU架構、關鍵算子加速、AI工具鏈重構和深度異構計算等，提升大模型在車端的實際運行效率。

得益於其領先的配置，X7 Ultra具備700 TOPS大模型算力，能在處理很多智能駕駛任務的時候遊刃有餘。據透露，這一指標並非單純依據實驗室基準測試得出，而是在真實量產智駕模型、量化後模型精度超過99.99%對齊的條件下實現的。

能達成這樣的成就，按照李宗霖所說，公司為X7 Ultra帶來的超大核NPU架構功不可沒。具體而言，就是將傳統小核之間百GB/s級的資料互動提升至超大核內部TB/s級，並通過大容量、高並行多級快取減少資料搬運和計算等待。同時，針對Transformer模型中的LayerNorm、Softmax、Transpose等關鍵算子，新芯航途還專門設計硬體加速器，並支援高精度浮點向量計算，以兼顧推理速度與精度。

“如果採用小核架構，受限於單核算力，大模型必須被拆分成多個子模型運行，會帶來巨大的資料搬移量，整體效率大幅降低。超大核方案的優勢在於能將整套端到端大模型在單顆大核內完整運行，無需在計算中途將資料轉出、快取至外部記憶體，對大模型負載十分友好。”李宗霖解釋說。事實上，從測試資料可以看到，X7 Ultra NPU的計算利用率達到98.7%，相較行業旗艦產品，記憶體頻寬消耗降低80%，能效提升100%。由此可見看到這個架構的先進性。

除了NPU以外，X7 Ultra率先採用了中國首發量產的Armv9車規級CPU，也是該晶片中不得不提的另一個亮點。據介紹，借助其繼承的 SVE2 向量處理、大叢集架構及 L3 快取訪問最佳化，新CPU能更高效地處理複雜系統任務。相較上一代核心，其性能也提升了20%、能效提升了10%。

此外，針對雷射雷達和攝影機等感測器處理需求，新芯航途升級了X7 Ultra的感測器處理子系統，讓雷射雷達處理能力達到2000萬點/秒，攝影機處理穩定性相較競品也提升100%，改善了感測器處理的即時性和確定性。

軟體層面，X7 Ultra對AI工具鏈進行了深度重構，引入整網級融合技術，將不同層級、不同分支的計算任務統一編排和合併，實現整網記憶體零複製，減少中間資料反覆寫入和讀取外部記憶體，從而降低記憶體頻寬開銷，讓NPU將更多資源用於實際計算。

安全方面，X7 Ultra滿足ISO 26262 ASIL-B功能安全要求，內建MCU通過ASIL-D認證，資訊安全滿足國密二級要求，並支援多種物理攻擊防護手段。此外，晶片還強調通過高效算力和預留的模型迭代空間，為智駕演算法持續升級提供支援。

總而言之，從上述的介紹我們可以看到，X7 Ultra的核心思路並非單純追求TOPS指標，而是圍繞大模型的計算特徵重新設計NPU、記憶體訪問、算子加速和軟體工具鏈，再通過CPU、感測器處理及安全架構的協同，提升大模型在車端的實際運行效率。

其強調的正是從模型需求出發定義晶片，而不是讓大模型遷就通用晶片架構。

展望未來，曹旭東表示，過去四年，車端模型規模增長約5—10倍，而未來兩年有望增長10—100倍，進而推動智駕模型能力實現跨越式提升。基於這一判斷，曹旭東預測，2028年有望成為L3、L4自動駕駛的規模化突破節點，類似2024年城市NOA的普及；到2030年，L3、L4則有望迎來規模化落地。

“為了實現這個目標，大模型定義晶片將成為推動智駕摩爾定律進一步加速的關鍵因素。大模型晶片帶來的算力提升，將進一步釋放Model Scaling（模型規模擴展）的潛力。”曹旭東說。

李宗霖也透露，新芯航途正在研究算力高達3000TOPS的下一代算力晶片。而依賴於這個算力，能夠滿足L4等級自動駕駛的需求。

“自成立以來，我們就確定了簡單純粹的共同目標，那就是做出一顆好晶片，交付出一個軟硬協同、整體最優的解決方案，為客戶創造價值，協助主機廠打造滿意的使用者智駕體驗。”李宗霖強調。從這個角度看，晶片算力的提升只是起點，如何讓更大規模的模型在車端真正跑起來，並最終轉化為量產車型上的智駕體驗，才是這場技術競賽的真正落點。

顯然，新芯航途的團隊，已經為此做好了充分的準備。   (半導體芯聞)

不知道大家最近有沒有刷到這個挺有意思的新聞，美國軍工獨角獸Anduril，就是當年發明Oculus VR的帕爾默·拉基創辦的那家公司，拉著高通一起，想搞一款叫BlueChip的軍用筆記本。

之所以這款筆記本會引起外界關注，就是因為一開始宣傳口號喊得震天響，兩大巨頭要打造一台徹底擺脫海外供應鏈，尤其是脫離中國零件的，100%純美國血統電腦。

然而這口號聽著是令人振奮，但是樣機出來後，業內人士一拆機，局面就顯得尷尬了：

真正產自美國本土的零部件，只佔到32%，剩下68%，還是要依靠亞洲各地的供應鏈。

這個消息一出，原本響亮的“全美式自主”宣傳迅速改口，不再提百分百本土製造，改成目標是在2027年上市時，跨過美國《購買美國產品法》65%本土含量的門檻，到2029年再往上衝到75%。這場轟轟烈烈的脫鉤嘗試，剛拿出樣機，就撞上了冷冰冰的工業現實，美國製造也被狠狠上了一課。

看到這裡很多人會好奇，美國曾經是半導體和電腦產業的領頭羊，阿波羅登月的導航電腦，當年掌握著全球大半積體電路產能，那時候矽谷企業基本靠著軍方訂單養活，供應鏈話語權牢牢握在手裡。怎麼幾十年過去，連一台筆記本都很難湊齊本土零件？

根源其實是三十年前美國自己做的選擇。上世紀90年代，消費電子爆發，民用晶片迭代飛快，軍工晶片研發周期漫長，性價比完全跟不上。當時五角大樓推出政策，鼓勵官方直接採購市面上成熟的民用現貨產品，也就是COTS方案。這麼做短期內確實省下一大筆研發經費，但長期代價，就是一步步把基礎製造環節向外轉移。資本天然追逐更低成本、更大規模的市場，MLCC、結構件、電池組裝這些重資產、低毛利的環節，慢慢向亞洲轉移。

那Anduril打算怎麼去完成65%本土含量這個硬性指標？這裡面就有很多值得琢磨的空間。他們的方案之一，就是大量使用FPGA現場可程式設計晶片，靠軟體程式設計，去替代一部分很難本土生產的專用硬體晶片。

從工程角度來說，FPGA的短板很明顯，功耗更高、發熱更大，整機續航會明顯縮水。但在成本統計上，它有一個好處，FPGA本身單價高，再疊加美國本土工程師高昂的軟體開發、偵錯工時，本土研發費用可以計入整機成本。同樣一套硬體，只要拉高帳面總成本，來自亞洲零部件的成本佔比，就會被直接稀釋。

簡單說，很多時候達標不是把海外零件全部換掉，而是用高價本土研發成本，把佔比數字做漂亮。螢幕、電芯、小電容這些基礎件，來源依舊沒變，只是靠著昂貴的人工和軟體成本，滿足法案採購的要求。

這裡也能看出兩種思維的巨大差異。矽谷做軟體、做AI，講究先畫藍圖、先講故事，迭代速度快，方案隨時可以調整修改。但實體製造業不是這樣，工廠建設、產線磨合、材料驗證、工人培養，周期動輒好幾年，礦產、化工、精密工藝，每一環都急不來。PPT上可以輕鬆寫出來“完全自主供應鏈”，現實裡沒有辦法靠寫程式碼憑空變出一座電容廠。

強行一刀切排除成熟的全球供應鏈，最終的代價很直觀，產品售價暴漲，性能、續航、穩定性反而下降。如果一台供前線士兵使用的安全電腦，散熱差、續航短，那所謂的供應鏈安全，本身就會變成新的風險。

現在美國這邊的思路，也在悄悄發生變化，大家慢慢意識到，完全孤立的本土電子產業鏈，本身就是一件不現實的事情。這個案例給我們的啟示，也不是單純看笑話。全球化分工走到今天，每一個國家都在產業鏈裡承擔了自己的角色。供應鏈安全不等於所有東西都要自己從頭造，而是在分工的基礎上，保留關鍵環節的備選方案。硬體的底層邏輯永遠是成本、工藝、規模三者平衡，再宏大的政策敘事，最後都要落到工廠的產線、材料的良率上面。    (W侃科技)

一塊此前從未公開亮相的AMD顯示卡原型近日現身網路，其PCB尺寸極為誇張，竟然在單塊板卡上整合了四顆RX 470 GPU，被外界稱為可能是全球最大的PCIe顯示卡之一。這款產品採用四芯設計，配備總計32GB GDDR5視訊記憶體，整體佈局更接近專業計算裝置或挖礦硬體。

據VideoCardz報導，這塊PCB的型號標記為DYII-XQ570 V1.0，最初從編號來看容易讓人聯想到RX 570，但分享照片的使用者GOK確認，板卡實際上搭載了四顆Radeon RX 470 GPU。四顆晶片按照2×2方式排列，每顆GPU周圍都佈置了獨立的視訊記憶體顆粒和供電電路。

視訊記憶體部分採用SK海力士提供的H5GC8H24MJR顆粒，單顆容量為8Gb，也就是1GB。每顆GPU周圍配備八顆視訊記憶體，因此單顆GPU擁有8GB視訊記憶體，四顆合計達到32GB。不過，這32GB視訊記憶體並非統一共享的記憶體池，每顆GPU只能使用分配給自己的8GB空間。

供電設計同樣相當誇張，PCB邊緣佈置了四個8Pin PCIe供電介面，按照標準規格計算，四個介面理論上能夠提供最高600W的供電能力，此外還可以通過主機板插槽獲取電力。目前尚不清楚這塊顯示卡的實際功耗，也沒有完整散熱器的照片，無法判斷它最終採用了怎樣的散熱方案。

介面配置則進一步暴露了產品的用途。該板卡僅提供一個HDMI視訊輸出介面，與普通遊戲顯示卡常見的多視訊介面配置差異明顯。同時，它與主機板之間採用PCIe x8連接，而非遊戲顯示卡常見的x16介面。對於加密貨幣挖礦而言，主機與GPU之間的資料傳輸需求相對有限，PCIe x8通常不會成為明顯瓶頸。

從這些特徵來看，這款產品很可能誕生於此前的加密貨幣挖礦熱潮，目標是通過一塊PCIe擴展卡整合多顆GPU，減少整機所需的顯示卡數量。此前藍寶石也曾推出過搭載兩顆RX 570的挖礦板卡，擁有16GB合計視訊記憶體。此次曝光的四芯設計進一步將GPU數量翻倍。

目前尚無線索表明DYII-XQ570 V1.0曾經正式量產或上市，AMD也從未公開發佈過這款產品。   (AMP實驗室)

這台紫色的小裝置，是 OpenAI 交給工廠做出的小批原型，用來和 Codex 對話。

▲ 圖：裝置原型亮屏，截自 OpenAI 官方視訊

在在這個官方演示裡，電路設計、裝配和最後亮屏的實物，都能直接看到。

兩個人，把做硬體當副項目，不到一周設計出了一台能與 Codex 對話的裝置。

這是 OpenAI 11 月 3 日公佈的實驗。Astra 參與的不止是外觀，還包括外殼結構、電路板、介面和軟體。

硬體設計已經能讓模型跨著幾個專業一起做了。這次最有亮眼的，是這些設計最後真的交給工廠，做出了小批原型。

這段不到一周的時間，只算設計。官方另寫了一句：代工廠做出原型，用了不到一個月。

這台裝置的任務很具體：讓使用者能通過一個實體裝置，與 Codex 對話。

要讓它成為實物，先得把幾件互相牽制的事放到一起。

外殼長什麼樣，裡面怎麼固定零件；電路板用那些元件，擺在那裡，彼此怎麼連接；介面和底層程序，又怎樣接上 Codex。

PCB 就是承載元件和連接線路的電路板。它得放進外殼，元件也得在裡面待得住。光把外觀畫漂亮，還遠遠沒做完。

▲ 圖：PCB 布線介面，OpenAI 官方視訊截圖

OpenAI 說，Astra 定義了功能需求，設計了外殼和內部固定結構，選擇元件、佈局電路板，再生成介面、韌體及軟體接入。

圖中只解釋這幾項設計如何配合，不是裝置的真實圖紙。

這一類任務難在配合：外殼改了，電路板可能得跟著變；零件位置變了，固定結構也要檢查。

把這些工作交給同一個模型協助完成，才是這個案例比單獨生成一張外觀圖更值得看的地方。

官方對實驗的描述很大膽：嘗試在沒有人直接修改設計的情況下，做出一台裝置。

不過，同一篇文章也明確寫著，製造準備仍然經歷了多輪審查和修改。

▲ 圖：裝配操作，OpenAI 官方視訊截圖

模型沒有穩定考慮工廠的生產限制、尺寸公差和裝配細節。

公差，就是零件尺寸允許偏離設計值的範圍。圖紙上剛好能插進去，做出來的兩件東西，卻未必還能順利裝上。

設計檔案、工廠能做的零件、最後能裝好的整機，中間還有工程檢查。

所以，官網寫的“兩個人與 Astra”，這並不是“AI 獨自完成”。

OpenAI 的裝置帖下，@praymoreee 就提出，希望看到迭代過程和人的輸入。官方這次的文章，還沒有把完整修改日誌攤出來。

兩個人具體花了多少小時，模型做了多少次嘗試，那些意見來自工廠，仍無法據此算清。

隨這次案例一起公佈的，還有工程任務評測 BenchCAD 2.0 的成績。

這套評測讓模型重建三維零件、擺放裝配件，以及恢復電路連接。它能檢查設計的一些具體能力。

OpenAI 報告，一個未公佈名字的內部新模型，平均分達到 0.875；GPT-6 Astra 在最高推理檔為 0.594。

▲ 圖：OpenAI 官方 BenchCAD 2.0 對照圖；縱軸為平均分，橫軸為相對成本代理（對數刻度）

這裡比較的是平均分。高分屬於內部新模型，而不是Astra 。

BenchCAD 的原始說明也劃出了範圍：評分不覆蓋可製造性和物理性能。

也就是說，幾何形狀、零件位置、電路連接做得好，並沒有順帶證明它耐用、好裝，或者能交付生產。

比起“普通人一句話造硬體”，官方公佈的另一個用法更具體。

Chip Ganassi Racing 賽車團隊，正在嘗試把舊零件的三維掃描，轉成可以編輯的設計模型，再生成二維製造圖。

CAD 是電腦輔助設計。這裡的價值，在於把掃到的形狀，變成工程師能繼續修改的設計檔案。

原始設計檔案找不到時，這條路徑尤其有用。工程師仍會核對模型、圖紙的精準性，以及它們能否製造。

▲ 圖：掃描到可編輯設計和圖紙

賽車團隊在試的，是減少重建模型和出圖的手工活，把設計選擇和稽核留給工程師。

對輕度開發者來說，這次案例提供的是判斷演示的依據，還沒有給出一套低成本復現教學。

接下來真正值得看到的，是完整的設計檔案、人的修改記錄，以及工廠退回來那些問題。那會比又一個“一周做出來”的標題，更能說明模型已經接住了多少工作。

我之前已經寫過一篇文章，關於怎麼用 Claude/Codex 來改造家裡各種智能裝置（包括電視機、印表機、Kindle 等等）。AI 遠不止聊天機器人這麼簡單，它可以在很多方面幫助我們提高效率，比如硬體設計。

這次 OpenAI 的實驗，把這個用途往前推了一步：外殼、電路和軟體可以一起交給模型協助設計，結果還能交到工廠，做出原型。

普通人未必要從造一台新裝置開始。家裡現有的裝置、工作中反覆做的事，都可以成為嘗試的起點。先找一件具體的活，再看 Claude 或 Codex 能接下那一段。   (AI范兒)

RexAA的最新長文及歷史文章，讓您掌握相關股市行情消息，協助您做投資決策。全球科技產業觀察者

不一樣的大模型晶片，來了！

喊著要造100%美國電腦，樣機出來只有32%，美國製造被狠狠上了一課

AMD神秘四芯顯示卡原型曝光：單塊PCB塞進4顆RX 470，配備32GB GDDR5視訊記憶體

OpenAI用GPT不到一周設計了台裝置