智能驾驶行业的竞争格局近年来发生显著转变。早期竞争聚焦于硬件配置，企业比拼激光雷达部署数量、摄像头安装规模以及算力水平；随着大模型技术兴起，端到端架构、VLA（视觉-语言-行为模型）和World Model（世界模型）等技术路线成为新的角力点。当前行业共识逐渐形成：单纯依赖模型规模已难以建立竞争优势，模型、数据、算力与芯片的协同迭代能力才是决定胜负的关键因素。
这种技术演进趋势推动车企加速布局全栈自研。特斯拉构建了从数据采集、训练基础设施到FSD模型和Dojo超算的完整生态，国内新势力车企也在向底层技术延伸。理想汽车最新发布的L8、L9车型已搭载自研马赫M100芯片，这款采用数据流架构的芯片被视为AI计算的重要突破，配合自研的马赫VLA模型形成技术闭环。这种垂直整合模式正在重塑行业技术路线图。
在自动驾驶能力追赶方面，理想汽车自动驾驶负责人詹锟指出，技术提升包含基础体验和能力拓展两个维度。基础体验需在安全感、通行效率和乘坐舒适度上达到特斯拉FSD同等水平，而能力拓展则涉及特殊场景处理、交警手势识别等复杂任务。这些能力的实现既需要架构升级，也依赖数据积累，例如特斯拉通过神经网络触发器精准识别长尾场景，这种数据收集机制构成其技术壁垒。
关于技术架构演进，詹锟认为VLA与World Model的融合将成为主流方向。语言模型在环境理解、交通规则解析和决策推理中发挥关键作用，基于视觉与语言的原生基础模型可能代表未来趋势。芯片负责人谢炎补充道，当自动驾驶向L3/L4级演进时，系统需要具备人类级的推理能力，语言模型正是提供这种能力的核心组件。例如处理交警手势等突发场景时，单纯依靠数据驱动的方法难以实现泛化。
数据价值评估体系正在发生深刻变化。詹锟强调，高质量数据需满足两个条件：一是覆盖足够多的极端场景，二是保持行为数据的一致性和纯净度。虽然数据规模增长会带来边际效应递减，但通过模型优化仍可延续收益曲线。谢炎则从芯片设计角度指出，数据流架构对带宽需求较低，但SRAM容量设计是综合成本、性能和晶体管效率的平衡结果，不能简单用单一指标衡量芯片优劣。
在芯片架构创新方面，理想汽车提出了"AI计算中心"概念。谢炎解释称，未来车内将构建统一的AI计算平台，通过Token Server机制实现资源隔离与高效调度。这种设计既能保证智驾系统的确定性需求，又能提升多任务处理效率。针对舱驾融合争议，他认为高端自动驾驶系统需要专属计算资源，强行融合反而会降低系统可靠性，集成化方案比单芯片融合更具现实意义。
自研芯片的落地需要多重条件支撑。谢炎透露，车企年营收需达到千亿规模，且研发投入占比超10%才具备经济可行性。以马赫M100为例，其芯片面积相当于8部高端手机芯片，但通过规模化应用可有效分摊成本。动态数据流编译器的开发尤为关键，这项技术需要解决超大规模并行计算的调度难题，其复杂度堪比超级计算机集群的协同管理，理想团队在流片前就完成了核心模型验证。
