芯片名字叫 X7 Ultra ，只看算力数值，在2026年底已经不能算“极致”了—— 700 TOPS 。

它想表达的是：X7 Ultra的确有更高的推理效率，但没有放任量化误差无限扩大，而是要求量化后的模型输出尽可能贴近FP32模型。

因为大模型实在太能吃算力、内存和功耗了，把模型权重和计算精度压下来的主要途径，就是减少存储与计算开销。但压得太狠，输出也可能出现偏差。

第二个指标，是 NPU计算利用率达到98.7% ，意味着芯片里的AI计算单元，在运行测试任务时，绝大部分时间都在执行有效的计算工作，闲置时间很少。

这通常也意味着芯片架构、数据传输和软件调度之间配合得比较好，计算单元不容易因为等数据、等指令而空转。

过去谈TOPS，多用稠密算力或稀疏算力，这些概念可以说明芯片的理论计算能力，却很难单独回答一个更贴近实际体验的问题：把真正用于智能驾驶的模型放上去，究竟能跑多快、跑得有多稳？

但真实智驾大模型涉及复杂的网络结构、不同类型的算子、频繁的数据读写，以及多种计算任务之间的调度；只追求某个环节跑得很快意义有限，因为其他环节却因为等待数据、内存带宽不足或调度效率不高而拖慢整体速度。

“大模型算力”的评测思路，是直接使用真实量产智驾模型测试芯片 ，而不是只依赖实验室基准测试。

这套评测还有另外几项明确约束：模型结构不能随意改变，计算精度必须得到保证，最终驾驶体验也不能打折，芯片需要在这些条件都成立的情况下，尽可能提高模型运行效率。

这就是“大模型算力”想要衡量的东西：在真实量产模型和严格部署约束下，芯片究竟能提供多少的计算能力，让性能数字更准确描述智驾系统实际要完成的工作 。

新芯航途 —— XHEART ，两家公司没有直接的股权隶属关系，只是Momenta创始团队成员曹旭东、夏炎通过控股股东间接持有新芯航途股份。

和Momenta属于“姐妹公司”，第一款量产产品X7其实已经在上汽大众的新车上量产，但这次的X7 Ultra发布是新芯航途第一次正式对外亮相。

摄像头和激光雷达把数据送进来，模型开始一层层计算，最后形成感知与驾驶决策所需的信息，整套流程必须在有限时间里跑完。

问题是，芯片内部很容易出现一种尴尬局面：计算单元明明很强，却在等数据；某些算子算得飞快，另一些操作却拖住了整条链路；以及传感器数据越来越多，前端处理又排起了长队。

模型规模扩大后，大量计算任务需要组织起来执行，计算单元之间也会交换数据 ，超大核能配合更高效的互连，减少协作过程中的损耗，让计算资源更连贯地工作。

但矩阵计算快了，还不等于整个模型就快了，因为神经网络里还有不少“配角”算子，例如LayerNorm、Softmax和Transpose等等。

它们未必贡献最多的计算量，却可能反复出现在模型执行路径上，一个算子处理得慢，后续计算就得等着“接棒”。

X7 Ultra为这类操作配置了专用计算引擎 ，相当于把模型里的高频任务单独安排了工位，减少通用计算资源被这些操作占住的时间。

模型在芯片上运行，需要经过编译和调度，但如果每个操作都独立执行，中间结果不断写回外部内存，再重新读出来，计算单元会白白浪费大量时间等数据。

X7 Ultra，或者说新芯航途为所有芯片构建了统一解决方案——AI工具链 ，通过计算图融合、并行执行和任务调度，把能够合并的计算尽可能连起来，减少中间数据来回搬运。

体现在这一款产品上，X7 Ultra的内存带宽消耗对比常见产品下降80%，能效提升100%——这两项数据对应的，正是减少数据搬运、提高计算资源利用效率的设计目标。

拿激光雷达来说，线数增加之后，同一场景会产生更密集的点云，细节更丰富，处理量也跟着涨；再比如，摄像头链路还有一个容易被忽略的问题：时延抖动。

X7 Ultra上针对性给出了方案，比如处理子系统中加入专用激光雷达加速器，每秒可处理2000万点，能够支持千线级激光雷达的点云处理需求。

针对摄像头处理链路，则优化了本地多核处理和流水线控制，处理稳定性相比传统方案提高100%。

相比上一代，内核性能提升20%、能效提升10%，并优化了向量处理、多核协同和L3缓存访问。

最后一关是安全 ，X7 Ultra的SoC达到ASIL-B标准，集成MCU达到ASIL-D，承担不同层级的功能安全任务，为故障监测、控制和异常处理提供硬件基础。

把这几项设计连起来看，X7 Ultra并不是只盯着NPU往上堆算力，是把计算、数据搬运、传感器处理和系统调度一起安排好：

早在自动驾驶还处于“刀耕火种”，也就是依赖高精地图+规则的年代、行业把“开城”作为黄金指标的年代，Momenta的CEO 曹旭东 就一直在行业里反复布道：数据飞轮、两条腿走路……

而他当年和大部队“格格不入”的认知，现在变成了公认的技术共识：端到端、无图、数据驱动、强化学习、世界模型……

这也能直接解释为何Momenta能在英雄辈出的自动驾驶江湖脱颖而出，合作车企广度、车型数量、方案搭载量上都一枝独秀。

核心定义是 智驾模型的能力持续增长，计算架构也需要跟着模型一起演进 ，由此，智驾摩尔定律也需要重新评估。

这样的认知成型于2022年，并且在2023年由新芯航途开始实践，时间点对应的，是自动驾驶技术体系经历的快速深刻底层重构。

硬件层面，量产L2规模效应开始起作用，传感器、芯片成本快速下降，“超大杯”配置的智能方案，有了上车量产的基础。

模型层面，数据驱动的范式快速取代传统方法，不但是Transformer架构，模型本身迭代优化，也由人工调参和规则约束，变成了大规模、有特定分布特征的数据回灌，驱动强化学习。

而基于Transformer的端到端智驾模型，本质是通过海量数据学习环境表征、时序关系和驾驶决策。模型需要处理的内容越来越复杂，既要理解当前道路环境，也要结合连续时刻的信息判断车辆、行人和其他交通参与者的行为，最终形成驾驶动作。

世界模型则进一步强调对物理世界状态及其未来变化的预测，让系统具备更强的环境理解与未来推演能力。

曹旭东认为，自动驾驶的规模化落地，对应的端侧模型，可能需要达到至少10B、甚至100B参数级别，这样的才有可能让真正的L4落地部署规模百万级起步。

模型参数规模只是其中一个维度，算子类型、数据访问方式、计算任务的并行关系，也会影响模型能否在车端实时运行。

这就把芯片需要面对的计算需求摆到了更大的量级上——同时满足功耗、车规可靠性和成本约束，细化到哪些算子值得做专用加速，哪些数据需要减少重复搬运，哪些计算任务适合并行处理……都必须在芯片设计阶段与模型架构协同考虑。

如果能把数据飞轮、两条腿走路、原生架构的芯片三者结合起来，模型进步就不再只依赖算法团队单点优化，底层硬件也开始围绕模型的实际需求共同演进。