文 | 互联网江湖，作者 | Evin，编辑 | 刘致呈
如果你长期跟踪智驾行业，会察觉到一个变化正在悄然发生：发布会上的主角，正在从 " 技术 " 换成 " 量产 "。
2026 年以来，L4 落地声量明显抬升，城市 NOA 渗透率持续走高，车企量产军备竞赛全面打响。
从 " 技术竞争 " 换轨到 " 量产竞争 "，已是行业明牌。
但换轨途中横着一个尴尬的现实：多数通用芯片正在拖量产的后腿。
车规环境下，通用芯片的 " 不可能三角 " 凸显：账面算力与有效算力相差悬殊，利用率往往只有 30% — 40%。
这笔被浪费的差价，堪称 L4 规模化路上一笔 " 隐性税 "。
10 月 29 日，转机出现了。
XHEART 新芯航途 CEO 李宗霖正式发布大模型芯片 X7 Ultra：700 TOPS 大模型算力、超大核 NPU、高精度专用算子加速、Armv9 车规级 CPU。
这有点像当年的 DeepSeek。
DeepSeek 的出现为 AI 行业指明了，大模型不必沿着旧算力逻辑硬堆也能跑出新的可能性，此后 AI 应用如雨后春笋般生长。
如今，X7 Ultra 则为 L4 验证了，L4 的落地也不必拘泥于通用芯片的算力瓶颈，L4 量产落地，有了一条新路。
自此，L4 量产的 DeepSeek 时刻来了。
大模型芯片发布，L4 落地有了 " 新基建 "
大模型定义芯片不是实验室里的炫技，而是量产需求倒逼出来的必然产物。
推动力首先来自市场端。
最近一段时间，车企新车的大模型和辅助驾驶能力正在全面标配。
工信部数据显示，2026 年以来乘用车组合驾驶辅助渗透率已达 70.5%，NOA 渗透率超过 30%，首批 L3 车型也开始在特定区域上路。
随着端到端的智驾普及，接下来，车企的每一款新车立项，都会用上更强的芯片。
与此同时，AI 模型体量越来越大，对芯片性能的要求也越来越高。
Momenta CEO 曹旭东判断，未来规模化 L4 需要 10B — 100B 量级的大模型来应对复杂长尾场景。
新一代大模型规模化上车，带来的直接问题是：通用芯片接不住。
为什么接不住？
因为量产赛场上最难的，是三条互相拉扯的硬指标。
首先，要 " 跑得起来 "，就得满足算力和功耗的硬性要求—— 10B — 100B 的模型要在几十瓦功耗、毫秒级延迟下运行，通用芯片为灵活性预留的架构冗余，在车端反而成了负担，大量算力耗在架构开销而非有效计算上。
其次，要实现 " 规模上车 "，那么对应成本——成本必须降到付费方持续买单的水平，并为折旧运维留出利润空间。而在通用芯片的定价体系下，车企很难算平成本账。
最后一点，也是最重要的一点：安全。L4 阶段责任主体转移到主机厂，安全成为 " 生死线 "，芯片的计算行为必须可预测、可验证——同样的输入产生稳定输出，负载变化时延迟可控，结果可被完整追溯。而时快时慢、利用率飘移的通用平台，撑不起安全底线的工程化验证。
最终，结论只有一个：市场需要一颗从大模型需求出发设计的大模型芯片。
L4 的落地发展，其实有点像前几年 AI 行业。
ChatGPT 火了之后，模型对算力的需求越来越大，直到 DeepSeek 给 AI 行业开辟了一条新路。
从底层逻辑上来看，大模型定义芯片，恰如当年 DeepSeek 的发布。
DeepSeek 证明了 AI 大模型不必硬堆参数、硬烧算力卡，通过架构创新提升 AI infra 层的效率，也能跑出规模应用。如今，在 L4 这个赛道，X7 Ultra 发布之后，XHEART 通过 NPU 架构创新，再次验证了这条路径。
从这个意义上讲，XHEART 和 Momenta 要做的事情，相当于 L4 落地的 " 新基建 "。
关键核心在于解决几个问题：
第一，从 NPU 入手，解决效能问题。
传统智驾芯片的 NPU 由多个小核拼凑，核间数据交互在百 GB/s 量级，大量算力耗在 " 内部搬运 " 上。
大模型定义芯片则从根本上解决了这个问题。X7 Ultra 把计算单元聚合成一个超大核，内部互联速率拉到 TB/s 级。
但仅此还不够，数据能在核内高效流动，计算本身也得高效。
这就是第二点：靠专用算子，解决延迟问题。
Transformer 架构里的高频计算，过去在 NPU 里跑不动、只能绕道 CPU，一来一回既费带宽又费时间。
为此，XHEART 从 2023 年起便与 Momenta 算法团队联合研究模型架构及关键算子，为这些高频算子配备了专用硬件，原生支持 FP16/FP32 高精度向量计算——关键计算既快，又不丢精度。
高精度带来计算行为的确定与可预测，这正是安全验证的物理基础。
还有，靠整网级工具链重构，解决最终上车的问题 .
传统推理是算子逐个执行、中间结果反复写回外部内存；XHEART 的做法是把整张网络统一编排、融合，实现 " 整网内存零拷贝 "，结果就是内存带宽消耗降下来了，同一块芯片能跑更大的模型，单位算力的成本自然也就降下来了。
最终实测数据给出了答案：NPU 计算利用率 98.7%，内存带宽消耗比行业旗舰低 80%，能效翻倍。
X7 Ultra 的 700 TOPS 大模型算力，也是在真实量产智驾模型上测得的，前提是量化后模型输出与 FP32 模型的相似度达到 99.99% 以上。模型结构不能随意改，精度和驾驶体验不能打折——性能优化从一开始，就要对准量产要求。
实际上，大模型定义芯片，不是在某一个指标上做加法，而是让此前互相拉扯的算力、成本、安全，在同一个架构里被同时满足——它给 L4 的到来铺平了一条路。
对行业而言，这背后还意味着一场更深层的变化：智驾的竞争逻辑，正从 " 堆算力 " 转向 " 系统竞争 "。
过去 L2 普及阶段，行业信奉 " 算力越高，智驾越强 " 的公式，但现在，L4 落地要求系统竞争，背后是算力、成本、功耗、安全四者之间的协同。
简而言之，这场比赛的规则变了，从 " 单项锦标赛 " 进入了 " 团体赛 "。
这个逻辑在新能源汽车行业已有先例：比亚迪的闪充技术本质上就是 " 系统竞争 "：单靠堆电池容量解决不了补能焦虑——只有当电池、平台、桩、储能在架构层面协同设计，快充才能真正落地。
同理，单靠堆算力也解决不了智驾的天花板。
把镜头再拉远一点，大模型芯片并非孤例，而是专用化 AI 芯片浪潮中最先被推到台前的场景之一。
芯片专用化、软硬一体早已是大势所趋。
谷歌 TPU 从诞生之初就只为加速神经网络计算服务，专用芯片正变成 AI 算力结构中的重要一极。
汽车行业亦然，主机厂不再满足于采购通用座舱或智驾芯片，而是直接参与定义甚至自研专用芯片，L4 量产阶段尤甚。
X7 Ultra 正是这个逻辑的产物：它对大模型的 " 适配 " 不是软件层面的修修补补，而是架构层面的血脉相通——不做算法去适配芯片，而是芯片天然契合大模型计算。
这等于从芯片定义逻辑上，诞生了一个新物种。而这个新物种，不是 L4 的配套，而是 L4 量产的前置条件。
从此，L4 量产的大门才真正被打开。
L4 只是起点，真正的未来在物理 AI
在汽车产业链条上，判断一条技术路线的成色，最终要回到一个朴素的问题：它装进车里了吗？
在这一点上，Momenta 与 XHEART 已经交出了答卷。
X7 系列的客户车型包括上汽大众 ID. ERA 9X/8X、荣威家越 07、MG07 等，从德系合资巨头到自主品牌头部，这表明双方的软硬协同已跨过 "PPT 协同 " 阶段，进入可验证的商业化落地。
同时，也足以见得大模型定义芯片，未来商业化落地的路径清晰。
从智驾技术演进来看，量产本身就是最好的验证场。
只有在真实车型、真实用户、真实路况中打磨成熟的软硬协同能力，才能更好迭代，产品技术，进而带动 L4 进一步实现规模化。
加速这一进程的，正是大模型芯片。
当模型需求直接定义芯片，算法、软件、芯片的迭代节拍第一次被拉到同一节奏上，行业进化速度自然会变快。
据了解，基于 X7 Ultra 的支撑，Momenta 发布的 R7 Ultra 世界模型，参数规模将扩大 5 — 10 倍，安全性能同步提升 5 — 10 倍以上，推动世界模型从 " 理解世界 " 走向 " 推演世界 "。
至此，L4 商业化落地的最后一块拼图，已经摆上了桌面。
但如果只盯着眼前的装车量，仍然低估了大模型定义芯片的价值。
大模型定义芯片的想象力，可能远不止于 L4。
它更深的护城河，在于这套研发方式可以迭代延续：一颗为模型而生的芯片，其研发过程沉淀的是可继承的资产——量产模型参与硅前验证的经验、模型与芯片团队联合调试的协作机制、精度与效率之间取舍的方法论……
这些无形资产不会随一代产品退役，而会完整传递到下一代芯片上，支撑未来更大的模型在性能、能效、系统成本和交付效率上持续优化。
这个剧本似曾相识。
当年，英伟达靠 CUDA 生态绑定 AI 开发，也是靠芯片架构技术代际更迭能力，统治了 AI 算力市场。如今，专注芯片、聚焦 AI 计算、以软硬件协同构建壁垒，大模型芯片的进化逻辑，某种意义上与之高度相似。
这个方向下，XHEART 的定位从一开始就不止于智驾，其官方表述是 " 一家专注于大模型计算的芯片设计公司……并应用于智能汽车，现正向机器人等领域拓展 "。
曹旭东也明确指出，大模型定义芯片的思路可以进一步推动机器人以及更多物理 AI 应用取得突破。
物理 AI 的命题，是 " 大模型必须在物理世界的实时约束下运行 " ——要省电、要低延迟、要成本可控、要行为可验证。
这意味着今天在量产车上被验证过的这套解题方法，明天可以复用到人形机器人、移动机器人，以及一切需要 " 聪明的大脑 + 可控的躯体 " 的物理 AI 产品上。
也因此，未来芯片的持续研发与规模交付，夯实的不只是 Momenta 在汽车赛道的长期竞争力，更是两家公司为整个物理 AI 时代铺设的智能底座。
大模型芯片的前景如何，资本市场的动作往往最诚实。
XHEART 的战略融资，参投阵容很有看点：雷诺集团首次投资，奇瑞汽车追加，长鑫科技入局。
产业端，开始真金白银地下注了。
三家资方的诉求各不相同：雷诺看中的是智驾供应链的确定性与下一代车型的计算底座；奇瑞追加投资，要的是量产芯片稳定供给的深度绑定；长鑫科技的入局，则指向存储与算力协同的产业纵深。
诉求不同，但指向同一个判断：一家能把算法能力硬件化的芯片公司，在智驾走向软硬一体的趋势里，有不可替代的位置。
对 XHEART 而言，这笔融资的意义不在于财务数字，而在于未来芯片持续研发和规模交付的确定性。
芯片是一门重资产生意：从架构立项到流片上车以年计，持续的研发投入、产能保障、车规认证，每一环都需要长期弹药。
50 亿融资与已经铺开的客户阵列，就是这种确定性的最佳展现。
眼下，汽车行业的规模化 L4 是确定的，模型能力与量产能力同步增长的需求是确定的；剩下的变数在供给端。
接下来，谁先贯通了模型、芯片与整车应用，谁就可能真正打开通向未来的那扇门。
而眼下，打开这扇的钥匙已经握在了 Momenta 和 XHEART 的手中。
