看了个理想谢炎的采访，理想打造了一套专属的车端计算架构，并已完成流片，用实际数据验证了技术路线的可行性。
1.架构设计：聚焦NPU，以“同构并行+独创总线”突破效率瓶颈 理想汽车的车端计算架构分为SOC与NPU两部分，核心创新集中在NPU： -
SOC部分：主要承担前处理、后处理任务，由CPU集群、IO接口及内存访存控制器组成，功能以“辅助支持”为主。
- NPU部分：采用同构综合架构，所有计算单元（Class）均为同构设计，确保并行效率最大化；同时配备CCB（Central Control Computing Block），专门处理不适合张量计算的前/后处理任务。
- 总线设计：独创“Mesh Bus+Ring Bus”双总线结构——Mesh Bus实现计算单元间的高效互联，Ring Bus则负责广播功能，解决了传统架构中数据传输的瓶颈问题，且因无CM memory设计，架构具备“无限扩展”潜力。
谢炎指出，这套架构是国内首创的车端AI推理架构，而架构落地的最大挑战在于编译器——硬件结构简化后，需要编译器高效调度，才能让所有应用充分发挥硬件性能，这背后涉及大量编程模型与编译架构的设计优化。
2.实践成果：同等成本下，关键算子性能数倍提升 与当前行业最好的车端推理芯片相比，理想汽车的架构展现出显著的性能优势：
- 整体性能：在IP4与IP8精度下，整体性能达到行业顶尖芯片的1.83倍； - 视觉类算子（CN）：在同等晶体管消耗下，性能飙升至行业水平的4.4倍； - Transformer类算子：不同场景下性能提升幅度在4-6倍之间； - 大模型适配（Llama2-7B）：在70亿参数的Llama 2模型上，性能达到行业顶尖芯片的2-3倍。 这些数据表明，基于数据流架构的车端推理系统，能够在控制成本的同时，有效应对算力指数级增长的需求。
