從新能源到“硅基人”——理想如何用十年重新定義汽車

（圖源：Livis 發布會）

“今天的傳統智能汽車，并不是真的智能，本質上是‘功能驅動’，服務于特定場景，對安全的定義也只是功能安全?！?/p>

2026年6月15日，在 Livis Day 理想汽車軟件與具身智能發布會上 CEO 李想的一番話，宣告了理想未來十年的戰略方向——從造“移動的家”，轉向給車和家賦予生命。

過去十年，盡管新能源汽車被詬病“冰箱、電視、大沙發”。但正是在空間、舒適度和家庭體驗這些被嘲笑的維度上做到極致，在AI賦能一切的新時代，反而讓新能源汽車獲得了超越傳統汽車、成為硅基智能體的另一種可能。

Livis Day 上，理想正式提出了“具身智能汽車”的完整定義。具身智能汽車不再是一臺單純的交通工具，而是集合了電動車、職業司機、AI 計算機、生活助手四位一體的智能體，且同時具備保護人類安全、獨立完成任務、比人類更高效未來三大核心能力。

淘汰馬車的，不是更快的馬車；真正殺死比賽的，往往不是在賽場上選手，而是跳脫出框架，重新定義比賽意義的人。

未來的新能源產業，也必將完成從“功能驅動”到“硅基生命體”的范式升級。

十年長跑，長期主義的浪漫

理想在具身智能上的布局，是一場長達十年的長跑。

汽車的終極形態是什么？在甚至連特斯拉都未能驗證自身商業模式是否可行的 2015 年，李想就向自己和團隊拋出了這個問題。當時，他給出的答案就是“機器人”。

李想口中的機器人，并不是狹義上的人形機器人，而是當下火熱但彼時卻鮮有人提起的具身智能。工業和信息化部裝備工業發展中心曾刊文稱，具身智能是指智能體（如機器人、無人機、智能汽車等）通過物理實體與環境實時交互，實現感知、認知、決策和行動一體化。

工信部在文章中表示，具身智能的核心理念顛覆了傳統人工智能的“離身性”局限，強調智能的本質必須通過身體與環境的動態互動來塑造和體現。

簡單來說，傳統的對話式大模型不具備“身體”，不強調與物理世界交互。而具身智能則是依托基礎模型，通過物理載體完成真實世界中的任務。

但這個身體，無論是車、無人機、機器狗還是人形機器人，在這個階段并不是問題的核心。

（圖源：中國通信院《具身智能發展報告（2025 年）》）

為什么理想如此堅定地將汽車作為具身智能的主戰場？2026 年 6 月 11 日，李想在社交平臺回應外界“不務正業”的質疑時寫道：“基于汽車形態的具身智能，可能是第一個進入物理世界的AI機器人?！?/strong>李想認為，汽車已天然具備具身智能所需的所有要素：身體（電動車平臺）、眼睛（多傳感器+3D ViT 感知）、大腦（高算力芯片+VLA 模型）、手腳（全線控底盤）。

更重要的是，汽車運行在結構化道路上，每天產生海量真實世界數據，形成感知-決策-執行的完整閉環，這是目前最成熟、可規?；涞氐奈锢碇悄荏w平臺。

那么，把汽車從工業時代的交通工具，進化成人工智能時代的空間機器人，需要解決看得見、想的快、動的穩三個問題。

于是從 2021 年開始，理想悄然啟動了一系列基礎能力建設，自研感知系統率先量產上車。2022 年，理想正式將人工智能確立為公司核心競爭力。此后芯片、操作系統、主動懸架等三大核心項目幾乎同時立項，其中馬赫 M100 芯片項目正式啟動，歷時三年半持續打磨。2023 年，理想大模型研發啟動；2024 年，自研星環 OS 落地；2025 年，AI 相關研發投入占比已大幅提升至約 50%，VLA 司機大模型開始交付上車。

理想從 2015 年的“機器人”構想到 2026 年 L9 Livis 全棧落地，用十年光陰詮釋了真正意義上的長期主義長跑。

造車 vs “造人”

那么問題來了，十年來的持續投入，值嗎？

2026 年 5 月在參加羅永浩的十字路口中，李想系統闡述了他的“上下半場”理論，即自動駕駛是具身智能的上半場，人形機器人是下半場。

李想的計劃中，企業在上半場通過汽車驗證和打磨技術，而在下半場則將積累的模型、數據、算法和工程經驗遷移到更通用的人形機器人形態上。李想判斷，未來的 3 至 5 年，中高端智能汽車的競爭本質上就是具身智能的競爭。

可惜的是，在當下的新能源汽車市場，并非所有車企都愿意或能夠跳出同質化競爭的泥潭。

近年來，尤其是 2025 年之后，各家車企的同質化問題愈發嚴重。在今年的北京車展上，這種內卷最直觀的體現就是：幾乎每家品牌都有了自己的“7 系”“8 系”“9 系”旗艦 SUV，造型語言、空間布局、配置清單高度重疊，相似續航參數、堆砌的激光雷達與更大更清晰的中控大屏成為標配。

曾經作為差異化利器的智能駕駛和智能座艙，也迅速從“殺手級武器”淪為基礎配置。整個行業陷入“同平臺、同參數、同價格”的激烈內卷，產品力嚴重趨同，用戶最終只能靠優惠幅度來做選擇。

這樣的市場很難說得上健康。而真正讓行業更上一層樓，必須跳出當前“功能堆砌”和“參數內卷”的框架，重新思考汽車在 AI 時代的本質：

讓汽車從一臺功能豐富的交通工具，進化成一個擁有感知、決策和行動能力的硅基智能體。

從車到“硅基人”，理想需要的不僅僅是技術積累這么簡單。

2026 年 1 月，理想完成了研發體系重大重構。李想推動團隊從傳統的按軟硬件功能劃分，轉為按照“造具身智能 / 造硅基人”的方式，模擬人體結構重構組織，設立包含芯片、OS、算力代表的“臟器系統”、以基座模型為代表的“腦系統”、強調 Agent 應用的“軟件本體”、和聚焦執行系統的“硬件本體”等板塊。

李想曾表示：“人工智能就是在造人。Agent 是數字化的人，具身是物理化的人，只是它是硅基的人，不是我們碳基的?！倍@次研發體系變革，正是這一哲學在公司治理層面的落地。

打通了軟硬件壁壘，也意味著打通了研發的“任督二脈”。感知、決策、執行能夠在同一框架下高效協同，理想模型訓練迭代周期也由此從兩周一次縮短至一天一次。

無論未來何去何從，至少在當下，面對如何跳出內卷，進而推動整個行業向下個階段邁進的問題上，理想給出了自己的答案：

造硅基人。

千里之行的一步

當然，正如俗話所說說“大處著眼，小處著手”，這次 Livis 發布會上，理想也拿出了足夠有分量的東西。

理想正式官宣了全球首款量產動態數據流 AI 芯片馬赫 M100。

需要注意的是，理想的這款芯片與傳統芯片有著天壤之別。傳統計算機幾乎都建立在馮·諾依曼架構之上。該架構的核心是“指令驅動”，即處理器不斷從內存中取指令、譯碼、執行，再把結果寫回內存。

這種“取指-執行”循環也帶來了著名的馮·諾依曼瓶頸——海量數據需要在處理器和內存之間反復搬運，導致大量能耗浪費在“搬運”而非“計算”本身，并行效率受限。

數據流架構則反其道而行之，計算不是由指令順序驅動的，而是當一個操作所需的所有輸入數據都就緒時，該操作自動觸發執行。這樣的優點在于只要數據依賴關系允許，多個節點就可以高度并行執行，無需等待中央控制器的統一調度。

業內此前也有使用數據流架構解決 AI 時代馮·諾依曼瓶頸的嘗試。

比如由谷歌前工程師創辦的 Groq 公司的 Groq LPU。該芯片采用的 Tensor Streaming Processor 架構屬于一種確定性數據流架構。在運行 Llama 3 70B 等模型時 Groq 速度驚人，最高可達數百 tokens/s，遠超同規格GPU。當前該芯片已獲得大規模部署，應用于如沙特主權 AI 等項目。

（圖源：Livis 發布會）

數據流架構是AI時代突破馮·諾依曼瓶頸的一條重要路徑。理想的馬赫 M100 正是在這一趨勢下，針對車端具身智能進行的一次創新嘗試。

三年的打磨，馬赫 M100 的紙面數據相當能打，單芯片算力達到 1280 TOPS，雙芯片可達 2560 TOPS，實際運行效率超過 82%。

架構上，M100 將超過一半的晶圓面積分配給神經網絡處理器，通過 56 個計算單元和數據處理模塊，實現了動態數據流的高效計算。其架構論文更是入選國際計算機體系結構頂級會議 ISCA 2026 工業分區。

雖然紙面數據上仍不及英偉達 Thor 系列、數據流架構的生態和通用性可能不如GPU成熟、真實量產后，在極端天氣、長周期穩定性、功耗、成本等方面的表現還需要用戶和第三方的長期反饋，但不可否認，理想踏出了通向具身智能的重要一步。

因為在馬赫 M100 基礎上，理想構建了從芯片到應用的完整具身智能系統閉環。

芯片層面，馬赫 M100 提供算力底座；編譯器與操作系統上，理想自研編譯器與星環 OS 可實現 AI 原生調度，達到“感知-決策-執行”全鏈路深度融合。

模型層，語言智能由馬赫 Mind-Pro 與 Mind-Edge 承載。Mind-Pro 采用混合強化學習并行訓練，Token 消耗降低 38%，工具調用冗余減少 47%，推理效率達到主流 Agent 模型的兩倍以上；Mind-Edge 則是端側原生具身智能體，支持全天候主動感知與低延遲控車。機器智能則由馬赫 VLA負責，實現了視覺-語言-動作的統一建模。

執行層上，L9 Livis 全球首發完全體全線控底盤，集合了 800V 液壓主動懸架 + EMB 線控制動 + 線控轉向 + 后輪轉向等諸多技術，能夠將決策快速轉化為物理動作。

腦身合一，在這一刻變得無比真實。

從造車到“造人”，理想已踏出堅實一步。未來成敗，時間自會給出答案。