理想汽车正把自研芯片版图从车端延伸至云端。据《晚点Auto》引述多名业内人士报道，理想正在探索开发云端推理芯片，初步规划沿用旗下智能驾驶芯片采用的数据流架构，但整项项目仍处于早期阶段。
若计划顺利推进，理想未来可望以自研芯片承接部分原本由GPU处理的云端推理工作，包括智能驾驶模型的数据处理、测试与模拟，以及大型语言模型的请求处理。不过，涉及参数更新的模型训练工作，仍需交由专门的训练芯片执行。
延续车端芯片设计 降低重复研发成本
知情人士表示，将数据流架构由车端延伸至云端，在技术上具有可行性。其中一种做法，是沿用车载NPU（神经网络处理器）的运算设计，再把多个AI运算芯粒整合封装，搭配高带宽存储器（HBM）与高速互联技术，组成运算规模更大的云端推理芯片。
这种设计可让车端与云端芯片共用部分硬件架构、软件工具及开发经验，进而分摊研发成本。对理想而言，也有机会提高智能驾驶模型从云端开发、测试到车端部署的整合效率。
不过，云端芯片并非把车载芯片直接放大即可。车端通常处理较固定的模型与传感器数据，运行节奏也相对稳定，设计重点主要放在低功耗、低延迟及可靠执行。
相比之下，云端系统必须同时支持更多模型，并应对频繁更新、输入长度不一及请求量剧烈波动等情况，因此还涉及HBM、多芯片互联、动态批次处理及集群调度等复杂技术。
单颗芯片效能并非唯一关键
一名芯片业内人士指出，做出达到特定效能指标的单颗芯片并非最困难的部分，真正的挑战在于能否让整套推理系统具备成本竞争力。
因此，数据流架构从车端转向云端后，是否能给理想带来实际效益，仍取决于芯片支持不同模型的能力、软硬件协同效率，以及整体系统的运行成本。
目前海外也有多家芯片公司探索数据流架构，包括SambaNova、Groq及Tenstorrent。SambaNova与Groq的核心成员分别具有斯坦福大学及Google TPU项目背景；Tenstorrent则由曾负责特斯拉自动驾驶芯片的Jim Keller领导。
不过，相较于GPU，数据流架构在模型通用性、软件生态及大规模部署能力方面，仍有待进一步验证。
两名芯片研发主管离职 项目进度是否受影响待观察
就在理想探索云端推理芯片之际，公司芯片团队也传出人事异动。《晚点Auto》从多个渠道确认，理想芯片软件研发负责人金一华，以及芯片前端设计一组负责人戴颉均已离职。
两人先前皆向算力单元负责人罗旻汇报，而罗旻则向理想集团技术长谢炎报告。
目前尚不清楚两名主管离职的原因，也无法确定相关人事变动是否会影响云端推理芯片项目的开发进度。由于计划仍在早期阶段，理想最终是否会正式立项、投入量产，以及实际推出时间，仍存在不确定性。
