算力超 500TOPS 的智驾芯片，小米先投了_老虎社区_美港股上老虎

算力超 500TOPS 的智驾芯片，小米先投了

10 月，北京亦庄深秋的季节里，空气格外冷冽。

与此同时，世界智能网联汽车大会上的展厅内，人潮涌动。

台下坐着的，是亦庄产投、蔚来、小米、经纬恒润等一众投资者角色，他们目光交汇在一颗芯片上。

这颗芯片来自辉羲智能，这家初创企业用两年时间，研发出第一颗数据闭环定义芯片——光至 R1。

造一颗芯片的难度，不亚于造车。

辉羲智能创始人徐宁仪把这项突破比喻为攀登上海拔 7500 米的慕士塔格峰。

登顶慕士塔格峰意味着达到国家一级运动员的标准，辉羲选择把芯片对标 OrinX，代表其挺进了国际造芯第一梯队。

7nm 制程，拥有 450 亿个晶体管，符合车规级要求；
500TOPS 算力，相当于两颗 Orin；
8 核 SIMT 架构，24 核 CPU，15 核 GPU；
带宽超过 200GB/s；

2025 年，光至 R1 将率先在一家国际车企上量产上车。

辉羲还定下目标，要让这颗芯片成为国内量产上车速度最快、业内最好用的大算力智驾芯片。

芯片市场已经群雄林立，前有英伟达等巨头企业占据大量市场份额，后有黑芝麻、地平线等上市企业分食剩余市场蛋糕，辉羲想要冲出重围，它需要做出更极致的动作。

这个极致包括产品性能、交付速度、降本增效等。

同时，辉羲必须保证，从决定造芯的那一刻开始，迈出的每一步都不容有错。

01、造芯方法论：打造可扩展的数据闭环

1950 年，阿兰·图灵在著作《计算机器与智能》中，描述了通向通用人工智能的两条路径：

基于抽象计算，聚焦抽象任务所需要的人工智能，做针对性算法训练，比如国际象棋；
基于具身学习，给机器配置传感器，像人类幼儿一样与环境互动，培养感知、学习与认知能力。

两种路径的区别是，前者依靠规则，应用范围有限，但上车快；后者强调智能，泛化性、适应能力强，但要求极高的数字基建能力。

图灵认为，这两条路径，都值得探索。

于是，在人工智能 70 年的发展脉络中，两条路径以一种递进式关系，迸发出了技术变革的巨大火花，形成四个阶段的演进：

第一阶段，计算智能，通过深度检索与相应算法，一台名为「深蓝」的超级计算机打败了人类世界冠军；
第二阶段，感知智能，在 CNN 算法与 GPGPU 硬件协同下，机器完成了对十亿级别人脸数据的记忆与检索；
第三阶段，认知智能，基于 Transformer 算法与专用芯片架构的应用，ChatGPT 展现出大语言模型的交互能力；
第四阶段，具身智能，同样在算法与硬件作用下，机器拥有了类人思维模式，真正接棒了探索、创造物理世界的任务。

随着问题规模的增长，数据处理量级从 10ZB 进阶到 1000ZB，算法结构、硬件架构进行了相应扩展，指数级增长的性能要求得到满足。

这种可扩展性的能力，充当了驱动技术变革的强力引擎。

现在的辉羲，就站在第四阶段的端口，踏上了图灵口中的第二条路径。

它的任务，是造出一颗支撑高阶智能驾驶，满足具身智能要求的高性能芯片。

而它的方法论已经明确，正是瞄准算法、硬件的可扩展性，打造出高效的数据闭环。

建立在这条方法论之上，辉羲定义了首颗芯片的基本样貌。

一是从数据闭环的系统需求出发，在芯片设计上首次做到，一颗芯片，满足三大应用场景，即：

数据采集：连接多条视频处理链路，支持影子模式等；
实时控制：在处理复杂运行工况时保持高帧率、高吞吐；
算法验证：数据解码后进行回灌测试，完成推理训练。

二是在架构设计上，满足可编程性的要求。

辉羲把芯片架构定位于「领域通用架构」。

它介于传统 CNN 与 GPGPU 硬件架构之间，既满足重点领域性能要求，比如智能驾驶，同时支撑它的演进。

辉羲在分析了智能驾驶与具身智能算法特征之后，研发了一套图灵完备的指令集。

图灵完备，意味着这套编程语言，可以像图灵机一般解决任何计算问题，它可以让用户，随心所欲地支配先进算法，包括现在的端到端技术架构。

由此，辉羲的光至 R1 展现出了对标英伟达 OrinX 的能力。

从参数对比可以直观看到，根据已公开的数据信息，光至 R1 在制程、功能安全方面，都与 OrinX 保持在同一水平线，而在算力、CPU 性能方面，光至 R1 展现出一定优势，这意味它拥有更强大的通用计算能力。

在发布会上，徐宁仪以加速 Transformer 算法模型为例，结果是，光至 R1 的算子性能提升能力，是 OrinX 的 9 倍，甚至在个别配置上达到了近 20 倍。

毫无疑问，这是一颗原生于大模型时代，服务于领域通用计算的高性能芯片。高阶智驾，是辉羲智能最直接的应用场景。

02、充分利用算力，裕量高达 60%

回溯神经网络模式的发展史，起初人工智能行业锚定的关键词是「BEV」。

这种多传感器结合鸟瞰图的感知路线，成为自动驾驶识别障碍物的基本路径。分辨率上升后，BEV 网络模型由稀疏栅格进阶为稠密栅格。

随着感知精度的进一步提升，神经网络模型由二维转变为三维的 Occupancy 网格，能对通用空间障碍物进行判断。

再往后，AI 技术的加持下，「端到端」网络成为了各家竞争的主要筹码。这种从感知到决策一体化的神经网络模型，能通过自我判断应对多样化的极端场景。

需要强调的一点是，从「BEV」到「端到端」的模式演进过程中，算力成为了每个节点质变的筹码。

这与强化学习教父 Richard Sutton，在《The bitter lesson》中写下的箴言构成了回振。

Richard Sutton 认为，要充分利用算力，避免过度依赖人类知识，重视搜索与学习方法。这是最终，也是最有效的方法。

底层逻辑是摩尔定律，计算成本持续呈指数级降低，计算能力同样不断呈指数级提升。

这种负相关反应贯穿始终，是人工智能技术突破的关键。

而辉羲，抓住了这把算力钥匙，打开了摩尔定律的大门。

辉羲的光至 R1，清晰地定位于大算力芯片：

500TOPS 的深度学习算力，意味着它能够从容应对各种新的模型结构。
同时，光至 R1 拥有高效的异构计算能力。所谓异构计算，是指在新的计算形态下，将不同类型的计算需求合理分配到不同的处理单元上，实现系统效率的最优解。

光至 R1 配置了 CPU、NPU、GPU、ISP 等多样的协同处理加速器，这些加速器在自动驾驶场景下，灵活分配对应的计算需求，使得算力能够进行充分配合，满足系统可靠性、稳定性的第一需求。

另外，辉羲给芯片性能加上了一道严谨的安全防线。

信息安全层面，光至 R1 在启动和执行过程中，除了常规解密算法外，还支持国密 SM2/3/4，确保用户信息流安全。

而在功能安全方面，辉羲同样在这颗仅有 7nm 芯片的复杂工程中，把道场做大。

在基本功能安全方式之上，辉羲新增了 RIF 架构，即一套分级、分域的诊断机制，让用户能够根据系统设计的需求，灵活配置与裁剪不同的情况，可以在局部处理单元处理问题，也可以层层上报至外部独立的 MCU 系统中。

这种创新性的安全设计，给车规级芯片做到有效把关。

总结就是，这是一张为自动驾驶服务的专业级芯片，它能够形成一个强大的数字基座。

辉羲在这个基座上，基于「BEV+Transformer」的算法架构，打造出了高阶城区无图自动驾驶解决方案——RINA，支持不依赖高精地图的城区 NOA，具备从感知到路径规划的端到端处理能力。

徐宁仪表示，这套方案能够实现 60% 的算力裕量，系统层面可以做到降本 40%。

这意味着，即便出现计算要求更高的模型，光至 R1 能够以一种高性价比的方式，轻松拉动数据、算法、算力三驾马车。

03、最快量产上车，12 个月内完成交付

所谓三年磨一剑。

辉羲把这个时间，缩短到了两年半，造出首颗芯片。

某种程度上，「高效」的确是当前自动驾驶行业中最具杀伤力的武器。尤其在各家都在拼端到端大模型上车的阶段，谁交付越快，量产上车越早，谁就能在智能化下半场掌握更多话语权。

9 月底，辉羲光至 R1 流片成功后，立刻被交到了合作商手中，进而推动了 2025 年与国际车企的量产合作项目。

另外，高效这层价值建设，也得益于辉羲在「好用」层面上的努力。

毕竟，芯片是一项系统性的大工程，它不局限于在硬件性能上造壁垒，而在于软硬一体的稳定性、可靠性能力，以及整个供应链的协同性构建。

这也是蔚来、小鹏等车企选择自研芯片的原因，因为能够从根源上满足智能驾驶需求，掌控系统优化全流程。

在这种背景下，芯片企业的供应链服务能力排在了下游合作商的考核首位。

很显然，辉羲在这点上也做得非常完善。

比如硬件层面，辉羲提供了进一步的硬件解决方案——RCM，这是搭载光至 R1 最小系统子卡，具备可插拔式设计，支持同一款母板，不同子板的即插即用，并与 Orin 生态做到兼容，未来还能实现整车所有接口设计不动，轻松升级算力；以及域控制器硬件的设计，支持一块或两块子卡，单域控算力超过 1000T，是车上强悍的中央大脑。