欧美乱妇无码毛片斯巴达三百勇士,你太大了岳你太紧疼了,丁香花电影

10 月，北京亦莊深秋的季節里，空氣格外冷冽。

與此同時，世界智能網聯汽車大會上的展廳內，人潮涌動。

臺下坐著的，是亦莊產投、蔚來、小米、經緯恒潤等一眾投資者角色，他們目光交匯在一顆芯片上。

這顆芯片來自輝羲智能，這家初創企業用兩年時間，研發出第一顆數據閉環定義芯片——光至 R1。

造一顆芯片的難度，不亞于造車。

輝羲智能創始人徐寧儀把這項突破比喻為攀登上海拔 7500 米的慕士塔格峰。

登頂慕士塔格峰意味著達到國家一級運動員的標準，輝羲選擇把芯片對標 OrinX，代表其挺進了國際造芯第一梯隊。

7nm 制程，擁有 450 億個晶體管，符合車規級要求；
500TOPS 算力，相當于兩顆 Orin；

8 核 SIMT 架構，24 核 CPU，15 核 GPU；
帶寬超過 200GB/s；

2025 年，光至 R1 將率先在一家國際車企上量產上車。

輝羲還定下目標，要讓這顆芯片成為國內量產上車速度最快、業內最好用的大算力智駕芯片。

芯片市場已經群雄林立，前有英偉達等巨頭企業占據大量市場份額，后有黑芝麻、地平線等上市企業分食剩余市場蛋糕，輝羲想要沖出重圍，它需要做出更極致的動作。

這個極致包括產品性能、交付速度、降本增效等。

同時，輝羲必須保證，從決定造芯的那一刻開始，邁出的每一步都不容有錯。

造芯方法論：

打造可擴展的數據閉環

1950 年，阿蘭·圖靈在著作《計算機器與智能》中，描述了通向通用人工智能的兩條路徑：

基于抽象計算，聚焦抽象任務所需要的人工智能，做針對性算法訓練，比如國際象棋；
基于具身學習，給機器配置傳感器，像人類幼兒一樣與環境互動，培養感知、學習與認知能力。

兩種路徑的區別是，前者依靠規則，應用范圍有限，但上車快；后者強調智能，泛化性、適應能力強，但要求極高的數字基建能力。

圖靈認為，這兩條路徑，都值得探索。

于是，在人工智能 70 年的發展脈絡中，兩條路徑以一種遞進式關系，迸發出了技術變革的巨大火花，形成四個階段的演進：

第一階段，計算智能，通過深度檢索與相應算法，一臺名為「深藍」的超級計算機打敗了人類世界冠軍；
第二階段，感知智能，在 CNN 算法與 GPGPU 硬件協同下，機器完成了對十億級別人臉數據的記憶與檢索；
第三階段，認知智能，基于 Transformer 算法與專用芯片架構的應用，ChatGPT 展現出大語言模型的交互能力；
第四階段，具身智能，同樣在算法與硬件作用下，機器擁有了類人思維模式，真正接棒了探索、創造物理世界的任務。

隨著問題規模的增長，數據處理量級從 10ZB 進階到 1000ZB，算法結構、硬件架構進行了相應擴展，指數級增長的性能要求得到滿足。

這種可擴展性的能力，充當了驅動技術變革的強力引擎。

現在的輝羲，就站在第四階段的端口，踏上了圖靈口中的第二條路徑。

它的任務，是造出一顆支撐高階智能駕駛，滿足具身智能要求的高性能芯片。

而它的方法論已經明確，正是瞄準算法、硬件的可擴展性，打造出高效的數據閉環。

建立在這條方法論之上，輝羲定義了首顆芯片的基本樣貌。

一是從數據閉環的系統需求出發，在芯片設計上首次做到，一顆芯片，滿足三大應用場景，即：

數據采集：連接多條視頻處理鏈路，支持影子模式等；
實時控制：在處理復雜運行工況時保持高幀率、高吞吐；
算法驗證：數據解碼后進行回灌測試，完成推理訓練。

二是在架構設計上，滿足可編程性的要求。

輝羲把芯片架構定位于「領域通用架構」。

它介于傳統 CNN 與 GPGPU 硬件架構之間，既滿足重點領域性能要求，比如智能駕駛，同時支撐它的演進。

輝羲在分析了智能駕駛與具身智能算法特征之后，研發了一套圖靈完備的指令集。

圖靈完備，意味著這套編程語言，可以像圖靈機一般解決任何計算問題，它可以讓用戶，隨心所欲地支配先進算法，包括現在的端到端技術架構。

由此，輝羲的光至 R1 展現出了對標英偉達 OrinX 的能力。

從參數對比可以直觀看到，根據已公開的數據信息，光至 R1 在制程、功能安全方面，都與 OrinX 保持在同一水平線，而在算力、CPU 性能方面，光至 R1 展現出一定優勢，這意味它擁有更強大的通用計算能力。

在發布會上，徐寧儀以加速 Transformer 算法模型為例，結果是，光至 R1 的算子性能提升能力，是 OrinX 的 9 倍，甚至在個別配置上達到了近 20 倍。

毫無疑問，這是一顆原生于大模型時代，服務于領域通用計算的高性能芯片。高階智駕，是輝羲智能最直接的應用場景。

充分利用算力，

裕量高達 60%

回溯神經網絡模式的發展史，起初人工智能行業錨定的關鍵詞是「BEV」。

這種多傳感器結合鳥瞰圖的感知路線，成為自動駕駛識別障礙物的基本路徑。分辨率上升后，BEV 網絡模型由稀疏柵格進階為稠密柵格。

隨著感知精度的進一步提升，神經網絡模型由二維轉變為三維的 Occupancy 網格，能對通用空間障礙物進行判斷。

再往后，AI 技術的加持下，「端到端」網絡成為了各家競爭的主要籌碼。這種從感知到決策一體化的神經網絡模型，能通過自我判斷應對多樣化的極端場景。

需要強調的一點是，從「BEV」到「端到端」的模式演進過程中，算力成為了每個節點質變的籌碼。

這與強化學習教父 Richard Sutton，在《The bitter lesson》中寫下的箴言構成了回振。

Richard Sutton 認為，要充分利用算力，避免過度依賴人類知識，重視搜索與學習方法。這是最終，也是最有效的方法。

底層邏輯是摩爾定律，計算成本持續呈指數級降低，計算能力同樣不斷呈指數級提升。

這種負相關反應貫穿始終，是人工智能技術突破的關鍵。

而輝羲，抓住了這把算力鑰匙，打開了摩爾定律的大門。

輝羲的光至 R1，清晰地定位于大算力芯片：

500TOPS 的深度學習算力，意味著它能夠從容應對各種新的模型結構。
同時，光至 R1 擁有高效的異構計算能力。所謂異構計算，是指在新的計算形態下，將不同類型的計算需求合理分配到不同的處理單元上，實現系統效率的最優解。

光至 R1 配置了 CPU、NPU、GPU、ISP 等多樣的協同處理加速器，這些加速器在自動駕駛場景下，靈活分配對應的計算需求，使得算力能夠進行充分配合，滿足系統可靠性、穩定性的第一需求。

另外，輝羲給芯片性能加上了一道嚴謹的安全防線。

信息安全層面，光至 R1 在啟動和執行過程中，除了常規解密算法外，還支持國密 SM2/3/4，確保用戶信息流安全。

而在功能安全方面，輝羲同樣在這顆僅有 7nm 芯片的復雜工程中，把道場做大。

在基本功能安全方式之上，輝羲新增了 RIF 架構，即一套分級、分域的診斷機制，讓用戶能夠根據系統設計的需求，靈活配置與裁剪不同的情況，可以在局部處理單元處理問題，也可以層層上報至外部獨立的 MCU 系統中。

這種創新性的安全設計，給車規級芯片做到有效把關。

總結就是，這是一張為自動駕駛服務的專業級芯片，它能夠形成一個強大的數字基座。

輝羲在這個基座上，基于「BEV+Transformer」的算法架構，打造出了高階城區無圖自動駕駛解決方案——RINA，支持不依賴高精地圖的城區 NOA，具備從感知到路徑規劃的端到端處理能力。

徐寧儀表示，這套方案能夠實現 60% 的算力裕量，系統層面可以做到降本 40%。

這意味著，即便出現計算要求更高的模型，光至 R1 能夠以一種高性價比的方式，輕松拉動數據、算法、算力三駕馬車。

最快量產上車，

12 個月內完成交付

所謂三年磨一劍。

輝羲把這個時間，縮短到了兩年半，造出首顆芯片。

某種程度上，「高效」的確是當前自動駕駛行業中最具殺傷力的武器。尤其在各家都在拼端到端大模型上車的階段，誰交付越快，量產上車越早，誰就能在智能化下半場掌握更多話語權。

9 月底，輝羲光至 R1 流片成功后，立刻被交到了合作商手中，進而推動了 2025 年與國際車企的量產合作項目。

另外，高效這層價值建設，也得益于輝羲在「好用」層面上的努力。

畢竟，芯片是一項系統性的大工程，它不局限于在硬件性能上造壁壘，而在于軟硬一體的穩定性、可靠性能力，以及整個供應鏈的協同性構建。

這也是蔚來、小鵬等車企選擇自研芯片的原因，因為能夠從根源上滿足智能駕駛需求，掌控系統優化全流程。

在這種背景下，芯片企業的供應鏈服務能力排在了下游合作商的考核首位。

很顯然，輝羲在這點上也做得非常完善。

比如硬件層面，輝羲提供了進一步的硬件解決方案——RCM，這是搭載光至 R1 最小系統子卡，具備可插拔式設計，支持同一款母板，不同子板的即插即用，并與 Orin 生態做到兼容，未來還能實現整車所有接口設計不動，輕松升級算力；以及域控制器硬件的設計，支持一塊或兩塊子卡，單域控算力超過 1000T，是車上強悍的中央大腦。