翻了一下之前理想对于芯片的内容披露，摘录下来的原文表述。
1）理想为什么非要自己做芯片？算力永远不够，而且似乎不止于车。如果有志于成为以AI为核心的头部公司，做AI芯片就是必须做的事回顾计算机的发展历史，对算力、内存的需求，没有哪一天是够的。七八十年代只有几K内存、几百K频率，1兆赫兹就是高性能计算机了。如果AI的能力不断增长，自动驾驶距离L4完全替代人类还有很长的路，对算力的需求只会越来越高，依赖外部厂商速度会比较慢。"CPU时代由英特尔主导，90年代图形计算爆发 英伟达和AMD认为图像计算需要专门的GPU架构，英特尔却长期坚持CPU就够了。"英特尔在巅峰时期2009年市值是英伟达的20倍，今天反过来了，英伟达是英特尔的20倍。"
今天AI计算的爆发式增长正在催生新的架构机会："GPU做AI计算肯定也可以，但我们认为可以有更好的机构专门围绕AI做计算架构。今天这个世界未来增长最快的计算形式就是AI计算。"
2）实际上花了三年半时间，成功关键：联合设计2021年 决定做 2022年11月 正式立项2023年 大规模实现 2024年 流片2025年 | 回片验证 2026年 | 上车
"设计芯片最重要的不是设计本身，而是对需求的理解与分析。"理想的芯片不是芯片团队关起门来做的，而是和模型团队、自动驾驶团队坐在一起协同完成的。"没有他们的输入与认知，没有大家一起坐下来分析，就会做偏，而做偏就会带来时间的浪费。"这种协同密度连谢炎自己都感到惊讶："我以前工作的任何一家公司没有看到过。2024年初，大语言模型兴起，团队意识到Transformer架构的重要性，需要临时对芯片做针对性优化。"我们内部团队很快，一个月就搞定了。如果是外部供应商，根本不会接这种需求，除非你给一大笔钱，甚至还要迭代一年，它是以年为单位的。"
没有用Chiplet，是一颗大的SOC。芯片可以跑任何模型。你让它推理语言模型、自动驾驶、机器人模型都可以，无非是模型容量大小。"
3）成本账怎么算？"供应商的芯片还是挺贵的，我们自己设计会更便宜。"但谢炎补充："我认为这是第三要素。"业界常讲出货"多少颗"，但"颗"掩盖了面积差异。"5平方毫米是1颗，400平方毫米大80倍的也是1颗。正确的成本计算应该是'出货量×单个芯片面积'。"当把自研芯片与自身软件、模型结合后，有效算力远超标准算力标称值。"真正对比的话，是我们的一颗芯片对应多颗外购芯片，因此成本差异更大。"
目前来看理想并没有拆分芯片团队的打算，当然芯片团队的规模并没有那么大。两条内容，都是尽量摘录原文的表述，方便大家对比来看。
大v聊车新能源汽车
