理想汽車 (LI-US) 正把自研晶片版圖從車端延伸至雲端。據《晚點Auto》引述多名業內人士報導，理想正在探索開發雲端推理晶片，初步規畫沿用旗下智慧駕駛晶片採用的資料流架構，但整項專案仍處於早期階段。
若計畫順利推進，理想未來可望以自研晶片承接部分原本由GPU處理的雲端推理工作，包括智慧駕駛模型的資料處理、測試與模擬，以及大型語言模型的請求處理。不過，涉及參數更新的模型訓練工作，仍需交由專門的訓練晶片執行。
延續車端晶片設計 降低重複研發成本
知情人士表示，將資料流架構由車端延伸至雲端，在技術上具有可行性。其中一種做法，是沿用車載NPU (神經網路處理器) 的運算設計，再把多個AI運算晶粒整合封裝，搭配高頻寬記憶體 (HBM) 與高速互聯技術，組成運算規模更大的雲端推理晶片。
這種設計可讓車端與雲端晶片共用部分硬體架構、軟體工具及開發經驗，進而分攤研發成本。對理想而言，也有機會提高智慧駕駛模型從雲端開發、測試到車端部署的整合效率。
不過，雲端晶片並非把車載晶片直接放大即可。車端通常處理較固定的模型與感測器資料，運行節奏也相對穩定，設計重點主要放在低功耗、低延遲及可靠執行。
相較之下，雲端系統必須同時支援更多模型，並應對頻繁更新、輸入長度不一及請求量劇烈波動等情況，因此還涉及HBM、多晶片互聯、動態批次處理及叢集調度等複雜技術。
單顆晶片效能並非唯一關鍵
一名晶片業人士指出，做出達到特定效能指標的單顆晶片並非最困難的部分，真正的挑戰在於能否讓整套推理系統具備成本競爭力。
因此，資料流架構從車端轉向雲端後，是否能為理想帶來實際效益，仍取決於晶片支援不同模型的能力、軟硬體協同效率，以及整體系統的運行成本。
目前海外也有多家晶片公司探索資料流架構，包括SambaNova、Groq及Tenstorrent。SambaNova與Groq的核心成員分別具有史丹佛大學及Google TPU專案背景；Tenstorrent則由曾負責特斯拉自動駕駛晶片的Jim Keller領導。
不過，相較於GPU，資料流架構在模型通用性、軟體生態及大規模部署能力方面，仍有待進一步驗證。
兩名晶片研發主管離職 專案進度是否受影響待觀察
就在理想探索雲端推理晶片之際，公司晶片團隊也傳出人事異動。《晚點Auto》從多個管道確認，理想晶片軟體研發負責人金一華，以及晶片前端設計一組負責人戴頡均已離職。
兩人先前皆向算力單元負責人羅旻匯報，而羅旻則向理想集團技術長謝炎報告。
目前尚不清楚兩名主管離職的原因，也無法確定相關人事變動是否會影響雲端推理晶片專案的開發進度。由於計畫仍在早期階段，理想最終是否會正式立項、投入量產，以及實際推出時間，仍存在不確定性。
