当云端大模型冲刺 AGI 时，智能驾驶、具身智能等物理场景正被一个难题卡住：如何把庞大的大模型塞进资源受限的端侧芯片？2026 年 2 月，理想汽车 MindVLA 团队与国创决策智能技术研究所联合发布重磅论文，提出硬件协同设计扩展定律，给出了理论级破局方案 —— 无需训练，输入芯片参数即可算出最优模型架构，同等算力下模型智商跃升 19.42%，研发周期从数月压缩至一周。
这篇名为《Hardware Co-Design Scaling Laws via Roofline Modelling for On-Device LLMs》的论文，标志着理想汽车从 “增程电动车代表” 向 “AI 公司” 的深度转型。其近两年的技术布局已形成闭环：自研 5nm 车规芯片马赫 100、开源操作系统星环 OS、自研基座大模型 MindVLA、端到端智驾全栈自研，而这一定律正是这场转型的核心注脚。
核心痛点：端侧 AI 的 “不可能三角”
智能驾驶等场景面临一个核心悖论：既希望车载 AI 聪明反应快，要求模型复杂；又受限于芯片的功耗、散热、内存，要求模型小巧高效。传统模式 “模型归模型、硬件归硬件”，AI 研究者设计模型后，工程师再想办法优化适配，如同给 F1 引擎配卡车底盘，性能大打折扣。
这背后是端侧 AI 的 “不可能三角”：
-
高精度：模型越复杂越聪明，但占用资源多；
-
低延迟：反应越快越安全（自动驾驶中 300 毫秒意味着高速盲开数米），但需精简模型；
-
低资源：端侧芯片内存仅 4-16GB、算力 10-275TOPS，功耗严格受限。
而理想的 “硬件协同设计定律”，从根源上解决了模型与硬件的 “失配” 问题 —— 在设计模型之初就融入硬件能力，实现二者的深度协同。
核心逻辑：两大 “计算器”+ PLAS 框架，算出最优架构
理想团队的核心突破，是通过数学建模与联合优化，将 “试错训练” 变为 “精准计算”，核心分为三大环节：
1. 损失缩放定律：算模型 “有多聪明”
团队训练了 170 个不同架构的 Transformer 模型（每个用 100 亿 token 训练），覆盖密集型、MoE 混合专家等类型，层数 4-48、宽度 256-4096、MoE 专家数 1-64，最终拟合出精度预测公式。
该公式包含深度项、稀疏驱动项、基础容量项、KV-cache 项，能根据模型架构超参数（如网络深度、宽度），直接预测验证损失（损失越低越聪明），拟合精度高达 R²=0.975（训练集）和 R²=0.952（验证集），无需实际训练就能预判模型性能。
2. Roofline 延迟模型：算模型 “跑多快”
芯片的运行速度受两大因素限制：峰值计算能力（FLOPS，类似生产线速度）和内存带宽（类似物料供应速度）。理想团队基于经典 Roofline 模型，推导了 Transformer 端侧推理延迟的完整数学表达，首次系统建模 KV 缓存、MoE 路由等大模型特有负载对车载芯片的影响。
这个模型就像一个 “速度计算器”，输入模型与硬件参数，就能精准算出推理延迟，20 分钟内可评估 5 万 + 种架构配置，效率远超传统测试。
3. PLAS 框架：帕累托最优搜索，找到 “最优解”
团队开发 PLAS 框架（Pareto-optimal LLM Architecture Search），将损失建模与延迟建模结合，进行联合优化：给定芯片的算力、带宽、内存约束，自动找到 “损失最小、延迟不超标” 的最优架构，这些最优解构成的 “帕累托前沿”，是精度与速度的最佳平衡。
更硬核的是，在不同硬件约束下，最优模型架构参数存在闭合解—— 无需训练，输入芯片参数就能直接算出最优架构，彻底改变了端侧 AI 的开发模式。
三大定理：不同约束下的精准处方
论文推导出三大核心定理，覆盖端侧常见的三类场景，给出明确的最优架构设计规则：
定理一：延迟约束下的 “免费午餐”
当芯片速度是瓶颈、内存充裕（如高端车载平台），MoE 专家越多、每次激活越少越好。因为 MoE 中每个 token 仅激活 K 个专家计算，增加总专家数不影响延迟，但能提升模型容量。对自动驾驶 sub-50ms 极限延迟场景，建议采用 top-1 路由，内存允许范围内最大化专家池。
定理二：内存约束下的 “宽度 - 稀疏度定律”
当存储有限、速度够用（如 4-8GB 边缘设备），模型越宽，MoE 应越稀疏 —— 宽度每翻一倍，最优激活率下降约 2.3 倍。例如 2B 参数模型推荐每次激活 2 个、共 16 个专家；500M 参数模型需更密集的 MoE 配置，这些均为数学证明的最优解。
定理三：双重约束下的精确解
延迟和内存同时紧张（最常见场景），论文给出预填充、解码两阶段的精确闭合解，无论芯片约束如何组合，都能找到对应公式计算最优架构。
颠覆性发现：端侧 AI 的设计范式重构
除三大定理外，论文还揭示了多个违反直觉的设计原则，彻底颠覆云端模型的传统思路：
-
MoE 全面主导：端侧 batch=1 场景下，帕累托最优设计 100% 是 MoE，无 Dense 模型，最优配置多为 8-16 个专家中激活 1-2 个；
-
宽而浅优于深而窄：内存带宽和缓存效率比理论 TOPS 更关键，最优架构深度通常 < 20 层，宽度显著增加；
-
FFN 可激进压缩：最优 FFN 扩展比远低于传统 4×，甚至可低于 1×，要求芯片单元配比更灵活；
-
阶段需求不同：Prefill 阶段偏好少专家，Decode 阶段偏好最大化专家，芯片需支持动态资源分配；
-
量化增益亚线性：INT8 量化仅实现 1.3-1.6 倍加速（非理论 2 倍），根源在非线性算子，需硬件原生支持混合精度计算。
这些发现证明：没有通用芯片，只有场景最优芯片，最优架构与硬件参数深度绑定，“算法定义芯片” 成为必然。
实测验证：19.42% 智商碾压，研发效率飙升
理论需实践验证，团队在 NVIDIA Jetson Orin 端侧平台做了大规模测试：评估 1942 种候选架构，精选 170 个完整训练，以 Qwen2.5-0.5B（端侧广泛使用的开源模型）为基准，在相同延迟下对比协同设计架构。
结果震撼：
-
基准模型困惑度 63.14，协同设计架构困惑度 50.88，困惑度降低 19.42%（困惑度越低越聪明）；
-
训练曲线全程领先，优势源于架构本身，而非随机波动；
-
跨平台泛化性验证通过，在 Jetson Thor 平台同样表现优异。
更关键的是研发效率的飞跃：传统流程给新芯片选最优架构需数月反复训练调优，而用协同设计定律，6 步即可完成 —— 测量硬件参数→定义需求→确定约束→计算最优架构→小规模验证→全规模训练，全程仅需一周。
行业意义：从 “堆算力” 到 “榨算力”
如果说 OpenAI 的 Scaling Law 回答了 “模型为何越大越聪明”，理想的定律则回答了 “固定芯片上，模型怎么变最聪明”。二者殊途同归，都是用数学确定性消除 AI 发展的经验盲区。
这一定律彻底改变了智驾竞争的叙事：过去比 “谁芯片算力大”，现在比 “谁更懂用芯片”。100TOPS 的芯片若架构不匹配，效能利用率可能仅 30%，而协同设计能将其拉至理论上限，实现 “降维打击”。
对理想自身而言，这一定律与马赫 100 芯片（2026 年搭载于全新理想 L9）形成强力协同：马赫 100 单颗有效算力是英伟达 Thor-U 的 3 倍，双芯片有效算力达 5-6 倍，而定律能在芯片量产前就算出最优 VLA 架构，无需等待数月适配期。配合星环 OS 与 MindVLA 模型，理想形成 “芯片 - 定律 - 系统 - 模型” 的完整闭环，打造专为车载场景优化的 “算法原生芯片”。
未来展望：开源赋能全行业
摩尔定律放缓的当下，“协同设计定律” 开启了新曲线：不靠芯片晶体管翻倍，靠更聪明的架构设计提升智能。理想团队计划开源相关代码和评测协议，让汽车、机器人、IoT、移动端等全行业受益，为各类端侧芯片找到最优大模型架构。
真正的领先从来不是硬件堆砌，而是底层基础科学的突破。理想用数学规律重构端侧 AI 边界，不仅为自身智驾系统注入核心底气，也为行业提供了端侧大模型部署的科学方法论。在智能驾驶下半场，能定义底层规则的企业，终将主导全场景智能的未来。