小米SU7已经用上700TOPS的英伟达Thor，为什么还要自己造玄戒D100？

导读：新一代小米SU7已经使用NVIDIA DRIVE AGX Thor，官方公布的辅助驾驶算力最高达到700TOPS。8月24日，小米又发布玄戒D100，给出了3nm、20核CPU、16核NPU、160GB统一内存和200B参数量大模型等信息。现成的Thor已经很强，小米为什么还要继续投入成本自己做一颗智驾芯片？D100这次没有公布TOPS，反而把内存和模型规模放到了很突出的位置，这里面值得从车端大模型和芯片设计一起看。

8月24日，小米发布玄戒D100。

小米公布的信息包括3nm工艺、20核高性能CPU、16核高算力NPU，最高支持160GB统一内存，可以在本地部署200B参数量大模型。D100已经完成研发，计划2027年正式商用。

200B就是2000亿参数。

今年3月发布的新一代SU7，全系已经搭载NVIDIA DRIVE AGX Thor，小米公布的辅助驾驶算力最高达到700TOPS。YU7同样使用Thor。

对于现阶段的高阶辅助驾驶，Thor已经是一套性能很强、工具链和车载开发体系也相当成熟的计算平台。

小米既然可以买到这样的芯片，为什么还要花几年时间自己做D100？

信息来源：小米玄戒芯片技术沟通会公开信息；新一代Xiaomi SU7官方技术资料。

Thor已经700TOPS，D100却没有公布TOPS

过去几年，智驾芯片发布时最容易传播的参数之一就是TOPS。

从几十TOPS到几百TOPS，这个数字一路往上涨。它可以粗略描述芯片每秒能够执行多少万亿次特定类型的运算，虽然不能完整代表辅助驾驶性能，却很适合观察AI计算能力的大致级别。

小米这次没有公布D100的TOPS。

目前公开的主要参数是3nm工艺、20核CPU、16核NPU、最高160GB统一内存，以及最高支持200B参数量大模型。NPU在INT8、FP8、FP4等精度下究竟能提供多少算力，目前没有数据。

现阶段还无法拿D100和Thor直接比较性能。

NVIDIA公开的DRIVE AGX Thor开发平台最高规格达到1000 INT8 TOPS或2000 FP4 FLOPS，配备64GB LPDDR5X，最高内存带宽273GB/s。Thor还公开了ISP、摄像头接口、车载以太网、CAN以及DriveOS、CUDA、TensorRT等开发环境。

新一代SU7的700TOPS，是小米公布的量产车辅助驾驶算力；NVIDIA的1000 INT8 TOPS，则对应Thor单颗SoC在INT8精度下的最高公开规格。两组数字的配置和精度口径不同，不能直接拿来比较。

D100现在连对应的算力精度都没有公开。

小米反倒重点公布了另一个很大的数字。

160GB统一内存。

后面紧跟着200B参数量大模型。

如果只想证明芯片的峰值AI算力，TOPS显然更加直接。160GB和200B被放到这样突出的位置，至少能说明D100从设计阶段就考虑了一个越来越现实的问题。

车端AI模型正在变大。

信息来源：NVIDIA DRIVE AGX Thor官方开发者资料；小米新一代Xiaomi SU7官方技术资料；小米玄戒D100公开发布信息。

160GB怎么装下2000亿参数

先只算模型权重。

200B代表2000亿个参数。假设所有权重都要放进内存，不考虑运行过程中产生的其他数据，不同位宽对应的理论占用大致如下。

权重位宽

200B参数理论占用

FP16 / BF16

约400GB

INT8

约200GB

6bit

约150GB

INT4

约100GB

160GB放不下FP16版本，完整INT8权重同样超过这个容量。

如果2000亿参数需要完整常驻在160GB统一内存里，6bit权重就已经占掉约150GB，几乎不给运行时、中间激活和缓存留下空间。从容量上推测，D100真正运行200B模型时，更可能采用4bit级或者4～5bit混合量化，把部分关键层保留在更高精度。

不过小米目前没有公布具体量化方案，这仍然只是根据内存容量做出的工程推断。

模型架构还会影响计算量和内存分配。

比如采用MoE以后，每次推理只激活一部分专家，可以明显减少实际参与计算的参数数量，但如果200B总参数的全部专家权重仍然常驻内存，存储这些权重所需要的空间并不会减少。

只有进一步采用权重压缩、按需加载或其他内存管理方式，常驻内存压力才可能继续下降，相应也会增加数据搬运和实时调度的难度。

所以，160GB和200B这两个数字放在一起，至少可以判断D100会依赖低比特或混合精度来控制模型的内存占用。

至于最终是4bit、5bit还是其他方案，还要等小米公布模型结构、量化方式和内存带宽等信息。

“统一内存”也值得解释一下。

在常见的统一内存架构里，CPU、NPU等计算单元可以共享同一块内存池，减少不同处理器之间反复复制大块数据，也能降低同一份模型或中间数据保存多份副本的需求。

D100具体有哪些单元共享这160GB，缓存一致性和数据访问方式怎么设计，小米目前没有公布。

容量解决的是“装多少”。模型真正放进汽车以后，还得解决“跑多快”。

大模型计算需要不断从内存读取权重和中间数据。NPU计算能力再强，内存系统供不上数据，计算单元同样会等待。

小米同一天发布的玄戒O100就很典型。O100面向高带宽AI计算，采用3D晶圆级堆叠和混合键合，小米公布的近存计算带宽达到1.22TB/s。

D100现在只有160GB容量数据，内存类型和带宽都还没有公布。模型量化精度、实际推理吞吐和芯片功耗同样未知。

“能够部署200B模型”目前能够证明模型规模，距离“200B模型能够满足车辆实时计算需求”还有一段距离。

信息来源：小米玄戒D100、玄戒O100公开发布信息。内存占用为按参数量和权重位宽计算的理论值。

大模型正在改变智驾芯片怎么设计

早些年的辅助驾驶算法，大量计算来自摄像头图像处理、目标检测、车道线识别以及各种神经网络。

Transformer进入辅助驾驶以后，模型开始处理更长时间的视频、更复杂的空间关系以及更多历史信息。VLM、VLA和具身模型继续往前发展，芯片要处理的数据规模还在增加。

NVIDIA给Thor确定产品定位时，已经把生成式AI、VLA和大模型工作负载放了进去。除了提高峰值计算能力，Thor还配备64GB系统内存和最高273GB/s内存带宽。

小米自己的辅助驾驶软件也走到了这一步。

新一代SU7已经搭载新版Xiaomi HAD和XLA认知大模型。小米公布的信息显示，XLA建立在MiMo-Embodied具身基础模型之上，用于加强空间感知、空间推理和对真实物理世界的理解。

小米自己的通用大模型规模也在快速增加。

MiMo-V2.5-Pro目前公开的数据达到1T总参数、42B激活参数和1M上下文。

MiMo-V2.5-Pro面向通用AI任务，不能直接当成未来的小米智驾模型。它至少说明小米内部已经在持续处理大型模型的训练、推理和工程部署问题。

汽车这一边有XLA和MiMo-Embodied，芯片这一边现在有D100。两件事放到同一家公司里，芯片就可以更早按照模型需求设计。

模型最常使用哪些算子，需要什么数据精度，多大的权重需要常驻内存，CPU和NPU怎么分任务，数据在不同计算单元之间怎么移动，都可以在芯片架构确定之前讨论。

芯片行业通常把这种方式称为Algorithm-Hardware Co-design，也就是算法与硬件共同设计。

小米已经在另外两颗玄戒芯片上公开过类似做法。

玄戒O3针对MiMo端侧模型进行NPU优化。O100又把高带宽和模型数据搬运放到了芯片设计的重要位置。

D100具体做了哪些针对XLA或者MiMo-Embodied的优化，小米还没有公开。

Thor是一套成熟的通用车载AI平台，NVIDIA需要让它适配全球大量车企、各种传感器和不同算法。D100则有机会按照小米自己的模型安排计算、内存和数据路径。

如果未来XLA大量使用某种运算，D100可以给这种运算安排更多硬件资源。模型能够接受更低的计算精度，NPU也可以针对相应数据格式设计。

这类优化单独拿出来可能都不惊人。模型和芯片长期一起迭代以后，累积起来的效率差异才可能变大。

信息来源：小米新一代Xiaomi SU7技术资料；Xiaomi MiMo官方模型资料；NVIDIA DRIVE AGX Thor官方开发者资料；小米玄戒O3、O100公开发布信息。

为什么现在开始自己做

高端智驾芯片很贵。

CPU、NPU、缓存、内存控制器、高速I/O等大量模块需要设计和集成，前期还涉及IP、EDA、先进制程流片、封装和测试。

芯片能够正常点亮以后，工作还没有结束。

编译器、模型转换工具、调试工具、操作系统适配、车规验证和功能安全都需要继续投入。流片阶段如果发现重大设计问题，修改后重新流片又是一轮时间和费用。

车卖得足够多，这笔投入才更容易摊开。

小米2025年交付411082辆汽车，同比增长200.4%。公司给出的2026年交付目标是55万辆。

雷军这次还披露，小米重启大芯片研发五年多，累计研发投入已经超过210亿元，团队接近3000人。

不过，这210亿元覆盖整个玄戒体系，不能算成D100单颗芯片的研发费用。

几十万辆级的汽车销量，至少给自研智驾芯片提供了更大的使用规模。一颗D100如果能够进入多款车型，并持续使用几年，巨大的研发费用就可以分摊到更多车辆上。

蔚来的神玑NX9031已经量产，小鹏图灵AI芯片也已经进入车型，理想此前公布了M100智驾推理芯片计划。这些公司都长期开发自己的辅助驾驶算法，车型销量也已经达到一定规模。

规模较小时，成熟供应商平台可以明显降低开发难度和项目风险。销量、算法和研发团队继续扩大以后，车企才更有条件把芯片也纳入自己的开发体系。

自研仍然是一笔风险很高的生意。

D100最终能够覆盖多少车型，单颗芯片成本能做到什么水平，一代芯片能使用几年，以及后续软件能不能把硬件能力真正发挥出来，都会影响这笔账。

信息来源：小米集团2025年第四季度及全年业绩公告；雷军关于玄戒芯片研发投入与团队规模的公开信息；蔚来、小鹏、理想关于自研智驾芯片的官方公开资料。

D100真正上车，还要证明什么

D100已经完成研发，并出现在小米展示的AI Cube Prototype工程原型机中。

这里有两个数字需要分开。

小米公布D100最高支持200B参数量大模型。

AI Cube公开展示的实际方案是120B和3B双模型本地部署，并支持快慢系统切换。公开资料没有披露这两个模型的具体名称、量化精度和实际推理速度。

从工程原型机走进汽车以后，D100面对的要求会多很多。

尚未公开的项目

直接影响

不同精度下的AI算力

模型计算吞吐

内存类型与带宽

大模型数据供给速度

芯片和板级功耗

散热、电耗与持续性能

ISP能力

摄像头图像处理

高速车载接口

摄像头、雷达和其他控制器连接

功能安全设计

故障后的安全处理

车规可靠性

高低温、振动和长期寿命

软件工具链

模型部署和调试效率

首发车型

实际量产时间

Thor已经公开了相当完整的车载接口、软件体系和功能安全开发信息。

D100后续如果承担主要辅助驾驶计算，也需要把这些能力补齐。

汽车芯片还有一个消费电子很少面对的要求。

它必须长期工作。

夏天车辆暴晒以后，座舱和电子系统温度很高；冬季又可能在低温下直接启动。几年时间里，芯片还要持续经历振动、冷热循环以及高负载运行。

峰值算力只是其中一个指标。

散热系统能不能长期带走热量，芯片高负载时会不会降频，故障以后怎样进入安全状态，长期可靠性是否满足车辆寿命要求，同样会决定它能不能真正取代成熟供应商方案承担主力计算。

现在还没有足够的数据判断D100整体性能是否超过Thor。

3nm带来了更高晶体管密度和更好能效的潜力，最终能达到什么水平还要看架构、频率、内存、功耗限制和软件。

160GB也只回答了容量问题。

真正等到D100在2027年商用，我们更应该看另外几组数据。

200B模型用什么精度运行，真实推理吞吐是多少，需要多少功耗，持续高负载时还能保持多少性能，以及小米自己的XLA模型究竟能从D100上获得多大的实际收益。

新一代SU7今天已经能直接使用700TOPS的Thor。

D100如果最终只提供一组更大的峰值参数，小米付出的研发成本很难解释。如果它能够让模型、内存和计算架构真正按照小米自己的辅助驾驶需求一起开发，这颗芯片才有可能体现出自研的价值。

信息来源：小米玄戒D100与AI Cube Prototype公开发布信息；NVIDIA DRIVE AGX Thor官方开发者资料。

主要资料来源：

1. 小米及雷军，玄戒D100、玄戒O3、玄戒O100与AI Cube公开发布信息，2026-08-24；

2. 小米，新一代Xiaomi SU7官方技术资料，2026-03；

3. 小米集团，2025年第四季度及全年业绩公告，2026-03；

4. Xiaomi MiMo官方模型资料；

5. NVIDIA DRIVE AGX Thor官方技术与开发者资料；

6. 蔚来、小鹏、理想关于自研智驾芯片的官方公开资料。