智驾系统可通过 OTA 持续迭代，但车载芯片在出厂那一刻便已定格。这是智能汽车行业面临的共性难题：车辆生命周期长，而技术迭代快。新芯片虽能支撑更复杂的算法，但对于存量车而言，硬件规格已成定数。
若新能力仅绑定新硬件，新老车型的体验鸿沟将日益扩大，导致旧车面临“技术贬值”。
对抗“技术贬值”，意味着车企需在销售完成后继续为老用户投入研发。能否将新能力下沉至老车型，不仅关乎“持续升级”承诺的含金量，更直接影响用户对品牌的信任基石。
9 月 10 日，理想汽车开启 OTA 8.6 及 OTA 9.1.1 版本推送。其中，OTA 8.6 成功将理想马赫 VLA 2.0 大模型部署至搭载 Orin-X 及 Thor-U 平台的已交付 AD Max 车型，覆盖 2022 至 2025 款多款车型，惠及近百万用户。
此举兑现了理想在 6 月 Livis Day 上作出的三季度升级承诺。据李想透露，团队历经数月的模型蒸馏、平台适配与多轮验证，才攻克了这一工程难关。
旧芯片的硬件约束与适配挑战
将理想马赫 VLA 2.0 的能力带回老车型，其复杂度远超单纯的芯片参数差异。此次 OTA 8.6 面向 2022 至 2025 款搭载 AD Max 的车型，而 OTA 9.1.1 则面向 2026 年发布的新车型。
模型运行涉及矩阵乘法、归一化等大量“算子”运算。计算主体、执行顺序及中间结果存储方式均直接影响速度。这意味着，相同的数学任务在不同硬件平台上，底层执行方案需重新设计。
本次获得更新的已交付 AD Max 车型，分别搭载英伟达 Orin-X 和 Thor-U 芯片。两者 GPU 架构分别为 Ampere 和 Blackwell，即便同源，计算条件也存在显著差异。
差异首先体现在低精度计算支持上。Thor-U 支持 FP4、FP8，而 Orin-X 的高效部署主要依赖 INT8。数值表示格式的不同，直接影响权重存储、中间特征处理及计算单元的数据吞吐。
（英伟达官方浮点格式位结构图，图源：NVIDIA Developer）
以 FP8 和 INT8 为例，虽同占 8 位，但 INT8 为均匀量化，FP8 为浮点格式，其数值间距随量级变化。因此，围绕 FP8 设计的量化方案迁移至 INT8 时，需重新处理数值范围与误差分配。
（FP8 与 INT8 数值分布对比图，图源：Qualcomm AI Research）
这要求团队利用代表性数据进行量化校准，评估各层精度需求，在节省算力存储与保障模型输出之间寻找平衡。此外，还需考量算子在硬件上的落地情况，包括低精度指令支持、推理框架匹配度及数据布局优化等。
除数值格式外，计算内核的选择、数据布局及任务分块方式均需针对新平台重新评估。
理想自研的马赫 M100 芯片采用完全不同的计算与数据流组织方式。其 NPU 基于数据流架构，减少多级缓存依赖，通过本地存储和片上 SRAM 承接数据，并由编译器显式安排流水执行，以最大化硬件利用率。
（马赫 M100 NPU 的存储系统与数据搬运结构，图源：理想官方论文）
相比之下，英伟达 GPU 典型执行基于 CUDA 线程模型。在 M100 上高效的执行策略，迁移至 Orin-X 或 Thor-U 时，必须重构以适应目标平台的资源与编程约束。
这些调整环环相扣。任何为满足时延功耗而进行的模型结构调整，都会引发计算量、特征规模及数值分布的连锁变化，需对量化与内存方案进行复查与再验证。
模型压缩下的能力留存策略
解决硬件适配只是第一步，如何在参数缩减的同时保留核心能力更为关键。理想采取“教师 - 学生”模型策略：云端训练大参数教师模型，再针对车端芯片约束设计学生模型。
针对 Orin-X 和 Thor-U，理想从输入与网络结构两端控制计算负担：通过 Token 压缩减少冗余信息，结合神经网络架构搜索（NAS）调整层数与通道，在能力与资源间寻找最优解。
小模型获得入场券后，需通过蒸馏技术回答“原有能力保留多少”的问题。
在经典输出蒸馏中，教师模型的概率分布作为“软目标”指导学生模型学习。但在驾驶任务中，仅保留最终动作远远不够。理想汽车基座模型负责人詹锟指出，模型需保留表征能力、决策逻辑及输出特征，包括对道路结构、交通参与者动态及安全边界的综合判断。
（图源：詹锟微博）
压缩后的模型需学会在不同路况下维持合理的判断逻辑。场景变化时的自适应调整能力，是衡量模型是否真正掌握驾驶技能的关键。
连续驾驶场景引入了“协变量偏移”难题，进一步增加了蒸馏难度。
（错误动作通过反馈造成后续决策偏离，图源：学术论文《Feedback in Imitation Learning》）
在模仿学习中，若仅依赖教师轨迹训练，学生模型部署后一旦产生微小偏差，可能导致后续观察条件偏离训练分布，误差随之累积。单帧预测准确无法保证连续驾驶的稳定性。
（理想 OPD 模型蒸馏流程，图源：理想官方抖音）
理想采用的 OPD（On-Policy Distillation，在线策略蒸馏）将学生自身的决策轨迹纳入训练循环。学生依据当前策略生成轨迹，教师在相应上下文中提供监督，使指导能够动态跟随学生策略的变化。
OPD 补全了模型压缩中最易遗漏的一环：不仅教会学生“怎么做”，更让其知道在走偏后“如何修正”。
从实验室验证到日常道路实战
模型适配完成后，仍需经过严苛的实测验证。理想依托自研模型、Harness 体系、星环 OS、编译器团队及自研芯片五大能力，构建了完整的闭环验证流程。
从算法评测、仿真测试到多城市泛化实车测试，真实传感器输入、端到端时延及车辆执行响应均被纳入考核。不同城市的道路结构与驾驶习惯，是对模型泛化能力的终极考场。
复杂的后台工程，最终转化为车主可感知的体验升级。
（左后方加塞博弈更加丝滑，图源：网络）
理想马赫 VLA 2.0 重点优化了绕行、变道、跟车及道路博弈能力。面对施工占道、临停车辆，系统能更早识别可通行空间；变道时综合考量侧后方车辆动态；跟车响应更及时，汇流穿插时减少不必要的加减速。
这些高频场景的改善，让用户无需理解 Token、蒸馏或 OPD 等技术术语，即可直观感受升级价值。实验室证明模型可迁移，日常道路则验证能力真落地。
此次 OTA 不仅限于智驾。OTA 8.6 还延伸至停车、补能与座舱领域：支持通过理想同学 App 及 AI 眼镜 Livis 指挥泊车，优化电池预冷与预约充电体验，并新增艺术相框功能。同期 OTA 9.1.1 更是将主动悬架接入游戏互动，盘活闲置底盘硬件。
（理想 AI 眼镜 Livis 指挥泊车，图源：理想）
这些细节印证了一个核心理念：汽车交付后，既有的芯片、传感器与执行机构仍可被新软件重新定义与调用。
“持续进化”因此具备双重含义：将新技术装进新车是产品迭代，而耗时数月将新技术注入老车，则是对老用户的责任坚守。前者决定未来销量，后者决定品牌温度。
把未来卖给新用户不难，难的是在技术前行时，依然愿意回头带上老用户同行。