智能汽车行业正面临一个核心挑战：车辆硬件在出厂时便已固定，而支撑智能体验的技术却在持续迭代。新芯片能够支持更复杂的算法，但已售出的车辆无法更换硬件，导致新老车型之间的体验差距逐渐扩大。旧车因此面临技术贬值的风险，而车企若想兑现“持续升级”的承诺，必须在车辆交付后继续投入研发，让新功能惠及老用户。
近日，理想汽车通过OTA 8.6和OTA 9.1.1版本推送，为多款已交付车型带来了智能驾驶能力的升级。其中，OTA 8.6将理想马赫VLA 2.0系统推送至搭载Orin-X和Thor-U芯片的AD Max车型，覆盖2022至2025款近百万用户。这一更新兑现了理想汽车此前在Livis Day上作出的承诺，背后是团队数月的模型优化、平台适配和验证工作。
将新功能适配到旧车型并非易事。不同芯片的架构差异导致算子执行方式、数值表示格式和内存管理机制各不相同。例如，Thor-U支持FP4、FP8低精度计算，而Orin-X主要依赖INT8。FP8采用浮点格式，数值间距随量级变化，而INT8为均匀量化，相邻刻度间隔固定。这种差异要求技术团队重新设计量化方案，调整数值范围和误差分配，同时评估哪些运算层适合降低精度。
硬件差异还体现在计算内核的选择和数据布局上。矩阵乘法、卷积等运算需要匹配目标芯片的低精度指令和推理框架，数据维度和排布需进入高效计算路径。额外的格式转换可能抵消量化带来的收益，因此任务分块方式和数据同步机制也需重新评估。模型权重和中间特征的内存占用、数据传输效率等因素，都会影响部署方案的选择。
理想自研的马赫M100芯片采用数据流架构，与英伟达GPU的CUDA执行模式截然不同。M100通过本地存储和片上SRAM承接数据，减少对多级缓存的依赖，而GPU则依赖寄存器、共享内存和缓存支持运算。这种差异导致在M100上高效的执行安排无法直接迁移至Orin-X或Thor-U，需要针对目标平台重新优化。
为让新功能适配不同芯片，理想汽车采用了模型蒸馏技术。团队先在云端训练规模更大的教师模型，再针对车端芯片设计学生模型。学生模型需在算力、内存和功耗预算内完成推理，因此输入信息和网络结构需重新设计。例如，通过Token压缩减少冗余信息，降低后续网络的处理负担；结合神经网络架构搜索，调整网络层数和通道配置，平衡能力与资源消耗。
模型压缩后，能力保留程度需通过重新训练验证。理想采用On-Policy Distillation（OPD）方法，将学生自身的决策轨迹纳入训练。学生先生成轨迹，教师在相应上下文中提供监督，再据此更新参数。随着学生策略变化，训练继续从更新后的策略采样，使指导能够跟上学生自身产生的偏差。这种方法确保模型在连续驾驶中维持合理判断，避免因自身行为引起的分布偏移导致误差累积。
模型适配完成后，还需经过算法评测、仿真评测、初步实车测试和多城市泛化测试。真实传感器输入、端到端计算时延和车辆执行响应等因素会被纳入考量，不同城市的道路结构、交通参与者和驾驶习惯则考验模型的泛化能力。最终，这些复杂工作被压缩为车主可感知的体验提升：绕行、变道、跟车和道路博弈能力显著改善，车辆能更早判断可通行空间，变道时综合考虑侧后方车辆动态，跟车响应更及时，减少不必要的加减速。
此次OTA更新不仅涉及智能驾驶，还延伸至停车、补能和座舱领域。指挥泊车可通过理想同学App或Livis镜在车外操作，备车电池预冷和多时段预约充电优化了补能体验，艺术相框功能则让图片和视频进入座舱。同期推送的OTA 9.1.1还将主动悬架接入游戏，在车辆静止时调用底盘硬件。这些细节表明，已交付车辆的芯片、传感器和执行机构仍可通过软件更新被重新调用。
将新技术装入新车是产品迭代，而将其适配至老车型则需额外投入。前者决定下一款车型的市场表现，后者影响已购车用户的忠诚度。理想汽车在短短几个月内完成从能力开发到跨平台适配，再到近百万老车型的实际升级，展现了技术落地的效率。在技术快速演进的背景下，如何让老用户不被时代抛下，成为车企需要回答的重要命题。
