Three signals from production programs
NIO has deployed its in-house 5-nanometer NX9031 in production models and couples it with the NIO WorldModel and a full-domain vehicle operating system. XPENG describes a full-stack physical-AI architecture spanning Turing AI chips, world foundation models, and software-hardware applications; its higher-end configurations use multiple chips. Li Auto’s 2026 L9 program pairs proprietary MAHE M100 inference silicon with its MindVLA model, including a dual-chip configuration in the Livis trim.
The common pattern is vertical feedback. A vehicle maker that controls the model and silicon can choose numeric formats, memory hierarchy, operators, sensor interfaces, safety islands, and scheduling around actual workloads. It can also alter the next model architecture based on measured silicon bottlenecks. This is less about replacing NVIDIA or Qualcomm everywhere than removing translation loss between teams.
양산 프로그램에서 보이는 세 가지 신호
NIO는 자체 5nm NX9031을 양산 모델에 탑재하고 NIO WorldModel 및 풀도메인 차량 OS와 결합했다. XPENG은 Turing AI 칩, 월드 파운데이션 모델, 소프트웨어·하드웨어 응용을 아우르는 풀스택 Physical AI 구조를 설명하며 상위 구성에는 여러 칩을 사용한다. Li Auto의 2026 L9 프로그램은 자체 MAHE M100 추론 실리콘과 MindVLA를 결합하고 Livis 트림에는 듀얼 칩을 적용한다.
공통 패턴은 수직적 피드백이다. 모델과 실리콘을 모두 통제하는 완성차 기업은 실제 워크로드에 맞춰 수치 형식, 메모리 계층, 연산자, 센서 인터페이스, 안전 아일랜드, 스케줄링을 선택할 수 있다. 측정된 실리콘 병목을 바탕으로 다음 모델 구조를 바꿀 수도 있다. 이는 모든 영역에서 NVIDIA나 Qualcomm을 대체하기보다 팀 사이의 번역 손실을 줄이는 전략에 가깝다.
Why TOPS is an incomplete abstraction
Peak TOPS ignores utilization. A driving workload combines dense matrix multiplication, sparse feature processing, image signal processing, temporal memory, sensor I/O, CPU orchestration, and safety monitoring. The usable performance is constrained by memory bandwidth, data movement, supported operators, compiler quality, thermal limits, and worst-case scheduling. Four chips with high aggregate TOPS can underperform one well-matched design if tensors are copied or operators fall back to slower cores.
The right comparison starts with a fixed driving model and scenario set. Measure end-to-end latency distributions, energy per inference, memory headroom, accuracy after quantization, startup and recovery time, and deterministic coexistence with cockpit or chassis workloads. Then include engineering economics: tool maturity, debugging visibility, yield, qualification, second-source risk, and the cost of maintaining backward compatibility for a decade.
TOPS가 불완전한 추상화인 이유
최대 TOPS는 활용률을 무시한다. 주행 워크로드는 밀집 행렬 연산, 희소 특징 처리, 이미지 신호 처리, 시간 메모리, 센서 I/O, CPU 오케스트레이션, 안전 모니터링을 결합한다. 실제 성능은 메모리 대역폭, 데이터 이동, 지원 연산자, 컴파일러 품질, 열 제한, 최악 조건 스케줄링에 의해 제한된다. 텐서 복사가 많거나 일부 연산이 느린 코어로 폴백되면 높은 총 TOPS의 4개 칩이 잘 맞춘 단일 설계보다 느릴 수 있다.
올바른 비교는 고정된 주행 모델과 시나리오 집합에서 시작한다. 종단 간 지연 분포, 추론당 에너지, 메모리 여유, 양자화 후 정확도, 시작·복구 시간, 콕핏·차체 워크로드와의 결정적 공존을 측정한다. 이어 툴 성숙도, 디버깅 가시성, 수율, 인증, 이중 공급 위험, 10년간 하위 호환을 유지하는 비용까지 포함해야 한다.
Strategic advantage and strategic burden
Custom silicon can shorten iteration, protect supply, and differentiate cost. It also converts vendor risk into internal execution risk. The automaker now owns compiler bugs, corner-case numerical behavior, functional-safety evidence, cyber updates, foundry coordination, and long-term support. This burden is acceptable only at sufficient volume and with a software organization that treats the chip as a platform rather than a one-model component.
China’s strongest EV companies are betting that physical-AI differentiation will come from the loop between data, model, chip, vehicle, and fleet. I agree with the direction, but I would judge success by model-to-vehicle lead time and validated behavior per watt—not by self-reported TOPS. Silicon is strategic when it makes the safety and learning loop faster, cheaper, and more observable.
전략적 우위와 전략적 부담
커스텀 실리콘은 반복 주기를 줄이고 공급망을 보호하며 비용을 차별화할 수 있다. 동시에 공급업체 위험을 내부 실행 위험으로 바꾼다. 완성차 기업은 이제 컴파일러 버그, 경계 조건의 수치 동작, 기능안전 증거, 사이버 업데이트, 파운드리 조율, 장기 지원을 책임진다. 충분한 생산량과 칩을 한 모델의 부품이 아니라 플랫폼으로 다루는 소프트웨어 조직이 있을 때만 감당할 가치가 있다.
중국의 강한 전기차 기업들은 Physical AI 차별화가 데이터, 모델, 칩, 차량, 플릿 사이의 루프에서 나온다고 보고 있다. 방향에는 동의하지만 성공은 자체 발표 TOPS가 아니라 모델-차량 리드타임과 와트당 검증된 행동으로 판단해야 한다. 실리콘은 안전과 학습 루프를 더 빠르고 저렴하며 관찰 가능하게 만들 때 전략적이다.