Las ambiciones de Li Auto en chips se extienden de los coches a los centros de datos

Según informes, Li Auto ha ampliado sus ambiciones en chips más allá de la conducción asistida, lo que hace que su más reciente aparición en Google News implique un conflicto mayor que otro lanzamiento automotriz. El fabricante chino de automóviles parece ahora interesado en aplicaciones para centros de datos, según un informe publicado el 15 de agosto. Esa afirmación situaría a Li Auto en un mercado con clientes, infraestructura y exigencias técnicas diferentes.

El informe llega después de que Li Auto llevara su procesador Mach M100 desde el desarrollo hasta vehículos de producción. La compañía también estableció una entidad independiente cuyo ámbito registrado incluye el diseño y la venta de chips. Estos pasos concretos respaldan una estrategia de semiconductores más amplia, aunque no confirman de forma independiente un producto comercial para centros de datos.

Esta distinción importa. Una arquitectura de inferencia puede admitir varios tipos de modelos de IA sin convertirse en un acelerador competitivo para servidores. Li Auto ha documentado cargas de trabajo de modelos de lenguaje de gran tamaño en M100, pero no ha detallado públicamente un chip para centros de datos, un calendario de implementación ni clientes externos.

Nio ofrece la comparación más clara. Su unidad de chips GeniTech ya ha mostrado procesadores para conducción asistida, inteligencia incorporada e inferencia de agentes. Xpeng también utiliza su procesador Turing en vehículos y robótica. Por tanto, Li Auto se suma a una carrera por convertir el silicio automotriz en una plataforma de IA más amplia, no crea esa estrategia por sí sola.

Lo que realmente cambia el informe de Google News

La nueva afirmación cambia el mercado potencial, pero todavía no la cantidad de evidencia verificada.

Hasta ahora, la historia pública de los chips de Li Auto se centraba en la inferencia dentro de los vehículos. La inferencia es el proceso de ejecutar un modelo de IA entrenado para producir una predicción o una acción. La tarea incluye interpretar datos de cámaras, comprender las condiciones de conducción y elegir el siguiente movimiento del vehículo.

El informe del 15 de agosto añade los centros de datos a esa historia. Los aceleradores para centros de datos suelen servir entornos de computación centralizados que ejecutan modelos para muchos usuarios o dispositivos. Operan bajo requisitos diferentes de energía, refrigeración, redes, memoria, fiabilidad y software.

Esta expansión importa porque Li Auto presentó anteriormente M100 como algo más que un procesador de visión especializado. Su documento técnico describe el chip como una arquitectura general de inferencia de IA para conducción autónoma, modelos de lenguaje e interacción humana inteligente. Los autores también evaluaron un modelo de lenguaje de gran tamaño junto con cargas de trabajo de conducción.

Sin embargo, el registro público aún carece de varios elementos necesarios para verificar un negocio de servidores. Li Auto no ha anunciado un procesador para centros de datos con nombre propio. No ha identificado un socio de fabricación, cliente de servidores, lugar de implementación, diseño de rack ni fecha de lanzamiento comercial.

Por tanto, la lectura prudente es sencilla. Li Auto parece estar explorando cómo su arquitectura puede ir más allá de los vehículos. La evidencia disponible no muestra que haya completado ese movimiento.

El calendario refuerza la plausibilidad del informe. Li Auto registró Xinchuang Zhihe en Shanghái el 13 de julio, según información empresarial pública citada en un informe de una empresa de chips. Su ámbito de negocio incluye diseño de circuitos integrados, servicios técnicos y venta de productos de chips.

Una estructura corporativa separada puede contratar empleados especializados, poseer propiedad intelectual, captar capital o vender productos fuera de la empresa matriz. No garantiza que se produzca ninguna de esas acciones. Li Auto no ha explicado públicamente el papel final de la entidad.

Esa ambigüedad es central en la noticia. La compañía ha reunido varias piezas de una operación de chips más amplia, al tiempo que deja sin especificar su forma comercial prevista. La afirmación sobre centros de datos conecta esas piezas, pero sigue siendo una dirección reportada y no un plan de producto divulgado.

Los lectores de Google News también deberían separar la agregación de la verificación. Una publicación puede hacer que un informe sea más fácil de descubrir, pero el editor subyacente sigue siendo responsable de sus afirmaciones. La aparición de Google en la cadena de distribución no convierte los planes reportados en un anuncio de la compañía.

M100 ofrece a Li Auto un punto de partida técnico

La evidencia más sólida de Li Auto es una arquitectura de chip automotriz funcional, no una plataforma probada para centros de datos.

Mach M100 es un sistema en chip construido en torno a la unidad de procesamiento neuronal desarrollada internamente por Li Auto. Li Auto afirma que cada chip ofrece 1.280 TOPS, es decir, billones de operaciones por segundo. Las nuevas configuraciones de vehículos utilizan dos chips para una cifra combinada declarada de 2.560 TOPS.

Los TOPS ofrecen una indicación aproximada del rendimiento aritmético. No proporcionan una comparación completa de rendimiento. Los formatos de precisión, el ancho de banda de memoria, la compatibilidad de modelos, la utilización, la latencia y la madurez del software determinan cuánto trabajo útil ofrece un chip.

La explicación pública más detallada de Li Auto aparece en su documento sobre la arquitectura M100. El diseño utiliza computación de flujo de datos orquestado, que programa cómo se desplazan los tensores a través de los elementos de procesamiento. Un tensor es una estructura de datos multidimensional utilizada habitualmente en redes neuronales.

Los procesadores gráficos tradicionales de propósito general dependen en gran medida de cachés y estructuras de ejecución programables. M100 traslada más responsabilidad de programación a su compilador y entorno de ejecución. Li Auto sostiene que un movimiento de datos predecible reduce la sobrecarga de hardware y mejora la utilización para la inferencia.

Este codiseño de modelo y chip es importante. La compañía puede ajustar conjuntamente sus redes neuronales, compilador, sistema operativo y procesador. Un proveedor externo de chips debe atender a muchos clientes cuyos programas, plazos y ciclos de producto difieren.

El documento evalúa M100 frente a Thor-U de Nvidia en cargas de trabajo seleccionadas. Esas pruebas incluyen un benchmark de conducción autónoma modificado, un componente del modelo de conducción de Li Auto y LLaMA2-7B. Este último es un modelo de lenguaje con aproximadamente siete mil millones de parámetros.

Li Auto informó una latencia de decodificación de 0,1 milisegundos para un componente evaluado, frente a 0,3 milisegundos en Thor-U. También informó 0,84 milisegundos durante la fase de prellenado, frente a 1,74 milisegundos para Thor-U. Estos son resultados de benchmarks producidos por la compañía, no reseñas independientes de productos.

La selección de benchmarks merece un tratamiento cuidadoso. Li Auto modificó un modelo de conducción autónoma para representar mejor su software implementado. Esto puede mejorar la relevancia en el mundo real para los vehículos de Li Auto. También puede dificultar comparaciones amplias con otras plataformas.

Las pruebas demuestran que M100 puede ejecutar más que la percepción convencional de cámaras. No demuestran entrenamiento a escala de servidor, redes multichip, virtualización ni funcionamiento sostenido dentro de racks de centros de datos. Esas capacidades requieren capas adicionales de hardware y software.

Incluso la inferencia cambia cuando se traslada fuera del vehículo. Un coche a menudo necesita un resultado rápido de un flujo de sensores relativamente fijo. Un servicio en la nube puede recibir solicitudes impredecibles de miles de clientes mientras alterna entre modelos y longitudes de secuencia.

La capacidad de memoria se convierte en otra línea divisoria. Los procesadores para vehículos pueden orientarse a modelos elegidos en torno a un entorno de hardware conocido. Los operadores de centros de datos quieren flexibilidad, alta disponibilidad de memoria y compartición eficiente entre cargas de trabajo cambiantes.

Las redes también se vuelven críticas. Un controlador automotriz puede realizar un procesamiento local extenso sin coordinarse con cientos de pares. Los grandes sistemas de centros de datos necesitan interconexiones rápidas que muevan parámetros y resultados intermedios entre aceleradores.

El documento de Li Auto describe una arquitectura modular y escalable, lo que proporciona a la compañía una base para un mayor desarrollo. Aun así, la escalabilidad arquitectónica y una plataforma de servidores comercialmente desplegable son logros distintos.

La posibilidad creíble a corto plazo es un acelerador de inferencia optimizado para un conjunto limitado de modelos. Ese camino encajaría mejor con la experiencia existente de Li Auto que competir de inmediato en todas las cargas de trabajo de centros de datos. También preservaría el énfasis de la compañía en un movimiento de datos predecible.

El verdadero rival es el modelo de GPU de propósito general

Li Auto está probando si el silicio de inferencia diseñado de forma estrecha puede superar a las plataformas flexibles de proveedores en eficiencia y coste.

Nvidia es la referencia obvia porque Li Auto ha utilizado sus procesadores automotrices. Sin embargo, el conflicto principal es mayor que Li Auto frente a un proveedor. Se trata de la integración especializada de modelo y chip frente a una plataforma madura de computación de propósito general.

Los chips de proveedores ofrecen un amplio ecosistema de software y admiten muchos modelos. Los fabricantes de automóviles pueden iniciar el desarrollo sin financiar todo un programa de semiconductores. También obtienen acceso a herramientas, bibliotecas, documentación y conocimientos de ingeniería compartidos entre industrias.

Esa flexibilidad implica compensaciones. Una plataforma general incluye capacidades que un fabricante de automóviles quizá no necesite. Li Auto sostiene que las funciones no utilizadas, la sobrecarga de caché y un comportamiento menos predecible pueden reducir la eficiencia para sus cargas de trabajo elegidas.

Un chip interno permite a Li Auto decidir qué operaciones importan más. Puede diseñar el compilador en torno a sus modelos y revisar esos modelos según el hardware disponible. La compañía también puede planificar la electrónica del vehículo, los límites térmicos y la redundancia teniendo en cuenta una sola arquitectura.

Esta integración vertical ya ha ido más allá de una afirmación de laboratorio. Li Auto afirma que Mach M100 entró en producción masiva en sus vehículos L9, L8 y L6 actualizados. Su anterior hoja de ruta de producción había previsto el despliegue en vehículos durante 2026.

El despliegue automotriz proporciona algo de lo que una nueva empresa de chips suele carecer: un cliente interno comprometido. Li Auto puede distribuir procesadores a través de su propio programa de vehículos y recopilar datos operativos. No necesita ventas externas para crear el primer volumen de producción.

Los centros de datos eliminan parte de esa ventaja. Los compradores externos comparan rendimiento, uso de energía, fiabilidad, soporte de software y disponibilidad frente a productos establecidos. No comparten la pila de vehículos ni la hoja de ruta de productos de Li Auto.

Eso hace que la portabilidad del software sea decisiva. Un cliente de centro de datos no rediseñará cada modelo en torno a un nuevo acelerador sin un beneficio medible. Li Auto necesitaría herramientas de desarrollo que hagan práctica la migración y soporte continuo que proteja la inversión del comprador.

Su arquitectura centrada en el compilador puede ayudar si las herramientas asignan de forma fiable distintos modelos al hardware. La misma dependencia puede perjudicar si el soporte de modelos se retrasa frente a métodos de IA cambiantes. Un procesador más simple solo es útil cuando el software absorbe la complejidad desplazada.

Aquí es donde la afirmación de Google News se vuelve estratégicamente interesante. Li Auto podría ver los centros de datos como otro destino para hardware de inferencia, en lugar de un mercado completamente separado. Los modelos desarrollados de forma centralizada podrían ejecutarse en arquitecturas relacionadas en servidores, vehículos, robots y otros dispositivos.

Tal continuidad podría reducir la duplicación de ingeniería. Un equipo podría optimizar un modelo mediante un enfoque de compilador compartido antes de desplegarlo en varios sistemas físicos. Esa es la versión atractiva de la estrategia.

La versión difícil incluye hardware fragmentado, herramientas incompletas y objetivos de despliegue incompatibles. Entonces, los ingenieros dedican más tiempo a gestionar diferencias entre plataformas, mientras desaparecen los supuestos ahorros de integración.

El reto inmediato de Li Auto es demostrar que su arquitectura sigue siendo eficiente fuera de las cargas de trabajo diseñadas por Li Auto. El éxito interno demuestra que la empresa entiende su propia pila tecnológica. La adopción externa demostraría que esa pila aporta valor a otros.

Nio y Xpeng convierten los chips para automóviles en una competencia más amplia

Li Auto se enfrenta a pares que ya están extendiendo sus chips más allá de una única función del vehículo.

Nio creó su filial GeniTech en junio de 2025. Posteriormente, la unidad presentó varios procesadores destinados a la conducción asistida, la IA incorporada y la inferencia de agentes. CnEVPost informó que el negocio había completado casi 3.000 millones de yuanes en financiación.

Esa separación creó un precedente para Li Auto. Una división de chips puede comenzar como una operación interna de ingeniería y luego adquirir una identidad independiente y un alcance de producto más amplio. La captación de capital también puede hacer más visibles los costes de desarrollo para los inversores.

El procesador automotriz NX9031 de Nio ya ha entrado en vehículos de producción. Desde entonces, la empresa ha descrito chips adicionales dirigidos a escenarios de inferencia más amplios. Su evolución muestra cómo un fabricante de automóviles puede utilizar el despliegue en vehículos como etapa inicial de un plan de semiconductores más amplio.

Xpeng ha seguido una vía relacionada con su procesador Turing AI. La empresa ha instalado el chip en vehículos y lo ha vinculado a su trabajo en robótica. Este enfoque considera los coches y los robots como plataformas físicas que comparten problemas de percepción, razonamiento y control.

Li Auto utiliza la expresión inteligencia incorporada para los sistemas de IA que perciben y actúan en el mundo físico. Su evento Livis Day de junio conectó vehículos, agentes de IA, sistemas operativos y hardware. La estrategia de chips de la empresa encaja en ese marco más amplio.

Por tanto, la competencia entre estos fabricantes de automóviles va más allá de las afirmaciones sobre el rendimiento aritmético máximo. Cada empresa quiere controlar la capa informática que sustenta sus modelos de conducción. También quiere que esa inversión sirva a más productos y cargas de trabajo.

BYD añade más presión. Ha revelado su propio trabajo en chips para conducción inteligente y, según se informa, planea su despliegue en producción a través de la marca Denza. Tesla aporta el modelo histórico de diseñar ordenadores para vehículos en torno a una pila interna de conducción.

Ninguno de estos ejemplos garantiza un negocio exitoso de centros de datos. Sí muestran por qué seguir dependiendo de silicio comercial puede parecer estratégicamente limitante. Los chips influyen en los costes de producto, los calendarios de software, la disponibilidad de funciones y la exposición de la cadena de suministro.

El movimiento también responde a la economía de los sistemas modernos de conducción. Los modelos más grandes de visión-lenguaje-acción exigen más capacidad de cómputo. Un modelo de visión-lenguaje-acción conecta la entrada visual y el razonamiento basado en lenguaje con una acción, como girar o frenar.

La propia dirección de Li Auto ha descrito la competencia como un problema de diseño conjunto que abarca arquitectura, sistemas operativos, modelos, compiladores y fabricación. Esa visión favorece a las empresas capaces de coordinar varias capas de ingeniería.

Sin embargo, la coordinación eleva los costes fijos. El desarrollo de chips requiere equipos especializados, herramientas de diseño, propiedad intelectual, capacidad de fabricación, encapsulado, pruebas y mantenimiento continuo de software. Una empresa debe repartir esos costes entre suficientes productos y volumen de producción.

Vender chips o servicios de computación fuera del negocio de vehículos podría mejorar esa ecuación. También podría distraer a la dirección de un mercado automotriz competitivo. Li Auto no ha revelado cómo equilibraría esas prioridades.

La entidad independiente de Shanghái deja abiertas ambas posibilidades. Podría seguir siendo una sede administrativa para el desarrollo de chips automotrices. Podría convertirse en un proveedor independiente para robots, sistemas industriales o centros de datos.

El precedente de Nio aumenta la probabilidad de la segunda vía, pero no puede confirmar la decisión de Li Auto. Los registros de constitución de empresas describen actividades permitidas, no un plan operativo.

Por eso la expansión reportada merece cobertura sin celebraciones prematuras. Li Auto se comporta como una empresa que busca mantener opciones en los mercados de hardware de IA. Aún no ha mostrado cuáles de esas opciones se convertirán en productos.

Lo que la afirmación sobre centros de datos aún no demuestra

La mayor incertidumbre es si Li Auto cuenta con una plataforma vendible o solo con una arquitectura de alcance teórico más amplio.

Los materiales públicos de Li Auto establecen tres hechos relevantes. Desarrolló M100, probó varias cargas de trabajo de inferencia y desplegó el chip en vehículos. No establecen una línea de productos para centros de datos.

Un chip para servidores necesitaría una carga de trabajo claramente definida. Podría dirigirse a la inferencia de modelos de lenguaje, el procesamiento multimodal, la simulación de conducción autónoma o los agentes industriales. Cada elección cambia los requisitos de memoria, redes, software y diseño de sistemas.

El entrenamiento supondría una expansión mucho más difícil que la inferencia. El entrenamiento construye un modelo procesando repetidamente grandes conjuntos de datos y actualizando parámetros. Requiere computación de alta precisión, memoria sustancial, interconexiones rápidas y software distribuido maduro.

Li Auto ha presentado M100 principalmente como un procesador de inferencia. Su documento técnico destaca la ejecución de conducción autónoma, la inferencia de modelos de lenguaje y las cargas de trabajo de interacción. Los lectores no deben interpretar un informe sobre centros de datos como prueba de un competidor en entrenamiento.

La fabricación plantea otra incógnita. Li Auto afirma que el M100 automotriz utiliza un proceso de 5 nanómetros. No ha identificado públicamente una fundición en sus principales anuncios de producto ni explicado cómo una variante para servidores aseguraría capacidad.

Los controles de exportación y las restricciones de la cadena de suministro complican la planificación de semiconductores avanzados en China. Los equipos de diseño deben considerar los procesos de fabricación disponibles, la propiedad intelectual, la memoria, el encapsulado y el equipo de producción. Estas limitaciones afectan tanto a los calendarios como al rendimiento de sistema alcanzable.

También falta una evaluación comparativa independiente. Las comparaciones reportadas con hardware de Nvidia proceden de Li Auto o de informes basados en pruebas de la empresa. Los clientes necesitan mediciones reproducibles con sistemas completos y cargas de trabajo representativas.

Los TOPS máximos pueden ocultar cuellos de botella. Un procesador puede ofrecer un alto rendimiento aritmético mientras espera datos de la memoria. Otro puede ofrecer cifras máximas inferiores, pero completar una aplicación más rápido porque su software y sus rutas de datos funcionan mejor.

Los estándares de fiabilidad también difieren. Los chips automotrices enfrentan estrictos requisitos de seguridad y ambientales, incluidas variaciones de temperatura y largas vidas de producto. Los centros de datos priorizan el servicio continuo, la gestión remota, el aislamiento de cargas de trabajo y el reemplazo eficiente a escala.

Por tanto, la ingeniería de grado automotriz es valiosa, pero no satisface automáticamente a los operadores de servidores. Li Auto tendría que desarrollar o asociarse para contar con placas de servidor, redes, refrigeración, orquestación, monitorización y soporte al cliente.

El caso de negocio sigue siendo igualmente incierto. Li Auto puede justificar M100 mediante el control de funciones y posibles ahorros en sus propios vehículos. Un producto para centros de datos necesita demanda externa o cargas de trabajo internas de computación sustanciales.

El desarrollo interno de sus modelos puede ofrecer un campo de pruebas. Li Auto entrena y evalúa modelos de conducción, procesa datos de su flota y ejecuta cargas de trabajo de simulación. Sin embargo, la empresa no ha dicho que sus propios centros de datos utilicen hardware derivado de M100.

Por tanto, el informe de agosto debe leerse como una señal de ambición. Sugiere hasta dónde quiere Li Auto llevar su propiedad intelectual. No muestra cuánto han avanzado la ingeniería o la comercialización.

La presentación anual de la empresa también destaca los beneficios automotrices previstos. Li Auto espera que el silicio interno mejore la eficiencia computacional y la seguridad, al tiempo que optimiza los costes de hardware a largo plazo.

Esos objetivos son específicos de su estrategia de vehículos. Una iniciativa de centros de datos necesitaría sus propios objetivos medibles. Los ingresos, la utilización, las victorias con clientes, los costes operativos o los ahorros en computación interna aportarían pruebas más claras que el lenguaje arquitectónico.

También hay una cuestión de gobernanza. Si Li Auto transfiere activos de chips a la nueva entidad, los inversores deberán entender la propiedad, la financiación, los derechos de propiedad intelectual y las relaciones de compra. No se ha anunciado ninguna transacción detallada.

Hasta que se cierren esas brechas, la conclusión más sólida sigue siendo limitada. Li Auto cuenta con una capacidad creíble de desarrollo de chips y una razón para buscar mercados adicionales. No ha demostrado un negocio completo de centros de datos.

Tres señales que pondrán a prueba las ambiciones de Li Auto en chips

Una especificación de producto, un despliegue externo y evaluaciones comparativas transparentes determinarán si esto se convierte en algo más que una narrativa expansiva.

La primera señal es un producto de centro de datos con nombre propio. Li Auto o su entidad de chips tendría que revelar la carga de trabajo del procesador, la tecnología de proceso, el sistema de memoria, el rango de potencia y el calendario de lanzamiento. Una placa de servidor o un sistema de referencia haría el plan más concreto.

Ese anuncio también debería distinguir entre inferencia y entrenamiento. Un acelerador de inferencia enfocado representaría una extensión plausible de M100. Una afirmación amplia que cubra entrenamiento a gran escala requeriría muchas más pruebas.

La segunda señal es un cliente externo o un despliegue documentado de forma independiente. Un operador de nube, fabricante de automóviles, empresa de robótica o cliente industrial mostraría demanda más allá de la pila interna de Li Auto. Una instalación dentro de las propias instalaciones de computación de Li Auto seguiría proporcionando una validación útil.

La calidad de ese despliegue importa más que una asociación promocional. Los lectores deberían buscar escala operativa, modelos compatibles, utilización y una razón clara por la que el cliente seleccionó el hardware.

La tercera señal son pruebas independientes de rendimiento y eficiencia. Los resultados útiles compararían sistemas completos con la misma precisión, tamaño de lote, modelo, objetivo de latencia y condiciones de potencia. Deberían revelarse la configuración de software y la metodología de evaluación comparativa.

Los resultados internos de Li Auto proporcionan una hipótesis inicial. Indican que el flujo de datos orquestado puede funcionar de forma eficiente en tareas de inferencia seleccionadas. Las pruebas independientes revelarían hasta qué punto esa ventaja resiste cargas de trabajo más amplias y restricciones operativas reales.

La adopción en vehículos sigue siendo otro indicador de apoyo importante. La producción en masa de los L9, L8 y L6 da a Li Auto la oportunidad de demostrar fiabilidad y controlar costes. Un sólido rendimiento automotriz respaldaría la credibilidad de la arquitectura, incluso sin validar su uso en servidores.

También conviene vigilar la nueva entidad de chips. Nueva financiación, nombramientos ejecutivos, contrataciones, patentes o transferencias de activos aclararían si se está convirtiendo en una operación independiente. El silencio favorecería una interpretación administrativa más limitada.

Las reacciones de la competencia ayudarán a establecer la dirección del mercado. La expansión de GeniTech de Nio y el uso multiplataforma de Turing por parte de Xpeng sugieren que los chips para vehículos se están convirtiendo en bases para estrategias más amplias de IA física.

Sin embargo, la computación para servidores sigue siendo una prueba aparte. Nvidia y los proveedores chinos nacionales de aceleradores compiten tanto mediante ecosistemas como mediante silicio. Li Auto debe convencer a los desarrolladores de que sus herramientas reducen el trabajo, no que simplemente lo trasladan.

Para los desarrolladores y compradores empresariales, la lección inmediata no es seleccionar una plataforma basándose en el informe de agosto. La conclusión útil es que los equipos de IA automotriz quieren cada vez más controlar la pila de inferencia.

Esta tendencia puede crear alternativas especializadas para modelos que se ejecutan cerca de máquinas físicas. También puede fragmentar el soporte de software entre aceleradores incompatibles. Los compradores deberían exigir rendimiento de aplicaciones medido, herramientas de despliegue y soporte a largo plazo.

Para Li Auto, la lógica estratégica es comprensible. M100 requirió una gran inversión de ingeniería, y cargas de trabajo más amplias podrían repartir esa inversión entre más productos. La arquitectura ya se dirige a la conducción, los modelos de lenguaje y la interacción humana.

La prueba comercial sigue sin aparecer. Un titular de Google News puede revelar una ambición, pero no puede aportar clientes, madurez del software ni datos operativos. Esos elementos deberán figurar en divulgaciones posteriores.

La siguiente pregunta es, por tanto, precisa: ¿presentará Li Auto un producto para centros de datos con un despliegue real, o M100 seguirá siendo una plataforma automotriz capaz con aspiraciones más amplias? La respuesta debería surgir de las especificaciones, la evidencia de clientes y pruebas independientes, no de otra afirmación general sobre chips.