# Vol.213 产业观察40｜CPU变热背后的思考与新的AI智能终端 高能量 · 2026-04-22 · 85 min · https://www.xiaoyuzhoufm.com/episode/69e8412d1d989496e7368341?utm_source=rss ## 逐字稿 李丰 大家好，我是丰瑞资本的李丰，欢迎来到我们这一期的产业观察。我们请到了一位 CEO，银普科技的田阳。 田阳有几个特点，大家在听的时候可能需要稍微费些心力。第一个特点是，他的学科背景比较综合。他既是清华的星火班学生，也就是理科里的好学生、学霸们的班；同时，他还学了神经生物学相关的计算方向，并取得了博士学位。所以，他既和计算有关，也和物理、神经生物学以及 AI 有关。 在工作上，他还发表了很多论文，不过我也看不太懂，就不重复了。他还曾在华为 2012 实验室工作，这也是另外一个标签，类似于我们常说的“华为天才少年”，只不过是在特定方向上做突破性的研究。 除此之外，他创业做的事情也比较特别。第一次听他介绍这个方向时，在我不能保证大部分人能听懂 50% 的情况下，他做到了今天可能大家都能听懂的程度。 过去一年，这件事又和今天另外一个谈话主题联系在了一起。最近随着“小龙虾”的火爆，出现了一波各种各样的 AI 创业项目，更多是家庭 AI 硬件：它们附带算力，也包括和云端的通信，以及本地的数据传输和存储功能。无论它更像 PC，更像 NAS（因为我们也投过 NAS），还是更像一个无屏的专用设备，或者是已经在市场上卖断货的 Mac mini，现在大家都把它们归入家庭 AI 硬件。 田阳的创业方向，已经从当时对大部分人来说不太容易理解的专业方向，走到了今天和家庭 AI 硬件结合的方向。这个方向现在应该已经比较容易被大家理解了，所以这也是我们今天要聊的主要话题。 田阳，我们先从你本人开始。我不知道刚才这一串标签，从你的成长经历来看，先是作为好学生考上清华，作为清华里的好学生进了新伙伴，接下来又学了完全不同专业的博士，然后跨了两个学科，当然也包括去华为、创业。这样一段跨越了很多不同标签、行业和专业的成长经历，对你来说有什么特殊之处？ 田阳 ### 兴趣驱动的跨界成长 谢谢丰叔的邀请。对我来说，我觉得自己的成长过程应该都是为了好玩。刚才我们在测一个叫 SBTI 的、现在很火的新测试。 李丰 这个最近两天特别火。那是什么？我还没打开看，只是有人发给我链接了。 田阳 它是一个很有个性的测试，我的结果是 GoGo。可以理解为一种虽然讲究理性，但做很多事情其实凭兴趣的角色。这个结果和我比较符合，很多事情的确是凭兴趣驱动的。 李丰 你的 MBTI 是什么？ 田阳 我的 MBTI 应该是 INTP。 李丰 你是 TP，难怪你会有更多按照自己兴趣和心意行事的随机性。 田阳 是的。这个随机性在很多人看来可能稍微冒险了一点。从小我的性格就是这样，我喜欢在做某些事情时凭着自己的心意来做。其实我转换很多方向，包括现在做很多事情，更多还是兴趣驱动。 从最开始做计算神经科学，到后来转去做统计物理，这里可以补充一个背景：现在国外非常知名的 AI 公司 Anthropic，它的创始人的博士经历和我比较类似。他最早也是做统计物理和复杂系统的，他的导师我认识，是 William Ballek。据说他在学术生涯中并不是很顺利，不过好在最后还是毕业了。 我和他的经历比较相似，最早都是从复杂系统这个方向走过来的，所以我们思考问题时，的确可能会带上这个学科的烙印。我最开始做得比较具体，是计算神经科学；后来开始做比较抽象的统计物理。到现在为止，我也依然如此。 李丰 我能稍微问一下，计算神经生物学从名字上我大概能做一个最粗的理解，但我不知道它在具体的学科设置里主要是做什么的。它主要是模拟神经网络，或者模拟和大脑有关的机制，来设计计算架构吗？ 田阳 ### 计算神经科学解释大脑 计算神经科学的发展，应该有两拨人。第一拨人的确来自计算机科学背景，他们的目的可能是做 simulation，从而实现一些生物启发式的计算。 我属于另外一拨人，来自物理背景。我们更多是利用物理学的手段去研究大脑如何编码外界信息，神经活动有什么样的动力学规律，以及这些规律意味着大脑会处于什么样的状态。我们可能更多是在解释“为什么”，而不是把它做成一个应用。 在这个学科的发展过程中，我更多是奠定了一种能力：用具体的数理方法去描述一个本来无法被数学描述的体系。当然，有了这个能力之后，我也就转向了其他方向。 李丰 我稍微岔开话题问一个问题。当然，我先说一下这个问题和我的相关性。我的母亲原来在中科院，最早就在认知科学实验室。那也是一个交叉学科，因为在 20 世纪 80 年代中后期，中国刚刚开始做这件事，正好涉及物理、计算机、生物等多个方向。 今天大家比较关注的脑机接口，既是“十五”规划提出的方向，也符合政策导向，当然也和刚才讲的计算神经科学有关。 另外一个相关话题是机器人。今天大家在使用机器人时，不管是哪一种从视觉开始指导动作的模型，不管它叫 VLA、VLT A、VLM，都会遇到一些问题。所以大家又开始回过头来讨论，能不能在视频模型或者基于语言模型的基础上，采用不同的架构来解决和物理世界交互的问题。这就是今天很时髦的世界模型或者物理模型，当然它们各自涉及的范围不太一样。 在做世界模型和物理模型时，又涉及一个问题：人是怎么在没有学习物理的情况下，也能理解一些物理量和物理规律，从而在自然世界中不出问题的。比如，即使不通过语言这个架构，任何动物在来回蹦跳时，也知道树枝能不能撑住自己，石头踩上去能不能作为支点；它从 A 点跳到 B 点、跳过水坑时，也知道自己的跳跃能力能不能越过那么长的距离。 这些是比较基础的物理量。动物不需要靠语言作为中间介质，也能完成这样的判断，所以这也涉及大脑如何认知物理。没有学过物理的人，也会形成一些基本的物理常识，但物理常识也可能是错误的。 我在内部打比方时就说，如果人的直觉物理没有问题，就不会有“两个铁球同时落地”这个其实并不存在的著名科学实验。正是因为你觉得两个铁球不会同时落地，才需要通过实验去纠正你的直觉物理。 把这些问题都提出来之后，我想问的是：从你当时学习的专业出发，虽然你现在已经离开这个领域很久了，但对于今天人类如何认识世界、如何在没有学习物理的情况下掌握物理规律，以及物理规律如何呈现在大脑当中，这些问题可能怎样解决今天机器人和物理世界交互的一系列问题？你觉得我们现在处于什么阶段，可能已经有了一点什么样的答案？ 田阳 ### 机器人不必模仿人类 我离开计算神经科学的原因，也包括其中一点：我并不认为人类的大脑是一个很完美的东西。我们的强项在于某些 sense，或者说不需要思考的直觉、潜意识方向，的确显著强于现在的 AI。 但这一点，我认为也可以通过更加后天的数学研究，设计出更聪明的算法来解决。因为从本质上来说，所有生物都是极度有缺陷的。 如果机器人想要发展，我认为方向不应该再回到仿生。仿生已经走了那么多年，其实并没有走出特别好的经验。我们还是需要承认，机器人或许就应该不同于人。 人类所有发展的、创造的概念，都希望从自己身上寻找借鉴和经验。这样的前提和假设，是因为过去我们制造的所有东西都弱于我们。但今天当我们开始做 AI，已经有可能创造出一个强于我们的东西时，人的潜意识其实是害怕的。 这也是为什么我们希望 AI 更像人。因为在人类心目中，人似乎就是最聪明的东西。但或许 AI 可以借助更聪明的办法，变得强于人；机器人或许也可以如此。 所以我认为，现在做机器人，应该完全放弃借鉴生物的思路，走一条更通用、更开放的道路。当然，这个思路可能潜藏在不同学科里，不一定已经有统一答案。 除了关注神经科学或脑科学之外，大家还可以关注物理学以及化学中的一些研究，同样可以从自然界中找到其他方面的答案。比如谈到机器人，我们会知道，在化学尺度上有分子机器人和自组装机器人；在物理尺度上，我们也能看到，大自然中一些在我们看来并不具备智能的物体，在集群层面也可以表现出各种自组织行为。 这些方式同样可能蕴含某些规律，能够启发我们开发现在所谓的智能体。因为从本质上来说，人类智能只是大自然智能的一部分。我一直相信，大自然演化的时间远远超过人类的进化时间，其中一些细节是值得借鉴的。 李丰 明白了，这是从另外一个角度来看所谓演化的力量。 我再问另外半个相关问题。你觉得今天我们对大脑机理和机制的研究到了什么程度？大脑的能效超级高，它消耗的能量大约是身体总能量的 20%，但同时要处理大量多模态数据，还要进行认知、决策、复杂思考、抽象和表达。不管是 CPU 还是 GPU，这种能力都非常厉害，但能耗却没有那么高，因为我们每天也没吃多少东西。 田阳 ### 大脑研究进入整体时代 我们目前基本上已经摆脱了颅相学时代积累下来的那些经验。 包括在 21 世纪初，我们还很喜欢用 fMRI 等方式来研究大脑，认为大脑存在明确的分区。但现在我们进一步发展，意识到所谓的大脑分区也不一定完全正确。所有认知加工技能，都可能牵一发而动全身，可能由很多个脑区共同参与。 这逐渐指出了一个方向：每当我们希望给大脑某个脑区贴标签时，这个想法往往就是错的。大脑往往是一个整体。这个发展趋势已经给了我们很多关于大脑的新见解。 我认为，人类对大脑研究的大致转折点是在 2015 年之后。我们逐渐意识到，使用 fMRI 等方法建立传统、固定的脑区划分可能是错的，开始强调 distributed coding 等新的概念。 现在我们认识到，人的意识可能存在不同假说和路径，可以在前额叶或其他地方找到不同的配合方式。这些都说明，神经科学正在从传统生物学中经常采用的范式——收集现象、给现象贴标签——逐渐转向归类不同现象之间的物理联系或化学联系。 这种思路的转变，是神经科学开始成为现代意义上的科学的起点。所以，2015 年之后神经科学的发展非常值得关注。 从目前脑机接口研究的情况来看，第一，我们逐渐意识到应该如何获取某些肢体动作或认知现象的控制信号，以及如何在大脑中找到相应的信号环路。另一方面，假设我们知道它在哪里，人类应该如何制造相应的器具，把相应的神经电信号或其他信号提取出来？ 再者，提取出来之后，如何用更聪明的数学方法处理这些信号，从中抽取出我们需要的信号成分？进一步，我们如何基于这些信号成分建立模型，判断人类正在做什么，并让脑机接口识别神经活动现象和人类意图之间的绑定关系？ 这些问题在 2015 年之后发展得越来越快。现在的脑机接口以及其他相关神经科学工具，更多还停留在实验室层面。但如果按照现在的速度发展，尤其是当我们越来越多地使用计算手段来研究之后，脑机接口的快速发展也指日可待。 我读博士期间，清华的洪波教授应该和医科大学那边一起做过相关研究：通过脑机接口，让残疾人实现一些原本无法完成的肢体控制、说话或其他交流方式，并对残疾人进行一定程度的治疗。 我觉得，这方面的研究可能在未来 10 年内走出实验室，开始尝试一些应用。 李丰 我们刚才聊到一点背景，相信大家已经听出来了：过去我的博客，或者我和李翔对谈时，有一个对听众来说比较折腾的地方，就是句子很长，逻辑很复杂，而且需要努力做到环环相扣。一旦走神，就很容易掉线，之后也不容易听懂。 但今天我们终于看到了另外一个比我句子还长、逻辑更抽象、逻辑链条更长的学霸。我们就姑且安慰自己，把这理解成学霸的表达方式。 刚才你讲到的这些事情，我们可以总结成两个问题。第一个问题是，今天的脑机接口，就像你刚才举到的针对适应症的干预方式，更多是直接的因果关系。不管叫靶点还是区域，主要控制的是运动或者某些直接感知类的事情，通过刺激就可以让它恢复。 你也讲到了第二个问题：今天的神经科学，或者说大脑研究，也许不再像过去研究脏器那样，认为肝脏负责什么、肾脏负责什么、心脏负责什么。意识和认知的深层领域，可能是整个系统同时调动多个分区、多个模型，或者同时调动多个专家系统，对输入进行复合处理，并产生复合输出，而不是把每个分区当成一个类似脏器的单独模块，用直接因果关系去研究。 我不知道这在最初的意义上，是否和去年春节 DeepSeek 之后大模型里的 MoE 类似，在思想上有异曲同工之处。 好，我们先把背景问题告一段落，回到创业主轴上。你在学术上已经取得了成就，也有教职。在教职之前，你经历过华为 2012 实验室；之后又从教职出来，不再继续学术研究，进入产业界。 从工业界取得基础研究成果，到学术界取得教职，再从教职回到产业界，这一波三折之间有什么思考和联系？除了刚才讲到的兴趣驱动之外，你的生活价值观是怎样影响这些选择的？ 田阳 ### 信息热力学催生创业 我在做统计物理研究时，统计物理里有一个新兴且非常小的分支，叫 information thermodynamics，也就是信息热力学。它研究信息和能量之间如何转换。 传统上，信息可能是计算机科学发展之后我们才会讨论的概念。但从信息热力学的视角来看，宇宙中有很多基本的物理量，信息也可以作为其中一种。比如，它认为擦除一个信息，需要消耗固定单位的热力学量，这就是所谓的兰道尔原理，以及其他相关定律所告诉我们的：信息、计算和物理世界是紧密相关的。 这个学科给了我一个新的视角：计算机也可以是一个很好的物理研究对象。这也影响了我第一次创业方向的选择。 归根结底，为什么我最早注意到要优化整个主板上各种各样的控制方案？在我看来，主板承载着一个特定的计算任务，需要编码或处理特定的信息量。同时，主板上有很多可以控制的物理参数，比如电压、频率、功耗以及相关的热。这些参数之间的转换关系，就是我希望控制的对象，从而让整个计算机达到最优能效。 恰好在我创业的时间节点，计算机产业从最上游的芯片到最下游的整机，在各个环节上遇到的很多问题，无论是消费者遇到的难题，还是生产端遇到的难题，都和这个方向息息相关。大家都在寻找不同的视角，更好地控制计算机系统，使它达到最优能效比。 所以最终我选定了这个创业方向。概括起来，首先是我的学科背景给了我这样的思考视角；其次，我认识到这个视角可能和某些人的需求相关；最后，我选择做了这个方向。 李丰 这段过程我之前还不知道。你刚才讲到信息和能量这件事，我在看一些其他问题，尤其是和 AI 有关的问题时，无意中翻过一本前半段很好看、后半段有点晦涩的关于信息论的科普书。它主要讲香农提出的一系列理论，其中一个非常重要的问题就是你刚才讲到的，信息和熵，或者说信息和能量之间的关系。那本书也给了我很多过去完全没有过的视角。 如果把田阳在做的事情，用我能力所及的方式简单概括和普及，大概就是：进入 AI 时代之后，大家有了各种各样的需求。在这个基础上，不管是计算机还是其他类型的计算设备，它们的主板都可能因为各种原因产生计算相关的能量浪费，或者出现资源不均衡。 田阳最开始做的事情，就是从他的能力出发，想办法通过软件或硬件，解决每一块主板上计算资源的使用和调度问题，尽量少浪费能量和功耗。我不知道这个理解是否正确？ 田阳 从根本目的上来说，银普创造的所有技术，都是为了让计算机在使用给定能量、产生给定热量的前提下，尽可能多地计算出本来应该计算的信息量，从而实现更高的能效比。 李丰 我们先回头问几个基本问题。你创业的时候，大概在半年以前或一年以前，为什么现在突然成为需求明显增加、市场机会明显出现的时间点？为什么是现在？有哪些因素造成了现在能做、应该做，而且要把这件事做好的机会？ 田阳 ### AI让CPU重新变热 我认为有几个因素。第一个因素，在我刚开始创业时还没有普遍成立，但我相信它一定会成立，那就是一个简单的经济学原理：AI 不可能一直处于基础设施建设阶段，只花钱却没有产出。所以我们需要思考的，只是它的产出方式会是什么。 最开始大家想到的肯定是推理。推理之后，下一步可能就是做应用。虽然当时我没有办法证明事情一定会这样发展，但我相信，当 AI 走向推理和应用之后，CPU、内存厂商会变得越来越重要。 从更大的视角看，主板上的所有零件都会变得越来越重要。计算范式从纯粹的训练端开始时，可能只依靠 GPU，CPU 只是辅助；到后来进入推理端，已经开始涉及 CPU；再到现在的各种 Agent，它需要在 SSD、内存、CPU 和 GPU 之间不断搬运数据。 我们可以看到，主板上几乎所有和计算、存储相关的器件都已经用上了。这是我最早创业时相信未来 1—2 年会给我留下的机会。 虽然我在 2024 年创业时，世界上还没有特别好的 Agent 应用能够催生新的硬件，但我认为过两三年，这件事可能会成为事实，所以我提前开始做相关事情。这是第一个动机。 第二个动机，更贴近我对硬件本身的观察。我们抛开 AI 不谈，现在所有芯片制造都越来越往 7 纳米乃至更小的制程发展。从物理上说，芯片不断缩小，逐渐从宏观尺度走向介观尺度。一个物体只有在接近自身尺度的范围内，才会受到周围物体的显著影响。 现在芯片走到介观尺度，会受到什么影响？最简单的就是，介观尺度存在大量非平衡态的热扰动，芯片受到的热扰动相关能量波动，可能已经和它自身的波动尺度相同。换句话说，在物理上，它们相互影响的幅度会很强。 因此，当芯片放在主板上时，它受到附近发热以及其他问题的影响会越来越显著。我押注的是，所有芯片都会继续向介观乃至更微观的尺度发展，从而受到周围越来越多物理量的影响。如果我能够控制好它的外部环境，也就是主板环境，就能为它创造更好的运行条件。 这两个趋势，是我认为的技术趋势。从消费趋势来看，我看到的机会是，计算机产业正在逐渐分化。普通消费者接触到的无非是 PC，准确地说是 laptop，很少有人会接触服务器。 我们会看到两边的发展逐渐脱节。服务器端有越来越多的新技术被点亮，但在纯粹的 C 端 laptop 上，我们已经很久没有见到真正意义上具有革新性的技术了。 所以我认为，产业可能正好停滞在这样一个节点：需求端需要变革，但还没有很好的变革方向。这个时候，我做任何尝试都有可能有机会上车，因此我判断这是一个好的创业方向。 李丰 这个讲得很有意思。我把它和我们投资上的一些事情对应起来，或者从现在最时髦、大家热议的公司和产品来看，也可以做一个对应。 你刚才讲到，在不同层面调度资源；从大模型预训练，到大模型变大，再到推理、Agent，这几个过程中，对不同资源的调用需求会发生变化。这个观察在现实中已经有对应。 比如英伟达收购了 Groq。当然，也可以说从去年春节开始，DeepSeek 做的推理模型等事情，都意味着整个行业从训练转向推理。英伟达原来主要做针对大模型训练的 GPU 芯片，收购 Groq 之后，在最新一期英伟达大会上推出了训练推理一体的方案，也就是英伟达芯片加上 Groq 架构的芯片。 Groq 代表着从最适合大模型训练的芯片，走向更适合推理的芯片架构。我们在投资端也看到了同样的趋势：我们投了很多不同类型的 AI 架构芯片，包括 TPU、Groq 的 LPU，以及其他端侧芯片和 RISC-V 等。 这个行业的热度，正好从云端异构芯片，比如 TPU，走向云端和端侧之间的推理芯片，比如我们有星云，还有我们另外一个叫原传微等，它也做过一期播客，之后正在变热的是端上的芯片。 这几类芯片在硬件层面最大的不同，其实就是对计算、通信和存储这几个资源的分配方式不同。刚才你也讲到，当大模型从训练走向应用时，资源需求一定会发生变化。 今天这种变化更多体现在服务器端，端上的芯片只是刚刚开始变热。端上是什么？就是各种应用所依赖的硬件终端。 端侧芯片开始变热之后，带来的结果可能就是：我们今天使用的电脑、手机，以及各种新出现的智能硬件，甚至包括 Mac mini 和现在大家统称为“小龙虾机”的各种家庭硬件，包括 NAS，其实都属于端上硬件。 但今天它们使用的 AI 芯片和 AI 能力，包括我们现在用的电脑，仍然要回到云端。它们还没有在端上真正实现和普及。这也回应了你刚才说的，PC 或电脑没有发生明显架构转变，但 AI、大模型、服务器端，以及大模型的训练、推理和应用端，都在快速创新。 所以我们觉得，家庭硬件、桌面硬件或者个人硬件可能要开始发生变化。结论之一就是，要么直接在芯片层面调整芯片架构，要么提升调度资源的能力，最后又回到了 CPU 的问题。 你刚才还讲到介观尺度。我们用最容易理解的话来讲，组织或器官是相对宏观、具体的系统；再往下缩小，也许就是细胞；再往下，可能是基因组或基因片段。 所谓介观尺度受到影响，大概就是当尺度缩小到一定程度，细胞与细胞之间、细胞与整个系统环境之间、细胞与体液之间，各种变化都会受到周围环境、自身状态以及整个系统环境和运行目的的影响。它比组织和器官受到的影响更加多维，既有微观影响，也有宏观影响。 随着芯片制程进入几纳米的尺度，可能就来到介观尺度。影响一块高制程芯片的因素会变多。过去一年多以来，你工作的对象和范围，在我看来是从软件层面调度系统资源，慢慢走向在硬件层面形成一个带有软件调度能力的新硬件。 你觉得这个过程是必然的，还是因为家庭智能终端发生了很大变化，恰好在这个时间点出现了机会？是你原来选择的道路，后来正好遇到这个交叉口，才拐上了这条路吗？ 田阳 这取决于一种商业发展的策略。我们最早试图推广新技术时，就会遇到一个经典问题：科技公司如何教育市场。 我们想教育的市场，是一个已经停滞了接近 20 年、没有技术变革的旧市场。在这个过程中，我们最终会遇到一个问题：如何让别人意识到这个东西真的有用？ 在这样的趋势下，所有科技公司最终几乎都会先在自有平台上做技术 demo，或者做商业方面的 demo。这在商业上可能已经是一个必然结局。 但这恰好让我们遇到了最开始预判的 Agent 时代：这一类终端需要出现新的变化。而且事情发展的速度比我预想得更快，我们在 2025 年就遇到了它，所以它的确给我们带来了很好的机会。 因此，现在银普的定位确实是把自有平台作为非常重要的事情。我们原来可能是奔着经典半导体企业的路子去的，现在逐渐转变为：我们依然有自己的芯片研发和相应产品计划，但会更加专注于自有平台。 李丰 回到历史时间点来看，我在内部和投资团队讨论过：如果过 3—4 年再回头看，也许去年春节的 DeepSeek moment，正好是模型从训练转向推理、准备进入应用的时间点。 今年的“小龙虾”不一定会持续，因为它可能只是一个现象。但小龙虾出现的时间点也在春节附近，正好时隔一年。它是模型变大之后，第一次出现一个被大家热议、直接进入应用层的应用。 也就是说，DeepSeek moment 是从模型变大转向应用，而小龙虾是应用第一次出现接触和落地。过 3—5 年回头看，它们也许会成为几个转折点。 我们再回到硬件问题。极客公园最近有一篇文章，讨论“智能又一次被赋予了 AI 原生硬件”。但这次的 AI 原生硬件，和一年半以前大家去投资 AI 眼镜时完全不一样。那时所谓 AI 原生硬件，还是从来没有出现过的创新型产品。 今天也可以这么讲，但我更愿意把它定义成 AI 家庭终端或者 AI 个人终端。它的起点是 Mac mini，但今天所谓家庭智能终端、AI 原生个人终端，或者一部分人称为“小龙虾机”，已经有很多不同类型的产品。 从你的角度，怎么看待这一大片非常混淆的概念？ 田阳 ### 家庭终端分化两端 现在这个市场是新兴市场，大家必然会从不同商业产品定义的角度，去做自己想做的硬件，这无可厚非。 但从整体上看，计算机产品在历史上其实都有规律可循。按照过去的发展经验，一个合理的方向是借助 AI 发展的趋势，未来所有计算终端，至少在消费端市场里，可能会形成一种整合。 消费者的心理趋势，必然是花一份钱买到尽可能多的功能。承担 AI 计算功能的计算机、终端或者其他设备，未必会和传统计算机天然分离。我更相信，它们本来就应该由同一个终端来承担相应的功能。 从产品呈现形式看，无外乎一大一小。小的设备可以随身携带，大的设备放在家里，可以承担更大的算力或更丰富的功能。 小设备和大设备具体会往什么方向发展，我还没有一个标准的产品定义，但有几个方向可以参考。 先说小的、可移动的设备。我认为它未来的趋势是更加重视交互。因为我们手中已经有了一个交互能力非常强的小设备，就是手机，尤其是智能手机，交互能力非常强。 如果我们在移动端做一个没有交互、只有算力提供能力的小盒子，或者做一个像充电宝一样、外挂在手机上的设备，其实就是创造了一个依附于其他终端的终端。 很快，提供依附功能的终端就可能把这些算力芯片塞进自己内部，因为它掌握着交互的门槛，完全可以自己做出来。所以我认为，未来能在 pocket 层面的消费市场活下来的产品，必然要自带所有应该有的交互功能，同时提供相应的算力。 这可能由现在的手机厂商来做，也可能由未来某种不同于手机的交互终端来做，但它必然会强调交互感。 至于固定端，也就是放在桌面或家里的终端，我认为不一定要强调交互。它只需要通过局域网连接，就可以形成万物互联。 现在家庭里已经分散着大量 AIoT 设备。不只是家庭，走出家庭，在整个生活场景乃至工业界，AIoT 到处都是。AIoT 天然是一个分散的概念，它们需要的算力可以由一个统一的 hub 承载，但交互方式很难全部塞进一台机器，即使做成笔记本电脑的样子，也塞不下。 所以我认为桌面端会变得越来越简洁，逐渐变成生活中像水、电、煤气一样默认存在的东西，就像路由器一样。没人会在乎路由器长什么样，它静静放在那里，提供所需的算力。 它可能就是一个算力路由器，自己形成相应的算力连接，连接家庭里的机器人和所有 AI 功能，承担这些事情即可。它会变成一个更加安静的角色，更加强调稳定性、强算力、小体积、省电，以及以合理价格进入家庭或工业界。 从这个角度看，pocket 端和桌面端的发展趋势，越来越像手机和计算机过去的分化。手机和计算机并没有互相取代的能力。手机在我们手里主要承担通信和娱乐功能，所有工作我们更愿意在计算机上完成，因为我们天然默认计算机是交互效率最高的设备之一，很难再造出比它交互效率更高的设备。 所以，我认为 pocket 端偏娱乐、偏交互，必然是一个趋势，因为它需要随身携带；桌面端则偏向强功能，交互方面可以允许它有些不方便。这可能是现有工业条件下最有可能发展出来的两类产品。 李丰 我把你的话翻译成中老年人更熟悉的现象。 今天讨论的是，每个人都需要越来越大的算力和存储资源。在这一轮 AI 之前，我们讨论的只是更复杂的 CPU 和更大的带宽。 从带宽的发展历史来看，最早大家直接通过电话线拨号上网。20 世纪 90 年代出现了一个专用设备，叫“猫”；再后来，今天基本没人通过电话线上网了，而是使用专用路由器，不管带宽多大，家庭网络都由路由器来解决。 路由器还连接 Wi-Fi，于是家里所有需要带宽、需要联网的设备，基本都从路由器连接出去。它从最早电话线上的一个功能中分离出来，随着光缆、光纤等基础设施发展，以及家庭联网设备越来越多，变成了一个特殊的专用设备。 如果拿这个例子来对应，假定今天 PC 主要负责资源调度、部分联网、工作以及键盘交互，那么未来可能会按照类似的顺序发展：过去大家是为了使用带宽，现在则是为了使用越来越大的算力。 就像带宽需求一样，家里的算力也会被调度出来。这里的算力既包括计算，也包括存储和数据通信。这个设备可能会像当年电话线上插入“猫”，最后发展成无线路由器一样，变成一个独立的家庭设备。这大概是你刚才说的家庭终端吗？ 田阳 对，是的。 李丰 我刚才举的这个例子，可能要有一点年纪的人才能完整经历。年轻人可能直接进入 2015 年之后，经历中国宽带入户大规模发展之后的阶段，熟悉的就只有无线路由器了。 回到你今天做的事情。你很快会发布新产品，而且会和一些芯片巨头一起发布。你今天呈现的产品，在刚才描绘的图景中处于什么位置？为什么选择这个位置？ 田阳 ### 银普先做安静算力 首先，因为个人喜好以及团队喜好的原因，银普的大部分产品会逐渐变成我刚才说的那种强算力、默默无闻、安静放在桌上的设备，我们会有大量产品朝这个方向发展。 另外，今年我们确实会推出一款手持的、强交互的设备。之所以做这些设备，除了商业合作方面的原因之外，银普掌握的能力是：可以用相同的硬件做出性能更高的产品。 在这种基础上，我们能不能在 AI 原生硬件产品形态尚未完全定义的时代，找到更强的切入产品？早期苹果发展时，PC 这个概念还没有完全定义清楚。苹果通过更好的组合，从 Apple I 时代一直到卖得很好的 Apple II，做出了当时世界上最好用的计算机。 现在我们需要问的是，银普有没有机会在这个时代做出最好用的 AI-native 计算机或终端。 李丰 这个终端就是将要发布的产品，应该还是基于家庭终端的，对吗？还不是手持的，对吧？ 田阳 对，是的。我们首先要发布的第一款产品是放在桌面上的。接下来今年还会有 4 款放在桌面上的设备，以及 1 款可以放在 pocket 里的手持设备。 李丰 放在桌面上的设备，和电脑的形态不一样。它还需要配备全键盘和显示器吗？ 田阳 我们会始终强调，它可以连接显示器和键盘，但会越来越弱化对显示器和键盘的需求。 李丰 所以它更像一个独立出来的路由器。对于消费者而言，买一个带有你们产品的硬件，和买一个没有你们产品、只有其他硬件厂商提供的产品相比，最大的感官或体验差别是什么？ 田阳 现阶段，今年的产品能够带来的核心体验是性能更强、运行更加稳定。这主要是因为我们现有的芯片产品仍在流片或即将流片的过程中。 今年 6 月，欢迎大家关注 Compute X。我们将和其他几家国际巨头一起发布 AI SSD，让大家在同一台计算机上运行远大于原来规模的 AI。 这些产品会让用户感受到，只要加上银普，某个单点能力就会显著强于过去的硬件，即使大家使用的是同样的处理器芯片。这个会是我们今年强调的概念：更加强调“In Plane Inside”，因为有了银普，能力就变强。 从明年开始，情况可能会有一些区别。当我们的芯片逐渐可以独立运行之后，银普的定位将是做计算机层面更好的控制芯片和协处理器芯片。 我们会强调，因为里面有银普的 chip，用户会多出额外的功能。比如明年我们要推出的一款新芯片，我不知道大家有没有共鸣，它会像插游戏卡一样。插上这张游戏卡之后，某一个 AI 的运行速度就会显著快于在所有处理器芯片上运行的速度。 拔掉之后，还可以换上其他游戏卡，或者说 AI 卡，让用户通过切换插卡，以较低成本享受某些特定模型的 AI 加速。 这是我们明年开始推出的产品。我们会逐渐把银普的能力，虽然可能仍然外延到整个主板，但逐渐收拢到协处理器芯片或控制芯片上。 我们绝对不会做处理器芯片，因为我们发展的目的，是和所有处理器芯片厂商合作，一起做计算机产品。这就是我们今年和明年的主要战略。 李丰 我从大家更容易理解的角度再总结一下。假设我是一个普通消费者，买了你们的盒子之后，在市面上已有的硬件组合基础上，就可以在这个盒子上运行远高于原来硬件所支持的 AI 能力。我这样概括对吗？ 田阳 对。它可以提供更强的 AI、更强的游戏性能、更强的图形渲染和更强的浮点计算能力，同时不抛弃传统能力，让计算机本来应该具备的功能也变得更强。 李丰 从既保护技术门槛、又让用户容易理解的角度看，已经被大量使用的硬件组合，加上你们的盒子之后，为什么能够完成超越原有硬件的功能？ 田阳 银普的规划有两类产品。 ### 资源调度释放性能 一类产品主要通过更好地控制主板供电，以及其他与散热相关的信息，让主板上的处理芯片拥有更舒适的运行环境，从而发挥极限性能，提升计算机的通用计算性能，包括浮点计算和图形渲染。 另一类产品的方向，是消除整个主板上难以优化的 I/O 瓶颈，服务于 AI 推理和现在的 Agent 应用。这是银普目前最核心的两个产品方向。 李丰 这些硬件资源都来自国际知名企业，分别属于不同公司。把它们组合到一起时，银普增加了一层不同的调度，让每个硬件都能被充分利用，既释放原有资源，又不影响不同厂商硬件之间的适配和资源调度。用老百姓的话说，大概是这个意思，对不对？ 田阳 对。我们可以以现在的 AI Agent 应用为例。每个人在和 Agent 交互时，会有大量数据存储在 SSD 里，也有大量数据放在显存上。显存放不下之后，我们要判断，是把数据完全丢掉、未来重新计算，还是不丢掉、继续塞进 SSD。 这个过程总会经过 PCIe 总线。我们需要把数据从原来存放的位置——显存和内存——下载到 SSD。这个过程是银普最关注的核心路径。 首先，我们会和一部分存储企业合作，优化 SSD 数据进出的 I/O 速度，比如今年 6 月要发布的 AI SSD。 另一方面，PCIe 总线上还有很多环节，短期内即使银普有技术，也很难在商业上推动它们进行 I/O 优化。对于这部分 I/O 瓶颈，我们希望通过新产品直接替代掉。 比如明年计划推出的、类似插游戏卡形式的 AI 推理加速卡。我们会沿着整个 PCIe 总线寻找：AI 数据需要流动到哪里？那个地方能不能在现有商业条件下进行优化？ 如果能，我们就和 I/O 厂商合作；如果不能，我们就自己做芯片，逐步把那部分 I/O 拿掉。 李丰 如果是计算机专业或相关专业背景的人，肯定能听懂刚才这段话。我从我们的角度，把它翻译成两个方便大家理解的问题。 第一，在今天 AI 走向应用，也就是推理和具体应用的阶段，有一件非常不好调度的事情：大量数据的存储和交换。这涉及刚才讲的 I/O，也涉及最后的通信。 第二是存储，也就是哪些数据要保存更长时间，哪些数据用完就可以丢掉。因为应用侧涉及巨量数据，这两件事就变成了制约硬件能力、AI 反应速度和 AI 智能化程度的关键问题。模型大小，或者说 AI 能力大小，在应用侧最瓶颈的就是这两件事。 刚才你讲的，就是想办法把这两件事，包括和底层硬件的合作，更好地调度清楚，用最少的资源实现最高效的调度。 还有一个例子可能更容易理解。我在内部给科技组同事解释时会说，这像 20 世纪 90 年代个人电脑还比较贵的时候。最开始一台电脑要几万元，到 2001、2002 年左右也接近 1 万元，至少要几千元，显然比较贵。 虽然芯片一直按照摩尔定律迭代，但大家用不起很贵的电脑。那时为了解决另一种算力资源调度问题，有一种时髦的做法叫超频：让计算机在当时买得起的 CPU 上，尽量跑到更高的计算速度和频率。 这个事情从 90 年代初开始，后来随着中国消费能力提升、芯片价格快速下降，超频才逐渐消失。 现在我们可以做一个类比：今天 AI 侧，尤其是端侧，对算力、数据存储和交换的需求太大，但它还不像服务器集群那样，可以通过光互联等方式解决。所以，你做的事情有点像在几种硬件资源之间进行调度上的“超频”。你认可这个例子吗？ 田阳 我觉得这是一个非常好的解释。 我们假设未来 DDR 的价格变得像大米一样便宜，计算机里可以做一整块 HBM，所有数据都不需要 Flash 存储，直接用 DDR 存储。那或许银普现在做的所有努力，就会显得单薄而没有意义。 但我们毕竟生活在 DDR、HBM 等存储器贵如黄金的时代，无法获得那么大的容量，所以必然需要调度。我们需要在普通人买得起的条件下，尽可能实现更高速的 AI 推理和其他计算。 银普就是活在这样的时代，寻找这样的机会。 李丰 如果有人只和金融相关、和计算机技术不完全相关，这也正好回应了一个金融问题：为什么最近半年和存储有关的企业股价上涨了 5 倍多？ 你刚才解释了，AI 从计算转向推理、再转向应用的过程中，数据存储和交换成为重要因素，导致各种类型的存储，以及具备高通信能力的存储，开始逐层带动价格和估值上涨。 尤其是在服务器端，从大模型训练转向推理的过程中，也就是从 DeepSeek moment 之后的这一年，特别是过去半年发生了这样的变化。 这也回应了刚才为什么“类超频”的资源调度，在端上尤其重要。今天显然不可能在电脑里装上、也用不起、带不动最贵的英伟达 AI 芯片。 从 3 月开始，大家会看到一些消费电子产品至少在年内涨价，因为它们所需要的存储，也被刚才的趋势带动了价格上涨。 所有这些用不起的东西，又回到今天消费者想用、又想用好的需求上。如果沿用刚才的比喻，就类似于超频：在消费者买得起的范围内，把几种硬件资源尽量调度好，让用户享受到尽可能强的 AI 能力。 我们再聊一个相关话题。去年 DeepSeek 在春节出现之后，从去年 4 月开始，出现了很多 DeepSeek 一体机，把软件和硬件封装在一起重新集成。那时更多针对企业级用户，或者偏云端、偏企业级的大模型用户。 今年，小龙虾机和 Mac mini 变成了 To C 的终端硬件。我们分别来看 Mac mini 和之后类似 Mac mini 的产品。苹果是一个大厂，它自己封装了一个无屏家庭终端。 第二类是各种不同形态、都愿意叫自己“小龙虾机”的产品。这两类产品的出现原因，和你刚才讲的所有事情一样，都是应用端需要革新、需要“超频”。 往后看，你觉得这两类产品分别会怎样发展？ 田阳 ### 硬件开始预置能力 核心趋势是，大家要逐渐从往硬件里塞一个应用，变成塞入相应的能力。 现在的小龙虾机，无非就是传统的 mini PC。mini PC 是计算机行业里存在已久的概念，最早英特尔开始做 NUC，后来把它卖给了华硕；现在有华硕的 NUC，国内也有 GMK 等厂商，大家一直都在做 mini PC。 小龙虾机其实就是把 Open Cloud，或者其他 Open Cloud 的变体，塞进 mini PC。从商业本质上说，就是用传统硬件下载一个预置程序。 但未来，这个模式应该发生一步改变。硬件在未来 5 年或 10 年可能仍然比较传统，因为硬件迭代比较慢，但它不再是下载一个预置软件，而是预置某些能力。 投资方面，大家可以关注做 memory 的人。无论是从软件方面做 memory，还是从硬件方面做 memory，都值得关注。做 memory 的人，其实是在用做手机的思路改造现在的 mini PC。 我们回忆一下，过去很多人会问端云之争：为什么 AI 不能完全上云？大家想一想，手机里的数据是完全上云的吗？其实不是。因为人有个性化需求，个性化需求必然要求本地存储相应的数据。 未来的 AI 也会越来越强调 Agent 的个性化。这给做小龙虾机或传统计算机改造的团队带来了一个很大机会：谁有能力做好软硬件结合的 memory，让小龙虾或其他 Agent 在计算机上运行时，通过时间积累变得越来越懂你？ 我认为，这可能是未来 5 年最大的一个发展方向。产品会逐渐从预置一个软件，变成预置一堆能力。这些能力可能包括 memory、检索、操作系统内核改造，甚至创造新的操作系统，或者在主板、存储方面做改造。大家都应该往这个方向去发展。 从产品呈现形式看，我们需要承认，硬件迭代永远很慢。现在很难做出一个完全不同于 Mac mini 的东西，但我们可以让现有的 Mac mini 类硬件，变成更适合运行、更懂你的 AI Agent 的硬件。这就需要在存储端和计算端做很多新的研发。 客观来说，在这方面，硬件厂商或者具备硬件能力的软件厂商，机会会大于纯软件厂商。因为如果我们真的要把它变成一种基础能力，就像现在默认每台计算机都具备图形渲染能力一样，它就会从纯软件 App 行为，变成基础的超系统层能力。 这是接下来所有厂商都要做的事情。有人会把它称为 AIOS，有人会称为 AIPC，无所谓。大家真正要描绘的，都是让现有软硬件结合体具备某些能力，使未来运行任何 Agent 都变得更好。 李丰 我听懂了。这个例子虽然不完全像 Windows，但更像早期使用 PC 时，大家都需要自己编程，用最初的某种语言驱动计算机运行程序。 PC 开始普及之后，编程能力并没有同时普及给所有用户。于是大家想各种办法，如何承载一个普通人也能使用的界面层，既能调度计算机的能力，又不要求消费者从头学习编程。 当时有各种各样的操作系统，最后因为多种主客观原因，出现了 Windows。这个例子并不完全相同，因为 Windows 并不需要在底层完全调度好所有硬件资源，但它也要适配当时的硬件资源。 它最终用图形化的形态解决了消费者使用计算机的门槛问题，而不是要求每个消费者都学习一遍不同语言，再去驱动计算机。 这里问一个和你们可能有关、但不一定完全相关的旁支问题。今天大家使用小龙虾时有一个普遍问题，尤其是在训练、配置小龙虾的过程中，专业用户还好，但大部分消费者会发现：我想让它完成一些简单任务，比如邮件提醒、日历提醒、日历汇总和日程汇总，结果在调教它的过程中，花的钱已经有点超出预期。 不管是几十块钱还是上百块钱，用户都可能会想：“我花几十块钱、上百块钱，才调教出一个功能，有点贵，不一定划算。”它还没有真正起到助理作用，却已经超出了我愿意为计算机 AI 能力支付的程度。 从这个话题看，未来智能终端普及之后，用户会希望有多少模型运行在端上，这样不需要到云端支付 token 的费用，就能用上一些模型？又有多少任务，用户会愿意在端上购买 token？你觉得用户最后会怎样演化？ 田阳 我们可以这样想。现在的 AI，如果承认它是基础设施，那么所有基础设施在最早被发明时都很贵。 在发展的最初几年，必然只有一部分人愿意用得起这种资源。现在的 AI 也处于这样的阶段。未来当它足够便宜之后，端云之争可能就消失了，因为它真的很便宜。 但现阶段我们需要承认，用户会对自己的任务进行重要性分级。有些重要任务天然属于云端，我会使用 cloud，因为它很强；有些任务则不值得我每月花 250 美元使用云端。 在这种情况下，端侧就是很好的场景。借鉴过去基础设施的发展，未来 10 年可能都会呈现出重要性分级：更加私密，或者重要但不那么困难的任务放在端上，因为它们是日常任务，每天都要使用。与其每天付费，不如变成每天都不用额外花钱的东西。 大多数普通消费者不会让 AI 做复杂任务，更多是让它承担日常任务。专业任务，比如编程或复杂任务编排，就可以付费给 N Sofi，购买它的 Cloud。 李丰 我也同意会是这样。我们再打两个比方。 最早拨号上网时要付电话费，20 世纪 90 年代中期很贵。那时想上网做点简单的事，一个月也要花小几十块钱或者中几十块钱的电话费。 但到今天，大家在手机上已经不觉得流量是钱了，很多人使用的都是不限流量套餐。 另一个例子是 B 站。我以前投过 B 站的天使轮，现在回去做独立董事。B 站有一个很有意思的发展时间点，大概在 2014—2017 年。 当时随着中国智能手机普及，手机端 B 站用户开始显著增加，原来主要还是 PC 用户。2014—2017 年，运营商开始铺设面向 4G 的大规模基础设施，并推出流量套餐。流量套餐一开始比较贵，后来越来越便宜。 我印象中，那时很多手机用户会在 Wi-Fi 环境下先把视频缓存下来，然后在上下班路上观看，因为 B 站当时主要是十几分钟或几十分钟的长视频。大约到 2017 年，主流用户逐渐变成在线浏览，因为几乎不限流量的套餐开始出现。 这就像今天讨论端上还是云上使用模型。随着基础设施和资源价格变得足够便宜，以至于出现不限资源的算力套餐，最终可能会更多转向云端。但在很长一段时间里，大家仍然需要依靠端侧，完成那些不需要付费的任务，也就是你讲的任务分级。 我们顺便问一下，从 6 月开始以及之后发布的几款硬件，对于模型在端上适配、直接使用端上 AI 算力、不需要到云上购买资源这件事，肯定也会提供更好的支持，对吗？ 田阳 我们会努力把它支持得更好。 比如同样价格的 iPhone 级别硬件，现在很多 PC 厂商宣传本地运行 AI，可能只能运行 16B 或 8B 模型。我们希望支持到 235B、397B，甚至更大的模型。 我们希望通过不同手段，在现有硬件拼凑的前提下，想办法把它变成能够运行大规模 AI 的设备。我认为至少未来 1—2 年，这种妥协性的硬件方案会是主流。 我们做任何事情都要分步骤。现阶段我们看到软件方面有需求，但确实不存在新的硬件零件，让大家直接制造一台真正意义上的新计算机。所以，系统集成会是未来两年最好的方案。 我们要先填补市场空白。今年发布每款产品时，只会在其中一部分环节强调使用了部分新东西，但总体上会很坦诚地承认：这就是已有的零件，而我们有能力用同样的零件拼出不一样的东西。 这些零件在其他厂商那里也很容易买到。今年乃至明年早期，我们可能都会是这样的产品形态。只有当银普自己的芯片出来之后，我们才会强调芯片层面的本质不同。 这个阶段也会有其他厂商看到类似机会。比如很多原来做 NAS 或软件的团队，现在也开始想做这些事情。我们在软件能力上可能确实弱于其他团队，但在 OS 层和硬件层面可能强于其他团队。 所以我们会寻找自己的生态定位：我们做的 AI-native 硬件，强调的是通用性，而不是和某一种硬件强绑定。 李丰 接下来讨论第二步计划，也就是明年要做的协处理器芯片。简单来说，协处理器就是辅助处理器，不是主芯片，而是主芯片之外的芯片。 在解释协处理器的变化时，有几个样板和例子。第一个问题，你定义的协处理器，之后主要会以什么形态和功能出现？第二个问题，你觉得它最终的发展道路会怎样变化？ 田阳 我先举两个例子。 智能手机开始发展时，比如 2010 年之后的版本，今天手机上几乎所有重要功能，包括打车、外卖等应用，都离不开定位，也就是 GPS。 GPS 最早是手机里的一块独立芯片，后来在不同情况下慢慢合并到主芯片里。因为它的应用越来越多、重要性越来越高，调用频率也越来越高，再加上制程和芯片能力的发展，而 GPS 本身的功能没有太大变化，所以它逐渐被融进主芯片。这是一个例子。 另一个例子是 20 多年前的英伟达。2002、2003 年之后，打游戏成为互联网和 PC 应用早期最主要的驱动力之一。打游戏涉及图形图像处理，需要平滑、快速、实时和高精度。 于是，最早的英伟达 GPU，也就是图形处理单元出现了。GPU 这个名字的来源，就是它当时主要负责图形处理。某种意义上，它可以被称为图形处理专用芯片，也可以暂时称作一种协处理器。 当然，历史发展的道路不同。协处理器芯片后来都走向了并行计算，也就是今天的 AI。尤其在 2014、2015 年神经网络变得重要之后，并行计算使它原来用于图形处理加速的能力变得极其重要和有用，英伟达也逐渐走到了市场中心。 英伟达最初只能配合主控 CPU，负责图形处理；后来发展到今天，就成了我们心目中的英伟达。这是两条不同的发展道路。 李丰 解释完协处理器芯片之后，回到今天的问题。比如明年要做的协处理器芯片，从覆盖范围、功能和发展道路来看，你认为它会怎样变化？虽然今天很难看清 3—5 年之后的事情。 田阳 刚才讲到，以英伟达和 GPS 芯片为例，协处理器有两种发展方向：一种最终被归入主处理器芯片，另一种则从辅助角色逐渐变成独立的处理器芯片。 从我们的角度看，如果大家认为 AI 是未来的一项基础功能，那么无论现在把协处理器芯片叫什么名字，未来可能都会出现两种分化。 第一种方向，是越来越通用。它只支持 AI 方面的加速，但好处是能够支持不同 AI 的加速。它的局限在于，往往无法支持大规模 AI；或者在有限成本下，只能支持比较小的 AI。 这条路线更适合和强大的处理器芯片厂商合作，进入别人的产品线。通过两块芯片，可以形成完整工作流，这是第一条路径。 第二条路径是抛弃兼容性，不再沿着通用处理器芯片的思路走，而是往更极端的软件硬化方向发展。好处是在相同成本下，有能力支持更大规模的 AI；坏处是抛弃了兼容性，因此很难被做进通用处理器芯片中。 它未来可能纯粹作为主板上的辅助设备，最好做成可插拔、可更换的形态。在计算机里，它可能是 M.2 接口或 U.2 接口的某种设备，插到主板上，就像插入游戏卡一样获得 AI 功能；拔出来之后，还可以换另一张卡。 另一种形式是嵌入式。嵌入式设备和计算机环境不同，往往不强调强处理器芯片的整合，而更强调成本控制。在这种情况下，极端硬化的协处理器芯片也会在电子市场中有自己的适用场景。 基于国内芯片产业链的实际分布情况，银普走的是第二条路：放弃通用性，做极端的硬化，以降低成本，尽可能快速地制造专用 ASIC 芯片。这是我们会选择的路径。 李丰 我换一个稍微宏大的命题。每次硬件能力和架构发生变化，当然还会伴随很多其他技术变革，都会出现新的品牌或新的巨头。 无论是 PC 产业、从手机到智能手机的变化，还是从服务器到个人电脑的变化，都是类似的过程。这一轮变化又要对端侧硬件进行新的架构和能力调整，也要重新进行软硬件资源调度。 在软硬件都发生变化的过程中，往后看 10 年，你觉得会分成两个问题。第一，电脑品牌还会再洗牌吗？现在的电脑品牌已经非常稳定和固化了。第二，这里面会不会出现新品牌？如果从一种专用能力出发，你会不会希望做一个消费级家庭硬件的新品牌？ 田阳 从现在的计算机市场格局来看，我先介绍一下现在的格局。 传统计算机制造厂商里，全球市占率最高的应该是联想，而且很多年都没有变化。另一个代表科技和快速扩张的符号，是华硕 ASUS。 此外，还有一些开始出现变化趋势的企业，比如 Acer 和 MSI。现在计算机市场正在进一步分化。虽然联想本身规模不断上升，但它在所有计算机厂商中的占比已经开始下滑。 这是因为全球各地出现了大量新的 OEM、ODM 厂商，它们都在培养自己的品牌。一方面，是为了和联想争夺利益；另一方面，大家可能也嗅到了：在现有市场格局中，联想或华硕虽然有品牌力，但没有达到苹果在自己生态中的那个量级，因此市场仍有可能发生变化。 华硕就是一个例子。它是比较年轻的计算机厂商，在联想已经很大的情况下，仍然培养出了自己的品牌并发展到今天。未来如果出现更大的机会，未尝不能成长出新的厂商。 但从定位上看，我认为新品牌取代不了联想。联想等传统企业强在笔记本电脑等传统产品，它们在供应链管理方面拥有碾压级别的优势。传统产品门类依然会属于联想、华硕等厂商。 但我们相信，新的产品门类会出现。新的产品门类里，或许会诞生新的计算机品牌，这也是我希望出现的市场机会。 这种市场机会和芯片、软硬件结合有很大关系。如果依然走品牌方加组装厂的路径，全世界不太可能再出现第三家企业，和联想、华硕在同一个层面竞争。 但如果换个角度，去补足它们不存在的能力，比如 OS 层开发能力、软硬件结合层面的调度能力，以及芯片层面的能力，就可以走苹果的模式，培养新的计算机品牌。 苹果也不是世界上第一个计算机企业，它是在已经有巨头的前提下成长起来的。所以我并不认为计算机市场永远是固化的，巨头之间也没有那么强的垄断能力。 李丰 整体来看，如果依靠专用能力，加上对特定能力和场景的适配，逐渐进行硬化，也就是把它做得更加芯片化、软硬件集成效率更高，也许就会出现一个单独的位置。 这也许意味着，除了每个人都使用的 PC 和手机之外，还会出现其他同等重要的家庭智能终端形态或产品。 另外一个小话题。刚才你定义移动终端时，我的理解是，做手机的附属配件，很容易随着手机能力提升而被淹没。你们可能会推出一个和移动、个人移动终端适配的产品。 在不涉及商业秘密的情况下，从你的思路来看，为什么要做它？又打算以什么不同形态，或者通过什么不同的消费者体验来实现这个目标？ 田阳 这个产品之所以独立于手机存在，核心原因是：现在的 AI 很聪明，但还没有聪明到让我们敢于把掌握大量个人信息的手机交给它。 这是一个很本质的问题。假设笔记本电脑算力足够强，我们也不敢把它交给 AI 控制，因为上面有我们的工作信息。我们需要的是一个相对来说也有个人隐私、但隐私没有那么重要的设备来进行交互。 所以，移动端可能需要一个像手机但又不是手机的东西。首先，它不能是手机，因为人不可能在口袋里装两个手机。 其次，它和手机的交互方式要有一点不同。如果它还是一块玻璃板让大家点击，就会变成小号或大号平板，而人也不会随身携带平板。它必然要在某些交互方面天然具有独立性。 我们设计这个产品时，希望它更加贴近纯粹的 Agent 交互方式。可能它在运行非 Agent 任务时会变得极度不方便，但至少在运行 Agent 时，要足够方便。 这种硬件并不涉及商业秘密。中国有很好的产业链基础，可以做出这样的产品。我读书时，在深圳有一家出口转内销很厉害的企业，主要面向极客市场，它叫 Clockwork Pi。 可能有些听众买过 Clockwork Pi，也有人完全不知道世界上还存在一种产品门类，叫掌上 Linux 开源掌机。 如果基于同样的技术栈，在交互方式上做一些定制，很快就能变成 AI 原生硬件。它正好可以使用积累了接近 10 年的产品定义能力、方案定义能力和硬件定义能力，这就是我们目前采用的技术栈。 如果做一个不太恰当的比喻，我们马上要推出的机器，可以理解为 AI-native 的 Linux 开源掌机。 李丰 把这几个形容词定义完之后，它是 AI-native、Linux、开源、掌机。至少在阶段性上，它应该是偏专业的产品，或者说偏小众、偏极客的产品。它和刚才讲的家庭终端不一样，不是一个偏大众市场的产品。 虽然很多企业认为现在是做 AI Agent 的 general C 时代，但我并不这么认为。我和 AMD 一起办过龙虾节，也参加过龙虾节。我的个人观察是，99% 的 general C 用户，在下载小龙虾之前，不知道小龙虾能干什么；下载之后，也不知道能干什么。 田阳 在整个过程中，他们的核心诉求其实是“我要下载一个小龙虾”。 李丰 但小龙虾和他的生活是脱节的。 田阳 做硬件和做软件不一样。软件团队可能会觉得，general C 用户只要下载了，哪怕花 1 块钱，也是可以接受的。 但我们是硬件企业，启动就有硬成本。所以我们需要的是高消费能力、稳定的市场，而不是规模虽然远大于稳定市场、但消费能力随机、单次消费额也比较低的 general C 市场。这对我们来说可能不利。 所以，我们会选择稳定且消费能力强的市场。 反过来看，世界上打游戏的人多，还是会写 AI 代码的人多？显然是打游戏的人多。但如果大家看英伟达的财报，游戏业务对它的贡献却是最低的。 打游戏的人消费能力其实比较随机。只要能够勉强运行游戏，用户就不会想换机。但做 AI 或图形渲染的人不一样。 所以硬件厂商应该关注专业用户，因为他们的付费意愿更高。只要性能随着代际提升，他们就愿意换设备。General C 当然是一个很好的市场，但应该先稳住专业 C 端或专业 B 端市场，再思考 general C。 这可能是现在硬件厂商应该走的路径。英伟达走的是反过来的路，最早做的是 general C，但那是因为当年的市场竞争格局允许它这样做，当时还没有现在这样的市场分化。 我们已经没有英伟达当年的机会，所以必然需要先在专业市场里做产品定义。 李丰 这里有一个有意思的问题，也回应了刚才你的答案。今天大家熟悉的绝大部分科技产品，无论是相机、无人机，还是 3D 打印机，几乎都是从专业用户开始的。 有人可能会说，苹果手机不是这样，我使用苹果手机时完全不是专业用户。但智能手机只是手机的升级。如果回到移动电话最早的用户群，它确实是从专业用户开始的，包括海洋、特殊通信等专业场景。 刚才举的那些消费级科技硬件，也都是从专业用户开始，逐渐从垂直走向大众，依靠技术和硬件能力的下放，最后达到足够大的普及程度。 我问一个不相关的小问题，作为讨论和收尾，也回应一下今天听众关心的问题。 最近小龙虾的热潮，引起了很多人对应用层的关注。我在朋友圈里看到很多人说一定要试一下，但试完之后，具体适合用它做什么，大家不一定清楚。 这里有两个开放问题。第一，小龙虾的热度显然在中国比美国高很多，从你的角度看，为什么在中国会热这么多？ 第二，这一波热度现在显然下降了不少。往后看，你觉得会出现不同的小龙虾来承继这个过程，还是小龙虾在应用层稳定下来之后，会自己慢慢长大？ 田阳 ### 小龙虾只是应用拐点 这个观点不一定代表市场实际情况，只是我的个人判断。 小龙虾火起来有一个原因。我一直认为，中国其实没有国民级 AI 应用，但我们已经生活在 AI 时代两三年了。所以用户需要一个国民级 AI 应用。 当他们看到小龙虾之后，中国市场之所以反响这么大，或许是因为中国没有 ChatGPT，也没有 Cloud。大家看到的机会是，一个开源框架 OpenCloud 很快可以被云厂商做成国民级应用。这可能是消费端潜意识里感知到的趋势。 对于云厂商来说也是一样。中国云厂商的困境在于，它们的云端目前能跑的也只是 Chatbot，没有国民级 AI 应用。现在或许有机会扶持出一个国民级应用，所以大家会一拥而上。这可能是国内外最大的区别。 对于国外用户来说，从 Code X 到 Open Code，再到 Cloud Code 等，东西太多了。Open Cloud 的冲击力虽然也很强，但不一定会呈现出广泛、持续的热度。 另一方面，我们也意识到，国内关于小龙虾的风潮已经开始衰退。最简单的例子是，举办龙虾节的数量开始减少，这已经说明了一些问题。 所以，硬件厂商如果做一台纯粹为了赶小龙虾时髦的机器，就会遇到问题。我一直强调，硬件要从往里面塞一个 App 的模式，逐渐过渡到塞入一些能力，因为这个 App 很可能只是一个月的风潮。 做硬件的人，哪怕是深圳华强北，至少也需要一个月才能做出一台小机器。所以硬件厂商不适合追赶风潮，而应该预测风潮。 国内和国外的不同，并不意味着国内一定能成长出一个小龙虾市场。它很可能只是表达了一种期待，一种人们对于类似抖音这种 AI 时代应用的期待。 李丰 回到刚才的第二个问题。DeepSeek 回过头看，可能意味着模型发展出现了一个拐点，从模型只追求规模，转向更多强调推理，更多开始应用推理。 那么，小龙虾这个事情，假设我们过半年、1 年或 2 年再回头看，它会不会是 AI 应用进入 To C 的一个时间节点？是不是从这个节点开始，AI 应用就会蓬勃成长？ 田阳 我觉得它可以被视为某种意义上的拐点，但这个拐点并不意味着小龙虾类产品会成为未来主流。 中国和海外的消费方式、产品使用方式有很大不同。比如，中国人从进入移动互联网开始，就有所谓超级流量入口，比如抖音。我们习惯于由一个平台掌握所有流量入口，并提供非常简单的交互。 海外则不完全是这种模式。所以未来真正能够打动中国市场的 AI 应用，可能也要采用抖音这类逻辑。 中国从一开始就跳过了很多时代。计算机发展的很多阶段，在中国并没有完整经历。比如，我们会好奇，中国人为什么不使用主机打游戏。尤其是 2005 年之后出生的人，很多人对计算机知识几乎完全不了解。 他们可能连在计算机上打开压缩包都不会，于是就出现了卖 39.9 元正版 Python、花 100 多元帮你安装小龙虾、200 多元帮你卸载小龙虾、300 多元帮你清理数据等生意。 这说明中国的环境可能需要一种帮用户完成所有事情、降低用户自由度的 AI 应用，才更适合中国人的使用习惯。OpenCloud 还是过于开放，它的使用方式更接近海外消费市场喜欢的方式，和抖音的逻辑不一样。 李丰 明白。最后，除了祝你大卖之外，我再问一个小问题。 支持 AI 能力的家庭智能硬件终端，不管是什么形态，既然你们马上要发布产品，那么在未来 1—1.5 年，也就是明年年底之前，你预判它在中国和海外的市场规模会是什么样？ 田阳 我们在和很多客户接触的过程中，客户给出的一些数字也让我们感到惊讶。 我们观察到，国内 B 端拥抱 AI 的能力很强，B 端销量在国内可能并不逊色于海外。专业 C 端市场在中国相对更小一些，C 端可能确实除了我们之外，几乎所有厂商的起量都以海外为主，这主要是消费习惯不同。 但国内并不是完全和 AI 隔离。在 B 端，我们能看到非常好的销售数字。客户可能是很多人认为比较传统的企业，但它们拥抱 AI 的能力同样很强，而且这些企业往往营收规模已经很大。这是我们目前的观察。 李丰 这也回应了你的观点。去年有大半年，从大概 4 月到 12 月，DeepSeek 一体机卖得非常好，尤其是在 To B 场景里，包括各种类型的大 B 和中 B。 这和你说的一样，因为国内产业环境和数字化基础设施都比较好。国内竞争也很激烈，大家生怕别人有了而自己没有，最后变成竞争优势，所以大家都会非常积极地跟进。To B 确实有这个机会。 今天讨论的内容，代表的是各自企业和个人的观点，供大家参考。希望大家能从中有所收获。我们也预祝 5、6 月上市的产品，以及之后推出的几款产品，都能够大卖成功。 田阳 谢谢风叔。