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
1. 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
2. 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
3. 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
4. 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
5. 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
6. 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
7. 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
8. 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。
9. 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
10. 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
11. 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。