硅基世界的演进逻辑正在重构
从芯片、大模型到真正落地人工智能(AI)提效,“硅基”世界的演进逻辑正在发生根本重构。产业场景里的真实需求正在倒逼算力与产品的同步进化。算力底座、模型引擎与终端应用,谁在牵引谁?场景数据又如何反哺技术突破?三方共生的临界点将在何时到来?
在2026年《财富》中国500强论坛上,来自AI全景生态链中不同站位的四位嘉宾——摩尔线程联合创始人兼首席运营官周苑、腾讯云副总裁兼教育行业负责人石梅、中科天算董事长兼首席执行官刘垚圻,与导远科技首席执行官Pia Hu,一同讨论了这些问题。
摩尔线程联合创始人兼首席运营官周苑
《财富》(中文版):摩尔线程已量产5颗芯片,从做出芯片到让芯片更好用,最难跨越的是什么?
周苑:摩尔线程2020年创立之初我们就有一个理念——要把芯片真正地用好。做到这点需要跨越三座大山:先把芯片做出来,再把芯片卖出去,最难的是把芯片用起来。
先进工艺、半导体等产业链不完善,要把它的功能、性能、规格都做上去,需要密集的人才投入,同时还需要把芯片用起来,用在软件栈、供应链、驱动程序,和各个编译软件上,要让用户好用、易用。
摩尔线程最初采用全功能的GPU技术路线,我们有自己的MUSA软件栈——MUSA是一个统一的系统架构,它既支持图形计算,也支持AI计算、科学计算,以及很多模拟仿真。我们把它们设计到同一个架构中,这样一来,用户使用时,原来国际先进平台上有的引擎,摩尔线程的平台上都有。迁移成本会很低,用户易上手,而不用花费大量人力适配调优,快速建立自己的生态体系。
从生产出来,到卖出去,到用起来,我相信这需要一步一个台阶地深耕。
腾讯云副总裁兼教育行业负责人石梅
《财富》(中文版):现在AI不仅能聊,更能干活。AI应用层的拐点是否已经到来了?
石梅:我们做过一个统计:截至今年7月,与2024年相比,Token消耗扩大了5000倍。消耗的大幅增长是因为大家用AI和AI Agent的方式已经发生了巨大变化——我们最初用Chatbot作为聊天机器人;今天我们用AI是让它做具体工作。比如,利用WorkBuddy这样的AI工作台,我们交代目标,最终它交付的是结果。这是一个非常明显的变化。大家最初用AI多是尝试,现在慢慢形成工作习惯,再到长期使用。技术正在知识、金融等更多领域逐步扩大应用份额。
另外,随着AI的广泛应用与普及,AI已经由个人提效工具变成企业生产力工具,它带来的是组织的变化,以及生产效率的提升。
导远科技首席执行官Pia Hu
《财富》(中文版):导远科技如何打通从算力到场景的“最后一公里”?
Pia Hu:导远科技是研究移动物体位置变化、姿态变化,以及动态形成过程的公司。“物理AI”现在备受关注,我们做的更多是物理的“最后一公里”。比如,机器人要跑、要跳,它要知道自己的动态姿势;智能驾驶行业也要知道车辆位置;另外,AI背后是算力,算力背后是电力,我们在提升绿色能源发电效率过程中也要测量,比如风车、水车,各种效率的变化和产生。
这一过程中最难的是做规模化测试——让移动物体在室内和室外,包括春夏秋冬,不同温度和不同振动系统下的工作,要保证它在各种环境下可靠稳定,能够保证高精度测量,并保留有效数据。这对我们是很大的挑战。
中科天算董事长兼首席执行官刘垚圻
《财富》(中文版):相比于地面数据中心,太空算力解决了哪些问题,又会带来什么新问题?
刘垚圻:我们经常开玩笑说,太空算力是很大的“泡沫”。这个事情为什么要做呢?我觉得,核心是人类的边界在拓展——我们要上火星、月球;我们要去“一带一路”国家输送基础设施;我们要把地面算力中心建到“各种斯坦”。过程还是很困难的。如果太空里真的实现通信、导航、遥感、算力,将成为实现全球算力平权的重要一步。
我是科学院出身的,我很喜欢一句话——“物理边界清晰”。太空看上去似乎条件很恶劣,有辐照、冷热、失重、真空,但它在不同环境中、不同轨道高度,物理边界都很清晰。
《财富》(中文版):从单卡到十万张卡,对芯片而言,“连接”的挑战是不是更大?
周苑:人工智能的发展要先训练模型,做大参数量的模型需要有大的智算集群。现在,美国从十万卡向百万卡进发,中国是万卡向十万卡进发。
过去两年,摩尔线程通过大量研发投入,试图打造自己的万卡智算集群用于训练。大家可能对这项工作的难度没有概念。举例来讲,训练工作就像培养一个学生,需要十几年的时间,但推理是让培养出的学生出来干活。万卡集群训练需要万亿参数模型,十万亿参数模型就要十万卡去训练。让十万、几万卡一起工作几个月时间,这项投入非常大。
要达到一定训练效果,芯片本身很重要,设计之初就要考虑它的应用场景:是只做训练,还是训练、推理都要做;是训练模型,还是做资源调用;是生产机器人,还是智能体。这时,芯片设计就需要把计算、通信、存储等做一体化规划,要考虑到互联的能力,要考虑到把卡和卡扩大到万卡级别,或十万卡级别规模时,效率还不能降低。
但把芯片做出来,扩展到十万卡集群,哪怕万卡集群,变成系统化的工程能力,有四个非常大的挑战:
一是如何做网络互联、计算通讯架构,以及带宽、时延。因为这些指标决定了集群是否有线性可扩展性。这样大的集群,相当于你把一万人、十万人集成在一起,是否能线性地扩大效率,其中有非常多系统化、工程化的挑战。
二是可靠性和容错率。中国人讲,万分之一的差错概率是非常大的,它是一个常态。在一定的差错概率下,如何实现断点续训,如何快速自我治愈、自我恢复,这决定了有效集群的使用时长。
三是十万卡规模对能耗、供电保障、供电密度、液冷方案都是非常大的挑战,这涉及到很大的工程化能力。
最后是软件栈、调度使用效率,和并行策略,这决定了最终用同样的集群硬件能产出多少价值。如果做得好能高出30%,甚至更高。
《财富》(中文版):腾讯推出了WorkBuddy,AI让知识生产的成本越来越低。人们未来工作方式会发生重构,在您理解中,未来的工作方式是什么样的?
石梅:WorkBuddy已经和企业微信打通了,已经作为内置机器人放到企业微信的侧边栏里,用以整合企业内部信息、输出相关决策和报告,嵌入企业流程中,这对很多企业来说是工作方式的新变化。它不再是个人用来提效的工具,也能够在大型企业、小团队中发挥价值。
腾讯注重生态建设,我们集结大量专家的Agent,以及各行各业的Skills(技能)。广大贡献者贡献自己多年的经验,把这些Skills上传到WorkBuddy。大家不仅在用知识,也在贡献知识,这与以往相比是很大的变化。
WorkBuddy作为一个生态平台,连接着个人贡献者、企业贡献者,以及共创的多场景。市场在关注能够交付任务的AI智能体,应用到不同场景中会产生什么价值。我们会把不同行业经验沉淀成的Skills,赋能更多人应用,知识分享也能得以极大扩张。
《财富》(中文版):关于物理世界,我有一个朴素的问题——算力越强,对定位、精度的要求会不会越高?是否会出现汽车时代从来没有过的挑战?
Pia Hu:挑战一直存在,只是形式不同。汽车行业在往智能化方向发展,比如,自动驾驶的定位精度一旦出现问题,就会发生安全事故。人的生命只有一次,所以我们要保证所有产品精度的准确性、一致性、稳定性。
现在我们正在向更多行业拓展,遇到了几个不一样的挑战。比如,好的精度并非像打车时的定位那样,而是精确到厘米,精确到个人身上。举例来说,高楼大厦一旦发生消防事故,要找到合适的救助方式,尽快找到有生命体征的人。我们的高精度定位产品安装在相关安防产品中,能协助消防员解决很多问题。这对精度等技术提出了更高要求。但它在被使用时,移动速度没有车那么快,也没有要求做到车的使用寿命,而是在需要的时候发挥正确的作用。
包括机器人平时正常走路、跑步都是可以的。但在出现搏击场景,或路面不正常的情况下,就要做到毫秒级别的快速反应,让它肢体某个部位保持平衡。就像人类一样,除了用眼睛、耳朵判断周围环境,身体还有一个前庭系统,即使没看到路、脚绊到了,也会马上把脚抬起来,保证身体平衡。我们的惯性导航产品就像人的前庭一样,保持所有物体的平衡,这种平衡系统是毫秒级别的。
未来不仅人需要对于未知的确定,机器人也需要,移动物体也需要。比如,我们使用算力和模型不停地训练,让大脑变得更聪明,视力也更好。可是在这种情况下大家依然觉得头晕,这时就需要前庭系统做平衡。也就是说,当算力越大,AI应用越广泛,对精度的要求就越高,不然前庭系统的感应跟不上大脑运算,人就会觉得反应跟不上脑力。
《财富》(中文版):太空算力核心应用场景是什么?卫星、互联网、遥感,或者其他的?
刘垚圻:我认为这些场景都是刚需。但真正有经济价值的都是非刚需业务,比如,出租车业务、外卖软件,还有提到的各种机器人,这些做到了商业闭环。
我的一位学生之前对我说,二十年以后,渔民能不能问卫星,我想找金枪鱼,你给我导航一下。然后卫星通过各种传感器去找鱼,通过大脑思考,通过一句话告诉渔民,你的东北方向20海里处有一群鱼要游过,建议你用什么鱼钩、什么渔网、什么时候下网、什么时候收网、大概收多少条、建议卖到哪儿、卖多少钱、要不要我帮你卖掉。如果有这样一个App,渔民会不会用?
除此之外,还有除虫、浇地、数羊、期货、保险,这些才是未来太空互联网,或者太空算力网的价值所在,不是只能打电话、拍照片,而是真正能够利用技术把To C(面向消费者)、To B(面向企业)的应用做起来。我觉得这才是做信息基建的重要场景。
《财富》(中文版):太空算力处在全球竞争状态,中国方案的优势或者不足有什么?是芯片的自主,是在轨的系统,还是成本?按照计划,2035年,我们要建成万卡的太空超算中心,这个目标的设立与完成,我们需要依赖什么,需要再建设什么?
刘垚圻:在AI时代,无论是地面还是太空,我觉得中国应该能赢。因为AI需要更多人物、机器人的输入,所以中国一直走的是开源开放、共享共创的道路,无论是政策还是技术。
未来AI一定会走向全球化,无论是地面的,还是天上的基础设施,我们往应用上布局,挪威的渔民、埃及的渔民是否会用我们的找鱼App?中国围绕安全、开源开放的生态,可能更容易让发展中国家、全球用户愿意接受。我觉得这是很重要的。
还有一点,我们回想过去五十年的信息技术发展,其实很被动。原因不在于技术,而在于英特尔、英伟达、谷歌在五十年前开发第一个应用,现在发展成千亿级应用,跑在这些生态体系上,并没有完全开源开放。今天太空算力重新开始,这是个重要机会。
《财富》(中文版):英伟达不仅在物理世界很强大,它还有自己的生态系统CUDA。摩尔线程如何做自己的生态系统,来跨越英伟达这座大山?
周苑:芯片从做出来到用起来,生态软件非常重要。我们一开始就要考虑到底要服务哪个市场。事实上,现在的生态体系是建立在CUDA之上,今天我们要把它迁移过来。
首先,硬件底层的东西都要具备,所以我们用全功能GPU打造统一架构的计算体系,我们有图形、科学计算、仿真。除此之外,摩尔线程的MUSA软件栈可以兼容CUDA。我们要走“先兼容再发展”的道路。
其次,芯片是需要快速迭代的——芯片迭代、软件成熟,再反哺芯片架构的迭代,再去促进软件的发展。过去六年,我们用一年一代芯片的迭代去加速产品化,让生态体系影响力逐渐放大。
《财富》(中文版):AI已经进入全民时代的关键阶段,您觉得哪个场景会让AI应用真正地、全方位地大规模爆发?是办公还是科研,还是其他场景?
石梅:我认为大规模爆发还是会在办公场景上,就像WorkBuddy今天聚焦的也是办公场景。办公是每个人都会参与的场景,而且它确实能对时间分配做出巨大改变——很多重复性的工作可以交给AI,或者人们晚上睡觉时,也可以把工作分配给AI做,提升了效率,同时极大地释放生产力。
从长远来看,我认为最有价值的,或者说下一步可能产生巨大价值的,是在AI for science(科学智能)这个方向上。如今很多科研机构在大量使用Tokens, AI可以让科学家们、专家们更聚焦在科研本身。获取信息、分析论文等繁重劳动部分可以由AI接手。我们看到,在科研领域,整理基础信息这项工作大概会花掉科学家50%的时间,如果我们能把这部分时间释放出来,相信对科研工作会起到巨大助推作用。
《财富》(中文版):关于位置系统,你认为AI应用最先实现爆发的场景会是哪个?
Pia Hu:现在非常火热的是李飞飞的空间智能。空间智能中有一个难点叫“此时此刻”,它能知道你此时此刻的感受、你看到了什么、你在干什么,这时会对我们的定位系统产生非常高的要求。
第一,绝对的实时性,精确到毫秒级别,不能有任何延时。信号经卫星传输,穿过大气、粉尘和雨水会产生延时,我们就要通过惯性系统去弥补它的延时,做到及时性。
第二,此时此刻位置变化的测量要非常准确。机器人其实也是移动物体,它的表达形式有很多种,可能是人形机器人,可能是机器狗,也可能是任何移动物体。要解决“最后一公里”的问题,比如,快递的最后一公里、送一杯咖啡的最后一公里等,都对实时性和精确性要求很高,需要时间和空间的配合。所以我们说,导远科技做的是时空感知的智能系统。(财富中文网)
内容来自 财富中文网,版权归原作者所有。
阅读原文 ↗