“芯片与算法是两条平行线”——中国AI创业者的现场观察

【机器人赛车场里，一辆实体赛车漂移过弯——握着控制器的玩家，身在几百公里之外。上海的一间办公室里，医生戴上MR眼镜，把患者的肺“看”成了立体模型。我们此行拜访的两支年轻团队，本身既不生产芯片，也不自研大模型——他们的业务，恰恰直接建立在整套基础设施之上。就在巨头们交出创纪录季报、为算力和模型大打价格战的时候，恰恰是这样的团队，最先感知到这场技术竞赛的真实温度。】

卢鑫：奇点拓界（Topverse）创始人。公司聚焦空间智能（spatial intelligence），从Pico、Oculus时代的MR/VR应用开发起步（早于苹果Vision Pro），依托自研SLAM算法（激光雷达+点云的空间建模）转向更加垂直的应用场景：港口、民用工程、污水处理，并探索MR眼镜在医疗多学科会诊中的应用（肺部、主动脉三维建模）。

杨望舒（Eric Yang）：Meta Motors创始人。“光子赛车”让玩家通过5G与遥操作（teleoperation）控制现实世界中的实体机器人载具，而非服务器里的仿真——团队称之为“物理AI”，并在中国及东南亚打造“体育机器人”赛事。

我们为什么选择他们

技术竞赛往往被讲成巨头之间的对决，但检验这场竞赛成色的，是那些真正在用它“盖楼”的开发者。芯片厂商和大模型公司会为自己的巨额投资辩护，而应用开发团队是生态最挑剔的使用者——他们的技术栈选择，每天都在接受真实项目的检验。

上海的奇点拓界（Topverse）专注空间智能应用——从工业现场到MR眼镜里的多学科医疗会诊；北京的光子赛车（Meta Motors）把对实体机器人的遥操作变成了竞技赛事。两位创始人都是在这套生态里成长起来的中国新生代创业者，他们愿意从应用开发者的视角谈谈这场竞赛：在这里，它的后果看得最直接——预算、工期，以及“跟谁一起造”的决定。

“我们不需要自研大模型”

问：美国芯片巨头刚交出创纪录的季度财报，又斥巨资布局大语言模型。这对初创企业意味着什么？

卢鑫：对初创企业来说，底层技术和中间件属于谁，影响并不大。只要能用上特定功能、拿到预训练好的模型来做我们自己的垂直应用，就足够了。我们本来就没有那么大的算力和token量，去从0到1训练大模型。有了预训练模型和中间件，数据标准化、文件流转、工作流设计都能省下大量时间和人力。做空间智能，我们主要靠引擎、目标识别加上点云原生数据的开发；所需要的中间件，在主流开源平台上也有很多能够本地离线部署且合规的解决方案。

杨望舒：可以分两个层面。作为科技公司和AI工具的使用者：任何新模型、新工具的出现都在提升我们的生产力、降低研发成本——更多有创意的年轻成员可以承担开发工作，而不是必须靠非常资深的工程师。作为行业参与者：这是整个行业的趋势和信号——越来越多的巨头从底层芯片、通用大模型的研发，开始向垂直行业应用迁移。对我们来说，基础设施层面的充分竞争能降低各方面的成本、提高效率，是向好的方向。唯一的潜在风险是：出现非常强的垄断性巨头，在生态层面把开发者绑死。所以我们希望市场格局更多元。

“芯片和算法，是两条无法并行的线”

问：那真正的“卡脖子”环节在哪里？

卢鑫：有意思的是，架构已经不是问题——它们大都基于Linux，很多提供中间件或底层服务的企业本身就是Linux Foundation生态的一部分。真正的难点在于芯片与算子（针对具体算法的计算单元）的结构对应。现在芯片和算法是两条独立的开发体系：做芯片的人不知道算子长什么样、会用在什么计算场景；做算法的人不知道自己将拿到什么芯片。两条线没法并行。国内只有一些大型的头部企业在尝试让算法工程师和芯片厂商协同：芯片团队提前知道将要训练什么样的算法，算法团队也提前为芯片做小部分的初期适配。此外，芯片厂商还要考虑自己产品之间的协同——如何组成万卡甚至十万卡集群，并让集群性能匹配算法架构。据行业论坛上的讨论，这是国内几家头部芯片产商要面临的较大挑战。

杨望舒：工程优化的空间还很大。一个方向是算力中心；另一个是小型用户——拥有一台性能中上的单卡设备。我认为未来一两年，会出现很多让更大的模型在更少的算力硬件上稳定运行的方案。全球团队都在做这件事，进度也比较统一——信息传播快，好的方案很快会在各国落地。

“硬件必须去适应软件生态”

问：市场上出现了专门做大模型推理的处理器。GPU的地位会被动摇吗？

卢鑫：初创企业天然站在软件生态一边，“谁适应谁”的争论我们很清楚。大厂那边则是有“引力”的：比如前段时间力推的某国产OS系统——软件迁移之后就会提供流量、提升下载量，支付抽成比安卓商店低几个点，很多开发者就愿意迁移。反过来，让芯片去适应软件，则相对困难。我们最近接触激光雷达：除了ROS，几乎没有别的选择——硬件不兼容ROS/ROS2，我们就拿不到数据，设备就没法用。任何新硬件、新处理器，第一步都必须兼容现有生态。

杨望舒：专用推理芯片的剧本我们见过：语音领域，科大讯飞就出过专用芯片。这类芯片会在特定垂直领域占有一席之地。但CPU、GPU作为算力核心的格局不会有大的变化——GPU这样的架构会持续迭代，追上专用芯片的能力。最终决定胜负的一定是软件生态：对大企业而言，芯片性能只是入场券，还要把生态、工具链、垂直行业解决方案的完整度做起来，才能真正拿到订单和开发者。

卢鑫：一个现实的例子：国内不少企业在推进国产算力和国产AI电脑及系统的替换。我们上上周出差，国产电脑却被摆在一旁，实际的生产工作还是在一台装着所需软件的旧电脑上完成。一些通用软件例如办公软件的迁移相对容易；但专业软件例如需要完成建模、渲染、图形输出功能——既要底层适配它的架构，又要兼顾行业几十年形成的使用习惯，是很困难的。

“2030年不会有第二次爆发”

问：到2030年，计算领域最让人意外的是什么？

杨望舒：GPT类平台的爆发在2023年初，此后的这几年其实都是那一次爆发的延伸。2030年很快就会到来，我认为不会出现特别爆炸性的新东西，更多是把现有技术进一步迭代，并诞生更多商业落地场景。脑机接口、新一代大模型会持续带来惊喜。对我们这家做具身机器人交互娱乐的公司来说，未来三四年会迎来更广泛的普及：更多人形、非人形机器人将被用于交互产品。

问：这波机会会先在哪个领域兑现——工业还是娱乐？目前人形机器人更多出现在“表演”场合。

杨望舒：工业场景已经很成熟——大型机械臂、AGV运输车；人形机器人要替代现有方案有机会，但仍需探索。娱乐和游戏化是我们团队专注的方向，我们认为这里的机会更大，产品会越来越多。另外，服务型机器人——养老、生活便利服务——是未来三到五年确定性的大市场：人型、半人型甚至机械臂形态，都能填补很多服务空白。挖掘这类大众需求，是中国科创公司的强项。

卢鑫：补充两个方向。医疗：AI模型已用于蛋白质和新药研发，computer vision用于影像诊断；我们在做CT断层扫描的三维重建——多学科会诊时，有的医生擅长读断层片但不擅长3D定位，有的只能看三维模型；去年我们尝试在MR眼镜里完成这种复杂会诊，包括肺部、肺血管、心脏主动脉建模。最近一家专注于医学影像语料数据库生成的公司刚完成融资。二是太空算力：“十大空间科学攻关课题”里就有地外冷却、算力上天、通信协同——中科院已有不少成果，包括利用太空中易得材料做冷却；马斯克也在部署太空算力。

- 俄罗斯卫星通讯社小程序上线啦，欢迎使用！