對話知存科技CEO王紹迪：存算一體如何重塑AI計算的未來

當大模型時代呼嘯而來，算力成為制約 AI 發展的關鍵瓶頸。傳統的馮·諾依曼架構中，數據在存儲單元和計算單元之間頻繁“搬運”，不僅耗費時間，更消耗了 60% 至 90% 的無用功耗，形成了難以逾越的“存儲墻”和“功耗墻”。

存算一體技術正是為破解這一困局而生。它將計算與存儲融合在一起，讓數據在存儲單元內部就近完成計算，從根本上解決了數據搬運的問題。2024 年，隨著三星與 SK 海力士推動 LPDDR6-PIM 技術標準化，以及多款存算一體 AI 芯片相繼出貨，這一技術正加速從實驗室走向產業應用。據預測，2025 年全球存算一體芯片市場規模將突破 120 億美元，中國占比達 30%。

在這一賽道上，知存科技是最早入局、堅持最久的玩家之一。2017 年，創始人王紹迪博士畢業后回國創業，帶領團隊實現了存算一體芯片的量產，產品已應用于二十多款消費電子產品。2025 年 9 月，知存科技入選《麻省理工科技評論》年度“50 家聰明公司”，他們的上榜理由是“突破傳統芯片存儲與計算分離的架構，在能效、計算并行度、功耗等多個維度獲得顯著提升”。

本期對話，我們與王紹迪博士深入探討存算一體技術的原理與前景，從內存漲價的底層邏輯，到端側大模型的算力困局，再到 AI 時代芯片產業的競爭格局，試圖勾勒出一幅由高效算力驅動的智能未來圖景。

以下是對話正文：

DeepTech：歡迎王紹迪博士做客 DeepTalk，能否先簡單介紹一下自己和知存科技？

王紹迪：我是知存科技的創始人兼 CEO。公司 2017 年底成立，到現在已經八年了，時間過得很快。知存和我一直專注在存算一體芯片這個賽道，應該是這個領域中最早做的，也是堅持到現在最久的。目前在這個領域做得還算領先，也有一定的成果。

DeepTech：了解到你博士學的并不是存算一體，創業時為什么選擇這個賽道？

王紹迪：存算一體在我博士剛開始的時候，也就是 2011 年，其實既沒有 AI 也沒有存算一體這個概念。那時候深度學習還沒火，AlexNet 這些卷積神經網絡是 2012 年左右才開始受關注。但到我博士快畢業時，AI 已經很熱門了，雖然還沒落地到產業界，但大家都預測未來會是 AI 的時代。

我博士期間從 2014 年開始做了很多跟存儲器有關的工作?？飚厴I時我意識到，如果 AI 未來能力越來越強，算法模型越來越大，對存儲器的依賴會遠遠超過現在的 CPU 和 GPU。所以那時候就覺得，用存儲器直接去計算 AI 可能是個好方向。博士最后一年，我們已經開始做一些存算一體的工作，寫了一些 proposal，后來也得到了幾千萬的項目資助。但我沒有參與進去，proposal 寫完之后就畢業回國開始創業做存算一體了。

DeepTech：你博士階段做存儲器，今年內存漲價是個熱門話題，你怎么看？

王紹迪：這個其實比較有意思。我們看到這兩年大模型發展很快，對 GPU 的需求最大，英偉達股價都漲到快 5 萬億美金了。

如果我們拆開一個 GPU 芯片看，里面可能有 2 個 GPU 計算的核心顆粒，但有五百多個內存顆?！@些都是高帶寬內存（HBM），不是普通手機或 PC 上用的 DDR 內存，帶寬要高得多。

現在手機、個人電腦的內存和閃存都在漲價，其實是因為高帶寬內存需求太大了。高帶寬內存性能好、賣得貴、利潤高，從去年開始韓國海力士在高端內存領域收入和利潤上反超了三星和美光。大家都知道這是好生意，幾大內存廠商全部開始轉產高帶寬內存，把原先生產 DDR 的產能都轉過去了。一些落后的產品比如 LPDDR4 完全不生產了，這些廠商同時也生產固態硬盤、手機存儲卡，一部分產能也被轉走。所以高帶寬內存需求大，把所有產能都吸走了，反而導致 LPDDR 和普通內存、存儲都缺貨漲價。

DeepTech：所以本質上不是為了減產而減產，而是把產能換到了更掙錢的賽道？這是不是給國內廠商一些機會？

王紹迪：非常對。國內內存廠商比如長鑫，它的 LPDDR4 、 LPDDR5 產品原先面臨很大的價格競爭，現在因為這樣一個機會，價格就可以上漲了。包括閃存廠商，整體是利好的。

DeepTech：內存漲價對存算一體有影響嗎？還是說這反而是你們的機會？

王紹迪：其實跟我們沒有太大關系。存算一體雖然也有“存”字，涉及很多存儲器技術，但目前還不會用商業化的存儲廠商產線去生產。它用的是一些存儲器的原理，在常規的邏輯代工廠做生產，所以產能方面是不相關的。

另外，很多人覺得存算一體是存儲器，但它雖然“存”在前面，實際上是個計算芯片。可以把它當成用存儲器做計算，像 GPU、 CPU 這類能夠完成計算的東西，而不是存儲芯片。

DeepTech：能不能深入介紹一下存算一體的計算范式？

王紹迪：我舉個例子。比如我想做 2 加 3 這個計算，在現在的芯片架構中，2 和 3 要從存儲器里讀出來，讀到 CPU 之后做加法，結果是 5，再把 5 存回存儲器。一次計算涉及讀兩次數、做一次加法、寫一次數，三次讀寫操作加一次計算操作。

這里面消耗時間最大、功耗最高的，實際上是把數據從存儲器里讀出來、再寫回去的過程。為什么代價大？可以理解成存儲器陣列特別大。如果從三四個人中找一個人很快，但從一個幾萬人的學校里找一個人，從找到他到他走到校門口，時間就特別長。

現在計算算力越來越強，存儲容量越來越大，就像一個幾十萬人的大規模場地，我們要從中間找出兩個人做計算，再放回原位，算起來是挺容易的事，但找人、放回去的過程是最大的瓶頸。

存算一體為什么能解決這個問題？因為 AI 計算是非常規整的陣列級計算，雖然能力很強，但基礎方式很簡單——乘法和加法占了 90%，而且是相鄰數據之間的交互?，F在的做法是雖然數據站成方陣，還是要把人拉出來拉很遠做計算，代價很大。存算一體就是把相鄰的數據在存儲器內部直接做乘法加法。乘法加法并不復雜，不需要到復雜的 CPU、 GPU 去算，在存儲器內部就能實現，不用跑那么遠。就像兩個鄰居開門問一句“吃飯了嗎”，各回各家就行了，甚至不用出單元門，效率會高很多。

DeepTech：傳輸過程是瓶頸還是找數據的過程是瓶頸？

王紹迪：分情況看。在不同的芯片上，傳輸路徑長度不一樣。從存儲器里找數的代價肯定很大，傳輸路徑代價也很大。比如從 5 公里外的小區找一個人，他從小區里出來是一段路程，打車過來 5 公里又是很長的時間。

高帶寬內存做的事情就是把存儲器和計算芯片放近。比如從 5 公里外改成 10 米外隔一條馬路的小區，中間路徑就變短了。但從小區里找人的代價還是存在的。

從手機或個人電腦來看，找人和傳輸的代價都很大；從現在的高性能計算來看，從“小區”里找人出來的代價更大一些，傳輸相對代價小一些。

DeepTech：這個代價體現在什么方面？是性能下降、發熱還是延遲？

王紹迪：這些其實是一致的。發熱意味著代價大，意味著做工多——人走 100 米和 1 公里做的工不一樣。做的工多，走的距離長，速度就慢，性能就下降。這些是同時產生的。

但發熱還有一個因素：高帶寬內存可能同時有 1,024 或 2,048 條通路連到 GPU 上，手機上可能是 144 根線。高帶寬內存之所以帶寬高，就是因為連的通路多。同樣發熱量下，它傳輸的數據會多一些，因為距離近但并行度高。

DeepTech：蘋果把 SOC 和內存一體封裝，是不是就是你說的距離變近？華為的超節點用光傳輸，是不是用光的傳輸密度來提升效率？

王紹迪：對，蘋果把內存和 SOC 封裝在一起，距離可能在幾毫米的級別。英偉達的 GPU 內存和芯片也是幾毫米的級別。

光計算是另一個故事。常規的方式是這個人打車過來 5 公里，光計算可能是坐磁懸浮或高鐵。同樣五分鐘路程，可以從 20 公里甚至 100 公里外到達。光計算的傳輸速度和密度更大，距離可以遠，但消耗的能耗低。

DeepTech：存算一體相當于中間這個路程消失了，找到人之后直接計算？

王紹迪：對?？梢岳斫獬稍葍蓚€人在某個小區某個單元同一層樓，比如都在五層是鄰居，現在做計算要把他倆叫出來到辦公室，問一句“吃飯了嗎”——因為 AI 里做計算就是乘法加法，很簡單，就像問一句話。用存算一體的方式，兩個鄰居開門問一句“吃飯了嗎”，回答完各回各家就行了，甚至都不用出單元門，效率就更高。

DeepTech：所以存算一體是把存儲和計算放在一起，計算效率和密度都更高，比蘋果的一體封裝是更深層次的架構升級？

王紹迪：可以理解成針對 AI 這種計算需求，找到了一個適合它的計算方式。

DeepTech：現在手機都在推 AI 計算，存算一體芯片能用在手機上嗎？

王紹迪：手機上還沒有。傳統芯片架構針對 AI 的計算需求會不斷優化，但架構本身如果不是針對 AI 設計的，優化只是小部分改進。比如 CPU 也在優化 AI 計算性能、圖形渲染性能，但所有能力始終不如 GPU，因為 GPU 天生就是針對圖形渲染設計的，同時也比 CPU 更適合 AI。存算一體本身就是針對 AI 設計的，在效率上會比 GPU 更高。

存算一體的特點是功耗可以很低。目前我們的存算一體芯片已經用在很多消費電子產品當中，比如耳機。耳機平時工作就在幾毫瓦級別，在這個功耗下想做復雜的 AI 算法是很困難的。但存算一體可以讓幾毫瓦功耗下的計算能力比原有芯片高出 50 到 100 倍。我們現在有客戶用類似 Transformer 這種大模型算法在耳機上做聲音處理。

舉個直接的例子：原先耳機的降噪或拾音，需要把噪聲識別出來，從聲音里摳掉，還原干凈的人聲。但這類算法有上限，去噪的同時會損失人聲，沒辦法做到徹底干凈?，F在用大模型的能力做降噪，算法變成：我知道你在說什么，知道你的音色、語氣，重新生成一段干凈的聲音。生成過程中就沒有原始噪音了，效果更好。

DeepTech：相當于兩個應用場景，降噪是我耳朵聽到的噪音降低，拾音是我打電話時降低背景音。

王紹迪：對，這塊還有很多場景。聲音處理就像圖像處理一樣，現在都在 AI 化，有識別類的、低功耗識別類的，大概有七八種不同場景，各種各樣的算法。

DeepTech：相當于在追求極致功耗的場景下把 AI 運行起來?，F在跑大模型功耗特別高，傳統架構可能有功耗極限？

王紹迪：對?，F在云端跑算法是幾百瓦級別，手機能提供的功耗大概幾瓦，中間差 100 倍。如果想把同樣的算法從云端移到手機，能效得提高 100 倍。這在現有基礎上很難突破，20 年前摩爾定律發展很快時，可能十年差不多有 100 倍提升，但現在很難看到未來十年有 100 倍提升了。

DeepTech：摩爾定律是不是已經失效了？

王紹迪：傳統意義上的摩爾定律很早就失效了。最近十年大家用各種方式給摩爾定律“續命”，但自從 AI 出來之后，更多是在做架構和工程上的創新，而不是直接 scaling 先進制程。

DeepTech：存算一體目前大概需要多少納米制造？

王紹迪：存算一體的概念現在比較廣泛，我把它分為兩部分：近存計算和存內計算。

打個比方，如果在樓外邊設一個處理點，人從樓里出來到處理點辦事，這叫近存計算——相當于把原先集中辦公的地方放到每個居民樓外邊。存內計算是不需要單獨的處理人員，兩個鄰居直接對話，這種叫存內計算。

近存計算還是很依賴工藝的，工藝越先進越好，性能會越強，同時要挑戰怎么把先進工藝跟存儲器工藝更好地結合。目前業界有很多人在做這方面的工作，包括大廠和創業公司，涉及先進集成等技術。

存內計算是更徹底的變化，沒有專門的處理單元，計算單元和存儲單元本身就是一體的。存儲單元只能做簡單的乘法加法，但這正好是 AI 需要的。它對芯片工藝的需求跟現有邏輯工藝完全不一樣。過去 30 年半導體加工工藝都是針對 CPU 優化，現在可能針對 GPU 優化，讓計算單元、寄存器、緩存性能更好，但跟存算一體的需求不同。

存內計算用了很先進的邏輯工藝，并不能帶來性能提升，它需要自己的工藝優化方法。我們現在采用的是成熟的半導體工藝，28 納米及以上，在這個工藝下做存儲器的定制，就可以實現存算一體功能，性能也不錯。

DeepTech：相當于換了一條賽道。過去卷制程，卷到一納米之后可能就結束了，現在換一個架構邏輯，用更高制程實現先進計算能力。

王紹迪：可以這么理解。

DeepTech：存算一體是做主芯片還是輔助芯片？現在很多 AI 芯片其實是輔助芯片。

王紹迪：這個問題我一直在想。整個芯片領域中，只有做主芯片才有最大的價值。主芯片可能是吃肉，輔助芯片可能連湯都喝不了。

我們看發展趨勢：97、98 年我上小學時，所有游戲都在 CPU 上打，那時候還沒有 GPU 或者叫圖形加速卡，畫面很糟糕。后來出了雷神之錘這樣的游戲，CPU 跑不動了，大家就買圖形加速卡，這是最早的 GPU 芯片。

GPU 開始是以輔助芯片的形式出現的，因為大部分任務都是 CPU 在管理調度，GPU 只負責圖形渲染。游戲打得再多，GPU 都是輔助芯片，因為只做這一個任務。后來越來越多的應用開始用 GPU，包括手機上的圖像處理，CPU 要集成一個 GPU，但還是沒法替代 CPU。

到了 AI 之后，事情發生了巨大轉變?，F在數據中心百分之七八十運行的是 AI 任務，不是 CPU 任務了?？梢钥吹剑麄€數據中心突然轉變，以 GPU 為主，CPU 變成調度、數據傳輸、網絡管理的輔助功能了。這個轉變就在過去四五年，放到十年前大家都不會想到。

那什么時候在端側 AI 計算任務會重于其他任務呢？比如機器人的應用，AI 計算任務肯定高于其他類應用，這類任務的主芯片可能就不是現在的 CPU 了，而是以 AI 計算為主的芯片。未來手機操作系統邏輯也可能改變，比如以智能化操作系統為主，甚至讓 AI 去管理任務。如果是這種情況，計算需求也不是現在的 CPU 了。

所以很多時候賭的是趨勢。云端已經是 GPU 主導的 AI 計算為主了，這個趨勢會慢慢下放到 PC 、手機、機器人。機器人毫無疑問會是 AI 主導的計算，計算任務發生變化時，主芯片的角色就會發生很大變化。

DeepTech：你提到 CPU 和 GPU 的比較，有個經典案例是 GPU 打點是一下把整個笑臉打出來，CPU 是一個一個點打。存算一體的通量比 GPU 還高？

王紹迪：對。CPU 一次打一個點，GPU 一次可以打比如 10 萬個點——這 10 萬個點是從存儲器讀出來做計算的。存算一體大概可以達到 10 億個點，就是百倍。

因為存儲器從里面讀數是由它外圍的周長決定的，像一個方形的存儲器或 CPU、GPU，所有接口都在邊長上。邊長比如 10 毫米，就走 10 毫米的帶寬。存算一體的意思是，因為 AI 計算是矩陣類計算，如果以邊長的形式讀數，一次只能讀一行出來。GPU 相當于一次讀一行，讀幾萬次把 10 毫米乘 10 毫米的存儲器數據都讀出來。存算一體是一次就把 10 毫米乘 10 毫米里的所有數據都完成計算，不需要把它搬出來再搬進去。

用居民樓來比喻：一棟 30 層的樓只有一個單元出口，30 層的人都要排隊出來。GPU 相當于整棟樓有 20 個單元口，一次出 20 個人。存算一體相當于 20 個單元口都不需要了，所有人都并行在做計算，并行維度比 GPU 更高一個維度。

DeepTech：現在用在 TWS 耳機上，未來會用在機器人上，從輔助芯片可能轉變成主芯片。在中間的過渡態，是以小功率設備為主還是會逐漸演化到大功率設備？

王紹迪：科技公司要做的事情是不能等需求來了再做。成功的公司都是預判了未來需求的改變，同時做了很多技術研發的提前迭代。英偉達也是在 AI 出來之前，大概 08 、 09 年就開始做 CUDA 做科學計算，AI 真正開始普及到應用是 17 、 18 年左右，英偉達當時特別大的算力芯片是 19 、 20 年左右出來的，大模型是 22 、23 年出來的。

對于存算一體公司來說，我們預判未來會發生變化，知道未來需求是什么，就要做好怎么把現在 TWS 耳機的小芯片一點點做大，性能做得更強，能適應手機、機器人、汽車這些產品。這個過程不是簡單把芯片做大，還要針對存儲器的特殊工藝做修改和改進，讓它更適配性能 scale up。這個過程可能有四五年時間，讓技術和發展趨勢同步。

DeepTech：技術在發展，市場也在發展，中間有個調和的過程。你提到機器人，今年機器人太熱了，分成大腦和小腦。大腦用大模型計算思考，身體做本體控制?，F在很多公司大腦和身體是分開的，未來本體上能用 AI 芯片嗎？

王紹迪：本質上也可以。拿車來舉例，車的大腦是自動駕駛算法，但車的操控、平衡還是傳統算法。車在原有駕駛操控類算法上加一個自動駕駛大腦，就能完成自動駕駛。

機器人也可以這樣理解：我們現在已經有車了，它有基本的平衡和行走能力，但需要的是把自動駕駛能力開發出來。目前這部分挑戰最大，也是未來價值最大的地方。如果機器人只能走，可能只有觀賞價值——車還有人開，機器人只能走也不行。如果機器人能做事，大腦要更強。大家現在想把機器人從觀賞比賽的機器人，轉化成能做有生產力的機器人，所以大腦更重要。

DeepTech：現在機器人不管是比賽還是表演，都側重平衡能力和運動能力，但核心還是有遙控。把本體架構好之后再做大腦?，F在端側是端云協同，端為輔云為主。如果芯片功率降下來、性能提高了，未來有沒有可能純端側計算就能完成很多事情？

王紹迪：這不是有沒有可能的問題，機器人未來想很好地商用，必須在端側完成很多事情。云端計算成本其實很低，延時相對也低，一個請求過去可能 20 毫秒就回來了。但機器人為什么一定要端側完成？

因為機器人如果只是走到隔壁屋這樣的任務，可以每秒鐘跟云端交互 20 次，每 50 毫秒問一次“我現在怎么走”，云端實時反饋就可以了。但未來機器人用于生產后，是跟物理世界實時交互的：機械手會實時反饋受到的力量，視覺會看到物體怎么移動，皮膚會感知壓力……這些反饋之后，大模型要實時生成計算。這時候端到端延時要做到一毫秒級別，沒辦法在云端做——云端延時做不到這么短。一毫秒是正常操作的機器人，20 毫秒就是一個慢動作的機器人。想讓它有生產能力，反饋鏈路必須越來越短。

端側現在為什么還要依賴云端？因為沒有這樣一個芯片能把很好的模型跑在端側。開發階段對云端依賴很強，但未來必須是端側。

DeepTech：相當于做到端側就是自主決策，不依賴云端。云端鏈路畢竟涉及通訊過程，延遲做得再短也達不到端側計算的鏈路。存算芯片已經用在小的端側計算上了，但我一直有個疑問：端側計算、降噪、運動控制，傳統架構也能做，只是存算一體做得更好。有沒有獨特的場景是非存算芯片不可的？

王紹迪：這個問題四五年前我也在問自己。為什么會這么問？因為那時候 AI 算法并不大，算力需求也不大，跟我們剛創業時預判的不一樣。我們當時預判 AI 算法會越來越大、性能越來越強，對存算芯片的需求會越來越強。但在 20、21、22 年，算法甚至比 17、18 年的算法還小。那時候端側芯片成本降得非常低，功耗也非常低。

直到大模型出來，大模型比原先的 CNN 算法基本上大了 1 萬倍左右。大模型出來之后，一下就看到端側芯片跑不了大模型——現有架構跑不了。這時候存算的優勢就很大了。

如果做同樣規模的芯片，存算芯片在端側的性能，在大模型之前可能是傳統架構的兩三倍，現在是 100 倍到 200 倍。手機上想跑云端一樣的模型，要提升 100 倍性能不太現實，只能跑弱一點的模型，但成本比云端還高，能力也沒云端強。

存算一體的機會就在這里：做成同樣成本，可以跑一個性能比云端更強的東西。為什么現在還沒有？因為去年才看到這個轉變，去年我們才開始 all in 存算一體往更大規模做，往手機、機器人方向做。還有幾年的時間。雖然我們當時預判了模型會變大，但也沒那么大膽。21、22 年我們跟很多公司聊，美國一家互聯網巨頭說，你們這個技術應該做 Transformer。但那時候我們覺得 Transformer 沒有應用，只做翻譯，效果也不是特別好，就沒下定決心。到了 22、23 年一看，Transformer 就這么強了。如果早兩年做，相當于多了兩年提前研發的時間。

DeepTech：我們之前試用 GPT-2 的時候覺得不太行，3.5 出來后才覺得是個大方向。

王紹迪：對，感知是類似的。所以像你剛才的問題，哪些東西是端側現在芯片做不了我們能做的？當前可能還不好說，但兩三年后，當前芯片提升十倍不太可能，存算一體可以把規模從 TWS 做到手機、機器人這個級別。

DeepTech：這中間的過程是科學問題還是工程問題？

王紹迪：兩者都有?？茖W問題是解決能做不能做的問題，涉及很多理論未知的東西。比如 Transformer 的計算范式能不能完全映射到存算一體的計算范式中，這是科學問題。工程問題是怎么把一個 TWS 的小規模低功耗芯片做大，從 2 毫瓦做到 2 瓦，這是 1,000 倍的規模。

科學問題可能花一兩年解決，工程問題可能要花五年以上。我們從 17 年開始創業，到第一個芯片量產是 22 年，花了五年多。從去年開始，我們把存算一體在 CNN 上的能力轉化到 Transformer 上，有工程和科學兩方面的問題?？茖W問題這兩年已經大部分解決了，接下來三年主要是工程問題。

DeepTech：面對工程問題，會有生產問題和生態問題。很多中國產品缺乏生態——開發者是否足夠多，生態是否完善。

王紹迪：我覺得生態不是做出來的，不是投入大、有人專門做就能做出來。為什么手機現在用 ARM？ARM 當時剛開始是非常小的公司，國內很多公司把 ARM 買下來，那時候最強的是 x86 的 CPU。但我們看到手機在很小的時候就進入了 ARM 處理器，在 ARM 上長出了很多手機應用，ARM 成為手機的主生態。

操作系統最強的是微軟，但現在看不到微軟的操作系統在手機上。智能手機剛出來時是 iOS 和安卓，所有應用都在 iOS 和安卓上開發出來的。

AI 為什么現在在英偉達生態上？因為除了英偉達還沒有人針對 AI 做芯片，大家都在針對游戲 GPU 、操作系統做 CPU。英偉達提供了一個強大的算力平臺，比如市場需求是 100T 算力，英偉達推出了 1 萬 T 的平臺，大家在 1 萬 T 的平臺上開發出 1 萬 T 的算法，然后有了 Transformer，最終有了大模型。

所以生態是應用長在平臺上自然形成的。做成生態的都是第一個在沒有需求的時間先把它做出來的東西。如果東西已經做出來了，大家都在這個平臺上長出應用了，再想把應用遷移出來挑戰是很大的。Windows 我們用了這么久，所有 Excel 、 Office，有很多 AI 工具比它好用，但過去 20 年沒有人去切換，因為習慣都在上面長出來的。Office 和 Windows 是在 Intel 的 CPU 上長出來的，我們現在的 PC 也都是 x86 的 CPU 為主。ARM 性能更高，想搶 PC 和服務器花了十幾年。

DeepTech：蘋果切換 ARM 芯片之后，姿態也很低去吸引開發者。

王紹迪：對，后進入者可能得花十幾年、投入超千倍，去搶一個之前只花了半年一年就拿到的生態位。比如安卓比 Windows Phone 只早了半年一年，但就得到了這么大的收益。

很多時候是在最早期的時候，誰先做出一個平臺，在上面長出應用，生態就形成了。端側現在沒有大腦，如果能有一個很強的大腦，用這個大腦做出很多產品，生態循環起來就成了。

DeepTech：所以有了底座之后，發展到某個階段，開發者會自然而然選擇某個基座，從而形成生態。

王紹迪：廣泛的開發者是很有智慧的，大家一直在試各種平臺去開發好應用。如果有一個很好的平臺能開發出別人做不到的應用，大家都會涌向這個平臺，生態就產生了。對于存算一體來說，我們需要在端側提供一個遠超現在需求的算力平臺，大家基于它能開發出非常好的應用，這時候才會誕生生態。

DeepTech：在這個生態上有沒有可能長出超級應用？

王紹迪：我覺得很有可能。拉長到十年、 20 年，大家都覺得它會發生。比如十年、 20 年后，我們的操作系統是不是 AI 主導的？為什么當前不行？因為我們跟很多做這方面的人交流——算不動、跑得慢、功耗高、模型跑不大、能力不強，都是現實平臺的限制。如果有個東西在 2 瓦功耗下提供云端的能力或比云端更強，大家在它上面開發新的操作系統，能不能出來？肯定有很多開發者愿意去嘗試。有人嘗試成功了，新的應用、新的生態就會出現。

DeepTech：你認為有沒有一個里程碑事件可能會達到轉折點？

王紹迪：有幾點，但這個判斷肯定不準。放到三年前也不一定能判斷大模型能做到現在這個程度，未來也有很高的升級空間。

現在大家在端側的期望是既有記憶能力，又有很強的主動能力——不是我們被動給它需求它才做，而是主動幫我們管理、預判需求、推薦需求。它需要非常強的個性化和記憶能力。

這部分有很多算法研究，但目前可能是在云端場景下，根據多輪對話抽取人的特征，還不是在端側。端側一直使用手機去抽取記憶、使用習慣，會很受限，因為存儲、帶寬、算力要求很高。做不到輸入的 token 非常多，可能記半小時記憶就把東西用滿了，拉長到一個月、半年能做出什么效果，大家還沒法嘗試。這是平臺和應用開發互補的關系。

DeepTech：相當于可能出現某個里程碑，讓 AI 能主動提供服務，真正成為 24 小時工作的 AI 助手。之前我們算過一個賬，如果 AI 運行 24 小時，手機可能兩小時就要充一次電。如果功耗降下來、算力升上去，AI 可能真的是常駐在工作，無感化的服務，而不是現在的調用式。

王紹迪：對，而且現在調用的時候會把所有計算資源都占滿，其他任務就跑不了了。

DeepTech：我的手機用的是華為最新系統，可以后臺幫我買東西，但一旦后臺在跑，前臺應用就非常卡，甚至會殺后臺進程，只留一個前臺和一個 AI 模型。

王紹迪：對。未來的手機放到十年后，我們希望它是一個個人助理——不是現在 Siri 、小愛這種，而是更了解自己、幫我們完成所有事兒。比如今天早上我遲到了幾分鐘，它應該在我快到地庫的時候，提前幫我發個信息說“我馬上到了”。現在我還得停下來發信息。這類主動感知是應該做的。

DeepTech：這可能才是未來的殺手級應用。

王紹迪：對，長期看肯定會發生。我們需要做的就是把技術開發好，讓應用開發者有這樣的平臺去做這些事情。

DeepTech：你是從國外回國創業的，目前來看國內外的合作交流上，你覺得中國跑得快還是國外跑得快？

王紹迪：過去中國在應用上是跑得比國外快的。每一波 AI 技術發展之后，國內應用發展速度都比國外快，這是大家的刻板印象。17、18 年人臉識別落地在國內遠遠快于海外，這波大模型其實也是這樣。但中國已經參與了很多了。

最近兩年我看到，不僅在應用側，在技術推進側，比如 DeepSeek 這類算法出現，也在慢慢追趕。中國的迭代走出了一條獨具特色的道路?，F在科學方面是追趕階段，而且越來越好。應用方面一直保持更快的迭代速度。

從長期角度來看，包括我們跟海外合作者交流，他們也看到我們在很多新技術新應用上的發展速度和需求是快于海外的——可能現在也不是歐美了，就是美國在 AI 上做得更好。很多海外合作方也愿意跟中國企業合作，因為我們能帶來應用方面包括技術方面新的指引。

DeepTech：美國社交媒體上在討論 AI 泡沫問題，有沒有可能像 00 年代互聯網泡沫一樣？

王紹迪：這個不好說，因為 AI 比互聯網更技術化一些。互聯網泡沫時期，技術發展相對還是比較明確的。如果我們回過頭看 2000 年，可能會想為什么有互聯網泡沫？互聯網那么好。當時大家擔心互聯網發展不及預期，達不到那個程度。很多時候大家對短期期盼很高，但低估了長期發展。

AI 現在比之前理性了。大家不期望三年就實現 AGI 、三年大家都退休了，但拉長 20 年，這些事情肯定可以實現。即使有泡沫，我覺得也會有很多人在這個泡沫中成為最大的機會——就像 2000 年成立的好多巨頭公司都是在互聯網泡沫那個時候起步的。

DeepTech：會理性很多，互聯網泡沫那波之后反而進入了快速發展階段。那波是資本推動，現在大家都更理性了。包括 DeepSeek 出來后很多公司估值要重新定價。

王紹迪：對，估值重塑。但很多時候估值重塑反而會帶來行業發展的加速，有人虧了，就給更多人看到賺錢的機會，更多人就會投入進去。

DeepTech：你們公司也是今年麻省理工科技評論“50 家聰明公司”的一員，你怎么看這個評價？

王紹迪：都是非常優秀的公司。我們為什么在里面？我覺得是因為我們的人才密度比較高。之前我們每年校招里，大概 85% 是 Top 10 學校的博士，Top 5 的話占了百分之五六十，都是很優秀的。同時整個研發團隊過去三年的能力提升也是超過一倍以上的。我們在人才密度上是非常優秀的。

另外還有一點：聰明人需要發揮的地方。我們現在大概 440 多人，這個規模正好適合聰明人發揮。公司不是大公司，但五臟俱全，各個領域都有人。同時我們又在做一個很需要創新的事情，聰明人可以發揮出很多創新方面的能力。交流還很緊密，大家的 idea 交流很充分。所以在這個層面上，我們肯定算是 50 家聰明公司之一。這個榜單從另外一個角度去評價公司，不是以規模、場景或估值，反而更看重潛力。

DeepTech：這也是我們做這個榜單的目標。

王紹迪：對，聰明的公司要在聰明的時間選擇對的時間做聰明的事兒，這是更重要的。

DeepTech：你當年回國創業的時候也是博士剛畢業，對現在有志的年輕人有什么建議？

王紹迪：每個時代都有每個時代的機會。如果想要工作，就投入到現在 AI 發展的過程中，這是最好的時代。今年的薪資比去年漲得還高，去年比前年漲得還高，是 AI 快速發展的階段。

如果是想要創業，我覺得需要再找新的場景。創業肯定不能是在一個行業最火的時候去繼續做這個行業，那時候成功率會非常低。要找到下一個可能三四年之后會開始火的行業，提前進入。不要太關注怎么把大模型做好、能力做好，更多應該關注大模型能力很好之后怎么用起來，或者其他領域怎么跟大模型結合，比如健康、生物醫藥這些。需要對未來有一個預判。

DeepTech：還是需要長期主義和預判。就像你剛開始做的時候，已經早于行業發展。

王紹迪：對，很多研究是在 19 、 20 年才開始做，我們是 17 年成立公司準備做產業化的。

運營/排版：何晨龍