华为昇腾首席科学家廖恒深度访谈：芯片产业历史规律、技术路径与战略抉择

华为昇腾首席科学家廖恒深度访谈：芯片产业历史规律、技术路径与战略抉择

核心结论： 半导体行业遵循“上层应用垄断导致底层芯片凋零”的周期性规律，而AI浪潮正打破这一垄断；中国芯片产业虽面临制造层面的差距，但通过扬长避短、跨层协作与技术路线选择，正走出独立于美国模式的自主发展道路。

一、核心要点

• 产业周期：半导体行业经历了互联网泡沫期的极度狂热、泡沫破裂后的凋零期（2005-2015年硅谷VC对芯片初创企业零投入）、以及2016年后AI热潮带来的第三波复兴
• 垄断-凋零因果链：上层应用垄断（3-4年形成）通过定价权压制、技术方向控制、创新通道堵塞三类机制，系统性地导致下层芯片行业凋零
• 摩尔定律实质：经济性在7nm/16nm已停滞，性能收益甚微，当前主要收益在能效——本质是“所有进步靠电容变小，电阻越来越大”
• 技术路线判断：所有当代AI处理器（含NVIDIA GPU）均继承VLIW静态调度路线；AI处理器与光通信、内存带宽、编译器技术正走向深度融合
• 昇腾架构定位：从910到950历经产品定位纠偏，新同构架构同时支持SIMD和SIMT，将重点转向内存带宽（cube/vector 8:1 vs Blackwell 32:1）、超节点互联与极致融合

二、详细解析

2.1 半导体行业30年历史

两条纵向主线

• CPU/处理器主线：1984-85年IBM PC出现→发展为桌面终端→扩展到企业IT服务器→支撑全球数字化基础设施→2005-06年起AI成为新浪潮
• 通信基础设施芯片主线：人类从物理连接世界进入“everybody connected, every device connected”的互联网时代；基础设施从电话线modem→宽带→光纤→城际/国际干线→移动互联网→卫星互联网（星链）

智能手机的代表性：作为移动互联网最具代表性的设备，智能手机消耗的半导体曾一度超过总量的60%-70%。

横向产业周期

“夕阳产业”的收割方式——Broadcom模式

• 发明者：Hock Tan
• 操作步骤：以private equity方式借一笔钱→买入比自身大十倍的公司→低价购进→重组→删除重复部门和人员→裁掉利润不好的产品→美化报表
• 本质：完全属于夕阳行业的“清盘”玩法，通过降低成本提升效率

2.2 “反直觉”因果链：某领域极度成功导致另一领域凋零

美国垄断模式的形成

当一个重要新发明或业务获得资本市场加持后，可迅速建立近乎垄断的优势（Google在搜索、Meta在社交、Windows在终端OS、苹果在手机），约需3-4年。垄断不仅是技术优势，还包括资本、基础设施、用户数量——用户习惯用了一个东西就不会轻易切换平台。

垄断对芯片行业的三重抑制

1. 定价权压制：若客户是全世界唯一采购某类产品的厂商，供应商毛利会极低——客户占采购量绝大部分，必然让供应商无利可图
2. 方向控制困境：主导客户会主导需求和技术方向，但“完全听客户的是没前途的”——芯片从产品定义到落地至少3年（设计十几个月+制造9-10个月+整机+测试；快则2.5年，慢则4年）；廖恒的日历在2030年，客户生活在2026年，存在4年gap
3. 创新通道堵塞：技术主导权与未来定义力完全放在压倒性优势的主导方手中，会抑制新创新——“即使你有正确想法也没有机会实践”

AI时代为何打破垄断

AI时代（约2016-17年至今，伴随AlexNet等DNN进步）尚未进入垄断状态，中国是重要参与者，行业“群星璀璨、极度活跃”——每天都有五道口、杭州的超级聪明有志向的年轻人带来惊喜，使得垄断无法形成。

2.3 “第一板斧”与创新者窘境

• 核心观点：多数科技企业都有“第一板斧”（发明前所未有的东西给人类带来巨大体验/离不开的能力），但一个企业极难不断再造自己
• 现实佐证：今天AI领域最有突破的公司都不是上一代big names
• 结论：有资源、人才、组织、执行力优势的大公司虽然值得期待其reinvent，但“往往并不是最富有的孩子最成功”——就像同学中家庭条件最好的人最终职业成就或社会贡献往往并非最大

2.4 fabless模式的经济学原理与局限

台积电模式的根本原因

• 经济学：晶圆厂资本支出逐代提升（接近摩尔定律速度），制程从10层mask变成100层mask，单台机器从10万/100万美金变成1000万/1亿美金；晶圆制造是资本投入和研发周期极长的业务，风险极高、ROI极差、投资回报周期极长，且随工艺演进每况愈下
• 类比：家里用电不会自己建电厂，因为电厂支出太庞大
• 贡献者：张忠谋（Morris Chang，1987年56岁创立台积电）首先意识到此模式并明确商业化

fabless模式的必要性

• 连Google这样的巨头都不可能做TPU，如果必须自己建厂（建厂3年+开发工艺3年+运营磨合，且规模未必支撑先进fab所需经济规模）
• 无数企业因这一模式获得成功

大前提的变化

• 当时的前提：全球自由化（“The World Is Flat”），各国各层面分工，每一层采购世界上最优秀的能力（海思2019年前95%-99%的设计建立在最优秀的供应链之上）
• 被颠覆的两个方面：①国家间竞争、地缘政治因素；②事件发展过于迅猛时垂直分工未必能满足要求——最近半年内存极度匮乏，DRAM涨价十几倍，垂直分工无法很好应对

实例对比

• PMC-Sierra：巅峰时员工不超过2000人，市盈率平均只有3-5（利润10亿美金对应市值30亿美金）
• 中国AI芯片公司：P/E ratio可达600-800
• 华为部门：廖恒在华为目前部门5400多人，收入是PMC的100倍

2.5 摩尔定律的实质与终结

三个方面（PPA）

物理原理

• 影响电路翻转速度的两因素：电容和电阻
• 电阻：线随变细必然变大→变慢
• 电容：两个互相抵消的因素——极板变小→电容变小，极板靠得更近→电容变大；从16纳米或7纳米后速度无显著进步，因为电容只略微变小
• 结论：“所有半导体的进步都是靠电容变小，电阻是越来越大的，这是摩尔定律的本质”
• 结构改变（如把平行线改成正交线以减少重叠面积）可带来本质不同

终极终点与度量方式

• 晶体管最小feature已到Angstrom级别（1埃=十分之一纳米），以多少颗原子为单位，不可能小到一颗原子
• 主张改用原子数量而非长度尺度描述半导体工艺
• 或从空间尺度切换到时间尺度（姚定律）或能源尺度（每次翻转消耗的pico/femto joule）——“换一道题答案可能不同”

摩尔定律的最大贡献

“十年前的电子产品，今天可能除了有点收藏价值以外没有任何价值”——电子产品是世界上唯一反通胀的产品。

2.6 芯片产业链18层宝塔

结构（从底到顶）：

1. 最底层：矿石、采矿、稀有金属（“半导体本质上是一堆沙子再加上某一些稀有金属”）
2. 器件设计：FinFET或GAA晶体管；将两根平行线改成垂直线的结构性改变可使速度提升十倍
3. 制造层：在wafer上制造上万亿个晶体管并可靠制造，保证工作五到十年不失效
4. 工艺制程：5纳米做不了能否堆叠，堆叠的散热和供电问题
5. 第七层（大致芯片层面）：如何在物理约束下对上/对下进行设计（提前四年设计下一个芯片架构）
6. 芯片之上：编译器、编程语言、并行切分方式、强化学习、KV cache、模型压缩、稀疏化、新的数据格式
7. 顶层：慢思维/agents模型、KV cache系统、agent框架、有价值的应用

“七成以上是大家可见的事件，七层以下属于地下室。”

2.7 中国半导体差距的真实维度

主要差距领域

中国与台积电半导体差距主要在“能源cost”（每次翻转晶体管消耗的pico joule或femto joule）。

三个论断

1. 如果彻底断线，中国完全有算力（“clearly no”担忧是多余的）
2. 不见得更贵
3. 确实更耗电，但中国电力供应约为美国三倍，数据中心电费约为美国的四分之一到五分之一，因此保底问题不需过于担心

注意：“我并不想要以这个为理由说服大家去用一个更耗电的东西”，只是说明保底不需要担心。

“拆解问题”方法论

一个看上去impossible的问题，拆解后变成十个或100个更具体的问题，再拆解一层变成1000个物理化学数学的问题。“能不能跟台积电一样好”的简单答案是不行，但拆解后可发现：100个问题中可以解决80个，其中十个比别人做得更好——扬长避短。

2.8 断供前后：从恐惧到好胜心

最谷底时刻：“彻底没有”——认为未来几个月彻底制造不出芯片、商业闭环断路。但困难被“特别能顶的领导”封锁在非常小的范围内。

团队反应数据：5%-10%的人迅速寻找新出路；80%-90%尤其是骨干能力最强的同事激发解问题的热情。

技术挑战举例：运动机台如何达到一纳米精度；如何在高速运动中用激光或其他手段定位到纳米级位置。

标志性成功：中国5G网络遍地都是，过程中从未断过供应，通信网络基础设施建设没停滞或明显后推。

2.9 关键判断失误复盘

ARM服务器判断失误

• 十年前判断：ARM服务器不会超过x86
• 现实：ARM服务器在云数据中心预计两三年内可能超过x86
• 失误根源：不是纯粹价值判断（非有三倍竞争优势），而是包含大量宏观政治因素——中国关键基础设施不能再冒被IT侵入的风险（如伊朗电站事件），必须有自己的处理器
• 补充：“我有先验的认知，它并不可靠，但它还是有一定作用的”——短期判断没错，放在更长历史维度上是错的

昇腾芯片方向判断失误

• 2016年：曾说服领导不要做面向训练的旗舰昇腾芯片，理由是“没有看到中国群星璀璨的那一天”——所有重要算法和发明创造都在美国
• 现实：昇腾架构覆盖了从1美金到1亿美金的8个数量级（最小的在耳机里，最大的是几十万卡训练集群），数据中心产品在收入、利润和规模上远大于边缘侧
• 失误根源：经历美国芯片行业衰退训练了“首先看到事情不行那一面”的悲观思维模式；从微观层面看每个判断都没问题，但错在宏观层面——“越年轻越容易犯这样的错误”

2.10 单人技术路线选择案例：光通信

三个战略性决策

1. 光模块放在芯片边上（不是封装里面，也不是放在外面）
2. 光源放在里面而不是外面
3. 同时做两个光源而非一个

物理依据

学习方法论

2008-2009年判断IO电线传输距离太短，某天需要光做进芯片（判断56G时需变光，实际到224G才变，“差了四倍”）。主动学习激光器设计、信号调制与接收，报名荷兰大学暑期班学习光芯片设计。

四个基本知识（“看上去都基本属于高中物理”，但“surprisingly有一些从事几十年产业的人忘掉了”）：

• 所有光的器件都离不开折射率
• 折射率会被温度改变（温度增加一度折射率会变化）
• 激光器会失效
• 光耦合会有能量损失（每次损失零点几DB）

方法论总结：“所需要的这些理念看上去说出来都非常简单，但是需要人去提这个问题本身”——纯直觉纯愿景驱动，不需与无数人讨论。

三、方法与步骤

3.1 芯片从设计到落地的完整周期

• 芯片设计周期十几个月→制造周期9-10个月→做整机→测试→最终用户使用
• 总周期至少3年，快则2.5年，慢则4年
• 决策启示：芯片架构/产品定义要面对“客户生活在2026年、我的日历在2030年”的4年gap——不能盲目听从客户

3.2 工程化流程的意义——电水壶案例

做一个电水壶必须保证：

• 零件坏了不会一直干烧（否则火灾、死人）
• 边上沾水不会电死人
• 继电器坏了不能干烧
• 通过安全检测→要Feel Safe不能Feel Dangerous

核心教训：不能只有聪明的脑袋去设计，还必须可靠执行、充分验证检测，才能达到被普通人使用的标准。一部手机可能需要上万人研发，每一代要有1万人年以上的投入。

3.3 断供后的处理流程

1. 安抚同事（消除巨大恐惧）
2. 激发“极大的好胜心”——“对于一个工程师来说是一个天赐良机”
3. 逐一拆解问题并解决
4. 技术挑战包括：运动机台如何达到一纳米精度、如何在高速运动中用激光或其他手段定位到纳米级位置

3.4 Hock Tan/Broadcom模式清盘步骤

以private equity方式借一笔钱→买一个比自身大十倍的公司→低价买进→重组→删除所有重复部门和人员→裁掉利润不好的产品→报表变好。这是行业末期的“清盘”式操作。

3.5 模块化工程人才培养路径

• 必须从模块设计做起
• 经历完整tape-out cycle（18个月以上）
• 芯片设计至少18-20个月一次cycle，必须经过多次
• 一次流片花费至少两三亿人民币，没有软件那样的试错机会——芯片则18个月后才能验证，一皮秒timing没达到芯片立刻fail

四、案例与数据

4.1 DEC/Alpha处理器——VLIW vs Superscalar的十年论战

背景：CPU从最初单核单发射→精简指令集（Patterson和John Hennessy教授发明）→1984-1990年代出现多发射（一周期执行多条指令）。

两个路线之争：

• VLIW（静态调度）：编译器提前编排好指令，每条指令同时代表多条指令同时执行
• Superscalar（动态调度）：处理器自己取指令放入调度窗口动态调度，并不预先编排

关键事实：今天所有AI处理器都走VLIW路线（包括NVIDIA GPU），并未走superscalar路线。

结局：DEC破产后被英特尔收购（Alpha处理器只卖了很少的钱）；DEC最大的资产AltaVista搜索引擎（比Google早六七年）因不知道怎样赚钱被超越。

时代背景：桌面CPU领域DOS+Windows已形成垄断，服务器领域百花齐放（Sun、SGI、DEC、HP、IBM），软件和IT系统未形成monopoly——各种路线都有机会验证。

4.2 PMC-Sierra经历——完整产业周期

• 1997年加入（正值两家公司——一家加拿大公司和硅谷公司合并重组）
• 恰踩在互联网第一波的传送网（城域网、城市间长距离传送网）基础设施上
• 泡沫期：市值曾成为加拿大全国市值第一或第二的公司，足以轻松买下蒙特利尔银行
• 破灭后：2000年互联网泡沫破裂。应用层微软IE血拼Netscape抢入口；基础设施层全世界拼命扩建干线，但投资方要能赚回投入——美国至今仍在用2000年铺的光纤（铺设过量、没人租、变不了现）
• 互联网应用公司2005年起来了，但基础设施公司一直没有再起来

不跳槽的原因：不愿抛弃同事；想找到另一个产品让做芯片的同事和自己有机会带来新收入。

日落期切身体验：恐惧——每天同事午餐时都在讨论下一次裁员是哪天、会是谁。但获得“观察者”机会——拜访IBM、HP（每月1-2次去Texas）、EMC的白发工程师，学行业运作，获得历史perspective。

4.3 自动驾驶7年孵化案例

从prototype在园区到处跑到上市卖给第一个消费者，整整花了7年。说明产品打磨过程的漫长；物理AI跨越物理世界的鸿沟部分基于此经验——带腿机器人暂难变现的核心理由是能耗；拖一根线虽可解决供能，但会限定工作范围。

4.4 台积电创立与fabless模式

1987年创立（张忠谋56岁），开创晶圆代工模式。当时AMD创始人Jerry Sanders有“real man have fabs”名言，但后来自己都脱离了芯片制造部门。

4.5 DeepSeek案例——极致的co-design

关键动作：

1. 2025年前：参数稀疏激活——只聪明地选择32分之1的参数参与运算，节约32倍算力和缓存
2. 2025-2026年：序列长度系数化——处理长序列时从256兆中只挑选1K或512个位置计算

算力比例匹配：Blackwell的cube（Tensor Core）与vector算力比例是32:1，昇腾是8:1。DeepSeek模型“非常匹配8:1的算力”（为挑选运算内容付出更多vector计算），而OpenAI/Anthropic买来的机器有32倍CUDA算力所以不需如此。

廖恒评价：“热烈鼓掌”给梁文锋，因为梁“有意识的主动选择更高的复杂性、更难的收敛算法”，是“先知先觉”地提前解决预期到的问题。

实际体验：“推DeepSeek v4 pro和用cloud 4.8”在吐字速度上没感觉差别。

4.6 断供事件与海思应对

• 海思每年新tape-out约100颗芯片；五年共完成381颗芯片（何总在姚定律发布会公布）；“从来没有听过一颗芯片回来冒烟，测试不通过，最后无法量产”
• 断供应对规模：“可能有五千到1万个单板全部都重新做过”

五、昇腾芯片技术路径

5.1 产品演进：910到950

产品管线：960、970、980都在开发pipeline中。

5.2 SIMD vs SIMT——“公交车与私家车”

• SIMT处理器内部其实也是SIMD；差别本质是数据块尺度大小（128 bit vs 512 bit）
• GPU的natural宽度是128 bit，昇腾早期产品宽度是512 bit——“我们的鹅卵石大块了一点”
• 在transformer这类本身特别大块的网络中影响不大，但在某些推荐网络或早期端侧视觉网络中需更小颗粒度
• 950的新同构使问题得到很大缓解——“与其做宗教式争论，还不如都用”
• 此争论90%可放置一边，当下更核心的问题：内存带宽配多少、互联怎么构建超节点、如何在运算时实现极致融合、如何降低多核/多芯片同步开销

5.3 单颗芯片与rack密度的物理极限

N平方 vs 4N论证：

• 计算die边长为N时，算力与N平方成正比
• HBM、IO、供电围绕周边布置，内存访问比特须跨越四条边周长4N
• N平方曲线与4N直线之间的gap随N增大越来越爆炸
• 超过物理边界后“灾难性的后果就是雪崩了”

结论：

• 单颗芯片不可能每年double（加剧N平方与4N矛盾）
• 2.5D scaling极限可能在4-6-8个reticle左右，可再做1~3代，大概率第四代不行
• 一兆瓦机框不可取：若500平方米才能散掉一兆瓦，一个gigawatt数据中心约1000个rack但需占地一平方公里放置散热塔；footprint（不到2平方米）与散热空间（500平方米）比例严重失调（250倍放大），水管需拉1公里远

华为选择：松耦合光互联——不把太多芯片塞进同一机框，通过光纤互联解决距离问题。光缆与电缆直径差约十倍，5000根线时物理体积差异巨大（可粗如大象腿）。绝大多数空间便宜（每平方米约2000人民币），通过光互联可获得10万卡甚至50万卡的数据中心。

5.4 软硬件接口的重新定义

Computer Architecture本质：Hennessy和Patterson《Computer Architecture》定义“the interface between software and hardware”。编程语言变化与核设计是一体两面的关系——如今这个界面正在被重新打开。

新编程语言/编译器技术：

• Triton（OpenAI）
• TritonLang（北大杨智及学生王磊——DeepSeek主要开发方式）
• 派Torch（华为开源编译器工作，跨平台——“放之四海皆准”）

CUDA生态的判断：“CUDA的生态的防护墙正在迅速消失，因为它已经不再是一个最主要的界面。”

5.5 CANN软件栈三层难度

5.6 开源决策的底层逻辑

1. 人与人通信带宽极低（约1kbps），而昇腾芯片间通信带宽7.2T bps——限制沟通带宽是巨大瓶颈；开源让使用者自行阅读代码消除沟通瓶颈
2. 开源后开发方与客户方都感到如释重负，人为瓶颈消失
3. 开源使AI辅助编程（agent获得充分语料）在CANN编程上发挥重要作用

5.7 训练与推理的经济学

• 推理是profit center（生产收入），训练是cost center（纯支出）
• profit center一定要比cost center更大
• 每增加10%吞吐 = 增加10%收入

5.8 存储战略

• 高带宽内存部门成立于七年前（约2018年），因“与其卖AI算力芯片不如卖高带宽内存”的认知
• 即便提前七年准备，面对内存十几倍涨价的海啸“依然有很多遗憾”——“当初为什么没有做更多”
• GPU/NPU采购成本中约80%是HBM（内存）的钱，只有约10%花在先进逻辑die上
• HBM不能独立销售，必须寄生在GPU/NPU内，变现依赖最终集成者

六、限制与待确认问题

6.1 已明确的限制

• fabless模式依赖两大前提：全球自由化分工环境（已被地缘政治颠覆）；产业变化速度不超过垂直分工应对能力（DRAM涨价十几倍证明此前提已失效）
• 摩尔定律必有终结一天：晶体管最小feature已到Angstrom级别，不可能小到一颗原子；经济性会变差、越来越贵
• 芯片落地的时间gap：从决策到落地至少3年，盲目跟随客户必然滞后
• 不能全抄作业的原因：不可能长得完全一样（芯片细节差异的必然性）；技术体系不可演进；通信部分超不了（互联能力不同），一旦通信超不了，通信与计算融合的算子就无法使用——必须全抄，但全抄不可能实现
• 散热与互联的物理限制：单颗芯片不应年年double，rack密度不应无限提升

6.2 未决问题

• VLIW vs Superscalar对AI处理器的启示：所有AI处理器走VLIW路线，“很有可能会从这些历史里头借鉴到有效的方向”，但尚未有定论
• 中国AI芯片公司P/E ratio高达600-800：是否会重演1999-2000年互联网泡沫破裂，未给出结论
• 物理AI突破时间：“也许就是下一时刻了，也许是未来的两三年”，需重大模型突破
• AI个人入口的矛盾：AI需要个人上下文才能替代人的工作，但会侵犯人类边界——个人失去安全感，公司质疑信息安全，此矛盾无现成答案
• 开源文化的持续性：没有保障愿意开源的公司明年还会继续——创始人决定可能持续较久，部门决定可能较快闭源
• 芯片产业分裂情景：若中美科技战持续十年，全球芯片产业一定会分裂成两个各自完整的制造体系（芯片经济规模比石油更大），但廖恒自称“不是这方面的专家”
• 垄断在AI时代是否会形成：“没这么快”，十年后“一比较难说”——技术领先可能被6个月或3个月超越（LLaMA曾被视作最优但后来被超越）

七、中国AI产业生态与人才

7.1 优势与劣势

优势（应用层） ：

• 应用层便利性：支付宝、微信支付等——“作者已好几年没摸到人民币”
• 算法人才：“全世界可能有70%的优秀的算法人员都是中国人”——伯克利理工科教授写文章说课堂上要教学生乘法分配律；中国有科举传统、学而优则仕、人民上升通道存在
• 算力资源：学术界中国“绝对遥遥领先”——国内高校/国家实验室有万卡以上规模，国外名校一个系可能只有几百或1000卡

劣势：主要体现在芯片制造相关的地下室层级。

7.2 中美算力差距

• 2023年估计：中国约1.几 gigawatt，美国约7-8个 gigawatt——中国约为后者的1/5到1/8
• 中国电力供应约为美国三倍；数据中心电费约为美国的四分之一到五分之一

7.3 人才成长与工程思维

工程人才核心品质：

• “做一个工程师必须首先得靠谱，而且要负责任，这是一切的基础”
• 承认自己判断失误但保持“先验认知有一定作用”（ARM服务器项目判断“完全错误”）
• 组织管理：“不可能每一个都挑到天才选手，全部是天才也会有问题……需要大量的有责任心负责任的人最后才能把事情做成”

“喇叭口”建议：张开好奇心，主动了解楼上（算法）和楼下（制造/封装）的知识——“用一个问题连问四个大模型对比答案数量级是否一致才相信”。

7.4 中国AI的silicon valley在哪里

廖恒猜测：“可能就在五道口，要不就是在上海的前滩、后海、滨江（徐汇区的那些创智学院）。”

理由：自己的孩子就在五道口读三年级，经常去参加交流讨论，在餐馆咖啡厅坐下来就能听到有人激烈讨论loss为什么跑飞、强化学习怎么弄更好。为什么不在硅谷：不是硅谷不再具有吸引力，而是企业的monopoly desire限制了——Anthropic的员工不会跟斯坦福本科生讨论最新的强化学习手段，因为他们想把这个变成竞争优势。中国有更充裕的人才供给，离垄断更远，正处在“晨星璀璨、百花齐放、极度繁荣，思想交流十分活跃”的时期。

八、行动清单与建议

1. 芯片产业参与者：不要盲目听从客户——面对4年gap，需主动定义未来方向；“一定要找到客户在哪”
2. 技术路线选择：面对物理极限时应“扬长避短”——不挑战20个物理极限（99%的20次方接近零），只突破约5个高价值难题（99%的5次方可接受）
3. 环境变化应对：当大前提变化时，必须适应——fabless模式“不是everything，合理性有大前提”
4. 工程人才培养：需经过严格process打磨到可用状态（自动驾驶7年案例）；“必须从模块设计做起，经历完整tape-out cycle”
5. 软件生态建设：CANN全面开源；legacy部分服务大众，先进性部分服务少数高端用户（部署GLM-5.2等追求每卡每秒最高token数和最低延迟）
6. AI应用创业者：关注个人入口——“AI能力很强，但缺少个人上下文”；入口会立刻侵犯人类边界——需权衡安全与便利；此应用层design可能与模型本身无关，是一个更好的APP，谁先找到novel设计谁就可能成为超级应用
7. 面对AI取代焦虑：不要担心被取代，重点是“自己会不会躺平”——AI加持下有十人甚至百人开发能力，是否去开发全新前所未有的东西？要有“自我向前走的欲望”，而非“我叫你干什么你才去干”

九、推荐书单

十、总结

10.1 产业规律总结

半导体行业的大周期由上层应用创新驱动：应用层的垄断形成会压制底层芯片创新，导致行业凋零；新的技术浪潮（AI）打破既有垄断，催生新一轮繁荣。中国作为AI时代的重要参与者，正从“跟随者”走向“局部领先”，有望避免美国模式下垄断对芯片行业的负面影响。

10.2 中国芯片产业判断

• 制造差距：主要在能源成本层面，可承受但不应以此为由
• 算力保底：完全有算力、不见得更贵、更耗电但电费为美国1/4-1/5
• 优势：应用层发达、算法人才占全球约70%、算力资源在学术界绝对领先
• 路径选择：扬长避短，走独立技术路线（NPO光通信、松耦合互联、新同构架构），不需、也不具备复现台积电/英伟达的先决条件

10.3 个人与组织

• 判断失误是常态，关键是区分短期/长期维度，承认“先验认知并不可靠但有一定作用”
• 从恐惧到好胜心的转变，源于拆解问题和逐一解决
• 使命感的来源：“necessity is the mother of invention”与“有限的生生命能够尽可能留下一些更好的东西”

10.4 核心金句

• “我的生活的日历是在2030年，我的客户是生活在2026年”——芯片决策的时间维度
• “CUDA的生态的防护墙正在迅速消失”——软硬件接口重新定义
• “第一板斧都是很厉害的，但是一个企业非常难以不断地再造自己”——创新者窘境
• “世界就是这么奇妙，往往并不是最富有的孩子他会最成功”——垄断者评价
• “当一个人能够跨越城市的时候，就会像一个线一样，把很多珍珠串在一起，会形成一个项链”——跨层协作的价值
• “最困难的时候是在没人批评的时候”——自我驱动的重要性
• “绝大部分美国能做的芯片，中国都已经可以自己做了”——产业能力现状
• “Betting on China，并不在于说betting against America”——最终答案