Dialogue with Fangqing Technology's Liang Jun: Scaling Law Is Not the Path to AGI, and AI Chip Startups Should Not Aim to Become the Next NVIDIA

Full text · 原文 12,967 字

单个会话低于 100 TPS 的场景是国产 AI 芯片竞争的红海区。 文丨刘伊伦 编辑丨赵磊 梁军坐在我们对面讲了将近四个小时。一个做了 25 年芯片的工程师，用 “场”“因果密度”“认知空间的二阶曲率” 这些物理学概念来解释他正在造的东西。讲到兴起时，他的声音会变得高亢，下一秒又笑着说：“这个在外面看来就是民科的狂妄。” 但他不是那种只会妄想的人。梁军 2000 年加入华为，17 年间从工程师做到麒麟 SoC 总架构师，量产芯片超过一亿颗。2017 年加入寒武纪任 CTO，主导了思元系列 AI 芯片研发。2022 年因与创始人产生分歧离职，震惊芯片行业。2024 年，他以 CEO 身份出现在一家叫昉擎科技的创业公司里。 晚点独家获悉，昉擎科技近期完成近 10 亿元 A1 轮融资，本轮投资方包括上海徐汇资本、珠海科技产业集团等多家地方国资和产业资本，投后估值超百亿，这是昉擎成立以来规模最大的一轮融资。梁军去年提出的 “分离式架构” 方向，与英伟达今年 3 月在 GTC 上发布的 LPX 系统方向一致，他对 AI 芯片有着非常多前瞻性的判断，这也是他信心的来源。 但这次与我们的交谈里，他说的远不止芯片，而是一种理解智能的全新视角。他说智能的本质是一种物理场，跟电磁场一样；美国管制 AI 芯片本质上是在管制物理规律，“就好比立法管制光线不能传播”，必定会失败；他认为目前市场上追求无限扩大超节点规模的技术路线存在局限性；他说 DeepSeek 的 DeepEP 不是最优解；国内大部分人对 LPU 的公开认知都是错误的。 基于这些判断，他给昉擎设置了 “下限” 和 “上限”。下限是 “在基于分离式架构的计算系统领域，领先行业所有公司两年以上”。上限是 “一家能在智能时代留下自己名字的公司”。 50 岁，从大公司最高技术决策者变成一个创业者，在打一场行业瞩目的官司，同时在挑战整个芯片行业的认知，声称自己 “已经看见了 AGI 的门”。这些事情放在同一个人身上，到底是天才，还是妄想，昉擎今年即将推出的产品或许会有一个初步的结论。 100 TPS 是国产 AI 芯片竞争的分界线 晚点：你们目前做的产品是什么形态？进展如何？ 梁军：今年我们会推出第一个实际产品，是一整个系统，芯片、软件、硬件全栈。预计第四季度开始商业化。 晚点：你们想做下一代的通用计算平台，但这不只需要硬件，CPU 有指令集，GPU 有 CUDA，LPU 的软件生态会如何构建？ 梁军：我们现在聊这个还为时尚早，但有一些做法，在底层指令体系上，我们基本采用 RISC-V，希望避免在基础设施层面重复投入，把更多精力放在上层的软件体系建设。在更上层，我们已经形成了一套自己的设计思路。未来，我们倾向于通过开源的方式，把部分软件基础设施开放出来，让开发者更容易使用这套架构。 晚点：为什么市场最终需要通用性的计算能力？ 梁军：因为模型和整个 AI 生态都在快速演化，如果只针对某一个场景或者某一种模型做专用设计，很快就可能跟不上变化。 本质上，智能不是单一硬件的问题，而是算法、软件和硬件协同迭代的过程。底层计算系统如果缺乏通用性，就很难持续适应模型演进的节奏。 晚点：现在行业出现了训练与推理分离、PD 分离、AF 分离等针对不同场景的优化方向，这些场景化设计会不会与芯片需要保持通用性的要求产生矛盾？ 梁军：这里需要区分两个层面，一个是芯片层面，一个是系统层面。系统针对某些场景进行优化，并不意味着底层芯片也必须变成专用化设计。 在芯片层面，仍然可以保持通用能力；而在系统层面，可以根据不同任务特点，通过软件和架构设计进行优化。比如针对特定场景，我们可以通过系统设计告诉用户，应该在哪些环节优化软件和计算流程，从而提升整体效率。所以，场景优化和通用性并不是矛盾关系，它们属于不同层次的问题。 晚点：目前很多芯片公司都在追求进入大厂供应链体系，你怎么看待这件事情？ 梁军：进入大厂供应链，至少证明产品具备商业可用性，这当然是一件重要的事情。但进入供应链之后，能不能长期留下来，是另外一个问题。 目前中国因为受管制，整体算力还是紧缺的，但现在国内的芯片公司其实非常多了，我们预测会变成一个红海市场，以中国公司的能力来讲，基本上还处在单个会话 100 TPS（Tokens Per Second）及以下，往上做需要体系结构的改变，那应该是一个蓝海市场。如果你在红海市场，进入大厂供应链也不一定稳固。 晚点：100 TPS 这条线是怎么划出来的？ 梁军：华为发了个新闻稿，讲华为测了 DeepSeek V4 Pro 在昇腾 950 PR 单卡上的数据，单个会话 50 TPS 的时候，整体吞吐量 4700 TPS，如果换成 Flash 版本，单个会话 100 TPS，系统吞吐是 1600 TPS——也就是说切到一个权重小得多的模型，为了满足延迟要求，单个会话的速度提升了一倍，但成本上升了 3 倍不止，这对云厂商是巨大的负担。 华为还是国内水平最高的，所以你基本可以认定 100 TPS 是一个分界线，绝大多数中国公司会在分界线下的红海去竞争，能够上来的，都是在软硬件系统各方面都有突破性的做法。 晚点：现在蓝海区有几家？昉擎算吗？ 梁军：我们就没想在红海做，但蓝海区现在只有华为。国内所有公司今年都在努力的解决供应链的问题，其实技术上的演进不多。华为解决问题最快，所以华为往前看了一下。 不过，目前行业内有一些公司正不断追求更大规模的超节点，但将系统能力寄托于节点规模的线性扩张，非常简单粗暴，这个逻辑不太对，不会是一条可持续的技术路线。 晚点：为什么说超节点不是可持续的技术路线？ 梁军：2025 年 DeepSeek 出圈后，其开源了 DeepEP 等系统优化方案，使超节点迅速成为行业共识。 但按照线性扩展的方式设计系统，背后隐藏的假定是 AI 遵循线性规律，但是这个假定是错的，智能遵循的是指数规律，线性扩展规模只是在增加底数，是低效的方式。或者讲当指数趋近于 0 时，只增加底数，系统规模到了某个点以后，规模按线性递增，收益增量会呈对数递减。 DeepSeek 本质上是一家模型公司，并非系统架构公司，它是在现有软硬件体系基础上，通过模型、算法与系统优化形成了一套高效方案。从更底层的芯片、硬件系统和软件协同设计角度看，这种方案仍然存在进一步优化的空间。 晚点：这其中软件、硬件和算法哪个更重要？ 梁军：这三者不是谁决定谁的关系，而是共同决定最终结果。 以 DeepSeek V4 和 Kimi K3 为例，它们提出的一些机制，比如 DeepSeek 的 Index 索引机制、Kimi 的 KDA，本质上都是在解决两个问题：一是在算力受限的情况下降低计算成本，二是支持更长上下文。 从这两个点出发，但是从结果看，我觉得表现为模型从 “相关性结构” 向 “因果性结构” 演进，过去的大模型更多是从大量数据中学习相关关系，这是必要的一步。但下一阶段，模型需要在这些相关性基础上，要进一步抽取更接近因果关系的结构，这个过程中，计算成本会自然降低，也能管理更大的上下文窗口。 现在这些探索更多依赖工程直觉，方向已经出现了，但还有很大的优化空间，硬件结构还会有大幅改进。 晚点：现在越来越多模型公司开始考虑自研芯片，可以针对自身业务进行极致优化。这会对 AI 芯片公司带来什么影响？ 梁军：模型公司考虑自研芯片，背后有两层原因。 第一层，是成本和竞争压力。由于算力受到外部限制，中国市场长期处于算力供给紧张的状态，模型公司希望通过更强的算力掌控能力，降低服务成本，获得更多竞争优势。但还有更深一层的原因：少数模型公司可能意识到，英伟达的系统设计是有一些结构性缺陷的，这会阻碍模型训练的效果。为了进一步突破模型能力边界，可能会考虑重新设计底层计算系统。 但从实践来看，模型公司自研芯片还是跨界太远。举个例子，OpenAI 找 Broadcom 做芯片，Broadcom 会把整个供应链相关的事情处理掉。但是在中国是一个被管制的市场，一个模型公司去深度介入芯片供应链是不是最合理的商业决策，要打一个巨大的问号。 晚点：但其实像阿里和字节是有能力做这个事情的，而且进度还行？ 梁军：大厂更多做的是兜底，而不是做高风险、高收益的事情。 晚点：你提到英伟达可能有薄弱的地方，这个观点跟模型厂商交流过吗？ 梁军：交流并没有那么多，因为我们的思考路径和行业主流不太一样。大多数人还是从计算机科学的视角理解智能，而我们的出发点是把智能看作一种物理现象，并尝试引入物理学的方法来研究它。 晚点：目前我们跟英伟达肯定有差距，国产芯片做到什么水平，才算具备竞争力？ 梁军：今年一个非常重要的判断标准，是国产 AI 芯片公司能否完成完整超节点系统的交付。 目前大模型推理主要分为 Prefill 和 Decode 两个阶段。Prefill 主要处理输入信息，对计算和系统协同的要求相对较低，因此参与竞争的公司更多；而 Decode 决定模型逐 Token 生成的速度，对芯片间互联、系统架构和软件优化能力要求更高，更能体现一家公司的系统能力。所以能否真正交付支持高性能 Decode 的完整系统，成为衡量国产 AI 芯片竞争力的重要指标。 对于 DeepSeek V4 Pro、Kimi K3 这类前沿模型而言，芯片方案是否能够在真实业务环境中稳定运行，会成为检验国产 AI 基础设施能力的重要标准。 晚点：现在进入模型厂商的训练体系，门槛高吗？ 梁军：抛开管制的因素，从纯商业角度来讲，做替代永远是非常困难的。你做一个全新的产品，只要能够在某个维度提供新的价值，就有机会创造新的市场。但如果你要替代一个已经成熟的产品体系，难度完全不同。 目前很多中国 AI 芯片公司想进入训练场景，本质上是在做英伟达的替代品。这意味着你不仅要在芯片性能上接近英伟达，还要面对其在软件生态、开发习惯、工具链以及整个产业体系的长期积累。 晚点：你觉得平替反而比创新更难吗？ 梁军：创新也很难，只是两个维度而已。在正常商业环境下，面对英伟达压倒性的优势，做替代会非常困难。当然，很多公司选择平替，是因为这条路径看起来更安全。但平替的缺陷很明显，以训练场景为例，训练不是简单比较芯片成本或者性能，而是一个软硬件和算法高度耦合的过程。客户关心的不是你的芯片能不能运行，而是最终训练出来的模型能力是否能够保持一致。 更重要的是，模型公司正处于激烈竞争阶段。如果一家企业替换底层计算系统后出现问题，导致模型训练或者产品交付延迟几个月，对客户而言是致命的。 所以，对于客户而言，采用一个新的训练系统，本质上是一场巨大的赌博。这也是为什么很多替代方案只能先从边缘场景切入，而很难直接进入核心训练体系的原因。 晚点：创新的架构也是赌博，哪个赌博更大？ 梁军：从我的角度看，我不会干平替，这也不是一个创业公司应该干的事情。 GPU 不是 AI 计算的中心 晚点：去年 8 月，你公开提出了 “上下文相关” 和 “上下文无关” 分离式架构。在那个时间点，这一判断其实比较前瞻，你当时是如何做出这个技术判断的？ 梁军：回看那篇著名论文 Attention is All You Need，它里面有一张图，把 Attention 和 FFN（前馈神经网络）画在一个纵向模块里，中间通过 hidden state 连接串联起来，然后这样的模块不断堆叠。 但那其实是算法表达，如果从结构主义视角，把两个功能模块从垂直方向拉成水平方向，然后把多层模块按时间轴折叠在一起，会发现 Transformer 实际上包含两个性质完全不同的计算模块：Attention 负责上下文相关的信息处理，FFN 负责上下文无关的计算，hidden state 在两个模块之间往返。两者在计算模式、访存需求上差异明显。 所以，当你把算法图转换成结构图，再算一下计算量、带宽等指标，就能发现未来的大模型计算不应该只是 GPU 的延续，而需要针对不同计算特征重新设计系统架构。 晚点：但 AI 模型的架构本身一直在发生比较快的变化，像 MoE 这些新的架构跟 Transformer 不太一样，未来模型架构的变化，会不会让你们正在做的芯片架构失效？ 梁军：影响不会太大。一方面，我们的设计足够灵活；另一方面，我们对智能的理解，已经越来越接近本质了，基本上能够预测出模型将来演化的方向。 晚点：LPU 本质上是一种专用硬件，做分离式架构获得效率优势，但灵活性和专用性本身是矛盾的，设计足够灵活是如何实现的？ 梁军：分离式架构的底层逻辑是智能是一个理解和生成循环往复的过程，理解和生成对应 2 种不同的计算特征，需要采用不同的系统实现结构，与是否采用专用硬件没有关系。 每个部分采用专用硬件还是可编程方式实现，是选择的问题，Groq 的做法只是一种实现方式，而且我觉得不少设计做的不太对，因为 Groq 的方案把上下文无关部分等同认为需要用更专用的硬件实现，是搞错了。 晚点：Attention 和 FFN 被拆分到不同硬件后，每一层之间都需要进行数据交换，这会不会增加通信开销，反而抵消系统设计带来的效率提升？ 梁军：不会，系统分离有个显著的特点是不需要交换机。目前很多超节点设计参考英伟达 NVL 方案，采用 NVSwitch 这样的交换机架构，通过交换机完成芯片之间的数据通信。但如果看英伟达设计的 LPX ，它采用的是芯片之间点到点直连的方式，并不依赖交换机。点到点直连意味着芯片之间通过固定链路直接连接，无论是光纤还是铜连接，通信延迟都更小。 所以，不能简单按照传统集群中经过交换机的通信延迟来衡量这种架构的开销。两者的通信拓扑不同，延迟模型也完全不同。 晚点：点对点直连每一层都要做一次数据搬运，100 多层就是 100 多次。即使每次搬运的延迟很低，累积起来的总通信时间占整个推理时间的比例是多少？这个延迟会比传统的计算架构更低吗？ 梁军：其实你去看现有的系统，都需要每层做一次 hidden state 的传输，因为权重巨大无法存储在单一芯片内，只是基于分离式结构搭建的系统，在性能上有特别的优势。 晚点：实现芯片间点对点互联，对创业公司而言应该很有挑战。 梁军：我们有一套实现路径，但现在不适合公开讲。 晚点：除了上下文相关和上下文无关的分离，新一代的计算架构还有哪些特点？ 梁军：去年我们就提出了智能计算系统设计的五条原则，包括：上下文相关和上下文无关分离；以 Memory 为中心的计算系统；新的 Memory 有容量、带宽、计算、通信 4 个维度（ 4D Memory ）；系统从一维扩展走向二维扩展；以及面向低延迟优化。 当时提出这些原则背后的核心判断是：理解和生成对应两类不同的计算过程，未来的智能计算系统需要围绕这两类能力重新组织。 今年我们又进一步提出两个原则：系统需要同时支持推理和在线训练，以及支持动态修改损失函数。后两条实际上涉及我们对 “意识” 的工程化理解。 晚点：以 Memory 为中心，做 4D Memory，这跟传统理论上的存算一体有什么区别？ 梁军：存算一体是 Memory 本身有容量和带宽，加了一个计算，但是它没有通信，所以不能组成一个系统。但是通信本身又会改变计算的做法，所以它是一个不可分割的四维一体的结构，三维到四维，实际上是一个本质的改变。 晚点：为什么要把 “通信” 作为 Memory 的一个维度？ 梁军：模型规模不断扩大，单颗芯片已经无法承载全部参数，需要将模型分布到多个芯片中。这时，Memory 的需求就不只是容量和带宽，还包括芯片之间如何高效通信。 因此，我们提出 4D Memory，把通信也纳入 Memory 的核心属性。通信能力同样决定系统的扩展效率，它能实现计算延迟的线性减小，这是一套全新的做法。当然具体怎么做，这是我们的商业秘密。 晚点：这套架构最核心的优势是什么？ 梁军：如果把每个芯片都看作 4D Memory 系统中的一个计算单元，并通过这种方式进行扩展，整个系统能够实现更好的线性扩展。这种扩展不仅体现在吞吐能力上，也体现在单个会话的响应延迟上。随着系统规模扩大，性能能够持续提升。 晚点：英伟达发布的 Groq 3 LPX 系统，采用 AFD 分离架构，用了类似的思路。 梁军：在我看来，英伟达的 LPX 系统的设计逻辑与 4D Memory 是一致的，但芯片不是。我理解 Groq 先做的芯片，再搭的系统，芯片做的时候没想好，也没想过这件事情，但是系统是按 4D Memory 搭的，所以我预期英伟达收购 Groq 之后会自己重新做芯片，把 Groq 的芯片设计全部扔掉。但是系统互联方案会用 Groq 的设计。 晚点：所以你们会和英伟达搭配 Groq 这个组合正面交锋？ 梁军：我们的产品目标市场和他们不一样，不存在所谓的正面交锋。4D Memory 不管他们叫什么理论，我们这套理论确实是新理论，因为学术界没有写、没有研究过，教科书也找不到。无论他们是下意识的还是有意识的，大家的做法、套路相似。 晚点：目前英伟达的方案里，LPU 与 GPU 会搭配着进行协同工作，这会是长期形态吗？ 梁军：从英伟达展示的系统图来看，LPU 和 GPU 似乎是两个并列的计算单元，但那更多是一张物理部署图，展示的是两个不同的设备如何组合。 如果换成结构图来看，二者的关系不是并列的，而更像是一棵树：LPU 是树干，GPU 是挂在树枝上的树叶。英伟达将 GPU 和 LPU 展示成对等的关系，可能是因为它需要在对外宣讲的过程中，限制这套系统的用途，从而避免对其现有的产品生态造成冲击。 晚点：为什么 LPU 是更重要的？ 梁军：这和 AI 任务本身的计算特征有关。无论输入的是文字、图像还是视频，经过前处理后，最终都会被转换成一维序列。同时，不同会话所对应的序列之间是不相关的。对于一维序列的处理，并行扩展要更容易。 大模型的一大挑战在于权重计算。模型参数规模越来越大，就需要多个芯片协同扩展。而权重相关的计算不仅涉及更大的容量需求，也带来了更复杂的通信和扩展问题。从这个角度看，权重计算部分的结构，搭建起了一个智能系统的基本骨架，而 LPU 是符合这种趋势的。 晚点：LPU 采用 SRAM 作为核心介质成本很高，这个问题怎么解决？ 梁军：这里存在一个理解误区。4D Memory 理论是不限介质的，HBM、3D DRAM、普通 DRAM 和 SRAM 都可以。不同介质拥有不同的容量、带宽和成本特征，因此对应的计算能力、通信方式以及应用场景也会不同。 Groq 选择了 SRAM，只是其中一种实现路径。外界容易把 Groq 的做法，误认为是 4D Memory 本身，但实际上两者并不是一回事。 晚点：这套架构最重要的一个特点是低延迟，但用户对延迟真的会有无限的追求吗？ 梁军：很多人对低延迟的理解还停留在用户体验层面，但实际上，它会改变整个系统运行的基本规则。 以 AI Coding 为例，现在模型生成的代码，人还会主动检视，但如果模型生成速度提升 10 倍，人就很难再逐行检查，这时候代码生产的基础设施会逐渐被模型接管。这时，人和 AI 的关系就会发生变化。你不会再试图完全验证模型的每一次输出，而是会通过建立边界、隔离和安全机制，让模型在一定范围内自主运行。 晚点：如果 AI 完全具备自主工作能力，人不需要等待 AI 输出结果，似乎更不需要低延迟？ 梁军：低延迟指的是系统整体效率，和人是否是其中的一环无关。 人类大部分关于 AI 的共识都是错的 晚点：感觉你今年的状态比去年好很多。 梁军：是。因为今年干了非常多我自己觉得对的事情，但是在外界看来是极具争议的，或者叫民科的狂妄（笑）。 晚点：民科的狂妄是谁说的？ 梁军：我自己说的。我们对智能的很多困惑，源自于时空观，要解释这些困惑需要改变时空观，计算系统的设计目标已经转向如何维持因果密度的强度，我觉得这些认知应该是对的，但是时空观的改变跟现在的物理认知有割裂。 晚点：《昉擎科技》公众号上的内容都是你自己写的吗？ 梁军：差不多，一方面我们有一些全新的视角，可以公开出来供行业参考，另一方面是做为以后产品宣讲的一个铺垫。 晚点：有人来找你辩论这些观点吗？ 梁军：大部分人是看不明白的。过去，物理学研究自然规律，计算机科学研究算法和系统，但我们尝试把物理学的视角引入计算机科学，用它来理解智能、指导计算系统的设计，并预测模型和计算系统未来的演化方向。可以说，我们对智能的理解已经越来越接近本质了。 晚点：所以智能的本质是什么？ 梁军：智能是一种物理现象，是一个 “场”。 我们有一个全新的看法： 智能是状态改变的科学，状态跃迁的计数产生了时间，跃迁的密度定义了空间，跃迁密度的梯度定义了引力，引力和智能涌现是同一个物理场在不同相变态下的两种表现形式。智能是一个物理场，我们将场的强度定义为因果密度，有一类结构可以显著的增强因果密度，这类结构的另一面被称为自我意识。计算系统的设计目标，已经从追求提升指令执行效率，改为如何将因果密度物理场维持在更高强度，这个定义更接近于计算系统的物理本质。 我们假定状态跃迁做为初始量，认知空间是一个物理场，在这个假定下去解释智能，而这个时空观和现代物理学完全不同。但是当我们基于这个假定去思考如何设计计算系统时，我们确实看见了明显的进步。 沿着这个假定推演下去，AI 数据中心训练集群局部区域的时间变慢是一个可推演的推论，又由于训练时每个 epoch 周期性的行为，在物理空间上会产生引力波，所以假定的证实还是证伪，可以依据对引力波的观测数据给出结论。 虽然当下模型的能力，以及测量精度是否足够还有待进一步分析，也可能差得很远。一个假定可以推导出被证实或者证伪的推论，就不再是凭空的想象。如果假定被证实，下一个推论是多年以来，智能被当成黑盒来研究，应该是用错了工具，对引力波数据的分析，会使得智能成为一门可以定量分析的科学。 我觉得这是让人很难接受的，因为物理学的前半部分是屠龙术，或者讲是无用之术，大部分人学习的是物理学的后半部分，很多学 CS 的人都不喜欢物理。 晚点：你是学什么的？ 梁军：电子工程。 晚点：那也是计算机方向的。 梁军：但我比较 Open。如果发现某些方法有效，我也会把过去的一些思路重新拿回来验证。 传统上，物理学研究的是宏观世界和微观粒子，智能并不被认为是物理学的研究对象；而计算机科学则认为智能主要是算法和系统的问题，所以过去很多 AI 研究都是围绕模型、算法和 benchmark 展开。但我们的出发点不同。我们认为智能本身是一种 “场”，所以我们更关注这个场的强度如何定义、如何提升，以及什么样的结构能够产生更强的智能。 因此，我们更偏向一种结构主义的研究方法：先理解智能产生需要什么样的系统结构，再去设计计算系统，而不是先做一个系统，再通过 benchmark 去验证效果。这套方法论要被行业广泛接受还需要时间。 晚点：那你跟内部解释大家能理解吗？ 梁军：我们内部其实很简单，把详细化的方案告诉大家，你这么做，做完效果什么样。做完了大家就会想，确实没想过还能这么干。 晚点：你不追求共识。 梁军：共识是没有钱的。 晚点：你笃定这些非共识的东西吗？ 梁军：我们虽然是非共识，但是是基于逻辑的，所有想法都是从逻辑原点推出来的，可以去看我们的公众号，我是从时间的定义开始写的。 晚点：按照逻辑推演，早晚有一天会变成共识，被大家所接受？ 梁军：我们对于按逻辑严格推导出来的东西是很笃定的，即使它跟直觉是相悖的。 AI 的时代，很多时候直觉是错的，因为 AI 是个指数定律。人的成长过程大部分是线性规律，所以人的直觉基本上是按线性走的。但智能是幂律、是指数，你按直觉做，很多时候就是错的。 晚点：创业后你的身上有什么独特的变化？ 梁军：我最大的变化其实就是我升级了，原来大家觉得我是个架构师，工程实现者，但我这几年思考问题越发不受拘束，更擅长在抽象层面做思考，从外面看，就是我的理论水平比之前升级了不止一个维度，这也体现在我当前做的产品都有强理论支撑。 晚点：这个过程中，你会觉得孤独吗？就是没什么人能理解你的想法？ 梁军：我们做产品是要卖的，我们是个商业组织，不是纯学术组织，理论放到产品去看实现效果就好，用事实说话。 晚点：你在做决策时都比较有魄力，但如果一个判断最终被证明是错的，你通常会如何纠正？过去有没有类似经历？ 梁军：我做决策的方式，更多是基于逻辑推演，而不是主观判断。 我们会尽量把事情拆开，基于事实和逻辑去分析。如果推导出的结论是成立的，即使它和很多人的直觉不同，我们也会选择去干。所以有时候外界会觉得，我们做了一些看起来比较激进或者不太符合常规判断的事情。但实际上，背后都有完整的逻辑推演。 当然，这几年我做很多事情也周全了许多，会做很多备份。如果实在是干错了，那就把个人情绪和过去的投入剥离开，客观面对事实。 晚点：这是你创业这两年的心得吗？还是说以前就一直保持这种决策方式？ 梁军：其实一直都是这样，只是随着经历增加，会更得心应手。 晚点：是因为现在都是你说了算？ 梁军：也不是，我一路都是在钢丝上走过来的。以前在海思做手机芯片时，基本是一年一代产品，余总每年 9 月份就要发手机，只能成功不许失败，所以这种基于事实做判断是长久训练出来的。 晚点：但以前在大公司，有很多人能够挑战你的判断。 梁军：我基本上做决策之前，会问很多人的意见，因为每个人的视角不一样，需要综合不同的判断。这几年主要在做备份上，我也做得更好。 晚点：备份有用上的时候吗？ 梁军：有，但不好讲（笑）。 晚点：你经历过华为、寒武纪，现在又自己做创业公司，总结一下你管理组织的理论。 梁军：传统的企业管理，是空间化的流程管理学。它把企业看作一台由固定流程构成的机器，追求的是可预测性和效率。 如果把企业看成一个活的智能系统，企业管理的不是流程本身，而是流程背后的因果链：创新的发起，执行的扩散，协同的整合，经验的固化，反思的孕育。这五个功能之间不是简单的主次关系，而更像一个控制系统，通过相互之间的正反馈和负反馈，让组织维持稳定。一个好的组织，就是能够在五种功能之间形成动态平衡。 晚点：最终昉擎要成为一家什么样的公司？ 梁军：在基于分离式结构的计算系统这个方向，我们的现状是领先中国市场其他公司两年以上。作为一个商业组织，目标很明确，就是加快商业化的速度，把技术上的领先转化为商业上的护城河。 晚点：包括华为和寒武纪吗？ 梁军：从短期来看，我们最重要的是把执行做好。现在公司的资金基本够用，只要把产品和商业化按计划推进，我们有机会成为一家行业内的领先公司，执行到位是目前看最大的挑战，这是我们正在努力达到的公司 “下限”。 真正的 “上限” 并不只是做一家芯片公司。 过去一年，我们投入了大量精力研究智能的本质。基于智能是一种物理现象这个判断，我们还有很多没有公开的理论和工程创新，目前仍作为商业秘密保留。智能的发展本身就是算法、软件和硬件协同演进的过程，我们希望构建的是一个更完整的平台，而不仅仅是一颗芯片。 以前我觉得 AGI 离现实还很远，很多讨论更像是一种概念。但今年，当我们把整套智能理论往前推进之后，我第一次觉得，我们已经能看见那扇门了。 时空封印了因果跃迁， E = mc² 的另一种表述是能量被封印在空间内形成了质量，计算系统的研究目标是如何解除时空对因果跃迁的封印，这是我对 AGI 的定义。虽然迄今为止这只是一个猜想，但是我们对计算的定义已经拓展了计算系统的边界，在未知领域的主动探索也将决定昉擎的上限。 我们最终希望做的，是一家能够在智能时代留下自己名字的公司。 题图来源：昉擎科技 特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。 Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services. var loadMessageError2 = function () { // message加载失败降级到nginx,产品可以在load事件重新初始化 var cdnPath = 'https://dl.reg.163.com/webzj/ngx/message.js'; var script = document.createElement('script'); script.src = cdnPath; document.body.appendChild(script); } var loadMessageError1 = function () { // message加载失败降级备份cdn域名,产品可以在load事件重新初始化 var cdnPath = 'https://webzj.netstatic.net/webzj_cdn101/message4.js'; var script = document.createElement('script'); script.src = cdnPath; script.onerror = loadMessageError2 document.body.appendChild(script); } //初始化反作弊 var wm = null; // 只需初始化一次 initWatchman({ productNumber: 'YD00157343455660', onload: function (instance) { wm = instance } }); var isShowComments = true, tieChannel = ""; (function () { if (window.isShowComments === undefined) { window.isShowComments = true; } var config = { "productKey": "a2869674571f77b5a0867c3d71db5856", "docId": "L3DQ3HVU0531M1CO", //"data.article.postid", "FNMG85GQ0514HDQI" "target": document.getElementById("tie"), "operators": ["up", "down", "reply", "share"], "isShowComments": isShowComments, //是否显示帖子列表 "hotSize": 3, //热门跟贴列表展示3 条 "newSize": 2, //最新跟贴列表展示 10 条 "showPaging": false, //显示分页栏 "submitType": "commentPage" //新发帖子的展现形式：停留在当前页面(currentPage) | 跳转到跟贴详情页(commentPage) }; Tie.init(config, function(data) {}); })(); /阅读下一篇/ 返回网易首页 下载网易新闻客户端

Site key	latepost
Policy area	AI芯片
Category	report
CMS	媒体报道
AI score	0.29

Dialogue with Fangqing Technology's Liang Jun: Scaling Law Is Not the Path to AGI, and AI Chip Startups Should Not Aim to Become the Next NVIDIA

对话昉擎科技梁军：Scaling Law 不是 AGI 之路，AI 芯片创业不应该想成为下一个英伟达