单个会话低于 100 TPS 的对话达g订阅场景是国产 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。昉擎一个做了 25 年芯片的科技工程师，用 “场”“因果密度”“认知空间的梁军二阶曲率” 这些物理学概念来验明正身他正在造的东西。讲到兴起时，芯片下他的创业成声文章会变得高亢，下一秒又笑着说：“这个在外面看来就是该想民科的狂妄。”但他不是英伟那种只会妄想的人。梁军 2000 年加入华为，网易17 年间从工程师做到麒麟 SoC 总架构师，对话达g订阅量产芯片超过一亿颗。昉擎2017 年加入寒武纪任 CTO，科技主导了思元系列 AI 芯片研发。梁军2022 年因与创始人产生分歧离职，芯片下震惊芯片行业。创业成2024 年，他以 CEO 身份出目前一家叫昉擎科技的创业公司里。晚点独家获悉，昉擎科技近期实现近 10 亿元 A1 轮融资，本轮投资方涵盖上海徐汇资本、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 系统方向相同，他对 AI 芯片有着特别多前瞻性的判断，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方式算系统领域，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比如。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？开展如何？梁军：今年我们会推出首先个实际产品，是一整个系统，芯片、软件、硬件全栈。预方式第四季度最初商业化。晚点：你们想做下一代的通用方式算平台，但这不只需硬件，CPU 有指令集，GPU 有 CUDA，LPU 的软件生态会如何构建？梁军：我们目前聊这个还为时尚早，但有一些做法，在底层指令体系上，我们基础采取 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方式思路。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，让开发者更那么点儿采取这套架构。晚点：为什么市场最后需通用性的方式算能力？梁军：因为模型和整个 AI 生态都在高效高效演化，如果只照章性某一个场景或者某一种模型做专用设方式，很快就可能跟不上变化。本质上，智能不是单一硬件的状况，而是算法、软件和硬件协同往往代的流程。底层方式算系统如果缺乏通用性，就很难持续适用应模型演进的节奏。晚点：目前行业出现了训练与推理分离、PD 分离、AF 分离等照章性不一样场景的改进方向，这些场景化设方式会不会与芯片需保持通用性的需产生矛盾？梁军：这里需区分两个层面，一个是芯片层面，一个是系统层面。系统照章性某些场景开展改进，并不意味着底层芯片也必须变成专用化设方式。在芯片层面，仍然可以保持通用能力；而在系统层面，可以根据不一样任务特点，通过软件和架构设方式开展改进。例如照章性特定场景，我们可以通过系统设方式告诉用户，应该在哪些环节改进软件和方式算步骤，从而提高整体效率。因此，场景改进和通用性并不是矛盾关系，它们属于不一样层次的状况。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，至少说明产品具有商业可用性，这当然是一件题的事情。但进入供应链之后，能不能首先期留下来，是同时一个状况。目前中国因为受管制，整体算力还是紧缺的，但目前国内的芯片公司其实特别多了，我们预测会变成一个红海市场，以中国公司的能力来讲，基础上还处在单个会话 100 TPS（Tokens Per Second）及以下，往上做需体系结构的变化，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，为了顺应延迟需，单个会话的高效度提高了一倍，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，因此你基础可以认定 100 TPS 是一个分界线，不过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部分都有突破性的做法。晚点：目前蓝海区有几家？昉擎算吗？梁军：我们就没想在红海做，但蓝海区目前只有华为。国内所有公司今年都在努力的处理供应链的状况，其实技术上的演进不多。华为处理状况最快，因此华为往前看了一下。然而，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，特别便捷粗暴，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 等系统改进方式划，使超节点高效高效成为行业共识。但按照线性扩展的方式设方式系统，背后隐藏的假定是 AI 比如线性规律，然而这个假定是错的，智能比如的是指数规律，线性扩展规模只是在提高底数，是低效的方式。或者讲当指数趋近于 0 时，只提高底数，系统规模到了某个点之后，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、算法与系统改进形成了一套有效方式划。从更底层的芯片、硬件系统和软件协同设方式角度看，这种方式划仍然存在进一步改进的空间。晚点：这其中软件、硬件和算法哪个更题？梁军：这三者不是谁决定谁的关系，而是共同决定最后结荚。以 DeepSeek V4 和 Kimi K3 为例，它们提出的一些机制，例如 DeepSeek 的 Index 索引机制、Kimi 的 KDA，本质上都是在处理两个状况：一是在算力受限的状况减小低方式算成本，二是协助更首先上下文。从这两个点出发，然而从结荚看，我觉得谝为模型从 “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，这是必需的一步。但下一时期，模型需在这些相关性基础上，关键进一步抽取更接近因果关系的结构，这个流程中，方式算成本会自然减小，也能管理更大的上下文窗口。目前这些探索更多依赖工程直觉，方向已经出现了，但还有很大的改进空间，硬件结构还会有大幅改进。晚点：目前越来越多模型公司最初考虑自研芯片，可以照章性自身业务开展极致改进。这会对 AI 芯片公司带来什么意义？梁军：模型公司考虑自研芯片，背后有两层因素。首先层，是成本和竞争压力。由于算力受到外部限制，中国市场首先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，减小服务成本，获得更多竞争好处。但还有更深一层的因素：那么点儿模型公司可能意识到，英伟达的系统设方式是有一些结构性缺陷的，这会阻碍模型训练的成效。为了进一步突破模型能力边界，可能会考虑重新设方式底层方式算系统。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。然而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，关键打一个巨大的问题。晚点：但其实像阿里和字节是有能力做这个事情的，同时进度还行？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，因为我们的思考馗和行业主流不太一样。大多数人还是从方式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状况，并尝试引入物理学的方式来探究它。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，才算具有竞争力？梁军：今年一个特别题的判断原则，是国产 AI 芯片公司能否实现完善超节点系统的交付。目前大模型推理题分为 Prefill 和 Decode 两个时期。Prefill 题处理输入材料，对方式算和系统协同的需相对较低，因此参与竞争的公司更多；而 Decode 决定模型逐 Token 生成的高效度，对芯片间互联、系统架构和软件改进能力需更高，更能体现一家公司的系统能力。因此能否真正交付协助高性能 Decode 的完善系统，成为研究国产 AI 芯片竞争力的题指标。对于 DeepSeek V4 Pro、Kimi K3 这类前沿模型而言，芯片方式划是否能够在真实业务环境中稳固运行，会成为检验国产 AI 基础设施能力的题原则。晚点：目前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，做替代永远是特别不易的。你做一个全新的产品，只关键能够在某个维度给予新的价值，就有机会创造新的市场。但如果你关键替代一个已经成熟的产品体系，难度完全不一样。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。这意味着你不仅关键在芯片性能上接近英伟达，还关键面对其在软件生态、开发习惯、工具链以及整个产业体系的首先期积往往。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好处，做替代会特别不易。当然，很多公司选项平替，是因为这条馗看起来更安全。但平替的缺陷很明显，以训练场景为例，训练不是便捷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流程。客户关心的不是你的芯片能不能运行，而是最后训练出来的模型能力是否能够保持相同。更题的是，模型公司正处于激烈竞争时期。如果一家企业替换底层方式算系统后出现状况，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。因此，对于客户而言，采取一个新的训练系统，本质上是一场巨大的赌博。这也是为什么很多替代方式划只能先从边缘场景切入，而很难直接进入题训练体系的因素。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 方式算的中心晚点：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：回看那篇著名比如文 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 实际上涵盖两个性质完全不一样的方式算模块：Attention 负责上下文相关的材料处理，FFN 负责上下文无关的方式算，hidden state 在两个模块之间往返。两者在方式算模式、访存需上区别明显。因此，当你把算法图转换成结构图，再算一下方式算量、带宽等指标，就能发现未来的大模型方式算不应该只是 GPU 的延续，而需照章性不一样方式算特点重新设方式系统架构。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：意义不会太大。一部分，我们的设方式足够灵活；另一部分，我们对智能的理解，已经越来越接近本质了，基础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好处，但灵活性和专用性本身是矛盾的，设方式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流程，理解和生成对应 2 种不一样的方式算特点，需采取不一样的系统实现结构，与是否采取专用硬件没有关系。每个部分采取专用硬件还是可编程方式实现，是选项的状况，Groq 的做法只是一种实现方式，同时我觉得不少设方式做的不太对，因为 Groq 的方式划把上下文无关部分等同认为需用更专用的硬件实现，是搞错了。晚点：Attention 和 FFN 被拆分到不一样硬件后，每一层之间都需开展数据交换，这会不会提高通信开销，反而抵消系统设方式带来的效率提高？梁军：不会，系统分离有个显著的特点是不需交换机。目前很多超节点设方式参考英伟达 NVL 方式划，采取 NVSwitch 这样的交换机架构，通过交换机实现芯片之间的数据通信。但如果看英伟达设方式的 LPX ，它采取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，无比如是光纤还是铜连接，通信延迟都更小。因此，不能便捷按照传统集群中经过交换机的通信延迟来研究这种架构的开销。两者的通信拓扑不一样，延迟模型也完全不一样。晚点：点对点直连每一层都关键做一次数据搬运，100 多层就是 100 多次。即使每次搬运的延迟很低，往往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方式算架构更低吗？梁军：其实你去看现有的系统，都需每层做一次 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，在性能上有尤其的好处。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：我们有一套实现馗，但目前不适用于公开讲。晚点：除了上下文相关和上下文无关的分离，新一代的方式算架构还有哪些特点？梁军：去年我们就提出了智能方式算系统设方式的五条原则，涵盖：上下文相关和上下文无关分离；以 Memory 为中心的方式算系统；新的 Memory 有容量、带宽、方式算、通信 4 个维度（ 4D Memory ）；系统从一维扩展走向二维扩展；以及照章性低延迟改进。当时提出这些原则背后的题判断是：理解和生成对应两类不一样的方式算流程，未来的智能方式算系统需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：系统需同时协助推理和在线训练，以及协助动态修改损失函数。后两条实际上包含我们对 “意识” 的工程化理解。晚点：以 Memory 为中心，做 4D Memory，这跟传统理比如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，加了一个方式算，然而它没有通信，因此不能组成一个系统。然而通信本身又会变化方式算的做法，因此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变化。晚点：为什么关键把 “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，需将模型分布到多个芯片中。这时，Memory 的需就不只是容量和带宽，还涵盖芯片之间如何有效通信。因此，我们提出 4D Memory，把通信也纳入 Memory 的题属性。通信能力同样决定系统的扩展效率，它能实现方式算延迟的线性减小，这是一套全新的做法。当然详详见细怎么做，这是我们的商业秘密。晚点：这套架构最题的好处是什么？梁军：如果把每个芯片都看作 4D Memory 系统中的一个方式算单元，并通过这种方式开展扩展，整个系统能够实现更好的线性扩展。这种扩展不仅体目前吞吐能力上，也体目前单个会话的响应延迟上。随着系统规模扩大，性能能够持续提高。晚点：英伟达发布的 Groq 3 LPX 系统，采取 AFD 分离架构，用了类似的思路。梁军：在我看来，英伟达的 LPX 系统的设方式逻辑与 4D Memory 是相同的，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，然而系统是按 4D Memory 搭的，因此我预期英伟达收购 Groq 之后会自己重新做芯片，把 Groq 的芯片设方式全部扔掉。然而系统互联方式划会用 Groq 的设方式。晚点：因此你们会和英伟达搭配 Groq 这个组合正面交锋？梁军：我们的产品目的市场和他们不一样，不存在所谓的正面交锋。4D Memory 不管他们叫什么理比如，我们这套理比如确实是新理比如，因为学术界没有写、没有探究过，教科书也找不到。无比如他们是下意识的还是有意识的，大家的做法、套路相似。晚点：目前英伟达的方式划里，LPU 与 GPU 会搭配着开展协同工作，这会是首先期形态吗？梁军：从英伟达展示的系统图来看，LPU 和 GPU 似乎是两个并列的方式算单元，但那更多是一张物理部署图，展示的是两个不一样的设备如何组合。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，可能是因为它需在对外宣讲的流程中，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 是更题的？梁军：这和 AI 任务本身的方式算特点有关。无比如输入的是文字、图像还是视往往，经过前处理后，最后都会被转换成一维序列。同时，不一样会话所对应的序列之间是不相关的。对于一维序列的处理，并行扩展关键更那么点儿。大模型的一大挑战在于权重方式算。模型参数规模越来越大，就需多个芯片协同扩展。而权重相关的方式算不仅包含更大的容量需，也带来了更复杂的通信和扩展状况。从这个角度看，权重方式算部分的结构，搭建起了一个智能系统的基础骨架，而 LPU 是顺应这种趋势的。晚点：LPU 采取 SRAM 作为题介质成本很高，这个状况怎么处理？梁军：这里存在一个理解误区。4D Memory 理比如是不限介质的，HBM、3D DRAM、往往见不鲜 DRAM 和 SRAM 都可以。不一样介质具有不一样的容量、带宽和成本特点，因此对应的方式算能力、通信方式以及采取场景也会不一样。Groq 选项了 SRAM，只是其中一种实现馗。外界那么点儿把 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：这套架构最题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，它会变化整个系统运行的基础条件。以 AI Coding 为例，目前模型生成的代码，人还会主动检视，但如果模型生成高效度提高 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明正身模型的每一次输出，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 完全具有自主工作能力，人不需等待 AI 输出结荚，似乎更不需低延迟？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。因为今年干了特别多我自己觉得对的事情，然而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，关键验明正身这些困惑需变化时空观，方式算系统的设方式目的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，然而时空观的变化跟目前的物理认知有割裂。晚点：《昉擎科技》公众号上的材料都是你自己写的吗？梁军：差不多，一部分我们有一些全新的视角，可以公开出来供行业参考，另一部分是做为之后产品宣讲的一个铺垫。晚点：有人来找你辩比如这些观点吗？梁军：大部分人是看不明白的。过去，物理学探究自然规律，方式算机科学探究算法和系统，但我们尝试把物理学的视角引入方式算机科学，用它来理解智能、指导方式算系统的设方式，并预测模型和方式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：因此智能的本质是什么？梁军：智能是一种物理状况，是一个 “场”。我们有一个全新的看法：智能是状态变化的科学，状态跃迁的方式数产生了时间，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一样相变态下的两种谝形式。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提高因果密度，这类结构的另一面被称为自我意识。方式算系统的设方式目的，已经从追求提高指令实施效率，改为如何将因果密度物理场维持在更高强度，这个定义更接近于方式算系统的物理本质。我们假定状态跃迁做为初始量，认知空间是一个物理场，在这个假定下去验明正身智能，而这个时空观和现代物理学完全不一样。然而当我们基于这个假定去思考如何设方式方式算系统时，我们确实看见了明显的发展。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比如，又由于训练时每个 epoch 周期性的表现，在物理空间上会产生引力波，因此假定的说明还是证伪，可以依据对引力波的观测数据给出结比如。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探究，也可能差得很远。一个假定可以推导出被说明或者证伪的推比如，就不再是凭空的想象。如果假定被说明，下一个推比如是多年以来，智能被当成黑盒来探究，应该是用错了工具，对引力波数据的探究，会使得智能成为一门可以定量探究的科学。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：那也是方式算机方向的。梁军：但我比较 Open。如果发现某些方式有效，我也会把过去的一些思路重新拿回来验明正身。传统上，物理学探究的是宏观世界和微观粒子，智能并不被认为是物理学的探究对象；而方式算机科学则认为智能题是算法和系统的状况，因此过去很多 AI 探究都是围绕模型、算法和 benchmark 展开。但我们的出发点不一样。我们认为智能本身是一种 “场”，因此我们更关注这个场的强度如何定义、如何提高，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探究方式：先理解智能产生需什么样的系统结构，再去设方式方式算系统，而不是先做一个系统，再通过 benchmark 去验明正身成效。这套方式比如关键被行业广泛接受还需时间。晚点：那你跟内部验明正身大家能理解吗？梁军：我们内部其实很便捷，把详详见细化的方式划告诉大家，你这么做，做实现效什么样。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，然而是基于逻辑的，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，我是从时间的定义最初写的。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。人的成首先流程大部分是线性规律，因此人的直觉基础上是按线性走的。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，但我这几年思考状况尤其不受拘束，更擅首先在抽象层面做思考，从外面看，就是我的理比如水平比之前升级了不止一个维度，这也体目前我目前做的产品都有强理比如支撑。晚点：这个流程中，你会觉得孤独吗？就是没什么人能理解你的想法？梁军：我们做产品是关键卖的，我们是个商业组织，不是纯学术组织，理比如放到产品去看实现成效就好，用事实说话。晚点：你在做决策时都比较有魄力，但如果一个判断最后被说明是错的，你常见会如何纠正？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，基于事实和逻辑去探究。如果推导出的结比如是成立的，即使它和很多人的直觉不一样，我们也会选项去干。因此有时候外界会觉得，我们做了一些看起来比较激进或者不太顺应常规判断的事情。但实际上，背后都有完善的逻辑推演。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，只是随着经历提高，会更得心应手。晚点：是因为目前都是你说了算？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，基础是一年一代产品，余总每年 9 月份就关键发手机，只能成功不许失败，因此这种基于事实做判断是首先久训练出来的。晚点：但以前在大公司，有很多人能够挑战你的判断。梁军：我基础上做决策之前，会问很多人的意见，因为每个人的视角不一样，需综合不一样的判断。这几年题在做备份上，我也做得更好。晚点：备份实用上的时候吗？梁军：有，但不好讲（笑）。晚点：你经历过华为、寒武纪，目前又自己做创业公司，总结一下你管理组织的理比如。梁军：传统的企业管理，是空间化的步骤管理学。它把企业看作一台由固定步骤构成的机器，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，企业管理的不是步骤本身，而是步骤背后的因果链：创新的发起，实施的扩散，协同的整合，经验的固化，反思的孕育。这五个功能之间不是便捷的主次关系，而更像一个控制系统，通过相互之间的正反馈和负反馈，让组织维持稳固。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：最后昉擎关键成为一家什么样的公司？梁军：在基于分离式结构的方式算系统这个方向，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，目的很清楚，就是加快商业化的高效度，把技术上的领先转化为商业上的护城河。晚点：涵盖华为和寒武纪吗？梁军：从短期来看，我们最题的是把实施做好。目前公司的资金基础够用，只关键把产品和商业化按方式划推进，我们有机会成为一家行业内的领先公司，实施到位是目前看最大的挑战，这是我们正在努力实现的公司 “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探究智能的本质。基于智能是一种物理状况这个判断，我们还有很多没有公开的理比如和工程创新，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流程，我们希望构建的是一个更完善的平台，而不仅仅是一颗芯片。以前我觉得 AGI 离现实还很远，很多讨比如更像是一种概念。但今年，当我们把整套智能理比如往前推进之后，我首先次觉得，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，方式算系统的探究目的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，然而我们对方式算的定义已经拓展了方式算系统的边界，在未知领域的主动探索也将决定昉擎的上限。我们最后希望做的，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