單個會話低於 100 TPS 的場景是國產 AI 芯片競爭的紅海區。
文丨劉伊倫
編輯丨趙磊
梁軍坐在我們對面講了將近四個小時。一個做了 25 年芯片的工程師，用 “場”“因果密度”“認知空間的二階曲率” 這些物理學概念來解釋他正在造的東西。講到興起時，他的聲音會變得高亢，下一秒又笑着說：“這個在外面看來就是民科的狂妄。”
但他不是那種只會妄想的人。梁軍 2000 年加入華爲，17 年間從工程師做到麒麟 SoC 總架構師，量產芯片超過一億顆。2017 年加入寒武紀任 CTO，主導了思元系列 AI 芯片研發。2022 年因與創始人產生分歧離職，震驚芯片行業。2024 年，他以 CEO 身份出現在一家叫昉擎科技的創業公司裏。
晚點獨家獲悉，昉擎科技近期完成近 10 億元 A1 輪融資，本輪投資方包括上海徐匯資本、珠海科技產業集團等多家地方國資和產業資本，投後估值超百億，這是昉擎成立以來規模最大的一輪融資。梁軍去年提出的 “分離式架構” 方向，與英偉達今年 3 月在 GTC 上發佈的 LPX 系統方向一致，他對 AI 芯片有着非常多前瞻性的判斷，這也是他信心的來源。
但這次與我們的交談裏，他說的遠不止芯片，而是一種理解智能的全新視角。他說智能的本質是一種物理場，跟電磁場一樣；美國管制 AI 芯片本質上是在管制物理規律，“就好比立法管制光線不能傳播”，必定會失敗；他認爲目前市場上追求無限擴大超節點規模的技術路線存在侷限性；他說 DeepSeek 的 DeepEP 不是最優解；國內大部分人對 LPU 的公開認知都是錯誤的。
基於這些判斷，他給昉擎設置了 “下限” 和 “上限”。下限是 “在基於分離式架構的計算系統領域，領先行業所有公司兩年以上”。上限是 “一家能在智能時代留下自己名字的公司”。
50 歲，從大公司最高技術決策者變成一個創業者，在打一場行業矚目的官司，同時在挑戰整個芯片行業的認知，聲稱自己 “已經看見了 AGI 的門”。這些事情放在同一個人身上，到底是天才，還是妄想，昉擎今年即將推出的產品或許會有一個初步的結論。
100 TPS 是國產 AI 芯片競爭的分界線
晚點：你們目前做的產品是什麼形態？進展如何？
梁軍：今年我們會推出第一個實際產品，是一整個系統，芯片、軟件、硬件全棧。預計第四季度開始商業化。
晚點：你們想做下一代的通用計算平臺，但這不只需要硬件，CPU 有指令集，GPU 有 CUDA，LPU 的軟件生態會如何構建？
梁軍：我們現在聊這個還爲時尚早，但有一些做法，在底層指令體系上，我們基本採用 RISC-V，希望避免在基礎設施層面重複投入，把更多精力放在上層的軟件體系建設。在更上層，我們已經形成了一套自己的設計思路。未來，我們傾向於通過開源的方式，把部分軟件基礎設施開放出來，讓開發者更容易使用這套架構。
晚點：爲什麼市場最終需要通用性的計算能力？
梁軍：因爲模型和整個 AI 生態都在快速演化，如果只針對某一個場景或者某一種模型做專用設計，很快就可能跟不上變化。
本質上，智能不是單一硬件的問題，而是算法、軟件和硬件協同迭代的過程。底層計算系統如果缺乏通用性，就很難持續適應模型演進的節奏。
晚點：現在行業出現了訓練與推理分離、PD 分離、AF 分離等針對不同場景的優化方向，這些場景化設計會不會與芯片需要保持通用性的要求產生矛盾？
梁軍：這裏需要區分兩個層面，一個是芯片層面，一個是系統層面。系統針對某些場景進行優化，並不意味着底層芯片也必須變成專用化設計。
在芯片層面，仍然可以保持通用能力；而在系統層面，可以根據不同任務特點，通過軟件和架構設計進行優化。比如針對特定場景，我們可以通過系統設計告訴用戶，應該在哪些環節優化軟件和計算流程，從而提升整體效率。所以，場景優化和通用性並不是矛盾關係，它們屬於不同層次的問題。
晚點：目前很多芯片公司都在追求進入大廠供應鏈體系，你怎麼看待這件事情？
梁軍：進入大廠供應鏈，至少證明產品具備商業可用性，這當然是一件重要的事情。但進入供應鏈之後，能不能長期留下來，是另外一個問題。
目前中國因爲受管制，整體算力還是緊缺的，但現在國內的芯片公司其實非常多了，我們預測會變成一個紅海市場，以中國公司的能力來講，基本上還處在單個會話 100 TPS（Tokens Per Second）及以下，往上做需要體系結構的改變，那應該是一個藍海市場。如果你在紅海市場，進入大廠供應鏈也不一定穩固。
晚點：100 TPS 這條線是怎麼劃出來的？
梁軍：華爲發了個新聞稿，講華爲測了 DeepSeek V4 Pro 在昇騰 950 PR 單卡上的數據，單個會話 50 TPS 的時候，整體吞吐量 4700 TPS，如果換成 Flash 版本，單個會話 100 TPS，系統吞吐是 1600 TPS——也就是說切到一個權重小得多的模型，爲了滿足延遲要求，單個會話的速度提升了一倍，但成本上升了 3 倍不止，這對雲廠商是巨大的負擔。
華爲還是國內水平最高的，所以你基本可以認定 100 TPS 是一個分界線，絕大多數中國公司會在分界線下的紅海去競爭，能夠上來的，都是在軟硬件系統各方面都有突破性的做法。
晚點：現在藍海區有幾家？昉擎算嗎？
梁軍：我們就沒想在紅海做，但藍海區現在只有華爲。國內所有公司今年都在努力的解決供應鏈的問題，其實技術上的演進不多。華爲解決問題最快，所以華爲往前看了一下。
不過，目前行業內有一些公司正不斷追求更大規模的超節點，但將系統能力寄託於節點規模的線性擴張，非常簡單粗暴，這個邏輯不太對，不會是一條可持續的技術路線。
晚點：爲什麼說超節點不是可持續的技術路線？
梁軍：2025 年 DeepSeek 出圈後，其開源了 DeepEP 等系統優化方案，使超節點迅速成爲行業共識。
但按照線性擴展的方式設計系統，背後隱藏的假定是 AI 遵循線性規律，但是這個假定是錯的，智能遵循的是指數規律，線性擴展規模只是在增加底數，是低效的方式。或者講當指數趨近於 0 時，只增加底數，系統規模到了某個點以後，規模按線性遞增，收益增量會呈對數遞減。
DeepSeek 本質上是一家模型公司，並非系統架構公司，它是在現有軟硬件體系基礎上，通過模型、算法與系統優化形成了一套高效方案。從更底層的芯片、硬件系統和軟件協同設計角度看，這種方案仍然存在進一步優化的空間。
晚點：這其中軟件、硬件和算法哪個更重要？
梁軍：這三者不是誰決定誰的關係，而是共同決定最終結果。
以 DeepSeek V4 和 Kimi K3 爲例，它們提出的一些機制，比如 DeepSeek 的 Index 索引機制、Kimi 的 KDA，本質上都是在解決兩個問題：一是在算力受限的情況下降低計算成本，二是支持更長上下文。
從這兩個點出發，但是從結果看，我覺得表現爲模型從 “相關性結構” 向 “因果性結構” 演進，過去的大模型更多是從大量數據中學習相關關係，這是必要的一步。但下一階段，模型需要在這些相關性基礎上，要進一步抽取更接近因果關係的結構，這個過程中，計算成本會自然降低，也能管理更大的上下文窗口。
現在這些探索更多依賴工程直覺，方向已經出現了，但還有很大的優化空間，硬件結構還會有大幅改進。
晚點：現在越來越多模型公司開始考慮自研芯片，可以針對自身業務進行極致優化。這會對 AI 芯片公司帶來什麼影響？
梁軍：模型公司考慮自研芯片，背後有兩層原因。
第一層，是成本和競爭壓力。由於算力受到外部限制，中國市場長期處於算力供給緊張的狀態，模型公司希望通過更強的算力掌控能力，降低服務成本，獲得更多競爭優勢。但還有更深一層的原因：少數模型公司可能意識到，英偉達的系統設計是有一些結構性缺陷的，這會阻礙模型訓練的效果。爲了進一步突破模型能力邊界，可能會考慮重新設計底層計算系統。
但從實踐來看，模型公司自研芯片還是跨界太遠。舉個例子，OpenAI 找 Broadcom 做芯片，Broadcom 會把整個供應鏈相關的事情處理掉。但是在中國是一個被管制的市場，一個模型公司去深度介入芯片供應鏈是不是最合理的商業決策，要打一個巨大的問號。
晚點：但其實像阿里和字節是有能力做這個事情的，而且進度還行？
梁軍：大廠更多做的是兜底，而不是做高風險、高收益的事情。
晚點：你提到英偉達可能有薄弱的地方，這個觀點跟模型廠商交流過嗎？
梁軍：交流並沒有那麼多，因爲我們的思考路徑和行業主流不太一樣。大多數人還是從計算機科學的視角理解智能，而我們的出發點是把智能看作一種物理現象，並嘗試引入物理學的方法來研究它。
晚點：目前我們跟英偉達肯定有差距，國產芯片做到什麼水平，纔算具備競爭力？
梁軍：今年一個非常重要的判斷標準，是國產 AI 芯片公司能否完成完整超節點系統的交付。
目前大模型推理主要分爲 Prefill 和 Decode 兩個階段。Prefill 主要處理輸入信息，對計算和系統協同的要求相對較低，因此參與競爭的公司更多；而 Decode 決定模型逐 Token 生成的速度，對芯片間互聯、系統架構和軟件優化能力要求更高，更能體現一家公司的系統能力。所以能否真正交付支持高性能 Decode 的完整系統，成爲衡量國產 AI 芯片競爭力的重要指標。
對於 DeepSeek V4 Pro、Kimi K3 這類前沿模型而言，芯片方案是否能夠在真實業務環境中穩定運行，會成爲檢驗國產 AI 基礎設施能力的重要標準。
晚點：現在進入模型廠商的訓練體系，門檻高嗎？
梁軍：拋開管制的因素，從純商業角度來講，做替代永遠是非常困難的。你做一個全新的產品，只要能夠在某個維度提供新的價值，就有機會創造新的市場。但如果你要替代一個已經成熟的產品體系，難度完全不同。
目前很多中國 AI 芯片公司想進入訓練場景，本質上是在做英偉達的替代品。這意味着你不僅要在芯片性能上接近英偉達，還要面對其在軟件生態、開發習慣、工具鏈以及整個產業體系的長期積累。
晚點：你覺得平替反而比創新更難嗎？
梁軍：創新也很難，只是兩個維度而已。在正常商業環境下，面對英偉達壓倒性的優勢，做替代會非常困難。當然，很多公司選擇平替，是因爲這條路徑看起來更安全。但平替的缺陷很明顯，以訓練場景爲例，訓練不是簡單比較芯片成本或者性能，而是一個軟硬件和算法高度耦合的過程。客戶關心的不是你的芯片能不能運行，而是最終訓練出來的模型能力是否能夠保持一致。
更重要的是，模型公司正處於激烈競爭階段。如果一家企業替換底層計算系統後出現問題，導致模型訓練或者產品交付延遲幾個月，對客戶而言是致命的。
所以，對於客戶而言，採用一個新的訓練系統，本質上是一場巨大的賭博。這也是爲什麼很多替代方案只能先從邊緣場景切入，而很難直接進入核心訓練體系的原因。
晚點：創新的架構也是賭博，哪個賭博更大？
梁軍：從我的角度看，我不會幹平替，這也不是一個創業公司應該乾的事情。
GPU 不是 AI 計算的中心
晚點：去年 8 月，你公開提出了 “上下文相關” 和 “上下文無關” 分離式架構。在那個時間點，這一判斷其實比較前瞻，你當時是如何做出這個技術判斷的？
梁軍：回看那篇著名論文 Attention is All You Need，它裏面有一張圖，把 Attention 和 FFN（前饋神經網絡）畫在一個縱向模塊裏，中間通過 hidden state 連接串聯起來，然後這樣的模塊不斷堆疊。
但那其實是算法表達，如果從結構主義視角，把兩個功能模塊從垂直方向拉成水平方向，然後把多層模塊按時間軸摺疊在一起，會發現 Transformer 實際上包含兩個性質完全不同的計算模塊：Attention 負責上下文相關的信息處理，FFN 負責上下文無關的計算，hidden state 在兩個模塊之間往返。兩者在計算模式、訪存需求上差異明顯。
所以，當你把算法圖轉換成結構圖，再算一下計算量、帶寬等指標，就能發現未來的大模型計算不應該只是 GPU 的延續，而需要針對不同計算特徵重新設計系統架構。
晚點：但 AI 模型的架構本身一直在發生比較快的變化，像 MoE 這些新的架構跟 Transformer 不太一樣，未來模型架構的變化，會不會讓你們正在做的芯片架構失效？
梁軍：影響不會太大。一方面，我們的設計足夠靈活；另一方面，我們對智能的理解，已經越來越接近本質了，基本上能夠預測出模型將來演化的方向。
晚點：LPU 本質上是一種專用硬件，做分離式架構獲得效率優勢，但靈活性和專用性本身是矛盾的，設計足夠靈活是如何實現的？
梁軍：分離式架構的底層邏輯是智能是一個理解和生成循環往復的過程，理解和生成對應 2 種不同的計算特徵，需要採用不同的系統實現結構，與是否採用專用硬件沒有關係。
每個部分採用專用硬件還是可編程方式實現，是選擇的問題，Groq 的做法只是一種實現方式，而且我覺得不少設計做的不太對，因爲 Groq 的方案把上下文無關部分等同認爲需要用更專用的硬件實現，是搞錯了。
晚點：Attention 和 FFN 被拆分到不同硬件後，每一層之間都需要進行數據交換，這會不會增加通信開銷，反而抵消系統設計帶來的效率提升？
梁軍：不會，系統分離有個顯著的特點是不需要交換機。目前很多超節點設計參考英偉達 NVL 方案，採用 NVSwitch 這樣的交換機架構，通過交換機完成芯片之間的數據通信。但如果看英偉達設計的 LPX ，它採用的是芯片之間點到點直連的方式，並不依賴交換機。點到點直連意味着芯片之間通過固定鏈路直接連接，無論是光纖還是銅連接，通信延遲都更小。
所以，不能簡單按照傳統集羣中經過交換機的通信延遲來衡量這種架構的開銷。兩者的通信拓撲不同，延遲模型也完全不同。
晚點：點對點直連每一層都要做一次數據搬運，100 多層就是 100 多次。即使每次搬運的延遲很低，累積起來的總通信時間佔整個推理時間的比例是多少？這個延遲會比傳統的計算架構更低嗎？
梁軍：其實你去看現有的系統，都需要每層做一次 hidden state 的傳輸，因爲權重巨大無法存儲在單一芯片內，只是基於分離式結構搭建的系統，在性能上有特別的優勢。
晚點：實現芯片間點對點互聯，對創業公司而言應該很有挑戰。
梁軍：我們有一套實現路徑，但現在不適合公開講。
晚點：除了上下文相關和上下文無關的分離，新一代的計算架構還有哪些特點？
梁軍：去年我們就提出了智能計算系統設計的五條原則，包括：上下文相關和上下文無關分離；以 Memory 爲中心的計算系統；新的 Memory 有容量、帶寬、計算、通信 4 個維度（ 4D Memory ）；系統從一維擴展走向二維擴展；以及面向低延遲優化。
當時提出這些原則背後的核心判斷是：理解和生成對應兩類不同的計算過程，未來的智能計算系統需要圍繞這兩類能力重新組織。
今年我們又進一步提出兩個原則：系統需要同時支持推理和在線訓練，以及支持動態修改損失函數。後兩條實際上涉及我們對 “意識” 的工程化理解。
晚點：以 Memory 爲中心，做 4D Memory，這跟傳統理論上的存算一體有什麼區別？
梁軍：存算一體是 Memory 本身有容量和帶寬，加了一個計算，但是它沒有通信，所以不能組成一個系統。但是通信本身又會改變計算的做法，所以它是一個不可分割的四維一體的結構，三維到四維，實際上是一個本質的改變。
晚點：爲什麼要把 “通信” 作爲 Memory 的一個維度？
梁軍：模型規模不斷擴大，單顆芯片已經無法承載全部參數，需要將模型分佈到多個芯片中。這時，Memory 的需求就不只是容量和帶寬，還包括芯片之間如何高效通信。
因此，我們提出 4D Memory，把通信也納入 Memory 的核心屬性。通信能力同樣決定系統的擴展效率，它能實現計算延遲的線性減小，這是一套全新的做法。當然具體怎麼做，這是我們的商業祕密。
晚點：這套架構最核心的優勢是什麼？
梁軍：如果把每個芯片都看作 4D Memory 系統中的一個計算單元，並通過這種方式進行擴展，整個系統能夠實現更好的線性擴展。這種擴展不僅體現在吞吐能力上，也體現在單個會話的響應延遲上。隨着系統規模擴大，性能能夠持續提升。
晚點：英偉達發佈的 Groq 3 LPX 系統，採用 AFD 分離架構，用了類似的思路。
梁軍：在我看來，英偉達的 LPX 系統的設計邏輯與 4D Memory 是一致的，但芯片不是。我理解 Groq 先做的芯片，再搭的系統，芯片做的時候沒想好，也沒想過這件事情，但是系統是按 4D Memory 搭的，所以我預期英偉達收購 Groq 之後會自己重新做芯片，把 Groq 的芯片設計全部扔掉。但是系統互聯方案會用 Groq 的設計。
晚點：所以你們會和英偉達搭配 Groq 這個組合正面交鋒？
梁軍：我們的產品目標市場和他們不一樣，不存在所謂的正面交鋒。4D Memory 不管他們叫什麼理論，我們這套理論確實是新理論，因爲學術界沒有寫、沒有研究過，教科書也找不到。無論他們是下意識的還是有意識的，大家的做法、套路相似。
晚點：目前英偉達的方案裏，LPU 與 GPU 會搭配着進行協同工作，這會是長期形態嗎？
梁軍：從英偉達展示的系統圖來看，LPU 和 GPU 似乎是兩個並列的計算單元，但那更多是一張物理部署圖，展示的是兩個不同的設備如何組合。
如果換成結構圖來看，二者的關係不是並列的，而更像是一棵樹：LPU 是樹幹，GPU 是掛在樹枝上的樹葉。英偉達將 GPU 和 LPU 展示成對等的關係，可能是因爲它需要在對外宣講的過程中，限制這套系統的用途，從而避免對其現有的產品生態造成衝擊。
晚點：爲什麼 LPU 是更重要的？
梁軍：這和 AI 任務本身的計算特徵有關。無論輸入的是文字、圖像還是視頻，經過前處理後，最終都會被轉換成一維序列。同時，不同會話所對應的序列之間是不相關的。對於一維序列的處理，並行擴展要更容易。
大模型的一大挑戰在於權重計算。模型參數規模越來越大，就需要多個芯片協同擴展。而權重相關的計算不僅涉及更大的容量需求，也帶來了更復雜的通信和擴展問題。從這個角度看，權重計算部分的結構，搭建起了一個智能系統的基本骨架，而 LPU 是符合這種趨勢的。
晚點：LPU 採用 SRAM 作爲核心介質成本很高，這個問題怎麼解決？
梁軍：這裏存在一個理解誤區。4D Memory 理論是不限介質的，HBM、3D DRAM、普通 DRAM 和 SRAM 都可以。不同介質擁有不同的容量、帶寬和成本特徵，因此對應的計算能力、通信方式以及應用場景也會不同。
Groq 選擇了 SRAM，只是其中一種實現路徑。外界容易把 Groq 的做法，誤認爲是 4D Memory 本身，但實際上兩者並不是一回事。
晚點：這套架構最重要的一個特點是低延遲，但用戶對延遲真的會有無限的追求嗎？
梁軍：很多人對低延遲的理解還停留在用戶體驗層面，但實際上，它會改變整個系統運行的基本規則。
以 AI Coding 爲例，現在模型生成的代碼，人還會主動檢視，但如果模型生成速度提升 10 倍，人就很難再逐行檢查，這時候代碼生產的基礎設施會逐漸被模型接管。這時，人和 AI 的關係就會發生變化。你不會再試圖完全驗證模型的每一次輸出，而是會通過建立邊界、隔離和安全機制，讓模型在一定範圍內自主運行。
晚點：如果 AI 完全具備自主工作能力，人不需要等待 AI 輸出結果，似乎更不需要低延遲？
梁軍：低延遲指的是系統整體效率，和人是否是其中的一環無關。
人類大部分關於 AI 的共識都是錯的
晚點：感覺你今年的狀態比去年好很多。
梁軍：是。因爲今年幹了非常多我自己覺得對的事情，但是在外界看來是極具爭議的，或者叫民科的狂妄（笑）。
晚點：民科的狂妄是誰說的？
梁軍：我自己說的。我們對智能的很多困惑，源自於時空觀，要解釋這些困惑需要改變時空觀，計算系統的設計目標已經轉向如何維持因果密度的強度，我覺得這些認知應該是對的，但是時空觀的改變跟現在的物理認知有割裂。
晚點：《昉擎科技》公衆號上的內容都是你自己寫的嗎？
梁軍：差不多，一方面我們有一些全新的視角，可以公開出來供行業參考，另一方面是做爲以後產品宣講的一個鋪墊。
晚點：有人來找你辯論這些觀點嗎？
梁軍：大部分人是看不明白的。過去，物理學研究自然規律，計算機科學研究算法和系統，但我們嘗試把物理學的視角引入計算機科學，用它來理解智能、指導計算系統的設計，並預測模型和計算系統未來的演化方向。可以說，我們對智能的理解已經越來越接近本質了。
晚點：所以智能的本質是什麼？
梁軍：智能是一種物理現象，是一個 “場”。
我們有一個全新的看法：
智能是狀態改變的科學，狀態躍遷的計數產生了時間，躍遷的密度定義了空間，躍遷密度的梯度定義了引力，引力和智能湧現是同一個物理場在不同相變態下的兩種表現形式。智能是一個物理場，我們將場的強度定義爲因果密度，有一類結構可以顯著的增強因果密度，這類結構的另一面被稱爲自我意識。計算系統的設計目標，已經從追求提升指令執行效率，改爲如何將因果密度物理場維持在更高強度，這個定義更接近於計算系統的物理本質。
我們假定狀態躍遷做爲初始量，認知空間是一個物理場，在這個假定下去解釋智能，而這個時空觀和現代物理學完全不同。但是當我們基於這個假定去思考如何設計計算系統時，我們確實看見了明顯的進步。
沿着這個假定推演下去，AI 數據中心訓練集羣局部區域的時間變慢是一個可推演的推論，又由於訓練時每個 epoch 週期性的行爲，在物理空間上會產生引力波，所以假定的證實還是證僞，可以依據對引力波的觀測數據給出結論。
雖然當下模型的能力，以及測量精度是否足夠還有待進一步分析，也可能差得很遠。一個假定可以推導出被證實或者證僞的推論，就不再是憑空的想象。如果假定被證實，下一個推論是多年以來，智能被當成黑盒來研究，應該是用錯了工具，對引力波數據的分析，會使得智能成爲一門可以定量分析的科學。
我覺得這是讓人很難接受的，因爲物理學的前半部分是屠龍術，或者講是無用之術，大部分人學習的是物理學的後半部分，很多學 CS 的人都不喜歡物理。
晚點：你是學什麼的？
梁軍：電子工程。
晚點：那也是計算機方向的。
梁軍：但我比較 Open。如果發現某些方法有效，我也會把過去的一些思路重新拿回來驗證。
傳統上，物理學研究的是宏觀世界和微觀粒子，智能並不被認爲是物理學的研究對象；而計算機科學則認爲智能主要是算法和系統的問題，所以過去很多 AI 研究都是圍繞模型、算法和 benchmark 展開。但我們的出發點不同。我們認爲智能本身是一種 “場”，所以我們更關注這個場的強度如何定義、如何提升，以及什麼樣的結構能夠產生更強的智能。
因此，我們更偏向一種結構主義的研究方法：先理解智能產生需要什麼樣的系統結構，再去設計計算系統，而不是先做一個系統，再通過 benchmark 去驗證效果。這套方法論要被行業廣泛接受還需要時間。
晚點：那你跟內部解釋大家能理解嗎？
梁軍：我們內部其實很簡單，把詳細化的方案告訴大家，你這麼做，做完效果什麼樣。做完了大家就會想，確實沒想過還能這麼幹。
晚點：你不追求共識。
梁軍：共識是沒有錢的。
晚點：你篤定這些非共識的東西嗎？
梁軍：我們雖然是非共識，但是是基於邏輯的，所有想法都是從邏輯原點推出來的，可以去看我們的公衆號，我是從時間的定義開始寫的。
晚點：按照邏輯推演，早晚有一天會變成共識，被大家所接受？
梁軍：我們對於按邏輯嚴格推導出來的東西是很篤定的，即使它跟直覺是相悖的。
AI 的時代，很多時候直覺是錯的，因爲 AI 是個指數定律。人的成長過程大部分是線性規律，所以人的直覺基本上是按線性走的。但智能是冪律、是指數，你按直覺做，很多時候就是錯的。
晚點：創業後你的身上有什麼獨特的變化？
梁軍：我最大的變化其實就是我升級了，原來大家覺得我是個架構師，工程實現者，但我這幾年思考問題越發不受拘束，更擅長在抽象層面做思考，從外面看，就是我的理論水平比之前升級了不止一個維度，這也體現在我當前做的產品都有強理論支撐。
晚點：這個過程中，你會覺得孤獨嗎？就是沒什麼人能理解你的想法？
梁軍：我們做產品是要賣的，我們是個商業組織，不是純學術組織，理論放到產品去看實現效果就好，用事實說話。
晚點：你在做決策時都比較有魄力，但如果一個判斷最終被證明是錯的，你通常會如何糾正？過去有沒有類似經歷？
梁軍：我做決策的方式，更多是基於邏輯推演，而不是主觀判斷。
我們會盡量把事情拆開，基於事實和邏輯去分析。如果推導出的結論是成立的，即使它和很多人的直覺不同，我們也會選擇去幹。所以有時候外界會覺得，我們做了一些看起來比較激進或者不太符合常規判斷的事情。但實際上，背後都有完整的邏輯推演。
當然，這幾年我做很多事情也周全了許多，會做很多備份。如果實在是幹錯了，那就把個人情緒和過去的投入剝離開，客觀面對事實。
晚點：這是你創業這兩年的心得嗎？還是說以前就一直保持這種決策方式？
梁軍：其實一直都是這樣，只是隨着經歷增加，會更得心應手。
晚點：是因爲現在都是你說了算？
梁軍：也不是，我一路都是在鋼絲上走過來的。以前在海思做手機芯片時，基本是一年一代產品，餘總每年 9 月份就要發手機，只能成功不許失敗，所以這種基於事實做判斷是長久訓練出來的。
晚點：但以前在大公司，有很多人能夠挑戰你的判斷。
梁軍：我基本上做決策之前，會問很多人的意見，因爲每個人的視角不一樣，需要綜合不同的判斷。這幾年主要在做備份上，我也做得更好。
晚點：備份有用上的時候嗎？
梁軍：有，但不好講（笑）。
晚點：你經歷過華爲、寒武紀，現在又自己做創業公司，總結一下你管理組織的理論。
梁軍：傳統的企業管理，是空間化的流程管理學。它把企業看作一臺由固定流程構成的機器，追求的是可預測性和效率。
如果把企業看成一個活的智能系統，企業管理的不是流程本身，而是流程背後的因果鏈：創新的發起，執行的擴散，協同的整合，經驗的固化，反思的孕育。這五個功能之間不是簡單的主次關係，而更像一個控制系統，通過相互之間的正反饋和負反饋，讓組織維持穩定。一個好的組織，就是能夠在五種功能之間形成動態平衡。
晚點：最終昉擎要成爲一傢什麼樣的公司？
梁軍：在基於分離式結構的計算系統這個方向，我們的現狀是領先中國市場其他公司兩年以上。作爲一個商業組織，目標很明確，就是加快商業化的速度，把技術上的領先轉化爲商業上的護城河。
晚點：包括華爲和寒武紀嗎？
梁軍：從短期來看，我們最重要的是把執行做好。現在公司的資金基本夠用，只要把產品和商業化按計劃推進，我們有機會成爲一家行業內的領先公司，執行到位是目前看最大的挑戰，這是我們正在努力達到的公司 “下限”。
真正的 “上限” 並不只是做一家芯片公司。
過去一年，我們投入了大量精力研究智能的本質。基於智能是一種物理現象這個判斷，我們還有很多沒有公開的理論和工程創新，目前仍作爲商業祕密保留。智能的發展本身就是算法、軟件和硬件協同演進的過程，我們希望構建的是一個更完整的平臺，而不僅僅是一顆芯片。
以前我覺得 AGI 離現實還很遠，很多討論更像是一種概念。但今年，當我們把整套智能理論往前推進之後，我第一次覺得，我們已經能看見那扇門了。
時空封印了因果躍遷， E = mc² 的另一種表述是能量被封印在空間內形成了質量，計算系統的研究目標是如何解除時空對因果躍遷的封印，這是我對 AGI 的定義。雖然迄今爲止這只是一個猜想，但是我們對計算的定義已經拓展了計算系統的邊界，在未知領域的主動探索也將決定昉擎的上限。
我們最終希望做的，是一家能夠在智能時代留下自己名字的公司。
題圖來源：昉擎科技
- FIN -