AI软硬件深度融合，硅基改变世界的必经之路 | 2025联想创投CEO年会

2025年AI产业正以软硬件深度融合之势重塑技术版图。一年间，从底层架构到应用生态实现多重突破性变革：在AI算力领域，NVIDIA推动单卡GPU性能数倍级提升的同时，已经转到下一代AI系统工厂；星际之门项目由多达40多万块GPU构建，投资金额2000亿美元；OpenAI 发布GPT-5并启动IPO筹备，中国Deepseek、千问、豆包等大模型加速追赶；各类智能体持续落地，仅上半年国内具身智能领域一级市场融资就有近200亿元。这些交织共进的变革清晰昭示：AI软、硬件的融合已从单一性能提升转向系统性和生态重构。

科技圆桌现场

此类突破性变革，不仅是技术参数的迭代，更催生全产业链对软硬件融合路径的深度思考与实践。如何把握硅基智能核心逻辑、破解融合发展关键瓶颈、释放技术变革产业价值，成为行业焦点。在联想创投2025CEO年会《AI软硬件深度融合，硅基改变世界的必经之路》科技圆桌上，联想集团副总裁、联想创投首席投资官、高级合伙人宋春雨，摩尔线程联合创始人兼总裁王东、阶跃星辰联合创始人朱亦博、无问芯穹联合创始人兼CEO夏立雪、Lovart创始人陈冕、星动纪元创始人兼CEO陈建宇、它石智航创始人兼CEO陈亦伦等科技先锋，共同拆解 AI 软硬件融合的现实命题。嘉宾们一致认为，硅基智能正成为改变世界的核心驱动力，AI软硬件深度融合更是推动技术进步与产业升级的必经之路。

以下为现场内容实录：

 01 
技术与生态协同发力
开创AI技术演进新路径

宋春雨：第一个问题给到摩尔线程王东总。想请教您：目前第一梯队的国产GPU有六七家，您对中国算力未来格局如何预测？摩尔国内算力芯片的竞争力将从哪些方向展现？比如从GPU到AI系统工厂、单卡 vs 集群、超节点、高速带宽互联、设计、国产工艺、超节点集群化、单一GPU性能提升到AI工厂与系统工厂、联合大模型深度优化等等？

王东：从当前AI的发展来看，GPU或者加速计算芯片这个市场前景非常大。第一，英伟达2025年的营收持续高增长，说明基础设施建设还是有很大的收益且远没有到顶。第二，AI算力需求激增，国内有些互联网大厂的token调用量日均已经突破30万亿。整个AI发展过程呈指数增长，给算力基础设施和加速芯片企业提供了很大的舞台。

市场这么大，每家AI芯片公司路线不太一样，既有专用加速芯片，比如NPU、DSA；也有GPGPU；以及英伟达这样的全功能GPU企业。大家各有所长，都发展得很好。但是在全球市场来看，主流的还是英伟达，目前占据至少80%以上的市场份额。

摩尔线程致力于打造全功能GPU，因为我们坚信，不应以任何方式限制科学家与开发者的创造力。未来的应用场景将层出不穷，充满未知。作为核心工具，一款更具通用性、更面向未来的加速芯片，才能为整个产业带来最大的价值。

关于摩尔线程的竞争力，有四个方面。第一个是坚定技术路径，我们始终以全功能GPU为发展方向，这是应对未来多样化计算需求的根本；第二个是保持创新速度，我们致力于超大规模基础设施的快速迭代，为创新提供强大且可靠的底层支撑。第三个是构建繁荣生态，与开发者及合作伙伴深度绑定和融合，充分利用好中国优秀的科学家资源；第四个是拥抱国家战略，积极融入数字中国的浪潮，将企业发展与现代化产业体系建设紧密结合。

宋春雨：第二个问题想问问亦博总。请您聊聊下一代开、闭源大模型演进的创新思路，包括大家关心的Scaling law是否还会快速地进步。另一方面，全球的基模已经收敛到11到12家，下一阶段的演进是什么样的局面？

朱亦博：先说一下基础大模型的整体技术脉络，业界比较公认的是OpenAI五步路线图：L1是 Chatbots，L2 是Reasoners推理模型，L3是Agents，L4是Innovators。随着技术的进步，Agent可以自己找人类没有发现过的方法完成指定任务，甚至自主创新以解决人类没有想过的问题。再往后，Agent在没有人明确给reward的情况下自主探索学习，这可能时间要更久。

说回阶跃，我们特别重视多模态，不管Chatbot、推理模型还是Agent我们都是多模态。我们相信如果要和物理世界打交道必须有多模态的能力，现在先从手机、车这些现有的电子设备开始做多模态的Agent，帮大家完成一些事情。我们也相信未来如果探索现实世界一定需要多模态的能力，我们也在和具身智能行业合作，一步一步稳扎稳打。

宋春雨：第三个问题给到夏立雪夏总。大模型一定会推动产生新的平台，DeepSeek通过深度优化算力实现几十分之一的显著降本震惊世界。您怎么看全球AI Infra技术趋势和出现全新平台产品的商业价值机会？

夏立雪：中国有非常强大的生态，从需求侧看，市场广阔、应用场景非常丰富，再小的场景都能有百万级的用户需求；供给侧也一样，芯片厂商、算力建设方和服务方众多，有着非常繁荣的生态。无问芯穹正在打通供需之间的资源匹配，我们从创业之初就希望能够将我们可协调到的所有中国算力标准化，并把每一份算力的价值充分发挥出来。

现在正是中国AI Infra产业发展的关键机遇期，因为需求在快速增长，这个时间点对于性价比的需求尤为迫切。在AI尚未充分展现产业化能力之前，大家对于成本没有那么敏感；而未来，当AI成本被充分摊平之后，大家对成本也不会太敏感。让成本快速下降，什么时候最重要？恰恰是现在，现在是我们对从算力芯片到最终AI价值生产之间每一个环节，优化需求最高的时候。目前，全球都非常关注AI Infra领域，很多科研团队、厂商都在积极投入优化。我们认为这种体系化的上下游打通对于中国来说非常重要。

另一方面，AI专用应用场景逐步走向Agent时代，对于AI Infra提出了全新挑战。

从需求侧来看，这里一定会出现基础设施的新形态。首先，面向需求侧，服务Agent的AI Infra，应当是AI原生的，能以更快的响应速度应对Agent的未来需求，对AI Infra的能力提出新要求。从供给侧看，我们需要能够调用更加多样化的算力资源，且对其性能进行极致压榨，对性价比有更高要求。

这必然要求底层架构随之演进与革新。回顾历史，当年大型企业构建的是以CPU集群为核心的超算体系，后来GPU因其并行计算优势成为新的核心，在其之上演化出独特的基础设施范式。未来，面向AI及Agent复杂任务，专属性更强、更加独立且智能化程度更高的基础设施也一定会出现。

 02 
硅基智能热潮
垂类AI Agent与具身智能加速落地

宋春雨：下一个问题给到陈冕总，我想请教智能体经济时代如何打造一款爆款AI Agent的应用，这里有哪些关键的成功要素？

陈冕：大家都觉得流量被大平台垄断，投流成本高，靠投放获客基本不现实，但像DeepSeek、Manus 还有我们 Lovart，都没怎么在投流上花钱，却能实现快速增长，且不断有新产品创造增长速度的纪录。我个人认为这个时代增长的方式发生了变化，关于智能体经济时代打造爆款 AI Agent 的关键，首先核心是创新驱动增长。我们内部有个说法，基础大模型的领先优势往往只能维持 1-2 个月，而在这 1-2 个月里做开拓式创新，就能拿到大量天然的免费流量和关注度。夸张的增长速度背后，是因为AI技术在以从未想象过的速度发生变革，这个时代流量非常稀缺、注意力非常稀缺，但是全球的注意力聚焦在AI创新上，一旦你能做出引领全球原创的创新，将会天然获得大量免费流量。

应用端的创新，关键是要提前预判未来，先于模型能力去构建产品。例如Lovart，我们不是简单做图片、视频生成，而是想打造一个真正的 “AI 设计师”，理解用户的审美和调性，完成完整的设计服务，让大家感受到之前想象中 AI 应用的未来样子。其实优秀的 AI Agent 和基础大模型是双向促进的，没有模型的能力突破就没有好的应用，而应用端描绘的未来体验，也能给基模的发展指明方向。

宋春雨：下一个问题给到陈建宇教授。星动纪元有国内首个真正意义上的端到端原生机器人大模型ERA-42， Day 1就是“软硬一体”思维的。想请教下陈教授，具身智能的数据集、成本、模型收敛是三大关键拐点，请你预测下具身智能的ChatGPT时刻何时到来？

陈建宇：具身智能拥有自己的“ChatGPT 时刻” ，此节点并非突然到来，而是数据飞轮、成本曲线与模型迭代三者协同推进后必然引爆的趋势。在数据集层面，具身智能核心是获取真实物理世界的高密度交互数据，除了语言信息，还需要覆盖视觉、触觉、行动等多感官维度，还原人类 “眼观六路、耳听八方” 的感知逻辑。人形机器人以人的行为为训练模板，能最大化复用人类行为数据，降低数据采集与适配成本，这也是做成人形的原因。

成本拐点的突破则依赖硬件规模化与软件范式革新的双向发力。硬件端，通用机器人（含通用人形机器人）的规模化优势会成为降本关键，不同于专用机器人“单一场景、单一产品” 的局限，通用机器人可适配各场景需求。软件端，端到端具身模型的“预训练 + 微调” 的范式会大幅降低部署成本，随着预训练模型的增长，我们针对场景应用的微调所需要的数据逐步累积，算力与数据成本将持续下降，最终有望接近语言模型 “零额外学习成本” 的状态。

模型拐点则依赖于迭代。模型的架构与算法直接决定了具身智能的能力边界，现在VLA（视觉-语言-星动）是大家谈得比较多的具身智能模型，下一阶段是什么呢？我们相信是世界模型。通过与斯坦福大学的联合研究已验证，世界模型能使当前最先进的 VLA 模型性能提升 40% 以上，更好地帮助机器人理解物理世界规律、预判交互结果，而持续的架构与算法创新，才能支撑具身智能从 “执行指令” 迈向 “自主决策”。

宋春雨：接下来想请教陈亦伦总。它石团队来自百度自动驾驶团队，对比不同人形机器人的发展进程，各自技术路线会是怎样？包括世界模型、VLA技术路线图您能给分享一下吗？ 

陈亦伦：目前自动驾驶行业已彻底转向端到端，核心原因是这种方式带来了无与伦比的性能，这是之前任何方法都无法企及的—— 要知道以前的算法需要几百位优秀工程师多年累积写出200 万行代码，而神经网络直接实现了性能上的碾压。

回到具身智能，它的scaling law是同一个逻辑：机器人行业已经发展了很多年，我们上学时就接触过各种机器人的知识，而这一代机器人要真正迎来爆发，关键是要做到上一代机器人完全没能力做到的事，展现出在生产生活领域无可替代的高价值。这一代机器人在落地应用时不得不采用端到端方法论，这才是具身智能真正的 “GPT时刻”，本质上还是要靠性能说话。

用AI 实现的核心要想清楚一个问题：具身智能领域的 AI，到底是其他领域AI延伸出来的应用，还是一个全新领域的基础模型？模型本质上是数据映射的压缩，而复杂的问题，需要超大规模的数据来支撑，所以它不应是其他领域衍生出的应用，而是一个全新领域的基础模型。具身领域的基础模型，就值得匹配与之对应的海量数据。

就自动驾驶的经验来看，要获得初步成效，至少需要10 万小时的高质量数据，之后还要持续迭代到100 万小时才能稳步提升。真实数据的质和量是具身智能接下来最核心的事情，也是当前具身智能发展最需要突破的关键瓶颈。

 03 
AI软硬一体、“双重智能”
成AGI必经之路

宋春雨：请教朱亦博总，我了解到阶跃特别关注端侧AI，原生的AI硬件这条发展思路，也非常令我们好奇，你们是一个基模厂商，为何拥抱端到端软硬一体？

朱亦博：我们对Agent时代有一些思考，很多人说Agent是coding Agent或者是一些垂类的Agent，更多考虑怎么在人类日常生活中发挥更大的作用，我们总结几点。

第一，Agent要能做事、会做事。这是Agent和推理模型最大的区别。

第二，总在线。可以随时求助于它，让它随时做事。

第三，有记忆，会进化。它能够长期学习了解我各种各样的习惯，了解我背后的各种context去更好地服务。

基于这样的假设，现在的模型以及产品都没有做得特别好。而我们看到很大的机会，一个改变点，如果我们有一个具体的物理设备长期陪伴着用户，就能做到很多的事情，有条件能够做到总在线，能够获得更多context、有记忆。有很多事情现在一个单独APP做不了，必须要是设备及操作系统级别，才能够有足够权限在保护用户隐私的基础上做到这些事情，这是为什么我们从技术和产品角度出发，我们相信个人终端和基模，两者必须结合到一起才能够做到next level的个人智能助手。

宋春雨：下一个请教陈冕总，从智能体会快速渗透来看，专业级或是toC用户使用的超级智能体最有可能从哪些赛道出现呢？你预测的逻辑是什么样的？

陈冕：作为Agent企业，肯定要依托基模的通用智能，但从基模到真正的用户体验，中间还有很大距离。最大的问题不是模型不够强，而是用户不会精准表达需求。Agent企业的核心，就是做好 “Context（上下文）” 的挖掘和工程化处理：准确获取用户的真实意图，把这些需求梳理清楚，再通过工程化手段让模型理解，最终输出符合用户审美和需求的作品。现在硅谷也流行 Context Engineer 的概念，本质就是底层模型走向应用端、解决上层体验问题的过程。我们未来也会在 Context 获取的基础上，做更多 RL 和后训练，让场景体验更优。

超级智能体的诞生，C端大概率将从数字内容或者数字工作，或者纯线上工作相关的产品中诞生，这些工作不依赖和物理世界的连接，是AI模型能力最快能够泛化和延伸的赛道。承载超级智能体的软硬件一体化全新硬件也有望出现，但由于硬件迭代周期相对较长，其诞生步骤将循序渐进：先在已有的硬件上出现，一些垂类场景将在一些新的硬件终端里逐步出现，未来再发展出软硬件一体的原生智能体。

宋春雨：感谢各位嘉宾的精彩分享。我简单总结下今天的核心收获：

第一：嘉宾们一致认为，硅基智能正在成为改变世界的核心驱动力，其影响堪比前三次工业革命。它替代的不仅是人类的体力劳动，更是人类独有的智力劳动，重新定义生产力、重构生产关系，产生新的智能体和机器人经济结构，催生一个碳硅融合的全新世界。

第二：AI软硬一体、“双重智能”是AGI必由之路。“双重智能”是数字世界智能体和物理世界具身的智能双胞胎。

第三：AI软硬一体，一定会推动全新的平台级机会。大家分享了非常多包括从具身智能、机器人、人形机器人、自动驾驶的这种端到端，包括超级智能硬件，超级智能体全新的平台机会，迎来众多硅基智能新物种的大爆发！

AI不仅是商业机遇，更是社会责任——我们需要加强跨界合作，推动伦理治理，确保技术普惠。正如元庆一直倡导的“人本智能”，让AI成为人类进步的伙伴，而非替代。