硅基智能爆发与未来趋势 - 硅基智能爆发被视为当前最大变量 未来五年内硅基大脑领域将保持快速动态变化 [3][5] - 2025年将迎来"DeepSeek Moment" 未来两三年空间智能模型、具身智能等技术将大量涌现 [1][5] - AGI将在十年周期内渗透各行各业 推动人机协同发展 智能体将以数字/物理形态成为数字员工、机器员工 [5] - 算力和能源成为硅基智能核心基础设施 公司持续关注存算一体、RISC-V、类脑科技、量子计算等底层创新 [6] 超级科技大工程时代特征 - 科技创新已从科学发现阶段进入超级科技大工程时代 科技迭代速度显著加快 [8][9] - 公司每年预留季度时间进行行业研究迭代 以应对快速变化的科技环境 [9] - 围绕混合式人工智能战略 已在算力、架构、应用三层布局 与近30家企业深度合作 [9][10] - AI PC领域取得突破性进展 预计2025年量产规模达数百万至近千万台 [10][12] CVC战略定位与生态协同 - CVC已成为科技大企业核心竞争力 投资业务与集团生态重合度持续提升 [1][14][18] - 被投企业中120余家上榜专精特新 50余家为国家"小巨人" 独角兽占比达28% 科技类企业占独角兽名单90%以上 [14] - 通过星辰计划、光明计划、火种计划三大生态计划 实现被投企业与集团双向赋能 [15][16][17] - 典型案例钛方科技从二级供应商升级为一级模组供应商 合作研发的三合一芯片降低模组成本10% [16][17] 前沿技术投资布局 - 立体大交通领域布局低空经济、商业航天 自动驾驶技术已实现商业化落地 [6] - AI+医疗健康领域重点关注脑机接口技术 已投资相关企业 预计将实现碳基与硅基有机结合 [7] - 边缘侧创新方面投资后摩智能开发AI PC端侧超低功耗芯片 并与智谱等大模型公司深度合作 [10] - 模型优化领域布局无问芯穹、清程极智等企业 解决硬件-模型-应用协同问题 [10]

AI 的人机交互、单一设备 VS 多元设备 - 凯文·凯利预测智能眼镜将在25年后取代智能手机成为个人计算中心设备，但需攻克储能技术等五项关键突破 [5][6] - 镜像世界的构建不依赖眼镜，特斯拉自动驾驶汽车和TikTok等已在扫描真实世界训练AI的空间智能 [6][7] - 技术发展呈现钟摆效应，未来设备可能回归专业化，但智能手机是例外，AR眼镜或成为通用平台连接专业化应用 [7][8][9] AI 的路线之争、通用智能 VS 专用智能 - 技术路线呈现从专用模型向通用模型统一趋势，大语言模型已统一文本任务，但应用层面专用AI更实用 [10] - AI发展路径存在巨大不确定性，分为"扩展派"（持续扩大模型规模）和"专业化派"（终端小模型、领域专用AI） [11][12] - 凯文·凯利个人倾向专业化路线，认为需为不同场景做好准备，避免垄断生态 [12] AI 哲学思辨、"异人智能"与人类智能 - AI智能与人类智能本质不同，AI意识将是"异人意识"，其智能构成和演进环境（人类需求）决定差异 [13][14][16] - 人类价值在于责任承担能力，未来工作核心是管理AI并为其决策担责，人性本身成为稀缺资产 [15][16] AI 的创新 VS 人类的创新 - AI创造力分为日常创新（当前可实现）和颠覆式创新（25年内或部分实现），后者将开辟全新领域 [17][18] - AI创新呈现"异人"特质，如AlphaGo第37手，但社会消化现有AI技术仍需10年，重大突破尚需时间 [17][19] Agent 的生态与入口之争 - Agent生态将推动互联网从"信息网络"升级为"行动网络"，入口之争涉及超级AI助理、操作系统或新型设备 [20] - 智能眼镜可能成为Agent交互界面，需支持多模态交互（语音、手势、表情），苹果等公司正探索相关设备 [20][21] AI 时代的操作系统 - AIOS需定义自然语言交互标准，实现跨Agent协作，开源属性可避免垄断，责任是规范人机交互协议 [23] AI 变革内容创作与内容消费 - 未来内容向3D/4D沉浸式体验迁移，AI将具备情绪反应能力，引发人机情感联结革命 [24][25] - AI成为内容主要消费者，催生为AI创作的新模式，如传记专供AI阅读，重塑互联网商业模式 [26][27] AI 时代的创业公司与巨头竞争 - 科技巨头面临创新者窘境，OpenAI等创业公司更可能主导AI变革，因巨头难以冒险投入高风险新业务 [28][29] - 突破窘境需强决断力领导者，如盖茨和乔布斯，但成功概率极低 [29][30] 人形机器人 VS 专用机器人 - 绝大多数机器人非人形但适配人类尺寸基础设施，仅家用机器人可能拟人化，工作场景优先普及 [31][32][33] AI 时代的组织变革 - 小公司AI应用速度快于大公司，因需重构组织而非简单添加AI工具，亚马逊要求15万员工强制实验AI [34] - 成功关键为持续试错（容忍10次失败）、量化评估人机协同效果，中层管理者受影响最大 [34][35] 行业活动与趋势 - 《AI进化论》系列直播吸引超50万人观看，聚焦DeepSeek等前沿技术，构建高信噪比思想策源地 [1][37]

NPU行业现状 - 当前NPU市场发展迅猛，传统和新兴厂商均在布局该赛道，但多数采用矩阵计算与通用计算分离的架构[1] - 主流IP供应商（CPU/DSP/GPU厂商）5-6年前通过添加独立矩阵加速器进入NPU领域，策略为微调传统指令集+处理20个左右常见ML运算符[1] - 行业形成同质化竞争格局，10-12家领先IP公司的AI子系统均采用传统核心+硬连线加速器的相似架构[2] 传统架构的技术缺陷 - 分离式架构需对算法进行分区运行，在Resnet等简单模型上表现良好（仅需1次分区），但无法适应Transformer等新模型的多样化图运算符需求[4] - 硬连线加速器面临技术迭代困境，客户需承担高昂的硅片重新流片成本[4] - 第二代加速器仍延续第一代缺陷，难以应对自注意力等持续演进的算子[6] 行业转型困境的深层原因 - 技术路径依赖：5年前传统厂商选择短期方案（外挂加速器）而非长期投入可编程NPU，导致现有机遇窗口关闭[5] - 内部创新阻力：开发全新NPU架构需否定传统IP核价值，面临资源分配矛盾（新编译器团队投入与现有产品线竞争）[6] - 市场认知冲突：厂商既需向客户传递传统IP局限性，又无法提供专利费折扣，形成商业逻辑悖论[6] 技术路线对比 - Quadric提出创新方案：将矩阵计算与通用计算紧密集成，避免总线连接造成的算法分割问题[1] - 传统厂商受历史成功束缚，难以突破"创新者窘境"，持续陷入"加速器迭代陷阱"[1][6]

NPU技术发展现状 - 当前NPU赛道发展迅猛，传统和新兴厂商均在布局，但主流方案仍采用传统核心+硬连线加速器的架构[1][2] - 行业普遍通过微调指令集和提供矩阵加速器来应对早期ML基准测试（如Resnet、Mobilenet），但仅能覆盖约20个图运算符[1] 传统IP厂商的技术困境 - 五年前CPU/DSP/GPU IP厂商为保持竞争力，选择附加外部矩阵加速器的短期方案，而非开发专用可编程NPU[4][5] - 该架构需对算法进行分区运行，在Transformer等新模型出现后暴露缺陷，加速器无法有效支持新算子（如自注意力机制）[4][5] - 厂商陷入创新者窘境：既需维护传统IP核价值，又需投入资源开发竞争性新架构，导致连续两代加速器设计重复相同缺陷[5] 技术路线对比 - 理想方案应为矩阵计算与通用计算深度集成的统一架构，而非物理分离的加速器模块[1] - 专用可编程NPU需支持2000+图形运算符，但开发周期长且技术风险高，传统厂商因既有利益束缚难以转型[4][5] 行业影响 - 客户被迫承担硅片重新流片的高成本，因加速器无法适应快速演进的AI算子需求[4] - Transformer模型的出现成为技术分水岭，原有架构性能骤降，倒逼IP厂商重新评估技术路线[4][5]