专访无问芯穹夏立雪：Token跑过3G时代，正往4G走

界面新闻记者 | 伍洋宇 周末
界面新闻编辑 | 文姝琪

经历过3G时代流量限制的人，会更能理解今天面对Token消耗过多时的那种局促。

“手机流量从2009年到2019年——从3G到大家开始买套餐、不再关注一个月用了多少流量——基本用了10年。”无问芯穹创始人兼CEO夏立雪说道。

这是AI时代可以参考的一条时间线。夏立雪判断，此时此刻，人类对Token消耗的计量方式，正处在移动互联网时代3G到4G的拐点阶段，并且加速度更快。鉴于上一个拐点之后迸发的无数创业神话，这个“跑过3G、正往4G走”的状态令人遐想无限。

5月7日，界面新闻独家报道，无问芯穹再获超7亿元融资。这一轮除国资机构外，众多产业上下游企业也在以投资人身份进入。在夏立雪看来，这代表行业愿意在基础设施和软件系统层做更多加注，同时对AI能够真正帮助生产创造价值这件事情有了更多信任。

像无问芯穹这样的AI Infra企业，作为参与Token生产与运转最紧密的环节之一，需要抓住时机推动市场增益，并公平占有自己在整个利益链条中的稳定一隅。

必须承认的是，此前AI Infra层所得到的资本关注远不及模型层和算力层。夏立雪坦然接受，并认为这只是一个时间节奏问题。

“AI大模型带来的是一个新赛道。”他说，“新的东西一定是从需求向供给侧传递的，否则就变成科研了。”当需求不断传递过来，行业自然会去关注AI下一步发展会遇到什么卡点，而AI Infra就处在这片视野之中，等待人才与技术的继续滋养。

无问芯穹创办于2023年5月，创始团队由清华大学电子工程系推动成立，凭借云、端AI系统优化能力、软硬协同、多元异构技术，打造了一套Agentic Infra自主式AI基座与Agentic MaaS大模型服务平台，将芯片厂商、模型厂商以及众多有AI需求的企业与科研机构完成了产业串联。

过去三年，围绕这条产业链生成的Token经济逐步成熟，并在今年正式迎来爆发。

国家统计局最新发布的数据显示，截至今年3月，我国日均Token调用量突破140万亿，比上年末增长超40%。截至今年4月底，无问芯穹Agentic MaaS大模型服务平台的日均Token调用量相较于去年底增长超20倍。

但正如夏立雪对“拐点”的判断，这个行业仍需长足动力来跃向下个阶段。

全球范围内正逐步达成共识，AI竞争不只是模型或算力单个维度的竞争。英伟达CEO黄仁勋用能源、芯片、算力基建、模型、应用五个层次来描述这一生态。无问芯穹有一个大致相通的理论公式，即AI生产力=智能规模×Token生产效率×Token价值转化。

其中，智能规模指可优化的多元异构算力规模，Token生产效率为将电能高效转化为Token的能力，Token价值转化是将Token高效转化为AI生产力的能力。它呈现了一个Token从电能转化为价值的完整过程，意味着每一环都至关重要。

“AI从1950年代到现在已经快100年，有两次都快没了。可以看到，单靠算法、单靠硬件都没法把整个产业带动起来。”这可能是夏立雪眼中最接近所有人都有强烈意愿一起把AI蛋糕做大的时刻。

一个尚未迎来最终答案的议题是关于AI行业的合理利益分配。总之，这是一个夏立雪眼中还在抖动上升的产业，它意味着大量短期因素叠加，会造成局部的利益分配不均，比如芯片厂商因为供需关系的不平衡，在当前阶段占据了更多资本投入。

但他所看到的苗头是：模型在发展，芯片结构在稳定，异构算力基建供需在提升，Token收益在增长——直到最终没有某一环把持市场着话语权，产业就会朝更均匀的方向发展。

无问芯穹创始人兼CEO夏立雪（右一）（图源：受访者提供） 以下为夏立雪采访实录，界面新闻略作编辑： 1、Token起量后：“能赚钱，不是越做越赔”

界面新闻：先聊一下这次融资，它是什么时候启动的？用了多长时间close？

夏立雪：大概去年下半年正式启动，几个月前完成close。

界面新闻：对融资来说，那是一个什么样的节点？

夏立雪：融资时间主要集中在去年下半年，正好是AI推理场景起量的早期阶段。

我们公司成立这三年，从以终为始的角度，目标是让AGI落地变为现实，因此一直在关注模型能力何时能够进入“对广大非技术背景的人也更好用”的阶段。

大约去年下半年，我们感受到了这种变化的发生，比预期来得更早、更快，所以很快启动了这一轮融资。

这一轮股东中既有国资机构，也有上下游产业伙伴，有的处在基础建设环节，有的覆盖大的行业场景。它能在两个层面释放信号：一是Token用量未来会有较大增长，行业愿意在基础设施和软件系统层做更多加注；二是垂类应用厂商的加入，代表他们对“AI能够真正创造价值”这件事有了更多信任。

界面新闻：在这段时间里，你看到最大的变化是AI推理需求的快速增长，那是一个什么样的量级？

夏立雪：从去年到现在，我们公司的推理量增长了几十倍。今年上半年、春节前后，随着“龙虾”以及各种Agent产品出现，我们基本保持在两三周翻一倍的节奏，这是一个非常快的速度。

说实话，我上一次看到这种增速，还是互联网时代流量爆发的时候。

这种增速是大家用脚投票的结果。这些增长的Token，多数来自比较好的模型的付费调用，代表大家愿意为Token这个商品付费，也就意味着人工智能开始真正产生商业价值。

界面新闻：大模型爆火以来，很多人强调AI Infra的重要性，但这件事过去两年好像没有在资本层面特别强烈地体现出来，VC还是更集中追逐模型或应用厂商，在你看来原因是什么？

夏立雪：我觉得最根本的原因是，AI是一个全新赛道。从产业发展的合理性来看，新的东西一定是从需求向供给侧传递的，否则就变成科研了。

如果你造出了一个好技术，却没有人能用，说明这项技术其实超出了当前的需求，这种东西不会是资本优先选择的对象，更可能是一项国家级的科技探索课题。

但如果是从需求一侧传递过来，大家看到AI真正解决了很多问题，才会认真思考：AI既然已经解决了这些问题，下一步发展会遇到什么卡点？

这也是我认为AI现在仍处于良性发展阶段的原因：大家的投资里有理性因素，不只是能拿到真金白银的投资回报，也能获得这些公司本身的业务回报。

界面新闻：所以你觉得现在这个时间节奏，大家整体性的关注度，已经从模型到应用，到了你们供给方。

夏立雪：是的。模型调用量上去之后，确实进入了能赚钱、不是越做越赔的状态。既然是越做越赚，那谁都希望用尽量少的成本得到尽量多的收益。

整个赛道至少都想做这件事：以最少的投入去建设能源、芯片、基础设施，把整条链路串起来，最终产生更多的AI应用价值，赚回更多的钱。

这个闭环成立之后，中间就看各自的能力，谁能带来更大的转化率提升。我们的AGI基础设施和软件系统，一定是其中非常重要的、能够拉开技术差距的一块。

界面新闻：今年年初OpenClaw是一个标志性事件，怎么看待这波Token浪潮对模型厂商和Infra厂商的意义？

夏立雪：先说模型厂商。对他们来说，好处是产业会以更健康的方式做分工。我们在这其中的核心价值，是为这些冲在前线、拓展AI落地的企业提供高质量的Token价值。

我们有一个AI生产力公式：AI生产力=智能规模×Token生产效率×Token价值转化。这与黄仁勋在GTC上讲的分层能够对应。他从英伟达的视角把AI分成5个层次：能源、芯片、基础设施、模型、应用。

在这5个层次里，AI Infra与芯片、能源这样的超大产业属于同一量级。甚至在我看来，基础设施本身就是一个足够全栈的概念。

这件事既需要做好自己那一部分，可能是算子优化，可能是某个计算库的软件优化；也需要真正把模型和硬件打通：要理解模型计算中哪些重要、哪些不重要，也要理解硬件在哪些计算上特别费劲、在哪些计算上比较擅长。

最终是要让整个芯片算力始终在做它最擅长的事情，而它最擅长的事情，又应该刚好是模型中最重要、最产生价值的那一部分。

界面新闻：现在OpenClaw看上去热度有所下降，Token的消耗增速是有所下降，还是维持在之前的水平？

夏立雪：没有下降，整个AI需求仍处于非常早期的阶段。OpenClaw只是Agent领域的一种产品形态，它的热度下降，代表的其实是其他Agent形态在上升。

使用场景在扩大，用量就没有下降的道理，只是它落到OpenClaw、Harness还是其他产品上的分化变得更健康。从我们的体感看，现在整个需求量还有10倍以上的增长空间，而且本身还在以10倍速增长。

我之前说过，它和上一个时代手机流量增长的时间轴可能很像。手机流量从3G时代到大家开始买套餐、不再关注一个月用了多少流量，整个过程基本用了10年。而AI差不多用两三年就跑过了3G阶段，正在向4G走，但仍处于早期。

如果某个新产品把OpenClaw的流量抢走了，这肯定是好事，因为有了更好的产品让用户愿意为之买单。所以基本是一个抖动上升的状态，这是非常好的行业状态。

界面新闻：你觉得流量和Token的时间线是可以互相参考的？

夏立雪：对，刚刚我也提到，差不多切到了3G到4G之间的那一段。我们最早的时候，2023年基本上是按“千Token多少钱”来定价，可能是一分钱、几分钱，折算下来百万Token大概就是十几块钱。

现在你看一下价格，百万Token可能一个Agent任务就用掉了，大家关注的计量单位发生了千倍的提升。对应到当年的流量：以前买几百兆套餐还要犹豫要不要开通，现在都是10G以上的套餐了，中间是百倍到千倍的提升。

所以现在差不多就是3G到4G的拐点阶段。这个拐点背后代表的是模型能力还在提升，大家对这些模型的使用还有更多机会可以探索。后来的移动电商、移动社交，都是在基础能力提升之后产生的新的爆发式需求。

界面新闻：什么样的Token资费量级会触及一个临界点？比如当年流量资费下降直接影响了移动互联网应用潮的爆发，Token资费量级的下降也会有类似的效果？

夏立雪：现在让Agent去跑一个任务，可能要用到10万甚至百万量级的Token，确实还是要花不少钱，尤其当效果还不确定，可能要抽10次盲盒才抽到一个好结果，这就会限制使用意愿。所以这类场景大家还是会犹豫，会把它限定在比较高端的需求上：比如写一份很重要的报告可能会用，但日常写日记或周报就不会用。

这些场景确实还没有完全爆发，限制就在于成本性价比。如果成本能优化得足够好、供给足够充沛，这个问题其实就不存在。

我感受到的临界点大致是：如果10万到百万Token这样一个任务，花的钱在一毛钱以下、到分的量级，那大家就可以不太花精力去考虑成本了。这是从成本性价比角度看的临界点。

当然这背后也跟供需关系有关：如果几块钱就能买到大量Token，那世界上是否真的能产生这么多Token？这里可能会出现一些临界现象。具体什么时候能做到，我不太好判断，因为模型本身也在持续变化。

但有一种趋势基本可以预见：未来肯定会有一天，我们不再为单次任务付费，而是为包月套餐付费。如果哪一天我们手机上插的那张SIM卡，计费的不是流量、是Token，那基本就意味着AGI的第一个生产力替代阶段实现了。

它已经作为一种基础设施存在，就像我不再需要计算今天打一场游戏花了几百兆流量。它背后所要求的，是我们对每百万Token的成本还需要两三个数量级的下降。

2、谁对成本最有用：AI的乐趣在于一种“非精确”

界面新闻：在你们的公式里，Token转化为生产力会经过很多环节，供电体系、芯片、系统、模型、算法。你觉得这几个环节里，谁对Token成本影响最大？

夏立雪：如果直接硬切，把每一片蛋糕单独拿出来看，不考虑整个三明治叠在一起的协同，那么越贴近需求侧的一端影响越快。长期看，比如拉长到10年、20年倒不一定；但至少在第一年、第二年，一定是越贴近需求一侧越快。

按这个排序，最快的肯定是算法和应用。在大约一两年的时间里，算法和应用对Token成本（或者说整个产业链的价值转化效率），大概可以带来每年2-5倍的优化空间。

再往下就是我们这一层，怎么更高效地产生Token。我们能使用更先进的芯片，或更多元的芯片，把算法到硬件之间的局部优化打通，这两年基本带来了10倍的成本下降，算下来大概每年也有2-3倍的优化空间。

再往下，能源建设这些就是长周期的慢活。组网更高效、能源波峰波谷之间的能源交易更顺畅，它增长的是持续性价值。

所以越往底层，看的更是持久性的优化；越往上层，看的更是在灵活变化的时代中能快速跟上的优化。

但我一开始就说了，在AI时代把每一层拆开来看其实是不合理的。因为大模型本身就是软硬协同造出来的东西。Attention不是理论上最优的结构，它的产生是因为GPU就长那个样子，追求的是尽量快地训出一个模型，不追求最佳转化率，追求的是把所有GPU都用起来，这才造出了Attention，造出了Transformer，造出了现在所有大模型结构的根。

整个AI发展史就是多个层次配合起来去做的，从来不是大家各干各的——那样AI就发展不起来了，我也不会去学人工智能了。

人工智能的乐趣就在于它是一种非精确的计算，跟计算2×3一定等于6不一样。所以从单层优化贡献来看，可能算法多一点、Infra也还不错、底层稍少一些；但最终整个AI的发展是大家串在一起的。上面3倍、下面2倍，乘起来可能不是6倍，而是20倍。这就是它的优化空间。

界面新闻：那短期内你们的核心任务是什么，包括怎么让Token降本、怎么更好服务你刚刚说的算法或模型？

夏立雪：我带着产业视角看问题。当前AI赛道最大的问题还是供给和需求的差距，我们的技术选型一定是对应这个差距背后的真实痛点。

我们看到的是，芯片产能和供给有限，但需求爆发是快速的，那怎么用有限的资源去支撑无限的需求？这是我们要先解决的问题。

这里有两个核心点。第一，是不是所有的资源都用起来了？这就是我们做多元异构、做“M种模型×N种芯片”技术范式的原因。在所有可用资源里，可能有一半是没人会用的，或者因为易用性差、性能不够，大家不优先使用。我们首先要解决的，就是把市场中所有能用的资源盘活，让它们跟得上时代发展，不会被冷落成上一个时代的产物。

这是过去两年我们做得还不错的事，不同芯片混合使用的效率能达到97%以上。

第二，资源都能用起来之后，需求还是无限的，我们还得让有限资源上的产能、生产效率发挥到极致。这个目标非常明确：需求都是以Token形式给到的，所以多一块芯片面积能支撑Token，就多产生一份价值；既然能用的芯片都用上了，那就让每秒产能再变得更大。

这是我们一直在做的两件事，未来也是这样。

界面新闻：现在有一种说法，目前算力、模型和应用的蛋糕还没分好，导致成本会不断向下游传导，比如Token成本最终可能由企业客户承担。你会有类似的感觉吗？

夏立雪：这就是我刚刚说的，行业在快速增长。在快速增长的早期，所有人最优先的是把需求接住。如果需求掉到地上，行业可能就没了。

在这个局部阶段，逻辑是先把蛋糕做大、再把蛋糕切好。只要从业者能算得过来账，那大家就可以一起把蛋糕做大。

做大的过程中会产生局部的虹吸效应，有两个原因：第一是抖动，这会带来囤货居奇等各种奇怪的现象，会导致利益不均匀；第二是增速过快之后，如果某一赛道存在绝对强势的玩家，也会产生分配不均。

这两个问题，现在已经能看到改善的趋势：供需的抖动已经很少了，剩下的更多是大的缺口。

关于第二个问题，我们现在看到，其他玩家是有机会的。我们的模型结构、软件生态在这段时间都得到了快速发展。

在我们的带动下，国产芯片以及各种各样的算力资源，已经从最开始的勉强能用进入到基本好用的阶段。一旦进入好用阶段，就可以形成更良性的闭环。

健康的市场需求配上健康的供给结构，整个市场就活了，这种局部虹吸效应的阶段也就结束了。到那时，更多利益会流向真正能把核心产能扩大的人。谁能把产能做得更大？至少在我们这个赛道，看到的是拥有最好技术的人。

界面新闻：设想一下，在未来Token价格全面普惠的时代，无问芯穹的角色更像今天哪一类我们比较熟悉的企业？

夏立雪：那个时候Token会更像今天的水电煤，成为真正的基础设施。在那个时代，我对无问芯穹有两个期待：一是我们自身肯定要成为这里面最重要的Token供应方之一；二是我们本身也是一个非常相信AI的团队，所以那时候我们也会跳出纯Token工厂的定位，进入帮助Token向生产力转化的环节，去服务更多企业客户。

图源：受访者提供 3、谈利益分配：“没有人是充分条件，都是必要条件”

界面新闻：在Token经济的发展过程中，从电力等基础资源层，到AI Infra层，再到模型层与应用层，你怎么看待各个环节在市场中的利益分配？

夏立雪：这件事说实话现在不太好回答，因为整个产业还在我刚说的抖动增长状态。在正常稳定状态下，大家会根据自己产生的价值分到合理的回报；但在抖动上升的过程里，每一次小的局部波峰波谷都会产生新的、局部的利益分配不均衡。

所以我现在很难统一描述最近这一段大家是怎么做利益分配的，因为叠加了太多短期因素。从长期角度看，还是按最终对商业价值带来的增量来分。比如现在这个阶段，很多钱还是留给了芯片厂商，这是因为当前阶段芯片厂商的市场供求关系确实很不均衡。

我们看到的好苗头是：随着大模型本身的发展，结构相对稳定下来。它需要的算子、计算指标都足够清晰，靶子也足够明确了。不是说我要成为神枪手、一枪打到一个未来很准的位置，而是这个靶子就在那里，我只要瞄准它去就好，不需要像英伟达当年做CUDA一样去铺那么多软件生态。

这件事也帮助我们这样的厂商，带动国产芯片、非英伟达芯片以及各种算力与基础建设被需求用起来。底层芯片这一层在规划上，已经具备了往更健康的市场分配方向逐步调和的条件。再结合整个Token收益增大、可分配利益增大，并且分配中没有某一环把持市场话语权，整个产业就会朝更均匀的方向发展。

所以我认为，长期来看：算法和应用是一层，解决的是用模型能力更好地匹配场景需求。不管是用户需求还是客户需求，本质都是场景需求，这是它带来的行业know-how价值；基础建设这一层，是如何更好地用现成的原料和资源（电、芯片、时间）去生产Token，生产有价值的Token；再往下是芯片、能源等更底层环节。这三层基本会形成一个相对均匀的分配，这也是我认为未来比较合理的状态。

界面新闻：所以在整个推动Token经济的过程中，目前芯片层承担任务最重？

夏立雪：我觉得很难这么说。这件事只靠一方努力是干不成的，不是某一方能够绝对主导的。因为供需差距大到仅靠某一个环节都做不到。芯片做得再好，如果模型层没办法做更好的优化、软件层没让模型更丝滑地跑到芯片上，中间经常出错、动不动卡一下，那也解决不了上层很多问题。

现在每一个层次都有它的必要性，没有一个人是充分条件，但都是必要条件，很难说谁最重要，因为缺一不可。只不过现在英伟达的存在感很强，是因为它在这一层和其他玩家的差距太大——差距大就有可能“掀桌子”，别的层次没有人能掀桌子，只有这一层有人能掀，所以大家觉得它存在感很强。

为什么我们要做多元异构？因为我们认为未来不只是国内，整个世界的底层基础设施、底层芯片一定都是异构的、多家的。没道理整个行业都已经赚钱了，还要给某一个玩家保留掀桌子的能力。

所以最终一定是每一个层次都有多家、都呈现更均匀的格局，包括我们这一层，所谓独立的Infra企业和非独立的Infra企业，都有各自的重要性。

界面新闻：为什么“没人能掀桌子”这件事很重要？

夏立雪：AI从1950年代到现在已经快100年，其中有两次出现了行业信仰危机。可以看到，单靠算法、单靠硬件都没法把整个产业带动起来。这一波的整个产业，正是Attention算法+GPU硬件+PyTorch软件设施，把算法、软件系统、硬件串起来，大家一起才能完成的。

所以确实很难说哪一件事在这里面是永远重要的。最开始的时候，技术基础都还没有建立起来，需求是关键，所以算法重要；需求到了之后，大家发现芯片这一层有一个能掀桌子的玩家，所以芯片这一层变重要了；我们现在解决的，就是用多元异构这些技术、用足够好的转化率，让生态变得更健康，大家一起来分这份回报。

AGI的实现不可能靠任何一个层次或一个组织，这也是为什么我们非常认可开源体系。AGI既然要靠大家一起实现，就很难说谁是最重要的。

界面新闻：你刚刚一直在讲，大家是个三明治，你们是中间层，所以你们过去三年真的有让芯片厂商和模型厂商之间更好了解彼此吗？

夏立雪：这样的事情真的太多了。在更早的那个阶段，整个AI需求还在发展过程中，我们就已经非常想把各种各样的芯片生态更健康地带起来。因为对我们来说，这种生态本身就意味着更多选择。

那个时候我们在帮很多国产芯片了解真实需求。我们用技术和服务桥接了科研院所和垂类公司，双方也都愿意去接触新的、不同种类的芯片。

我们帮这些需求方接入到底层不同种类的芯片、不同种类的集群上，帮更底层的供应方了解最先进的算法正在发生什么，也让他们的产品在应用层得到一些好口碑。

界面新闻：它们为什么一定需要你们的帮助？

夏立雪：核心原因有两点。

第一，芯片能力和任务需求之间存在结构性错位。很多国产芯片在特定模型规模和架构下其实是可用的，但它们缺乏一个能够承接完整业务交付的系统集成方，也缺乏有能力在芯片层面做深度适配和优化的合作伙伴。更根本的问题在于，大多数芯片厂商在NVIDIA生态中只具备局部的覆盖能力，一旦客户的实际任务超出这个局部范围，就变成了全有或全无的问题，单凭他们自己根本无法承接。

第二，我们做好异构调度之后，能够把一个完整任务进行合理的拆解和分配。以目前行业里比较典型的PD分离架构为例，将Prefill实例和Decode实例解耦部署，已经成为大规模推理集群降本增效的主流路径。其中P实例（Prefill）对访存带宽和算子完整性的要求相对更容易满足，这就为国产芯片提供了切实可行的接入点。我们可以把P侧的计算负载调度到这些芯片上，让它们在更大范围的生产环境中真正跑起来，而不必等到具备全任务总包能力才有机会入场。

这件事的价值不仅在于当下的算力利用，更在于它为这些芯片厂商在下一代产品研发过程中积累了真实的应用反馈：算子短板在哪里、带宽瓶颈在哪里、稳定性的边界在哪里，这些输入对国产芯片生态的迭代健康度至关重要。我们之间是互相依赖的关系——他们需要我们提供落地路径和应用输入，我们也需要他们持续做出更好的产品，才能拿到更丰富、更有竞争力的异构供给。

界面新闻：再聊一下DeepSeek。无论在训练还是推理上，DeepSeek-V4的算力国产化信号比以前更明显了，它有什么节点意义？会给中国AI Infra产业链带来哪些影响和变化？

夏立雪：DeepSeek-V4有几个很重要的意义。首先，它是一个效果非常好的开源模型，进一步巩固了整个产业在开源路线上的繁荣与信心。开源最大的好处，是能让更多人抛开自己所属的位置，共同贡献到AGI这场长征里。

第二，技术层面，它进一步把软硬结合做得很好，这件事不只针对国产芯片，对先进芯片同样适用。通过算法上的优化，它让cache的使用效率发挥得非常高，能够支撑非常长的Token量。这对长文本要求高的Agent任务非常有帮助。

第三，它还保留了一个Flash模型，在售价和运行尺寸上都相对更具性价比的版本。这对产业是一个非常健康的格局：模型之间是有分工的，既有最好的模型，也有还不错的模型。

Flash模型在不那么尖端的芯片上也是跑得动的。它的好处是，在芯片、算力、基础设施的底层供应和支持上，给了一个更健康的选择。

对我们来说，国产芯片确实还在追赶过程中。如果所有模型都去做最尖端的东西，对大家是不好的，因为它只有一个“尖”，所有人都只能去争那个尖。你又还在追赶过程中，去争尖端的难度一定比别人大。但如果是更成熟的分布、比如有一个Flash模型，这对整个产业的健康度来说是更好的。

界面新闻：所以你会怎么评价国产算力芯片对英伟达或AMD的追赶？

夏立雪：这个追赶速度其实相当不错，国家在这方面的投入真的非常大、非常坚定，对整个产业、对我们这样的Infra企业，都是非常好的信号。

在最尖端那一档，国产芯片在显存、带宽上肯定还有一点差距。但像我刚刚说的，现在整个AI应用是健康的金字塔型分工：不是所有人都需要用最好的模型才能写周报；写代码也分相对简单和相对复杂，还可以通过Agent这样的方式，把小模型和大模型配合起来。

整个产业更健康之后，对芯片厂商是非常好的事情：不用一上来就非要奔着世界第一去跑，做到世界第十也有非常好的收益。

说实话，最尖端的那部分整个产业还得再努力，但至少“还不错”的需求，我们现在接得住。

这是国产芯片现在非常好的窗口，让大家可以在自己相对舒服的身位上快速发展。

本质上，需求是无限增长的，所以你不需要立即把所有市场都吃掉，吃自己擅长的那部分就够了。