对话寅谱田洋：小龙虾退潮之后，端侧 AI 硬件的下一站是什么？

AI 算力的版图正在被重新画一遍。英伟达以 200 亿美金买下 Groq、在最新一届 GTC 上推出“训练推理一体”方案；主板上从 CPU、GPU 到 SSD、内存，这些器件的重要性都被重新点亮——AI 不再是 GPU 的独角戏。

与此同时，另一条线却显得停滞——我们今天的电脑、Mac mini、各种被叫做“龙虾机”的家庭 AI 硬件，虽然都算“端上硬件”，但用 AI 时却要回云上。PC 架构已经很久没有真正的变革，而云端的创新却跑得飞快。

这个落差正在倒逼一个问题：家庭里下一台 AI 终端，到底会是什么样子？

寅谱致力于回答这个问题，其创始人田洋的标签很跨界——清华星火班、计算神经科学博士、统计物理、华为 2012 实验室、回学术界拿教职、再辞去教职创业。

不久前，峰瑞资本创始合伙人李丰与田洋进行了一场深度对话，关于寅谱正在做的“家庭 AI 硬件”——它到底是什么？跟今天的电脑、Mac mini、各种"龙虾机"会有什么不同？为什么在这个时间点，家里需要多一台这样的设备？

他们聊天的主要话题包括：

• 为什么“涉及整个主板的计算、存储的最优控制”会成为一个值得下场的创业方向？

• AI 从训练走向 agent，让整块主板上的器件都被重新点亮了？

• 芯片走到几纳米后进入“介观尺度”，对端侧硬件意味着什么？

• 90 年代我们经历过 CPU 超频，今天的端侧 AI 硬件正在进入一个“拼拼乐”时代？

• 桌面端会变成下一个“算力路由器”吗——像水电煤一样，是家里默认存在的资源？

• 小龙虾退潮之后，硬件厂商可能是最应该预测风潮的人？

我们整理了部分对话内容，完整对话欢迎移步小宇宙 App 和 Apple Podcast 搜索「高能量」收听本期节目。

互动福利：

你买过家庭 AI 硬件（Mac mini、龙虾机等等）吗？最常用它做什么？欢迎你在评论区和我们聊聊你的看法。截止至 2026 年 6 月 5日 17:00，留言最走心的 2 位读者将获得丰叔的推荐书籍一本。

当"信息"也是一种能量

李丰：你的标签特别跨越，清华星火班、计算神经科学博士、统计物理、华为 2012 实验室、教职，然后下场创业。这一波三折之间有什么内在联系？

田洋：我刚才测了一个最近很火的 SBTI（搞笑版 MBTI），我的结果是 GOGO（行者）——讲究理性，但做事很多时候是凭兴趣来的，这个对我的评价挺准的。

李丰：计算神经科学具体是研究什么？

田洋：这个学科其实有两拨人。一拨是计算机背景，目的是做生物启发式的 simulation（仿真）；另一拨是物理背景，我属于后者。我们更多是用物理学的手段去研究大脑如何编码外界信息，这些神经活动的动力学规律是什么，这些规律又意味着大脑处于什么状态。

李丰：今天不管是 VLA 还是 VLM 都会碰到一个问题——能不能在视频模型或语言模型的基础上做不同的架构，来解决和物理世界交互的问题。这就是我们今天热议的“世界模型”。但这件事背后有一个底层的问题，动物是怎么理解物理量和物理规律的？比如猴子天生就知道那个树枝撑不住自己。但“直觉物理”有时也会出错。比如人会直觉认为“两个铁球不会同时落地”。你怎么看待这个问题？

田洋：我离开计算神经科学的原因之一，就是我并不认为人类的大脑很完美。机器人执着于“仿生”，但这个路线发展依然缓慢，我们要承认，人和机器人是不一样的。人之所以习惯从自己身上借鉴，是因为以前我们创造的东西都弱于我们，但 AI 可能是一个强于我们的东西，这个时候人的潜意识是害怕的。

所以我认为机器人其实可以完全放弃借鉴生物，走更通用、更开放的思路——除了看神经科学，还可以看物理学、化学里的自组织系统，比如分子机器人、自主装机器人、集群行为......这些可能比单纯照搬人脑更值得借鉴。

AI走向应用，整块主板都被点亮了

李丰：你从学术到华为再回学术再创业，是什么把这条路连起来的？

田洋：兰道尔法则（Landauer's principle）告诉我们：擦除一位信息，需要消耗确定的热力学量。这个视角让我意识到：计算机本身也可以是一个很好的物理研究对象。

一块主板有很多可以被控制的物理参量——电压、频率、功耗。这些转化关系，就是我想去控制的东西，从而让整个计算机达到更高的能效。

李丰：为什么选择一年前这个节点创业？

田洋：几个原因。第一个是简单的经济学原理——AI 不可能一直处于基建时代，一定会走向推理、应用，一旦走向推理和 agent，CPU 和内存厂商会变得越来越重要。

第二个原因来自对硬件本身的观察。现在所有芯片都在致力于 7 纳米以下的方向。从物理上看，芯片尺度不断缩小之后，就从宏观尺度走到了"介观尺度"——这一尺度有大量非平衡态的热扰动，换句话说，一块芯片放在主板上，会受到附近发热和其他物理量越来越显著的影响。如果我能控制好主板环境，我就能给它创造更好的条件。

而从消费趋势来看，消费者接触到的都是产品而非服务器。两边的发展逐渐脱节，服务器端有越来越多新技术，但 C 端却很久没有真正意义上的革新了。所以我认为现在的产业刚好停在需求端需要做变革、但还没有很好变革方向的节点。这个时候做任何尝试有机会上车。

李丰：举例而言，英伟达 200 亿美金买下了 Groq，并在最新一届 GTC 上推出“训练推理一体”方案。我们在投资端也观察到，AI 异构芯片的热度，是从云端异构芯片（比如 TPU），到云到端之间的推理芯片（比如我们投的行云、元川微），到现在正在热起来的端上的芯片。

这三类芯片在硬件层面的核心区别，就是在计算、通讯、存储这三种资源的调度比例上不一样。从大模型走向应用的时候，这种不一样会更明显。但这个不一样，今天更多还是体现在服务器端，端上的芯片只是刚刚开始热而已。

田洋：是的。我们最早推新技术的时候，涉及到一个经典问题——科技公司如何教育市场？我们要教育的是一个已经停滞了近 20 年、没有技术变革的旧市场。最终一定会遇到一个问题：怎么让别人意识到这东西真的有用？

在这个趋势下，所有科技公司最终必然转向先在自有平台上做技术 demo 或商业 demo，寅谱也是如此，做自有平台是非常重要的事。

从猫到无线路由器，端侧硬件的下一次演化会是什么？

李丰：所谓“AI 原生硬件”，今天的定义其实非常混乱。从 Mac mini 到各种龙虾机，形态极其不一样。你怎么看这些概念？

田洋：未来消费端承担 AI 计算功能的终端，未必会和传统计算机天然分离，消费者心理就是“花一个价钱买到尽可能多的功能”。从形态上看，小的设备随身携带，大的设备放在家里——这是两类。

移动端的核心是“交互”，能活下来的必然是自带完整交互、同时提供算力的终端，如果做一个没有交互、只提供算力的小盒子，比如挂在手机上的“充电宝”形态，其实是创造了一个要依附于其他终端的终端，很快就会被那个提供依附功能的终端把算力芯片塞进去直接吃掉。而桌面端不需要强交互，它会变成“算力路由器”——像水电煤一样成为家里默认存在的资源。

李丰：就像 90 年代“猫”演化成了无线路由器，今天驱动下一次演化的，是“大家都需要更大的算力、存储和数据通信”，按同样的逻辑，它会以一个独立的家庭设备的形态被调度出来。那么你们即将发布的产品，在这张图景里处于哪个位置？

田洋：寅谱大部分产品会是“强算力、默默无闻”的那一类，今年会有 4 款桌面 + 1 款 pocket 手持设备。寅谱掌握的是用相同硬件做出更好产品、更高性能的能力，我们想做这个时代的 AI-native 计算机。

李丰：桌面端还需要带显示器和键盘吗？

田洋：我们会永远强调它可以带显示器和键盘，但越来越弱化它需要带显示器和键盘。

李丰：对于消费者而言，最大的体验差别是什么？

田洋：性能更强、更加稳定。具体说，今年 6 月，寅谱会发布 AI SSD——一种带特殊加速分区、定制化控制芯片的 SSD，既能支持传统的 kv cache offload，也能支持 MOE 模型的冷热专家预取。大家很快就能在各大计算机厂商的发布会以及各类科技展会上见到这款产品，我们将展示这款 AI SSD 如何支撑现有计算机平台运行更大规模的 MOE 模型。例如，我们将会展示 12GB 显存的常规消费级 GPU、16GB 内存的常规 CPU 如何通过与这款 AI SSD 的配合实现基于 35B 或 80B 的 MOE模型的 Coding Agent，且推理速度维持在 35 tokens/s。另一方面，寅谱会在今年年底发布一款近存计算的协处理器芯片（FPGA版），用于单芯片支持 397B 至 480B 规模的 MOE 模型的高速推理（在常见上下文场景中，decode 速度会稳定在 300 至 500 tokens/s），该芯片非常强调与计算单元与 DDR、Flash 的高效配合。

李丰：怎么让这些已有硬件组合在一起，加上寅谱之后，完成超越原来硬件的功能？以及为什么你能做到这件事？

田洋：产品规划分两类。第一类是控制主板层级的DVFS（性能、功耗和散热的综合调控），让处理芯片发挥极限性能，这类产品一般会用于寅谱自己的计算机产品上。第二类是消除主板上的 IO 瓶颈，服务 AI 推理和 agent 应用，我前面提到的AI SSD和协处理器芯片都属于这类产品，我们除了用在自己的产品上之外，也会提供给各个计算机制造商。

李丰：在已有硬件资源中间，加了一层更聪明的调度？让每个硬件都能被充分利用。原有资源可以被充分释放，又不影响与其他不同厂硬件之间的适配和资源调度冲突，是这样吗？

田洋：是的。以 AI agent 的应用为例，寅谱未来关于 AI 优化的产品，作用可以概述为这样：我们每个人在做 agent 交互时，涉及一大堆数据要存在 SSD 里，一堆数据要放在显存上。显存放不下之后，就要判断是完全扔掉、未来重新计算，还是不愿意扔掉、继续塞回 SSD。这个过程永远会经过一个叫做 PCIE 总线的东西——把数据从显存和内存 load 到 SSD，这是寅谱最关心的核心路径。首先我们会和一部分存储企业合作，去做 SSD 进出的 IO 速度优化，比如今年 6 月要发布的 AI SSD。另一方面，PCIE 总线上还有很多环节，短期内即使有技术也很难在商业上推动去做 IO 优化。这一部分的 IO bottleneck，我们希望通过新产品直接取代，比如明年要推出的像“插游戏卡”一样的 AI 推理加速卡。我们现在沿着整个 PCIE 总线，看 AI 数据需要流动到什么地方，是否能在现有商业条件里做优化。如果能，就和厂商合作；如果不能，就自己来做芯片，逐步把那一部分的 IO 拿掉。

李丰：这件事有点像 90 年代的“超频”。那时候个人电脑还很贵，普通用户买不起最好的 CPU，于是想办法让已有的 CPU 跑到尽量高的频率上。超频这件事从 90 年代初持续到 21 世纪初，后来因为消费能力上去、芯片价格下来，才慢慢消失了。

田洋：这个解释非常好。我们活在一个 DDR、HBM 贵如黄金的年代——容量不够就必然需要调度。至少未来 1-2 年，这种“妥协式的硬件方案”会是主流。今年我们会大方承认这些都是已有的零件，只是有能力拼出不一样的东西。等寅谱自己的芯片出来之后，我们才会强调本质性的不同。

李丰：明年你们要做协处理器芯片。协处理器历史上有两条完全不同的路径。第一条是 GPS 路径，它后来被合并进了主芯片。第二条是 GPU 路径，二十多年前的英伟达，最早是为打游戏做图形处理的协处理器，但后来 AI 时代并行计算变得极其重要，它反而走到了整个市场的中心。你们会走哪条路？

田洋：如果大家认可 AI 是未来的基础功能，协处理器大概也会分化出两种方向。第一种追求通用，兼容性好但成本有限只能支持比较小的 AI。第二种抛弃兼容性，走极端硬化，把软件直接硬化成电路，在同样成本下支持更大规模的 AI。基于国内产业链的现实条件，寅谱走的是第二条路——抛弃通用性、做极端硬化、做专用 ASIC。

/ 04 /

硬件厂商可能是最应该预测风潮的人

李丰：最后聊一个收尾话题——“小龙虾”这一波，为什么在中国比在美国热得多？往后看，你觉得龙虾会继续出更不同的版本来承继这个过程，还是在应用层稳定下来之后自己再慢慢长大？

田洋：中国其实没有国民级的 AI 应用，但我们却在 AI 时代已经活了 2-3 年，大家潜意识里在等一个国民级应用。当消费者看到“小龙虾”的时候，会觉得“或许它很快能被云厂商做成国民级应用”。海外不需要，因为 ChatGPT、Claude、Codex等等，已经太多了。所以这种热度其实是在表达一种期待。

李丰：这种衰退给硬件厂商什么启示？

田洋：这其实正好证明了我一直强调的事，硬件厂商应该预测风潮，而不是追风潮。很多龙虾机是传统 Mini PC 塞 Open LLM 的变体，这是“传统硬件 + 预置一个 APP”的老思路。未来应该从“塞一个 APP”变成“塞一类能力”。谁有能力做更好的软硬件结合的 memory，让 agent 越来越懂你，可能是近五年最大的发展方向。

AI 还没聪明到敢把掌握大量个人信息的手机交给它。我们需要的是隐私没那么重要、更适合和 agent 深度交互的设备。它不能是手机，也不能是平板，必然在交互方式上和手机不同。我们希望它更贴近纯粹的 agent 交互。一个不恰当的比喻：这台机器可以理解成“AI-native 的 Linux 开源掌机”。

李丰：这么定位之后，它就是一个偏专业、偏极客的产品了。

田洋：是的。这不是 general C 时代。99% 的 general C 在下龙虾之前不知道它能干什么，下了之后也不知道——核心诉求只是“要下一个龙虾”。做硬件有硬成本，我们需要高消费力的稳定市场。打游戏的人虽然多，但只要能勉强跑得动游戏就不会换机器。做 AI 的、做图形渲染的专业用户才不一样，只要性能提升就愿意换。硬件厂商应该先稳住专业用户，再进入 general C。

李丰：这其实也回应了一个更普遍的规律——几乎所有消费级科技硬件都是从专业用户开始的：相机、无人机、3D 打印机……甚至移动电话，最早也是从海洋通讯等专业用户开始。然后靠技术和硬件能力的双重下放，才慢慢到大众化。最后一个问题，1 到 1.5 年之内，这类家庭 AI 硬件终端的市场规模，你预判会是什么样？

田洋：国内 B 端对 AI 的拥抱能力非常强，B 端销量未必逊色于海外。专业 C 端在中国还是相对更小，所以 C 端几乎所有厂商的体量都是海外为主，这是消费习惯的差别。但国内 B 端有很多看起来比较传统的企业，其实在 AI 拥抱上非常强，本身营收体量也很大。

李丰：这一点和我们去年的观察吻合。去年四月份开始的 DeepSeek 一体机，在国内 to B、尤其是大 B 和中 B 场景里卖得非常好——国内产业环境和数字化基础设施好，加上市场足够卷，大家生怕别人有的自己没有，于是 to B 的机会确实先跑出来。

最后预祝寅谱 6 月发布的产品，以及之后的几款，都能大卖成功。