2026北京亦庄AI产业大会聚焦AI影像无线化变革

各位嘉宾下午好，非常荣幸能再次站在AI+大会的舞台。过去一年，人工智能领域经历了翻天覆地的变革，整个行业都洋溢着前所未有的活力与期待。作为杭州研极微电子有限公司的董事长，也是神眸品牌的创始人，我今天想与各位深入探讨一个核心议题：在这场席卷全球的AI技术浪潮中，真正的价值内核与驱动引擎是什么？我的答案是：新质生产力。

当前，全球市值榜首的英伟达，正是凭借其GPU算力这一核心新质生产力，超越了苹果、微软等传统巨头。那么，在如此汹涌的算力浪潮之下，像神眸这样的创新企业，机遇究竟在何处？

我们的战略选择，并非与英伟达在通用算力赛道上正面竞争，而是聚焦于算力浪潮的下游，解决一个更为具体且关键的痛点：通过极致的低功耗芯片设计，让视觉感知的终端——摄像头，彻底摆脱电源线的束缚。请各位思考：手机、电脑、平板早已实现无线自由，但作为物联网“眼睛”的摄像头，却始终被一根电源线所禁锢。这根线带来的综合成本极其高昂：室外部署一个摄像头，首先需要立杆，成本约1万至10万元；随后挖沟埋线，又是上万元支出；安装周期往往长达一周以上；每年的维护费用还需约3000元。对于公安、交通等需要海量布设摄像头的系统而言，其长期运维成本更是天文数字。

因此，神眸的使命非常清晰：致力于实现摄像头的零安装成本、零使用成本和零维护成本。而达成这一目标的技术关键，在于将摄像头的整体功耗降低一到两个数量级。

这背后，是芯片设计方法学的根本性革新。我们采用的是全定制芯片设计路径，主要在三个维度实现了差异化突破：

第一，定制单元设计。行业惯例是采用晶圆厂提供的标准单元库进行设计，EDA工具通常只支持静态双锁存器结构。我们则创新性地采用动态单锁存器设计。一个传统静态双锁存器需要24个晶体管，而我们的方案仅需4个，使得芯片面积和功耗直接降至传统方法的六分之一。

第二，手写网表。传统设计流程是使用高级硬件描述语言编码，再由工具自动综合为电路网表。手写网表则如同软件工程师放弃高级语言，直接使用汇编语言编程，虽然设计难度呈指数级上升，但带来的性能与效率提升也是巨大的。这类似于DeepSeek在AI领域取得突破，部分原因在于其采用了更底层的PTX进行编程优化。我们的手写网表技术，能带来数倍的性能优势。

第三，手动布局。传统自动布局布线工具的芯片面积利用率通常在50%-60%，而我们通过工程师手动进行精细化布局，可以将利用率提升至95%以上，极大优化了芯片面积与性能。

凭借这套独创的全定制芯片设计方法学，我们成功将功耗与成本的乘积降低了一个数量级，并将其应用于摄像头SOC芯片。我们的第一代芯片，功耗仅为业界同类产品的三分之一，已成功应用于理想AI眼镜，以及神眸自研的智能云台摄像机BC4PRO+、双目枪球联动电池云台摄像机PT4、运动影像记录仪V1等产品中。

第二代芯片实现了更大跨越，功耗达到了业界平均水平的十分之一。它已应用于神眸智能停车记录仪DC1——这是业内首款专为停车监控场景设计、具备超长续航且完全免布线的产品。更具里程碑意义的是神眸太阳能一体化智能摄像机BC7，我们首次实现了仅依靠1瓦的小型太阳能板，就能保障摄像头24小时不间断、365天全年无休地持续工作。当然，要实现整个系统十分之一的功耗目标，仅靠SOC芯片是不够的。我们在CIS图像传感器、PMU电源管理单元、Wi-Fi及4G通信模块上都进行了全面的低功耗协同设计。

功耗的突破性降低，直接开启了巨大的市场想象空间。目前，全球安防类摄像头（不含手机）的年出货量约为3到4亿台。但我们预测，到2035年，这个数字将增长至100亿台。手机摄像头主要服务于“人”，而物联网摄像头将服务于“万物”，其潜在市场规模必然远超手机。尤其是当无线化、免维护的摄像头成为现实，市场增长曲线将变得极为陡峭。保持年均30%的复合增长率，100亿台的目标并非遥不可及。

将目光投向更远的未来，到2045年，我们相信全球摄像头的部署数量将达到1000亿台。一个关键的推演逻辑在于：我们预计到2040年左右，以人工智能为核心的第四次工业革命将基本完成，届时大部分人类工作将被AI接管。那么，人类的活动重心将转向何方？极有可能是虚拟世界。这就需要构建一个能够实时、精准映射物理世界的超大规模“数字孪生”或“世界模型”。否则，这个模型就会因缺乏真实数据输入而产生“幻觉”。如何让它“接地气”？答案就是依赖遍布全球的海量摄像头，将物理世界的实时状态持续输入。初步估算，要相对完整地反映世界动态，可能需要高达1.2万亿个感知节点。如果分十年建设完成，年均部署量就需要达到1000亿台。

面向这个大模型驱动的时代，神眸的另一个核心战略方向是“神算”——即大模型推理算力。毫无疑问，算力是当今最核心的新质生产力。英伟达是当前训练算力的绝对王者，但其他企业是否还有机会？这需要从算力的两个层面来分析：训练算力与推理算力。

在训练算力领域，实现超越的机会非常渺茫。核心壁垒在于英伟达构建的CUDA软件生态。几乎所有主流的大模型训练框架都深度依赖于CUDA。记得在一次行业生态大会上，国内一家头部大模型公司的负责人曾提到，他们为了适配另一家公司的芯片，足足耗费了三个月时间。对于迭代速度以月计的大模型领域而言，三个月几乎意味着一代产品的差距。没有极强的战略协同意愿，客户很难承受这样的转换成本。

然而，在推理算力市场，机会则广阔得多。主要原因有三点：首先，推理过程不强制依赖CUDA接口；其次，每个大模型都有其独特的算法结构和算子组合。针对这些特定算法进行专用芯片定制，在能效比和单位成本上，天然就比通用GPU具有巨大优势。更重要的是，推理算力的需求规模远超训练算力。全球顶尖的大模型研发团队可能仅有上百个，即便每个团队使用一万张加速卡，总量也不过百万级别。而推理算力需要面向全球数十亿用户以及未来海量的智能体与机器人，其市场需求是千倍、万倍级别的。这也正是英伟达不惜重金收购推理算力创业公司Groq的战略逻辑。

因此，如果能在推理算力领域做到极致，创业公司完全有潜力成为新的行业领导者。那么，成功的关键要素是什么？我们认为主要有三点：

第一，能否与顶尖的大模型建立深度合作，无论是优秀的开源模型，还是能形成战略联盟的闭源模型；
第二，是否能够获得最先进的半导体制造工艺的支持与合作；
第三，芯片设计方法学，尤其是在低功耗和高能效设计上，是否具备独特优势。

在这三个方面，神眸已积累了一定的先发优势。我们的全定制设计方法学能够实现相比对手十分之一的功耗，这相当于在半导体工艺节点上领先了四到六代。同时，我们是三星最先进工艺节点的顶级合作伙伴，具备定制化工艺的能力。虽然目前最具商业价值的模型仍以闭源为主，但开源趋势日益明显，并且我们坚信，中国的大模型公司追赶乃至超越世界先进水平，只是时间问题。

综合以上三点，我们看到了清晰的发展路径与市场机遇。事实上，在之前的CNN（卷积神经网络）时代，我们已经打下了坚实的技术基础。在进行自研AI芯片开发时，我们就同步开发了专用的编译器，能够将CNN模型高效映射到芯片硬件上。这套编译器经过长达五年的商业化迭代与优化，已经非常成熟稳定。此外，我们自身也在积极利用大模型技术赋能内部运营，如AI客服、AI编程辅助，并为客户提供基于AI的行业应用解决方案。从端侧SOC芯片、云端推理芯片、传感器芯片，到智能硬件产品和云端SaaS服务，我们正在公司内部构建一个能够快速自我驱动、持续迭代的技术与商业闭环。对于这条通往未来的道路，我们充满信心与期待。

感谢各位的聆听。