在大模型步入深水区的当下，AI 下一个临界点究竟在哪里？在2025 GIS全球创新峰会现场上阳网配资，深度学习奠基人、“AI 教父” Geoffrey Hinton（辛顿）与云天励飞董事长兼 CEO 陈宁，围绕算力效率、AI 向善与普惠未来展开了一场高密度对话。对话由硅谷著名计算机科学家、硅谷高创会大会主席吴军主持。
跨学科知识可更好解决问题
让吴军感到好奇的是，在本科阶段，辛顿读的是心理学、生理学还有哲学，并不是计算机科学。
辛顿说，最开始完全不懂计算机科学，还在中学时，就对生理学特别感兴趣，想了解大脑是如何运作的，先学的是心理学、生理学，后来再去学人工智能和神经科学、这些不同的学科都是去为了解决某个具体问题，但如果遇到一个特别难的，真正很棘手的问题，有跨学科的知识就可以更好解决，为此，后来还学了统计物理学。
今年七月，辛顿曾到访上海，也曾去过香港，粤港澳大湾区（香港和深圳）被誉为“世界硬件之都”。在深圳，众多初创企业正在设计AI原生硬件。陈宁向辛顿提出的一个问题是：在AI时代，或者说在AI影响社会的时代，哪个地区更具优势？
辛顿对此表示，应用最终来源于研究，而研究的灵感又常常来自新的应用场景。中国和其他国家一样，受益于拥有两种类型的区域：一类是推动基础科学和算法研究的区域；另一类是推动硬件、产品和大规模应用部署的区域。这两种生态系统对AI的发展都至关重要。
陈宁则分析，中国的AI政策与美国有着显著差异：在美国，重心更多在于训练更加聪明、跑分更高的AI。但是在中国，政策更强调开放应用场景上阳网配资，致力于让更广泛的人群使用AI技术。到2027年，预计AI应用和智能体在中国的个人及企业渗透率将超过 70%，而到2030年左右，这一数字可能会突破 90%。
这意味着，每个人、每家企业都会在日常工作中使用AI。这将产生海量的真实世界反馈数据，而这些反馈对于训练更智能、行为规范、更完善的AI系统至关重要。
AI 瓶颈从“算法”转向“算力效率”
在算力成本急剧攀升的今天，AI 的真正瓶颈在哪里？吴军提到，现在要训练一个OPENAI或者Gemini或者ChatGPT模型，可能要花费数十亿美金训练的成本。
但陈宁通过自己的研究，让AI的成本持续下降。
陈宁说上阳网配资，云天励飞在11年就开始致力于设计更高效的AI芯片。比如，像谷歌的 TPUv7或者其他同类的GPU，在一些场景下，可以降低30%的成本甚至更多，并提供相当甚至更优的性能。
陈宁说，如果要让AI真正改变世界，仅仅依靠更优秀的算法是不够的——同样需要更高效的硬件支撑。
围绕这一判断，云天励飞以 NPU 为核心，将推出GPNPU架构，走“推理优先架构”路线，在矩阵/向量单元、存储层级和带宽利用上深度优化，目标是将100万个 token 的生成成本，从约1美元压到1美分，实现百倍级效率提升。
为了支撑这一愿景，云天励飞已经研发了五代NPU，并且正在研发GPNPU，旨在为行业提供更具性价比的AI芯片方案。
“现在大家都在说AI for Good，我认为AI for Good有两重含义：AI向善和普惠AI。我们希望AI不仅智能而且向善，能够惠及每一个人。”陈宁说，大模型的训练高度依赖昂贵的GPU和TPU。但在人人都在谈论AI智能体的当下，衡量AI的关键指标应该是：每瓦特每美元的推理能力，即单位资金和单位能耗下，AI究竟能完成多少有效工作。
陈宁判断，未来五年，人工智能将重新定义几乎所有的电子产品：从耳机和智能眼镜，到智能手机和笔记本电脑，再到各种家用电器。它们都会成为人工智能设备；它们都会“对话”，并作为个人agent行动。届时，人工智能推理将无处不在。
今年七月，云天励飞向国际电信联盟（ITU）提议，开始着手制定全球推理计算网络的标准，目标是建立一个类似于电力网的人工智能计算网络，AI芯片将通过通信网络互联互通，以极低的成本和极低的能耗，向全球几乎所有地方提供服务。
AI 向善，既要可控也要可负担
最后，陈宁向辛顿提问：如果有一台时光机，在知道 AI当前发展情况和风险的情况下，回到2012年，是否还会发表那篇AlexNet论文？
最初，GPU的设计是为了处理图形渲染，而不是为了AI计算。辛顿和他的学生们，使用两张英伟达GPU卡训练了AlexNet模型，并获得了成功。这一成功帮助英伟达认识到GPU在机器学习领域的巨大潜力，并为他们创造了一个全新的市场。
辛顿回答说：该发生的还是会发生，即使当年没有公开发表AlexNet，其他研究者也会在几年内独立发现相同的思路。因此，不发表它可能并不会阻止这一进展——只会稍微延缓它的速度。
“我真正学到的是：随着这些系统变得日益强大，我们必须对安全性和监管抱以更严肃的态度。我会选择发表它——但会以更强的力度强调提前思考后果以及如何管理相关风险。”辛顿说。
陈宁则从“谁真正受益”的角度，为“AI 向善”加上了另一半定义。
他指出，如果 AI 只停留在少数科技巨头的数据中心，只服务少部分机构和高净值人群，再完美的技术也难言“向善”。真正有意义的 AI，必须让更多人用得起、用得上——当 AI 的使用成本被拉低到接近水电气这种基础设施的水平时，偏远地区的学生、基层医院和中小企业才有可能在教育、医疗、农业与生产中真正获得增益。
辛顿关注“风险可控”，陈宁强调“成本可负担”，两条路径指向同一底线：AI 向善，不只是“不作恶”，更要“有益且可及”。
南方+记者 郜小平上阳网配资
广瑞网提示：文章来自网络，不代表本站观点。
