中國AI創業公司想擊敗英偉達，有機會嗎？

，微胖。 由於文章篇幅過長， 虎嗅對文章內容進行了刪改。

“我認為 2018 年，將會是各種芯片產品‘百家爭鳴’的一年。”計算機架構領域著名教授 David Patterson 說。

果不其然，新年伊始，芯片領域就重磅消息不斷。 繼 John Hennessy 出任 Alphabet 公司董事長之後，谷歌宣布全面開放 TPU 雲。 緊接著，ARM 發布 Trillium 項目、亞馬遜被曝正在開發 Echo 專用 AI 芯片。

算法走向成熟，自然會尋求算力改造。 而就在兩三年前，芯片領域的創業融資‘仍猶如一場噩夢’：一家創業公司憑什麼與英特爾競爭？ 深度神經網絡的走紅，讓創業投資 資金重新回到半導體領域。

騰訊發布的《中美兩國人工智能產業發展全面解讀》顯示，目前處在基礎層公司中，美國有 33 家，中國約 14 家。 雖然無法媲美全球 3000 多家的 AI 公司數量，但對半導體領域來說，這個數字已屬驚人。

“過去 10 到 15 年以來，任何一個細分領域都不曾出現過這樣的情況：超過 15 家半導體公司同時湧現。”一位連續創業者感嘆道。

2017 年，創業投資在芯片創業公司的投資額超過 15 億美元，幾乎是兩年前投資的兩倍。 其中，深鑑科技分別獲得數千萬美元、4千萬美元融資、耐能獲超千萬美元融資、ThinkForce 宣布完成 4.5 億元融資 。 寒武紀、地平線融資規模達 1 億多美元，而2017 年實現這一融資規模的 AI 芯片創業公司只有三家：Cerebras、Graphcore 以及 Wave Computing。

“中國人工智能創業者和資本結合的很好，資本很願意投資具備潛力的公司。”李開復說。

一些活躍的芯片公司投資人通常也活躍在 AI 領域，甚至自己就是將 AI 作為未來戰略重點的大公司。 投資了頂尖算法公司商湯、曠視的阿里巴巴，於 2017 年連投三家 AI 芯片公司——寒武紀、深鑑科技和耐能。 而在此之前，公司還投資了杭州中天微和 Barefoot Networks。

資本熱情的背後，也離不開國家大基金對芯片產業的鼎力支持。 對於中國公司來說，這是一次難得的超車機會。 AI、物聯網等長尾和分散的新興市場，為中國芯片創業公司帶來重要的入場機會。 過去十年中，中國芯片產業大環境的重大變化也降低了初創公司做芯片的門檻。

其中深鑑科技是最早進入這一領域的創業公司之一。 以下是姚頌的專訪實錄：

要優化整體的內部結構，才能把這個業務做到成本最低，效果最優，最後可能還得做自己的芯片。

David Patterson 與 John Hennessy 是《計算機體系架構：量化研究方法》作者，也是計算機架構領域有名的教授。 近期，John Hennessy 接替施密特出任 Alphabet 公司董事長。 在你看來，這對芯片行業傳遞著一種什麼樣的信號？

我覺得是一個相當大的利好。

符合整體事物發展邏輯。 谷歌，這麼大一個體量公司，單憑搜索再去把業務擴大，我覺得非常困難。 所以大家一定要優化內部結構，打開一些新市場。 AI 這個領域，軟硬兼施，協同很多，谷歌一定得要去做 TPU，才可能把它的 AI 服務做得特別好。 要不然所有人因為用 GPU，成本高，性能功耗也有瓶頸，差異化拉不開。 這也是公司將超級大牛邀請過去的原因。

這跟 AI 的整體邏輯也是一樣的，要優化整體的內部結構，才能把這個業務做到成本最低，效果最優，最後可能還得做自己的芯片。

對創業公司來說，會有什麼樣的影響？

對創業公司的影響分兩個層面。

業務層面，我覺得沒有太多影響。 不同創業公司，做的事差異也很大，業務方向上看，沒有太多衝突。 甚至有一些利好，很多公司可能沒有這樣一個時間週期去等他們內部的 TPU 出來與穀歌 TPU 競爭，大家先在雲上做的可能是 FPGA。 其實，谷歌最開始也是先上了幾千顆 FPGA，量大以後，才把它變成芯片。

另一方面，如果真得越來越重視硬件層面，從投資大環境來說，大家也會越來越重視這個領域，肯定也是一些間接利好。

如何評價 Hinton 近期提出的 CapsNet 框架？ 會是一個變革性的成果嗎？

從學術界來說，有可能。 但從工業界來說，我覺得還比較難。

從爆發至今，深度學習花了好些年才讓大家都適應。 哪怕 CapsNet 超越深度學習，也要花好幾年的時間才可能完全波及到工業界。 另外，我覺得深度學習之所以波及這麼快，是因為在很多實際場景中，完全超越了以往所有傳統機器學習，在很多的問題上是 0 和 1 的區別。 但是，如果一個問題，比如人臉識別，現在已經可以做到八個九了，再來一個算法可以做到九個九，大家會覺得意義不大。

所以從工業界角度來看，這時候再來一個變革，推廣速度可能會比原來還要稍微慢一點。 如果真是顛覆性技術，要在整個工業界盛行，還需要好幾年時間。

如何看待目前這個領域裡的泡沫現象？

整體泡沫很多。 但只要是創業界，不管哪個行業都會有類似情況。

比如，共享單車出來了，全國會出現好幾十家做共享單車的公司；還有千團大戰。 創業圈，不管哪個細分領域，永遠都是這樣：只要一個事情有前景，一定會有很多人前赴後繼地投進來。 只不過現在換成技術創業以後，大家發現理解這個事情並不像原來理解團購、共享單車、打車商業模式那麼簡單，需要換一個新思路去理解，但本質上沒有什麼區別，大家都希望能夠分 到一杯羹。

大家在前赴後繼投進的時候，還是需要分析這個行業最關鍵的競爭要素是什麼。

在芯片領域，設計門檻確實在變低，一顆深度學習處理器芯片設計複雜度可能只是一顆 CPU 芯片的 1/10。 但是，單純芯片本身可能不是最核心的競爭要素，競爭一定是系統層級的事情。

對 AI 芯片行業來說，2018年意味著什麼？

我覺得是很關鍵的一年，要驗證大家到底有沒有真材實料。 對於整個 AI 行業來說，都是特別關鍵的一年。

2018 年以前，大家還是可以憑藉著團隊背景、學術能力等一些較虛的東西融到資，吸引人才加入，進一步往前走。 從 2018 年開始，大家必須要有實際的產品和訂單，要有實際的銷售。

所以，這個行業裡的馬太效應會越來越明顯。 如果技術不是那麼強，越往後越沒辦法。 在商業競爭中，產品賣不出去，甚至因為公司能力不夠，產品都做不出來，這樣一批公司會越來越難融到資。

如果有新的創業公司要在今年進場做芯片，還有機會嗎？

我覺得幾乎沒有了。

從 2015 年往後、2016 年，這個時間窗口就已經過去了。 2017 年往後成立的公司，已經很難有機會。

谷歌 2014 年甚至更早開始做 TPU 這個事情，我們和寒武紀是 2012 年開始做，地平線是 2015 年開始做。 誰都逃不過芯片硬件數年的研發週期。 硬要逞強趕著量產芯片，研發週期短會導致很難設計出性能很好、或者通用性較好的架構，結果，芯片能效比可能比我們的 FPGA 還要差十倍。

未來十年，芯片產業的各個環節，會以算力來去配合算法為中心，軟件算法定義硬件？

肯定是這樣。

原來之所以可以一直延續通用芯片，是因為有摩爾定律，大家一直不斷地寫原來的程序就行了，反正每隔兩年性能就翻倍，成本會下來一些。

現在，摩爾定律無已為繼，要獲取更高性能，更低功耗，只能做得越來越專用。 越來越專用，就要牽扯到跟算法跟應用場景，要了解應用和場景。 此時，很多的事情就是算法軟件給定的。

所以，我覺得這肯定是一個非常大的趨勢。 其實，從 2014 年開始，就有人在提這個趨勢。 比如，百度從 2014 年就開始提一個概念，叫做 software-defined accelerator，賽靈思也有類似的口號。 未來一定是系統決定芯片，很難像 CPU 這樣一個架構做所有事情。

談到 AI 芯片方案，一般都會提及 FPGA 和 ASIC，不同路線都有大廠商在走，深鑑科技選擇芯片方案的邏輯是什麼？

我們也在做自己的處理器芯片，很快了，也是專用芯片。 其實，我們做的都是一套東西。 我一直很強調：我們一直做的是一個深度學習處理器，是有指令集的處理器，而不是將某幾個算法寫死到一顆芯片上，或者在 FPGA 上。 我們從 2012 年開始做這個事，一直沿著這條路在走。

當然，我們這個通用性是局限在深度學習的 Inference。 這是我們的一個核心東西，不論 ASIC 還是 FPGA，核心架構都是一條深度學習處理器。

這是首先需要澄清的。

至於為什麼用 FPGA？ 因為對於創業公司來說，有好幾個特別難的地方。

第一，做一顆處理器級別芯片，姑且不論量產週期多少時間，核心架構至少也需要 3 到 4 年。 而僅芯片的生產製造流程，量產的話，都得走一年半到兩年，創業公司耽誤不起這個時間。

第二，芯片的一次性研發投入很高。 比如我們做一個 28 納米的芯片，一次性研發投入可能是 400 多萬美金，還不算人的成本和後續量產成本。 如果算上人，這個錢至少要雙倍。 但一個公司不可能只留了工資和做這個東西的錢，這些錢一定只能是公司總預算的一小部分，還有其他很多地方要花錢。

第三，全行業都面臨一個特別大的挑戰：怎樣去定義芯片？

原來定義芯片，比如 X86 的 CPU，告訴你是 X86 指令集，什麼算法都能跑，這個定義比較明確。 藍牙芯片、wifi 芯片情況都差不多，芯片功能和協議固定下來，做芯片優化就可以了。

但對於 AI 芯片來說，AI 怎麼定義？ 一個大的 AI 裡面有一部分是機器學習，機器學習裡面一部分是深度學習，深度學習裡面有各種 Net，有各種各樣的捲積和尺寸。 深度學習又分 Training 和 Inference，而且在不同場景，大家跑的不僅僅是神經網絡，因為深度學習大於神經網絡這個概念。 所以，芯片應該是做成什麼功能，能支持哪些 Net，通用程度是怎樣的，也很難定義清楚。

FPGA 能解決這幾個問題。

一方面，FPGA 芯片已經在這裡了，芯片研發已經結束，不必走一年半到兩年的量產週期，把研發的新品結構燒進FPGA 後就可以直接上產品，上市時間特別快，可能僅 需三個月。

另一方面，你是賽靈思或者 Altera 那裡按片購買 FPGA，需要多少片，就買多少片。 不用一開始就投入 400 多萬美金，所以，也沒有一次性投入太高的問題。

第三，芯片沒法定義這個問題，也好解決。 FPGA 是可重構的。 將每一代的處理器架構重新燒結上去，只要向上兼容就好了。 上一代架構寫的程序，還能在新一代架構上跑起來，向上兼容就行了。

但是，FPGA 確實還存在兩個痛點，這也是我們自己做芯片的原因。

有一個問題，也是一直以來存在的一個問題：在量大的情況下，成本高。 如果有一個幾十萬片的訂單，芯片成本攤下來後，就比 FPGA 低了。 雖然一次性研發投入成本特別高，但後續成本很低：只要幾十萬片，成本就可能攤到 10 美金以下，這時候賣就能夠掙錢了。

另外，在 FPGA 上實現處理器芯片，它的性能和功耗，通常會比直接把芯片做出來，要差十倍左右。 因為 FPGA 必須考慮它可以不斷擦寫，可以燒各種各樣的芯片，所以，許多地方達不到最優。

比如做一個芯片，可以跑 1GHz、1.2GHz，甚至 1.5GHz。 在 FPGA 上，可能只能跑 200MHz 或者 300MHz。 FPGA 也沒辦法把功耗優化得特別低，因為要考慮很多通用的事情。

對於 AI 來說，核心競爭力並不是這顆芯片真正的性價比怎麼樣，最核心要素是軟件環境。 ……有了芯片，還要有完整配套的軟件，做一個真有競爭力的產品，真的很難。

深鑑科技很重視安防領域，中國安裝的攝像頭數量巨大，大約 1 個多億。 具體使用到了 AI 的市場到底有多大？ 似乎僅為 1% 不到 2%？

現在的 AI 滲透率低，硬件是一個最主要原因。

大家都在用 GPU，但會有幾個問題。 其中一個問題是 GPU 只能在服務器用。

舉個例子，我們公司也有幾百顆 GPU ，用來訓算法，做壓縮。 我們自己做服務器託管時，北京很多 IDC 機房都去試用了一遍。 他們都說，我的供電能夠做得特別穩定，空調製冷也能做得特別好，後來發現都或多或少有問題，因為 GPU 不穩定，經常會需要重啟服務器。

所以，現在要用上 GPU 必須要搭一個條件特別好的機房。 但是，一個小的派出所，或者超市和小區沒這個條件。 另外，公安也不能接受一個經常丟視頻的產品。

因此，現在的智能安防更多還是局限在一些大型智慧城市項目，只有這樣的項目才有一筆預算去建一個機房，採購服務器。

第二，GPU 價格很貴。 如果所有 AI 全往雲端，帶寬成本、存儲成本都很貴，平攤下來，成本太高，每路視頻可能是在大幾千到萬這個量級。

中國一年出貨的安防監控芯片大概是 2 億顆。 能夠承受得起這麼高昂成本的，可能只有那些極少數、預算最高的智慧城市項目，這就是 AI 滲透率很低的原因。 所有新技術應用，一定都是從能夠承受很高成本的地方開始。

深鑑科技做的事情，其實是在把每路成本降低到幾百人民幣、一百美金的級別。 我們產品的穩定性比 GPU 好得很多，是一個低功耗方案，發熱量比較少，整體穩定性很好。 之前因為硬件原因沒辦法覆蓋到的市場，現在都能覆蓋到。 公司這一塊的訂單量，起來地也挺快。

我們就是在做這樣一個事：在新的市場上，讓它滲透率變得更高。

安防領域有不同類型的想做芯片的競爭者，比如深耕行業多年的大公司，還有創業公司 ，還有傳統芯片公司。 你比較看好什麼類型的競爭對手？

我只看好海康威視，其他公司或多或少有一些缺陷。

首先，算法類公司會遇到的問題在於：芯片的難度和周期可能超乎大家想像。 研發週期加上量產週期，至少是兩到三年時間。 先把算法做好，然後直接把算法寫死在一顆芯片上，即使是這種最簡單的做法也要花兩年多時間。 我覺得，這可能會是大家意料不到的一個事情。

在這兩年多的時間裡，必須持續不斷砸錢，一點水花都看不到。 這是一個比較大的考驗。 雖然肯定能做，但是芯片出來後，上面的算法可能是一兩年前的，算法優勢會消失。 芯片上面的算法落後於當前研究界最好的新算法，精確度肯定會稍微低一些，算法公司會面臨這樣的競爭。

第二個問題是沒有辦法更新算法，如果需要更換算法，就要重新做一個芯片。 實際上，這也是在賭：算法在很長一段時間內不會被替代，然後可以出大量的芯片，另外，用戶也覺得低成本更關鍵。

其實，FPGA 價格不一定很貴，還是需要看場景、公司設計能力，很好公司開發 FPGA，成本可能只是其他公司的三分之一，但能做到的性能是一樣的。 賽靈思之所以投深鑑就是因為同樣一顆芯片，我們能發揮出的純硬件能力比別人至少強三倍。 FPGA 最本質的、上面跑的芯片架構設計最為核心，它就是一個載體、一個樂高積木，用來拼那塊 DPU 芯片，歸根到底取決於芯片設計能力。

至於傳統芯片廠商，他們可能也會比較難理解這個事。 比如，一個很重要的問題就是怎麼去定義芯片，怎麼讓你這顆芯片具有競爭力。

AI 芯片的玩法跟傳統半導體行業的玩法很不一樣。 有一種可能的打法是，別人有一顆怎樣的芯片，我去做一顆類似的，然後通過高性價比的方式去佔領這個市場。 大家都覺得，過兩年芯片就能重新做一代，這款芯片不成功，再推一款，只要能成功地打開市場就行。

但對於 AI 來說，核心競爭力並不是這顆芯片真正的性價比怎麼樣，最核心要素是軟件環境。

單純從芯片性價比角度，GPU 不一定有優勢，但上面的軟件生態環境差異特別大。 各種各樣的庫，各種各樣的工具，可以非常簡單的讓小白用起來。 大家要開發一個怎樣的新研究項目，可以在網上找到很多支持。 行業的競爭壁壘導致大家用慣了這套軟件以後，別人的芯片如果不是一個徹底顛覆性的東西，就很難把你替代掉。

這是傳統半導體公司需要去意識到的一個事情，包括我每次和 Movidius CEO Remi 聊天時候都是聊軟件。 這個行業的玩法可能會顛覆他們原來習慣了的玩法。

另一位朋友 Naveen 可能就遇到了一些類似的問題。 英特爾在 2016 年收購了 Nervana。 說 2016 年年底要出一個 AI 芯片，17 年年初又說要推出芯片，結果推遲到 17 年底。 有了這個芯片，還要有完整配套的軟件，做一個真有競爭力的產品，真的很難。

至於海康威視，最大的優勢是他有明確的場景需求，知道自己要什麼芯片。

深耕行業多年，海康知道把算法做到哪個程度，用戶就能接受。 在上面加哪些功能，未來幾年這些用戶都能夠接受。 他能夠清楚地定義出這個芯片要什麼和不要什麼。 這是算法公司和其他想要切到這個行業的公司，都沒法掌握的東西。

另外，他們也有很強的渠道，能夠保證芯片大量賣出去，把成本攤薄，大量賺錢。 這是我比較看好的，也是傳統做 ASIC 的思路。

現在再看馬斯克開芯片，我就覺得符合正常邏輯。 他要做自動駕駛。 現在用的 GPU，但 GPU 很貴；一年能賣幾十萬輛車出去，做芯片能攤薄成本；他也了解這些自動駕駛功能，知道自己想要什麼，不想要什麼。

總之，要符合兩個條件，一個是需求明確，一個是確實有非常大的量。 這兩點都滿足，開芯片就沒有什麼邏輯問題。

對於算法公司來說，要在這樣一個場景內生存的話，或者最後取勝，我覺得只有一條路走：變成行業公司。 這也是我現在看到這幾家公司在做的事情。 每個行業公司都知道這個系統長什麼樣，它不僅僅是一顆芯片，是一個非常龐雜的大系統。

比如，考慮到芯片, 還有整個軟件環境，網絡錄像機，服務器，視頻管理軟件等，這樣是非常龐雜的一個整體系統。 在這個系統裡，AI 是核心競爭要素，但除此之外，99% 的工作量是傳統的東西。 真要掙錢活下去、活得好，必須變成一個行業公司。

誰能擊敗英偉達？ 可能是十家或者幾十家像深鑑科技這樣的公司在不同垂直領域里分別擊敗英偉達。

有人認為，對於 AI 芯片創業公司來說，賣 IP 這樣的模式很不錯，如果去造芯片，等於在爬坡。 你怎麼看？

我覺得這種模式很難。 IP 很難賺到大錢。 所有 IP 公司中，第一名叫 ARM，全球第二名呢？ 我不知道還有沒有任何一家單獨依靠 IP 業務，就超過 10 億美金的公司。 像 Cadence 這樣的 EDA 巨頭，如果單獨看 IP 這個業務，可能就是一個幾億美金的公司。

IP 是一個競爭門檻、壁壘相對單一的生意。 為了做 IP，必須把接口定義特別清楚，一旦接口定義清楚，人家照這個接口就能把你換掉，除非別人沒有，你有。 現在，雖然你的深度學習 IP 可以做得很強，但 DSP 也能做，DSP 賣得很便宜，很大程度上，這就是在拼純商業、純銷售。

所以一直以來，IP 是一個非常難做的生意，它屬於這個行業最上游肉最少的那個地方。 只有 ARM 能分到肉吃，因為它有全球生態。 而現在，這些 AI 公司已經沒有時間去佈局全球生態。 ARM 可以花幾十年時間做出現在的規模，是因為當時做這個事情時機更好，競爭對手也少一些。 當然，他們技術能力確實很強，能夠把包括 Atom 在內的競爭者掃出去。

所以，走 IP 模式的創業公司要問自己兩個問題。 第一，是否有能力掃掉全球所有的競爭對手，這就是一個直接、面對面的競爭。 第二，是不是處在一個合適的時間點。 我覺得，稍微有機會的時間點是 2014 年，後面的可能性就很低了。 在這樣一個群狼環伺的環境中，創業公司最終長成一個 ARM ，非常困難。

我覺得很難用 IP 核的層面去一統江湖，在 AI 芯片領域，幾乎沒有可能。

其實還是回到一個問題：誰能打敗 ARM？

我曾經和很多人討論的一個問題，包括跟 David Patterson 他們。 他們覺得沒有任何人能打敗 ARM，也沒有任何人能夠正面競爭英偉達。

能打敗 ARM 是一個什麼樣的概念？ 可能是 100 家用 RISC-V 的公司。 當時大家討論，能夠打敗 ARM 的就是 100 家使用 RISC-V 的公司在每個垂直領域裡將 ARM 擊敗，才可能最終擊敗 ARM。

現在，英偉達也屬於這種情況。 它的軟件環境做得很牛，技術積累也非常深厚。 全球正面擊敗英偉達？ 我覺得幾乎沒可能。 誰能擊敗英偉達？ 可能是十家或者幾十家像深鑑科技這樣的公司在不同垂直領域里分別擊敗英偉達。

比如，攝像頭芯片功耗不能高於三瓦，這就將英偉達從這個市場掃出去，因為它最低功耗是十瓦。 做服務器端的 Inference，一個很重要的指標是延時，英偉達又會因為這一點被打出去一些。 自動駕駛領域，英偉達如果克服不了功耗和成本的問題，可能會因為這一點又被打出一些，但是，他肯定還是會有一部分市場，不可能被徹底掃出去，因為它的軟件生態在那裡。

所以，沒有任何一家公司有可能用一個架構來直接推翻英偉達。

ARM 在這個時候會怎麼玩？

ARM 一統 IP 江湖，這是有可能的。 如果 ARM 做出一個很好的深度學習 IP，免費跟他的 CPU 一起賣，所有的做這方面 IP 生意的公司都有可能死掉。

在考慮行業的時候，必須要考慮短期內能否切得進去，這是很重要的一點。 除了短期內收益是多少，也要長遠地看這個市場規模是多少。

近期去世的定位大師傑克·特勞特說過，要么定位，要么死亡。 能否分享分享一下深鑑科技尋找自己利基市場過程中的經驗或者教訓？

舉個例子，最開始，我們做過一些機器人跟無人機的生意。 當時分析這個行業，發現有一些很好的地方。

產品做穩定是特別難的一個事，降成本也是一件挺難的事兒。 但是，我們發現機器人和無人機行業對成本不是那麼敏感，因為產品單價至少都在幾千、幾萬元。 至於穩定性，跑個幾十分鐘就要換電池了，也不需要特別穩定。 對新技術實踐來說，這些都挺友好。

但是做了後，我們發現這個市場好難做。 比如，無人機有 100 萬架的量，結果 70 多萬都是大疆的，剩下的其他公司都特別少，跟大家合作起來，都起不了太大的量。

所以，我覺得在考慮行業的時候，必須要考慮短期內能否切得進去，這是很重要的一點。 除了短期內收益是多少，也要長遠地看這個市場規模是多少。

不同行業和公司對採用創業公司產品的看法，可能會不一樣。 大公司就特別在意供貨的穩定性，一旦供貨，大公司通常會要求對方保證至少連續五年供貨。 比如，賽靈思推出某一款 FPGA 芯片，會承諾這個芯片會量產到 2025 年。 他也必須這樣說，大家才會持續不斷用他的產品。

最注重這個的是汽車行業。 車廠特別注重：對方必須穩定地給車廠供貨幾年，車廠跟 Tier 1 和汽車電子供應商都是幾十年的合作關係，這是一個信任度的問題。

但對於創業公司來說，確實是一個非常大的事情。 選擇安防領域，也是考慮到它是一個特別長尾的市場，市場中的中小型公司對採用創業公司的產品不會在意那麼多。

對於中國來說，AI 芯片真是一次實現彎道超車的機會嗎？

我覺得這是一次換道超車的機會。

對大家來說，這會是一個非常大的新挑戰，戰略和格局層面的挑戰。

過去，我們都是跟在後面拼命追。 無論是 CPU、GPU 還是 FPGA，國產走的都是這樣一條路，追得特別費力。 硬件的東西不會開源，開源來的代碼，你也讀不懂，只能自己踩著坑前進，很難追得上。

不過，有一個成功的傳統例子，京東方。 大家突然發現他全球領先了，為什麼？ 因為他直接砸錢佈局幾年後才會量產的下一代工藝，比如柔性顯示。 當國際上做柔性顯示的時候，他在下一代工藝上就已經國際領先了。

這跟 AI 有點像。 雖然咱們整個人才積累和工業底子還是比國外的薄，但從視野角度來說，這個事情確實是超前國外的。 比如，2012 年我們做研究時，全球都沒什麼人看重這個事情。 哪怕到了2016 年，全球也沒有什麼人看重。 2015 年底、2016 年時，也沒有什麼人真開始創業做。

我們比別人做得早，而且一直在投入，所以我覺得有可能超過去。 彎道超車和換道超車，我覺得是完全不同的思路，但我覺得在 AI 的這個事情上，芯片這個行業確實有可能超越國外。

有投資人曾經說，在中國做創業和投資，一定要做長尾市場，你怎麼看？

我覺得，創業公司的切入肯定是以長尾市場為主。

這其實是品牌的交鋒。 淘寶最初建立時，吸引的是那些晚上有業餘時間，希望開店賺點小外快的人，大品牌不會去淘寶上開店。 有了足夠多的人群後，一些小品牌開始在上面設店面，淘寶又做天貓，越來越多的大品牌開始出現在淘寶平台上。

所以，一家創業公司早期是沒有品牌的，最多是靠投資方的一些新聞加一些背書，形成一個還不錯的品牌，但這個品牌和海康這樣的品牌完全不是一回事。 因此，一開始很難直接給最大的公司服務，哪怕宣傳中說有一些服務，但事實上很難直接從他們那裡拿到錢。

所以，一定都是小的做起，然後逐步往大的打。 但是，一定要有一顆要做到最好的心。