北大教授蔡一茂：AI发展的新引擎与新挑战

编者按：近日，北京大学集成电路学院院长蔡一茂在通州·全球发展论坛（2025年春季）“DeepSeek中国人工智能、跳跃式发展与全球2050目标”主题研讨会上发言指出，大模型既是新引擎，也带来了新挑战。集成电路产业必须不断创新，以应对算力、能耗和成本的多重压力。现将其发言实录发布如下：

今天，我想和大家探讨的主题是“新引擎与新挑战”，和大家交流一下大模型与集成电路之间的相互影响。

首先，大模型并非全新事物，但为何近期再度成为热点？这背后反映了AI发展的终极目标——通用AI。

尽管实现通用AI的路径多样，但目前大模型被视为一条重要途径，尤其是通过Scaling Law（规模法则）推动。然而，Scaling Law对算力的需求极为饥渴，带来了能耗、成本等问题，尤其对发展中国家而言，算力获取的困难可能限制大模型的进一步发展，因此以Deepseek为代表的低训练成本的算法创新以及提高集成电路的算力供给能力对于推动AI的发展具有深远的意义。集成电路作为算力的基础保障，已进入后摩尔时代。传统的Scaling Down（尺寸缩小）法则面临瓶颈，业界开始探索三维技术、新型材料和架构。这些变革不仅关乎技术突破，还涉及资本投入和市场认可。

其次，大模型引发的算力需求风暴对硬件提出了巨大挑战。

算力需求的增长速度远超集成电路的传统发展路径，导致能耗和绿色发展问题日益突出。特别是随着DeepSeek等大模型推理应用被广泛使用，边缘计算的算力需求急剧上升，传统的低功耗、低成本边缘设备已无法满足需求。这促使集成电路产业重新思考如何支持边缘端的大模型推理算力需求。

多样化算力供需矛盾下的产业挑战也日益凸显。软硬件协同成为关键，定制化需求不断增加。随着大模型的本地化部署和推理需求增长，集成电路产业必须加速技术创新，以应对新的市场变化。特别是在To C市场，如手机、AIPC和智能家居终端，低功耗、低成本的大模型推理支持将成为未来智能硬件的重要方向。

第三，大模型驱动了集成电路的变革。

芯片算力的提升不仅依赖于晶体管密度的增加，还需要先进封装和新架构的支持。尽管成熟工艺在某些场景下具备成本优势，但先进工艺仍然是战略性技术，尤其是在生成式AI和大算力需求的背景下。我们仍然需要加大对先进工艺的研发，否则将失去未来的技术制高点。同时，新型计算架构的探索也至关重要。传统的冯诺伊曼架构面临瓶颈，类脑计算、存算一体等新架构有望带来突破。大模型的兴起为这些新架构提供了应用场景，也为国内芯片公司带来了新的机遇。

第四，大模型的软硬件协同发展可能重塑产业生态。

从WinTel时代到AI时代，硬件生态的主导力量不断变化。开源大模型的兴起为RISC-V和专用推理芯片提供了发展空间，有望推动国内生态的崛起。这不仅降低了成本，还为更多企业参与AI产业链提供了机会。

第五，从训练转向推理和边缘计算已成为共识。

随着边缘端算力需求的增长，基于成熟工艺的AI芯片市场估值体系也在发生变化。成熟工艺的设备和材料将更加受重视，国产产业链有望从中受益。同时，技术壁垒的打破将提升国内产业的信心，推动更多创新。

最后，人工智能的发展无疑让我们的生活变得更好，但也带来了新的挑战。作为教育工作者，我深感大模型对学生基础能力培养的影响。过度依赖AI工具可能导致学生失去独立思考和分析的能力，这是我们需要注意的问题。

总结而言，

大模型既是新引擎，也带来了新挑战。集成电路产业必须不断创新，以应对算力、能耗和成本的多重压力。机遇与挑战并存，我们期待通过技术突破和产业协同，推动AI算法与硬件的共同进步。