魏少軍：得算力者得天下，中國AI的自主“芯”征程
2025年11月25日，在全球CEO領袖峰會上，中國半導體行業協會IC設計分會理事長、清華大學集成電路學院教授魏少軍博士圍繞“中國算力半導體公司的發展之路”這一主題，指出中國在AI領域正走上一條不同的發展道路。同時，他也強調說，“創新是未來中國占領科技制高點、贏得發展主動權的唯一手段。必須聚焦顛覆性技術突破，打造中國自己的人工智能技術體系。”
人工智能的技術發展歷程
人工智能的起源可追溯至20世紀40年代。1943年，美國神經生理學家沃倫·麥卡洛克和數學家沃爾特·皮茨通過對大腦神經元進行類比和建模，首次提出人工神經網絡概念。這一創見奠定了計算機基本計算模型的基礎，成為人工智能發展的重要起點。
1956年的達特茅斯會議標志著人工智能學科的正式誕生。與會科學家們首次提出“人工智能”這一概念，明確將“用機器模仿人類學習及其他方面的智能”作為研究目標。這次會議確立了人工智能研究的核心方向，開啟了長達數十年的技術探索。
1981年，David Hunter Hubel因對視覺神經系統的研究獲得諾貝爾獎，他的工作揭示了神經元網絡如何通過連接整合信息，為深度神經網絡的發展奠定生物學基礎。隨著網絡結構不斷加深、加寬、加厚，深度學習技術逐漸成熟，使計算機實現人類視覺認知能力成為可能。
人工智能三要素的演進與內涵
算法、數據和算力構成人工智能發展的三大核心要素。
算法作為生產方法，定義了如何將數據轉化為智能產品；數據作為生產資料，是算法加工的對象；算力作為生產力，是執行算法的根本保障。魏少軍教授表示，這三者的關系猶如傳統生產中的生產方法、生產資料和生產力，共同推動著人工智能技術的進步。
在算法方面，傳統人工智能算法主要解決特定問題，具有輕量級、可解釋性強等特點，適用于小規模數據和專門任務。而大模型作為算法的子集，通過海量參數和復雜結構實現從“專用”到“通用”的跨越。
具體而言，傳統算法參數規模通常在幾千到百萬級，依賴少量標注數據，適合垂直領域應用，資源消耗較低，且具有較好的可解釋性。相比之下，大模型參數規模達十億級以上，需要TB級未標注數據進行預訓練，通過自學習提取通用特征，能夠處理開放性問題，但需要分布式計算，訓練成本高昂，且可解釋性較差。
在數據方面，到2025年全球數據量預計將達到175ZB，數據爆炸式增長對計算能力提出更高要求。算力需求每年增長約10倍，充足的算力已成為人工智能發展的基礎條件。從AlphaFold2蛋白質結構預測到GPT-3大模型訓練，算力的提升使得原本需要數月的計算任務縮短至天級完成，“得算力者得天下”成為行業共識。
人工智能發展面臨的算力挑戰
AI的實現過程包含訓練、推導和推斷三個關鍵環節，這些環節模仿了人類思考的過程，但對計算資源的需求各不相同。
比如，訓練過程需要大量數據驅動參數優化，計算成本高，耗時長達數天甚至數月；推導過程基于知識或邏輯規則進行推理，關注過程的可解釋性；推斷過程則要求低延遲、高效率，需要在毫秒級內給出預測結果。
當前的人工智能算法發展仍處于初級階段。魏少軍教授以LeNet、AlexNet、LRCN為代表的三個模型分別專注于手寫體識別、圖像分類和視頻理解，這些模型的結構各異，說明目前尚無一種算法能夠涵蓋所有應用場景。而每種算法對應特定應用的特點，帶來了巨大的計算挑戰。
他還指出，為應對這些挑戰，我們需要新型的智能計算引擎，其應具備三個特點：可編程能力以適應各類應用；計算和存儲密集型以支持大規模數據處理；高能效以支持從云端到邊緣的遷移。在此基礎上，AI正在催生第六代電子計算機——AI超級計算機，其特點是超高速、高精度、海量參數處理能力。
人工智能芯片架構的演進與創新
在芯片發展方面，目前尚未出現能夠替代半導體的其他技術。AI芯片的演進經歷了多個階段：從早期使用現有CPU、GPU、FPGA，到專用架構（DSA）如Google TPU、華為昇騰，再到GPGPU架構如英偉達H100、燧原DTU，最終向軟件定義芯片（SDC）發展，實現高靈活性與高效率的平衡。
魏少軍教授表示，當前全球AI發展已被英偉達的GPGPU架構和CUDA生態深度綁定，形成了“模型-架構-生態”三重依賴。這種綁定導致中國AI發展與美國技術深度關聯，在當前的國際形勢下帶來重大挑戰。
除此之外，中美在AI三要素上的比較優勢正在發生變化。在數據方面，中國擁有規模優勢；在算法方面，美國仍保持領先；在算力方面，中國僅為美國的約1/7。這種不平衡的發展格局使得中國在AI競爭中面臨巨大壓力。
中國算力芯片的自主創新之路
如今，中國在先進工藝（≤5nm）方面受到限制，必須尋求顛覆性技術創新。近存計算芯片技術通過3D混合鍵合將存儲器與邏輯芯片集成，大幅提升能效。軟件定義近存計算芯片則結合了軟件定義芯片的靈活性和近存計算的高效能，實現了性能的突破。
基于國產14nm邏輯工藝加18nm DRAM工藝，通過軟件定義近存計算芯片技術，可以實現比肩英偉達4nm芯片的性能。采用這種技術構建Z級（10²¹ Flops）超算中心，能耗和成本均可大幅降低。例如，與傳統架構相比，軟件定義近存計算芯片可實現能耗降低85%，成本僅為傳統方案的57%。
結論與展望
智能化是人類社會當今最重要的發展特征，AI是“以人為本”的科技革命的最高階段，是人類未來發展的戰略制高點。半導體技術強力支撐著人工智能的發展，在可預見的未來，尚不會出現能夠替代半導體的其他技術。
魏少軍教授強調，必須清醒認識到，中美之間“和諧”相處的時代已經過去，今后最大的可能是全面競爭，最壞的情況是“脫鉤”。中國必須緊緊抓住人工智能和半導體發展機遇，下決心摒棄美國的技術路線，擺脫對英偉達芯片的依賴。創新是未來中國占領科技制高點、贏得發展主動權的唯一手段。必須聚焦顛覆性技術突破，打造中國自己的人工智能技術體系。唯有這樣，才能確保供應鏈的安全和產業鏈的韌性。
同時應當認識到，人工智能并非萬能，其發展必須與本國文化、制度、語言緊密結合，才能實現真正的落地與應用。只有在自主創新的道路上堅定不移地前進，中國才能在人工智能的全球競爭中贏得主動，為人類科技進步作出應有貢獻。
