AI教父辛顿对话中国芯片专家陈宁：揭秘AI成本如何从“数十亿”降至“一美分”观点

12月2日，在香港举行的2025 GIS大会开幕式暨全球创新领袖峰会上，一场汇聚AI领域“全明星阵容”的巅峰对话引发关注。

对话双方为诺贝尔物理学奖获得者、“AI教父”杰弗里・辛顿，深圳云天励飞技术股份有限公司董事长兼CEO 陈宁，同时由硅谷著名计算机科学家 、硅谷高创会大会主席吴军担任主持人，展开了一场关于AI过去、现在与未来的深刻对话。

从神经网络的坚守到芯片成本的百倍压缩，从模拟人脑的幻想到大湾区与长三角的产业竞合，这场对话揭示了AI浪潮中最为核心的技术演进逻辑与未来商业蓝图。

辛顿的初心：始于好奇，成于坚守

在谈及自己为何能穿越AI研究的多次“寒冬”时，“AI教父”杰弗里·辛顿的答案简单而纯粹：一切源于对大脑工作原理的痴迷。

“我最开始完全不懂计算机科学……我自己学的是心理学、生理学，后来学了人工智能和神经科学。”辛顿坦言，自己解决问题的动力，是跨学科的思维方式。“当我们想解决一个真正棘手的问题时，有跨学科的知识就可以更好地解决它。”

主持人吴军博士追问，在上世纪90年代末的“AI冬天”，许多研究者纷纷离去，是什么让他坚信自己走在正确的道路上？辛顿的回答再次回归本源：“最关键的不是我到底要做出什么样的技术，最关键的是我想要了解大脑是如何学习的。”他回忆，即便在当时神经网络的表现不如支持向量机（SBM），他也未曾动摇，因为他相信那是更接近大脑的路径。“一旦有了海量数据，神经网络的价值就展现出来了。”正是这份对基本原理的执着，为今天的深度学习革命埋下了种子。

核心交锋：如何将AI训练成本从“数十亿”降至“一美分”？

当对话转向当今动辄消耗数十亿美元训练大模型的现实困境时，吴军将问题抛给了在场的实践者——云天励飞董事长兼CEO陈宁博士。

陈宁介绍，其公司成立11年来的使命，就是设计更高效的AI芯片。他给出了一组极具冲击力的数据对比：过去训练AI使用GPU，花费高达数十亿美元；而在即将到来的“AI推理时代”，生成100万个token（文本单元）的成本，目标是从目前的约1美元降至1美分，实现100倍的降低。

“我们需要更高效、成本更低的AI，这些都非常重要。”陈宁强调，成本与能耗的降低，是AI真正赋能千行百业、触及更广泛人群（如农业、医疗、教育）的前提。他预测，到2027年，AI应用和智能体的普及率将超过70%，未来这一比例将超过90%。

为实现这一目标，陈宁指出了与英伟达GPU不同的技术路径：NPU（神经网络处理器） 和谷歌的TPU。他解释，GPU最初是为图形处理设计，而非AI计算。而NPU/TPU是专为神经网络的核心数学运算（向量矩阵计算）而生，因此在能效比上具有先天优势。“与GPU相比，在这方面可能有30倍的改善，至少有10倍的改善。”陈宁表示，他们的目标是实现百倍以上的效率提升。

未来畅想：模拟计算、类器官与区域竞争

对于更前沿的探索，吴军提到了辛顿曾提及的“模拟计算”，即研制更接近人脑工作方式的模拟芯片，甚至培育“类脑器官”进行计算，以节省海量能源。

对此，辛顿与陈宁展现了科学家与工程师的不同视角。辛顿承认模拟计算在功耗和传输上的理论优势，并提及了类器官研究的新进展，但他谨慎地表示：“现在还没有真正的实现脑细胞这种类器官的计算……真的想做生物计算的话，还有更多的路要走。”

陈宁则从工程实现角度补充：“在类器官找到算法之前，是没有办法创造这样的价值。”他认为，底层学习算法的突破，才是提高能效的关键，而不仅仅是硬件的生物化模拟。

关于中国AI产业的发展重心，陈宁提出了一个敏锐的问题：基础研究见长的长三角与应用创新活跃的粤港澳大湾区，谁将在AI时代更具优势？

辛顿给出了一个平衡的见解：“基础研发与应用都非常重要。”他分析，如果只关注应用而忽视底层创新是“大错”，反之亦然。他委婉指出，长三角可能更多聚焦AI开发，而大湾区可能更关注AI应用，两者互补才能推动整体进步。

未来市场：一个“水电气”般的AI芯片网络

面对未来，陈宁做出了大胆预测。他预计，到2030年，AI芯片产业规模将达到约5万亿美元的市场收入。其中，关键的转折点将在2025年——AI将从“训练时代”全面转向“推理时代”。

“未来5年，AI将重新定义所有数字应用，所有的硬件和电子设备。”陈宁描绘，从眼镜、手机到所有家电，AI处理芯片将无处不在。他预测，未来推理芯片的规模将远超训练芯片，占到整个AI芯片市场的80%。

他甚至倡议，应像建立水电网络标准一样，建立全球性的AI处理芯片互联标准，让AI的价值能像公共服务一样，低能耗、低成本地普惠全球。

辛顿的反思：如果重来，会更早关注AI风险

在对话的最后，吴军提出了一个充满假设的问题：如果乘坐时光机回到2012年，还会发表那篇点燃深度学习革命的AlexNet论文吗？

辛顿的回答出人意料，他没有沉浸于技术成就，而是表达了深切的关怀与忧虑：“我觉得该发生的还是会发生……但是我那个时候如果真的能够回到那个时候，我可能想做的就是从那个时候开始担心人工智能带来的一系列的风险。”

这位引领了技术浪潮的科学家，在历史的想象中，最想改变的不是技术进程的速度，而是人类对其潜在风险的认知与准备。