在大模型步入深水区的当下，AI的下一个临界点究竟在哪里？在2025 GIS全球创新峰会现场，深度学习奠基人、“AI教父”杰弗里·辛顿（Geoffrey Hinton）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。

活动现场（陈霞昌摄）

　　一位代表全球人工智能基础理论的最前沿，一位深耕专用算力与产业落地，却在关键方向上形成高度共识：AI的未来，不再只是“更聪明”的竞赛，而是“更高效、更安全、更普惠”的系统性竞争。

　　AI瓶颈正从“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？

　　辛顿认为，现有计算体系在能耗和效率上面临越来越大的压力，未来需要在新的计算形态上进行更多探索。他提到，模拟计算、类脑芯片以及基于类器官的计算等方向，在理论上有望在功耗和通信能力上展现出明显优势。不过，他也明确表示，目前基于脑细胞类器官的计算研究仍处于非常早期的阶段，还不足以承担大规模AI负载，这条路仍然需要时间和长期投入来验证。

　　陈宁则从工程一线给出呼应。他指出，GPU在深度学习早期扮演了重要角色，但本质仍是通用计算架构，并非为神经网络量身定制。

　　“进入大模型和智能体时代，我们要回答的问题不再是‘能不能训出来’，而是‘在多大能耗和成本下，让多少人用得起’。”

　　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。

　　在这一点上，辛顿从新型计算范式的角度强调能效约束，陈宁从专用芯片与架构创新的角度回应同一问题，形成了对“算力效率将成为下一阶段关键瓶颈”的共同判断。

　　AI向善，既要可控也要可负担

　　谈到AI的长远影响，辛顿明确表示，如果可以回到2012年，他仍会推动相关研究，但会更早、更大声地提醒世界：AI风险是真实且需要前置应对的。

　　在他看来，“更强的AI”与“更安全的AI”不是两条彼此对立的路线，而是必须同步推进的双轨工程——一方面持续推动算法与能力上限，另一方面尽快建立清晰的安全边界、技术治理机制和社会共识。

　　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。

　　在这一点上，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”。

　　下一场竞争，是“谁能让更多人用得起AI”

　　而当讨论话题转向全球竞争格局，两人不约而同地把“普惠能力”视作下一阶段竞争的核心指标。

　　辛顿结合对长三角和粤港澳大湾区的观察指出，前者在算法与软件开发方面优势明显，后者在硬件制造与应用落地上更具活力。如果只做基础研究、不落地应用，会变成新的“象牙塔”；如果只追逐短期应用、不推动底层架构与理念演进，则会透支未来竞争力。真正具备全球影响力的AI 生态，必然是“基础理论 + 专用算力 + 大规模场景”相互强化的结果。

　　陈宁则给出了更具体的产业刻画：他判断，到2030年，全球AI芯片产业规模有望达到约5万亿美元，其中训练芯片约占1万亿美元，而面向终端与行业侧的推理/处理芯片有望达到4万亿美元，占比约80%。随着智能体能力持续下沉，AI处理芯片将被广泛嵌入眼镜、耳机、手机、笔记本、家电以及各类企业设备之中，“像水、电、燃气一样，无处不在、按需取用”。

　　为了让这张“算力底座”真正服务全球，陈宁介绍，云天励飞已向国际相关机构提出建议，希望推动建立统一的AI处理芯片与推理网络标准，让不同国家和地区都能在同一张互联互通的推理网络上共享能力，尤其在医疗与教育等关乎民生的领域真正实现“AI for All”。

　　从“更聪明”到“更高效”，从“能不能做到”到“能不能让更多人用得起、用得好”，这场对话让外界看到了基础理论与产业实践在关键方向上的高度同频：AI 的关键瓶颈正在转向算力效率；AI 的价值，需要在安全与普惠之间找到平衡；下一阶段的主战场，是谁能把AI变成像水电气一样的基础能力。