深圳湾科技生态园中，AI弄潮者从四方汇聚。

在这片中国科技产业密度最高的区域之一，21世纪经济报道记者再次见到了云天励飞董事长陈宁。长达1个半小时的深度交流中，陈宁侃侃而谈关于AI的一切。

五年前，记者对陈宁的专访，正值中国AI创业最为喧闹的阶段。新锐企业群雄并起，算法、场景与资本交织，云天励飞也刚刚踏上上市之路。五年过去，陈宁依旧精神饱满，而云天励飞的坐标，已经从AI解决方案，转向更底层，也更具长期价值的AI推理芯片赛道。

有观点认为，当下AI投入正在积聚泡沫。对此，陈宁有不同的看法：“AI就像蒸汽机刚出现的时候。站在一个村庄的视角，可能会觉得这是泡沫，但站在历史的角度看，这是一个时代的起点。AI一定会经历泡沫和调整，但方向本身不会错。”

训练时代，英伟达当之无愧的王者，也是标准制定者。但在推理时代，陈宁认为，“所有人都站在同一条新的起跑线上。谁能在成本、效率和系统能力上建立优势，谁就有机会。”

当前，推理已经进入到算力的中心舞台，毫无疑问，接下来AI赛场将构建起更加繁荣的推理芯片和应用生态。在未来的硬件架构中，可能有更多异构组合，有专门用来做通用计算CPU，有专门做训练的GPU、也有专门做推理的推理芯片。

AI新时代的帷幕已经拉开，格局未定。在这场围绕算力、架构与成本的长期竞赛中，芯片厂商们，正在不断加速。

与AI的三个周期同行

《21世纪》：今天的云天励飞是否全面投入AI芯片领域？

陈宁：回过头看，我们的战略方向其实始终未变，但市场策略一直在与时俱进，并经历了三个发展周期。这三个周期，恰好也对应了全球人工智能行业的发展阶段，尤其是中国人工智能落地应用的演进路径。

第一个周期是从2012年AlexNet（一种深度卷积神经网络）出现到2020年，这一阶段可称为智能感知时代。当时主流模型规模较小，核心任务是解决以计算机视觉为主的智能分析问题。在中国，我们主要聚焦于安防、互联网等领域的智能感知应用。

第二个周期从2020年持续到2024年，以自然语言处理和语义理解的重大突破为标志，特别是2024年之后，以ChatGPT为代表的大模型迅速崛起，推动行业进入“大模型时代”。

随着大模型的爆发，对算力的需求激增，尤其是英伟达的高性能计算芯片成为焦点，由此开启了第三个周期，即算力驱动阶段。可以说，直到真正进入这一阶段，我们才迎来了属于自己的“春天”和爆发期。

不过需要强调的是，尽管这一轮算力热潮自2020年前后便已初现端倪，但我们并未盲目追随GPU路线，尤其没有贸然切入训练芯片的赛道。我们始终立足自身技术积累和产业定位，坚持走符合自身发展节奏的道路。

《21世纪》：怎么看中美在AI和芯片发展路径上的差异？

陈宁：美国的发展模式更偏向“从0到1”的原始创新，以理论驱动为主；而中国则更多是应用驱动，强调将技术真正落地到产业场景中。中国的强项并非最早提出基础理论，而在于将已有技术快速转化为规模化、可落地的应用。正因如此，我认为中国不应只聚焦于训练芯片，更应重视推理芯片的巨大机会。

从国家政策来看，《关于深入实施“人工智能+”行动的意见》明确提出：到2027年，新一代智能终端、智能体等应用普及率超70%，智能经济核心产业规模快速增长；到2030年，新一代智能终端、智能体等应用普及率超90%。

因此，中国的策略很清晰，既然在大模型上已基本追平、进入全球第一梯队，接下来的重点就是鼓励大规模市场化应用，加速AI在各行各业的渗透。而在这一过程中，亟待补齐的关键环节，正是高效运行的推理芯片。

为什么是推理芯片？

《21世纪》：当前业界普遍关注训练芯片与推理芯片，而你一直特别强调推理芯片的重要性，背后的逻辑是什么？

陈宁：我始终认为，训练芯片的市场规模远无法与未来推理芯片的市场潜力相比。

训练更多属于“从0到1”的技术创新阶段。这就像19世纪灯泡的发明，爱迪生并非第一个做出灯泡的人，但他通过系统工程的方式，将灯泡与电网、专利体系结合，使其真正成为可大规模使用的商品，这才引发了真正的工业革命。

同理，训练芯片是推动前沿科研和模型创新的重要工具。AI技术远未触及天花板，训练芯片仍将持续演进。但决定一场技术能否真正转化为产业革命的关键，并不只在于“0到1”的突破，更在于如何实现“1到N”的规模化落地。

在AI时代，推理环节才是真正的“电动机”和“输电网络”，它把训练好的模型部署到千行百业的实际场景中，让AI真正成为现实生产力。

据我们判断，到2030年，全球训练芯片市场规模可能达到约1万亿美元，而推理芯片市场至少将达到4万亿美元，甚至更高。

12月24日，英伟达拿下AI推理Groq的新闻，更印证了这一判断。Groq是一家专注于AI推理芯片研发的明星独角兽，英伟达在AI推理能力与生态布局上的前置加码，进一步强化了推理基础设施加速演进的行业信号。

《21世纪》：在推理芯片研发和市场推进过程中，最大的挑战是什么？

陈宁：挑战是多方面的。首先是硬件本身的复杂性。芯片从设计、流片到量产是一个高投入、长周期的过程。

其次是软件生态的构建。要充分发挥硬件性能，必须投入大量资源打造完整的软件栈。

第三是AI技术本身的快速演进。大模型架构、计算范式乃至应用场景都在持续变化，而芯片的设计和制造周期通常长达一到两年。这就要求芯片架构必须具备足够的前瞻性与灵活性，既能适配当前主流需求，又能应对未来可能的技术路径变迁。