软件先容

奔驰星平台使用指南

第一步：导入文件

翻开软件，，，点击"?添加 奔驰星平台"按钮，，，从电脑中选择《奔驰星平台》文件，，，或直接将其拖拽至软件界面中。。。。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。。。

第三步：最先下载

确认无误后，，，点击"最先下载/处理"按钮。。。。。期待进度条读取完毕，，，即可在设定的文件夹中审查下载好的正版文件。。。。。

AI落地，，，还差一口吻，，，奔驰星平台

文 | 半导体工业纵横

纸面算力与现实产出之间的鸿沟有多大？？？？WAIC 2026现场，，，多位行业人士给出了一个令人担心的参考数字：不到30%。。。。。也就是说，，，一台AI服务器交付到用户手中后，，，真正被有用使用的算力，，，可能连规格表上数字的三成都不到。。。。。

这并非个体人的判断。。。。。差别领域的芯片企业，，，不约而同地把话题从“算力有多大”转向了“算力用得好欠好”。。。。。这种叙事方式的转变自己就是一个信号：AI工业已经跨过“能不可”的第一道门槛，，，向“好用”阶段迈进。。。。。

这个阶段的焦点矛盾，，，正在从芯片自己向上迁徙。。。。。

01 推理逾越训练：不是展望，，，是既成事实

2024年，，，行业热钱险些所有涌向训练侧；；；；2026年，，，推理关于算力挪用量已经凌驾训练。。。。。

训练芯片追求的是“学得更好”，，，推理芯片追求的是“用得更省”。。。。。曦望智能商业产品与解决方案高级总监付庆平体现，，，两种差别的设计哲学，，，对应的是两种差别的商业逻辑。。。。。推理调理的粒度正在从使命级细化到算子级：“越细粒度越高效，，，每高效一分，，，token本钱就降一分。。。。。”这意味着推理芯片的竞争已经深入到模子层的调理效率，，，一个看似属于软件领域的维度，，，正在成为芯片产品的焦点卖点。。。。。

从视频处理的视角看，，，推理需求的爆发更为直观。。。。。VPU厂商判断未来80%的视频将由AI天生，，，而据测算，，，视频天生的token消耗是文字天生的1000倍。。。。。据先容，，，通过将视频相关盘算从GPU中剥离出来交给专用芯片处理，，，VPU+GPU协同有望将视频天生本钱降低8成。。。。。

后摩智能战略生态VP杨大卫体现：“训练决议模子能力上限，，，推理决议AI能不可大规模落地。。。。。”当推理成为工业主轴，，，芯片行业的需求结构随之改变。。。。。云端需要规；；；；评硇酒，，，视频场景需要VPU，，，端侧快思索需要NPU，，，低功耗端侧推理需要存算一体架构。。。。。通用GPU不再是唯一谜底，，，专用化正在从理论讨论酿成商业现实。。。。。

02 算力经济学，，，成为行业共识

镕铭微电子联合首创人兼CEO朱照远以为算力本钱降低的基础原因是效率提升。。。。。用交通方式的升级来明确硬件产品的更新：从马车到汽车再到火车，，，同样从A点到B点，，，本钱是降低的，，，但降低的基础原因不在于“省”，，，而在于效率的“升”。。。。。

这诠释了为什么WAIC 2026上，，，多家企业不再把TOPS数字放在首位，，，而是最先谈“综合本钱”。。。。。数据中心客户在评估芯片方案时关注至少六个维度：稳固性、性能、延时、功耗、画质和TCO。。。。。“客户不关注你叫什么PU”，，，这句话背后的事实是：当AI从实验室进入生产情形，，，评价标准不是你的考试分数，，，而是你的事情效果。。。。。

推理芯片通过硬件裁剪掉训练相关的冗余功效来降低本钱。。。。。这体现了从通用到专用的趋势。。。。。从最早的CPU，，，到GPU，，，再到DPU、VPU，，，每一次专用化都对应着某一类盘算需求从通用平台中剥离出来。。。。。VPU+GPU协同降低本钱的案例，，，已经为这一趋势提供了商业验证。。。。。现阶段国产芯片选GPU蹊径是市场选择。。。。。硬件厂家要面临市场，，，产品要一代接一代不可断，，，风险最可控的就是通用GPU，，，但再往后生长，，，种种各样的算力芯片会向细分领域生长，，，在局部形成独角兽。。。。。

边沿芯片的降本方案是依赖算法相助同伴在差别场景上做适配，，，若是品类足够大（如手机、汽车），，，可以肩负定制化本钱；；；；其他场景靠通用底座笼罩，，，才华让底层降本的盈利惠及更多行业。。。。。从端侧角度看，，，问题更为重大。。。。。端侧推理的三大刚需是隐私、本钱和物理天下交互的延时，，，这三个维度决议了端侧芯片的设计逻辑与云端差别。。。。。爱芯元智联合首创人、副总裁刘建伟指出了端云之间的逻辑差别：云端先看体验再降本钱，，，端边先看本钱再提体验。。。。。这个顺序差别直接影响芯片设计取舍。。。。。端侧AI的商业模式也在因此爆发转变，，，当用户发明订阅费可能比硬件自己还贵时，，，从订阅制转向一次性买断的诉求最先泛起。。。。。

AI芯片行业正进入以TCO为焦点考量的成熟期。。。。。在这个阶段，，，软件优化能力和系统工程能力的价值，，，可能凌驾硬件参数自己。。。。。

与此交织的另一个分歧是：下一场AI革命在那里爆发。。。。。有人以为云端（AI视频天生）和端侧（具身智能）都会爆发革命；；；；有人把2026年界说为“物理AI元年”，，，最看好机械人；；；；也有人以为全行业都会爆发，，，落地最快的一定是最懂AI的行业。。。。。

03 物理AI元年：具身智能走到哪了

具身智能被多家企业提及为下一个爆发点。。。。。WAIC现场的机械人展区提供了佐证：差别于往年演出型机械人，，，拿水、打拳击；；；；今年已有机械人能长时间一连完成详尽性事情，，，从展台秀进入工厂产线。。。。。

但具身智能的工业形态远未收敛。。。。。有看法主张广义——扫地机、割草机这类能自主干活的机械就可以称为“机械人”；；；；也有看法倾向人形蹊径，，，理由是人类所有基础设施都为人形设计，，，人形机械人适用性最广，，，是最通用的硬件载体，，，规；；；；蟊厩山。。。。。但现阶段人形制造本钱仍高，，，最终取决于哪种形态先做到本钱可行。。。。。

机械人对AI的依赖水平与其他终端有实质区别。。。。。有存算一体蹊径的企业给出了一个尖锐比照：PC脱离AI照旧PC，，，汽车脱离AI照旧汽车，，，但机械人脱离AI就是一块铁。。。。。这意味着机械人对端侧AI的刚需最为迫切，，，体现在三个维度：隐私（数据不可上云）、Token本钱（频仍挪用云端太贵）、物理交互的实时性和清静性（隧道无信号时不可失控，，，机械人下令不可依赖云端）。。。。。在这三个维度上，，，端侧芯片的低功耗和高能效比成为要害变量，，，而存算一体架构可将功耗能效比提升一到两个数目级。。。。。

关于具身智能行业来说，，，数据瓶颈已有所缓解。。。。。行业巨头已网络大宗视频和操作数据；；；；算法基本可用，，，WAIC上多家机械人公司的展示已经证实。。。。。真正的挑战在于算法怎样高效跑在算力上：模子剪枝、低功耗、低延时必需协同优化，，，实质仍是系统工程问题。。。。。

数百家具身智能创业公司正在差别场景试水——物流、装配、陪同——但尚未泛起公认的杀手级应用。。。。。底层的芯片行业相信，，，给客户翻开一道通往万物智能的大门，，，自然会涌现出许多应用。。。。。

04 软件生态：比芯片更厚的壁垒

若是说本钱效率是竞争的终点，，，软件生态就是通往终点的要害路障。。。。；；；；氐娇岬降闹矫嫠懔τ胂质挡龅闹卮蟛畋，，，其泉源在于模子选型、微调、知识库建设、中底层软件栈优化和机房设置等环节。。。。。交付一台AI服务器和实验一个AI项目，，，就像买了一口锅和炒出一盘菜，，，中心尚有着相当大的事情量。。。。。

芯片的生态壁垒的焦点不但是手艺问题，，，更是开发者习惯问题。。。。。存算一体等新架构面临的焦点挑战：不是芯片做不出来，，，而是软件生态跟不上。。。。。即便芯片参数已经很漂亮，，，但系统工程：适配、调优、客户场景打磨，，，还需要大宗事情。。。。。

在端侧AI场景中，，，模子迭代速率极快。。。。。云侧大模子已经从半年一个版本加速到两个月一个版本，，，端侧模子同样在快速演进。。。。。每一次模子迭代都需要与芯片重新适配，，，工程落地的速率直接决议商业化速率。。。。。“一项手艺从能用到好用，，，需要许多脏活累活。。。。。”

有看法指出，，，中底层软件栈可以把同样硬件的算力输出提高2到5倍，，，但这次WAIC上深入讨论这个偏向的并未几。。。。。全栈落地需要多方面专业人才协同，，，智能体、模子优化、知识库、底层算力调理和运维，，，把这些角色凑齐，，，才有可能实验一个真正高效的全栈。。。。。

当被问及国产AI芯片最需要生长的是性能照旧生态时，，，一家推理芯片企业的回覆是：两者都不组成目今瓶颈，，，最缺的是工业协同。。。。。

从存算一体到端侧NPU，，，从VPU到全栈集成，，，差别手艺蹊径的企业所有指向软件生态而非硬件性能。。。。。芯片架构的专用化偏向已有行业共识，，，但各企业对专用化的速率、深度和最终形态保存实质分歧。。。。。分歧的底层逻辑是：AI应用场景的碎片化水平，，，是否足以支持多种专用架构共存？？？？照旧最终会收敛到少数几个通用平台？？？？

当硬件参数竞赛靠近边际收益递减的拐点，，，竞争主阵地必定上移到软件层。。。。。而这个上移的历程，，，恰恰是国产芯片从“追赶性能”转向“追赶系统”的要害窗口期。。。。。行业人士进一步指出，，，国爆发态的普及率已经很是高，，，高校直接在国爆发态上教学，，，要害领域客户选用国爆发态，，，这种自上而下的生态建设路径，，，是中国独吞的优势。。。。。

更进一步的判断是：国产AI芯片在性能和生态上都不组成目今瓶颈。。。。。这个判断若是放在三年前险些不可想象。。。。。但芯片参数已经很漂亮，，，系统工程还需要大宗事情。。。。。差别不在“能不可”，，，而在“好欠好”。。。。。一个考了70分、80分的模子已经可以干活了，，，但要干好活不是一个模子、一颗芯片单独的问题，，，是需要工具链、编译器、调理系统、行业适配的周全跟进。。。。。从AI推理芯片到真正落地，，，需要大宗的工业协作：解决方案相助、用户场景相助、超节点网络相助，，，每一个环节都需要有人去做。。。。。

全栈整合的样本确实保存，，，从CPU到软件集成公司再到硬件制造，，，集团化的系统在要害领域的大型全栈工程上具备优势。。。。。但这种能力在行业中并不普遍，，，更多企业仍在各自为战。。。。。

从客户侧看，，，据行业反映，，，数据中心芯片从接触到大规模上线通常需要6到24个月，，，测试周期长、导入门槛高。。。。。这意味着纵然芯片手艺达标，，，商业化落地仍需要漫长的验证周期。。。。。这个周期不是单点手艺能压缩的，，，需要芯片厂商、软件供应商和客户方的深度协同。。。。。

2026年的AI芯片行业正在履历一个玄妙转向：竞争的主阵地从晶圆厂和流片车间，，，迁徙到了编译器、工具链和系统调理层。。。。。当多家企业从差别手艺蹊径出发，，，却不约而同地指向统一道鸿沟时，，，这已经不再是某一个人的判断，，，而是一种行业整体认知。。。。。