芯耀
1462
毫無疑問，Deepseek是春節(jié)期間最亮的那顆星，連篇累牘的報道已經汗牛充棟，我作為AI行業(yè)的邊緣人（MCU芯片只能算是AI應用領域的邊緣外圍），從我的觀察來分享一些個人看法和預測。
1、摩爾定律普適性
芯片行業(yè)最重要的定律，由1965年英特爾創(chuàng)始人摩爾提出，成為半導體技術最著名的發(fā)展規(guī)律，大意是集成電路上可容納的晶體管數(shù)目大約每隔 18-24 個月便會增加一倍，性能也將提升一倍，而價格卻保持不變。
2000年的時候，我在電信做互聯(lián)網骨干網的項目，記得當時采購EMC的磁盤陣列就花了200萬美元，總容量不過4T，而今天一個普通的硬盤容量都遠遠超過這個規(guī)格了。當時家庭撥號上網的Modem速率是28.8kbps，下載個圖片都費勁，現(xiàn)在家庭寬帶光纖入戶，已經沒有人關心速率到底是多少了。
Deepseek印證了，在AI算力領域，似乎也符合摩爾定律。即人工智能的算力成本會迅速降低，性能將不斷提升。看了最新的Cathie Wood采訪，木頭姐說，在DeepSeek之前，人工智能訓練成本每年下降75%，推理成本甚至下降85%到90%。
如果 AI 訓練成本的下降趨勢是 每年 4 倍，如果 DeepSeek-V3 的訓練成本比一年前開發(fā)的美國當前模型低約 8 倍，那其實完全符合正常趨勢。僅靠行業(yè)的正常發(fā)展，2024 年訓練一個模型的成本，理應比 2023 年低 3 到 4 倍。同時，訓練成本的下降也帶動了推理成本的下降。比如，Claude 3.5 Sonnet 相較 GPT-4 晚了 15 個月發(fā)布，但幾乎在所有基準測試中都勝出，同時 API 價格也下降了 約 10 倍。
按照這個趨勢走下去，那么大模型的收費商業(yè)模型似乎很難成立，OpenAI那個200美元的月費服務很快流產就是明證。大模型之間的內卷競爭加速，意味著大模型未來必然是免費的。
大模型和算力作為基礎架構，有點像運營商的帶寬建設，最終會近乎免費。想起互聯(lián)網初代的時候，電子郵箱也需要會員收費服務，后來就沒有后來了。
2、炮灰定律
這個定律名稱是我杜撰的，經驗來自過去二十年的互聯(lián)網歷史。
當某個行業(yè)成為熱點后，必然會有大量風險投資乃至傳統(tǒng)資金蜂擁而入，導致行業(yè)出現(xiàn)大批無序競爭者，最后經過一系列競爭整合，最終行業(yè)會整合到1-3家頭部企業(yè)中，但即使是行業(yè)No1也很有可能走不到最后。
比如說百團大戰(zhàn)，硝煙散盡現(xiàn)在美團一家獨大，當初曾領跑的團購獨角獸們比如糯米團、拉手、F團等已經消失無蹤，其他幾百家團都已成為炮灰。網約車和共享單車大戰(zhàn)，也是一樣的結果。
行業(yè)賽道處于快速迭代過程中的時候，領先者往往沒有太多護城河可以防守，技術快速演進時很容易被突然冒出的意外事件打垮，當年網絡視頻網站流量前三位除了優(yōu)酷土豆外還有一家56，結果在一夜之間被黑垮掉。OpenAI目前雖然還暫時沒有對手，但是能不能存活到最后我看并沒有把握。
還有一種情況是整個熱門賽道被全滅，某個熱門技術方向突然不成立了，比如某個投資機構押注元宇宙賽道，八年前All in了所有的VR頭盔廠家，結果可想而知，自己都成為了時代的浪花。
AI大模型賽道，國內有名有姓的廠商也已超過百家，頭部的五六家格局漸漸形成，Deepseek異軍突起，其實是遠超業(yè)內業(yè)外人士的預見的，之前沒有投資機構關注DS，就是證明。技術快速變化的時候，不管是OpenAI，還是Sora，還是Deepseek，都可能只有三分鐘熱度。
沒有投資機構裹挾的Deepseek能走出來，也說明在無腦機構熱錢喂出來的公司，往往反而會動作走樣，為了迎合資本做出錯誤的決策。
3、杰文斯悖論
根據杰文斯悖論，當某種資源的使用效率提高后，雖然單次使用時消耗更少，但因為成本降低、使用更方便，反而可能讓人們用得更多，導致整體消耗量反而上升。
Anthropic 的CEO認為各公司在訓練強大的AI模型上的投入不斷增加，盡管成本曲線會周期性下移，訓練特定智能水平模型的成本也在迅速下降。然而節(jié)省下來的成本又被投入到使用相同巨額預算開發(fā)更智能的模型中。
Deepseek短期看似乎降低了市場對算力的需求，但是中長期看成本降低后大量新應用出現(xiàn)，對算力的需求會指數(shù)級激增。
電腦、手機和互聯(lián)網的發(fā)展歷史基本上都是這么過來的，硬件和應用相互刺激，市場迅速擴大，用戶普及下沉，增量市場蛋糕出現(xiàn)，比如前幾年手機資費增速降費后，智能手機普及下鄉(xiāng)，PDD和某音迅速從三四線城市和農村崛起，續(xù)寫了當年淘寶彎道超車易趣的歷史。
4、ToB/ToC
AI算力成本大幅降低后，無疑將是AI應用的時代，誰將受益最大？
C端市場里的消費電子（智能眼鏡）、人形機器人、智能駕駛確實是主流看法，但我更看好B端應用市場，主要原因是C端全部被互聯(lián)網巨頭和終端巨頭卡位了，其他公司進入的機會基本上被封死了。
推理成本降低將帶來極大的利好。推理成本的降低意味著企業(yè)能夠更高效、更經濟地部署AI模型，而無需承擔昂貴的訓練成本。因此，那些專注于AI推理的公司——例如云計算服務提供商、邊緣計算公司，以及AI應用企業(yè)——都可能迎來強勁的市場需求增長。
有了AI算力支撐，所有的政府機構和企業(yè)都需要對所有工作流程進行重組，以提升效率和降低成本。PLTR的模式已經走在了前面，從Palantir的業(yè)務來說，目前主要是超大B端客戶，前20大客戶占了40%的營收，最小的客戶也要200萬美金，業(yè)務屬性有30%偏向定制化服務。大型企業(yè)先行，中小企業(yè)跟進，未來會出現(xiàn)更多針對行業(yè)客戶的AI應用。
AI流程重組應該算是第四次企業(yè)流程重組浪潮，之前三次流程重組風口分別是：
1）1990年代，IT初次進入企業(yè)，財務電算化和MIS管理
2）2000年代，互聯(lián)網進入企業(yè)
3）2010年代，移動互聯(lián)網進入企業(yè)
5、去IOE化
IOE是三個國外大的廠商的縮寫，I是IBM ，O是Oracle，E是EMC。當初所有的IT的基礎建設幾乎都是由這3家公司來提供的。阿里巴巴首先提出逐步去除對IBM小型機、Oracle數(shù)據庫及EMC存儲設備的依賴，取而代之的是成本更低、更靈活的X86服務器和開源軟件解決方案，從而實現(xiàn)技術自主、成本控制和系統(tǒng)架構的優(yōu)化。
國外去IOE的鼻祖是谷歌，谷歌自己起家的數(shù)據中心里，幾乎都是自己組裝的X86服務器和自研廉價設備和開源系統(tǒng)。
開源的Deepseek降低了企業(yè)部署AI基礎設施的成本和技術門檻，對于普及企業(yè)AI應用將是很大的助力，也可以通過自研和國產替代，去掉傳統(tǒng)的產品模式，變成徹底靈活的互聯(lián)網服務模式。意味著哪怕用一堆破設備，哪怕沒有頂尖的英偉達GPU，也可以自己DIY取勝。
開源vs閉源，通過開源迅速打開市占率，Deepseek不會是最后一個，與企業(yè)傾向于部署私有云的需求不謀而合。
6、贏家通吃法則
產業(yè)鏈是殘酷的，通行的法則是誰占主導地位，誰吞噬利潤。最典型的例子是果鏈，蘋果吃掉了最多的利潤，當然蘋果的供應商也得到了合理的利潤，相比而言給其他品牌手機供貨的供應商就更慘了點。
相應的供應鏈還有汽車（新勢力）、電池（寧德）、PC（聯(lián)想）、小家電（小米），服務和內容行業(yè)的供應鏈有電商（阿里）、游戲（騰訊）、視頻（抖音）、音樂（騰訊）等。在AI整個供應鏈上，目前英偉達占據主導地位，但是隨著應用的崛起，是否會讓出主導地位只是遲早的事情。
至于在AI整個供應鏈上，英偉達及其上游臺積電、下游服務器（配件如CPO、液冷等）、大模型、行業(yè)應用平臺、邊緣側設備、集成商，誰主沉浮，就看誰更稀缺，誰更能抓住客戶了。
7、MCU是否能搭上AI的車？
最近幾天，各行各業(yè)都在宣布爭相接入Deepseek，生怕錯過了這班車。正好蹭一下熱度，我司AG32 MCU采用的開發(fā)工具是開源的VSCode，已經實現(xiàn)通過插件方式接入Deepseek進行輔助開發(fā)編程，實現(xiàn)代碼的補全、生成、查錯和對話等功能，甚至可以通過我們官方提供的例程來生成需要的代碼，提升編程效率。
2024年也被稱為MCU的AI元年，將邊緣AI技術融入MCU是各家廠商都在關注的話題。
邊緣AI技術可以使MCU兼顧更高性能的數(shù)據處理任務，實現(xiàn)實時決策功能。例如，在智能工控領域，需要系統(tǒng)執(zhí)行太陽能和儲能系統(tǒng)中的電弧故障檢測，以及用于預測性維護的電機軸承故障檢測等功能，邊緣AI幫助MCU對設備和傳感器收集的數(shù)據進行實時分析和處理，提供更準確的決策，使系統(tǒng)實現(xiàn)更高的故障檢測準確率。
以上這些應用肯定不是AI MCU應用的全部，只不過是歐洲MCU大廠以其貧乏的想象力所能想到的一些有限場景。未來的MCU AI創(chuàng)新應用一定會在中國大放異彩并讓歐美原廠大跌眼鏡。
物聯(lián)網、邊緣計算等應用場景對MCU性能要求的不斷攀升，需要MCU在有限的功耗預算內實現(xiàn)高性能計算。MCU自身計算資源與存儲空間受限，實現(xiàn)高算力 AI功能更是難上加難。輕量級AI框架才是MCU需要的技術，螺螄殼里做道場，能否做出適合邊緣推理的類似Deepseek這樣節(jié)省算力和功耗的算力模型，可能是AI MCU能否跑出來的關鍵點。
跟訓練市場相比，LoT終端的邊緣推理需求的數(shù)量級大得多得多（百億朝上），MCU作為不起眼的小器件，承擔的是最后一米的活兒，可以稱得上是螞蟻雄兵，也許市場還未關注到這一步，但是早晚會發(fā)生。
