跨界背景：从计算神经科学到AI硬件创业

本期播客邀请到银普科技创始人田阳，他拥有极为复合的学术与产业背景：本科就读于清华大学星火班（理科顶尖学生群体），博士阶段转向计算神经科学与统计物理交叉方向，后进入华为2012实验室从事突破性研究——这一路径与华为“天才少年”计划类似，但聚焦于特定前沿领域。

他的研究兴趣始终围绕复杂系统建模展开：早期聚焦于用物理学方法解析大脑如何编码信息、神经活动的动力学规律；中期转向统计物理与复杂系统理论；如今则将这些抽象建模能力应用于家庭AI硬件的创业实践。过去一年中，他所推动的方向从高度专业化的学术议题，逐步转向大众可感知的消费级产品——即搭载本地算力、支持云边协同、具备数据本地存储与传输能力的家庭AI终端设备，无论其形态更接近PC、NAS，还是无屏专用设备，甚至已出现市场断货现象的Mac Mini。

“有的事情的确是比较凭兴趣的。”

“我其实转很多的这个方向，包括现在做很多的事情，更多的还是从兴趣驱动本身。”

学科演进：神经科学、物理建模与AI的交汇点

田阳指出，计算神经科学内部存在两条路径：计算机背景者侧重构建生物启发式仿真系统；而物理背景者（如他自己）则致力于用数学工具揭示大脑信息处理的底层动力学机制——目标是解释“为什么”，而非直接构建应用。

他进一步将这一方法论延伸至对当前AI与机器人发展的反思：人类大脑虽高效（仅占体重2%，却消耗约20%能量），但其结构并非完美；当前机器人若想突破交互瓶颈，不应再执着于仿生路径，而应探索更通用、更开放的建模思路——例如借鉴化学尺度的分子机器人或物理尺度的集群自组织行为。

“人类的智能只是大自然智能的一部分……大自然的智能因为进化的时间远远超过人类的进化时间，其实其中部分的细节是可以值得借鉴的。”

脑科学现状：从脑分区迷思到现代神经科学范式转型

田阳认为，2015年是神经科学的重要分水岭：此前依赖fMRI等技术的“脑分区”模型逐渐被证伪；如今更倾向于认为认知功能由分布式编码（distributed coding）实现，即单一任务常需多脑区协同完成。这一转变标志着神经科学正从经验性“贴标签”范式，转向探索现象间的物理与化学关联性，真正迈向现代科学体系。

在脑机接口（BCI）领域，当前进展聚焦三方面：① 精准定位控制信号环路；② 开发高保真神经信号采集装置；③ 运用先进数学方法从噪声中提取意图相关信号。以清华洪波教授团队为代表的研究，已实现通过BCI帮助残疾人控制肢体或实现言语交流，未来十年有望走出实验室实现临床应用。

“二零一五年之后的神经科学的发展是非常值得关注的。”

从脑机接口到系统性神经科学：因果逻辑的跃迁

当前的脑机接口技术，尤其在已落地的适应症干预中，仍以直接因果关系为主——即通过精准刺激特定脑区或靶点，实现对运动或感知功能的直接调控。然而，随着神经科学研究深入到意识与认知层面，我们逐渐意识到：大脑并非像肝、肾、心脏那样由功能独立的器官组成，而是一个高度协同的系统。在这一层级上，信息处理依赖于多分区、多模型、多专家系统的并行联动，而非单一区域的线性响应。这种范式转变，与大模型中 MoE（Mixture of Experts）架构 的思想不谋而合——即通过动态组合多个专业化子网络，对输入进行复合处理与输出。这提示我们：计算系统的设计逻辑，正在从“模块化分工”走向“系统化协同”。

‘今天的神经科学……它更多的在意识或者叫在认知的比较深层的领域，它是叫整个一个系统同时调动多个分区、多个模型，或者同时调动了多个专家系统对一个输入进行了复合的处理，并且进行了复合的输出。’

‘这也就是所谓的兰道尔法则等等的其他的相关的法则告诉我们：信息包括叫计算，它其实和物理世界是紧密相关的。’

信息热力学视角下的创业选择：主板即物理实验场

信息热力学（Information Thermodynamics）为理解计算提供了全新物理视角——信息本身是一种可量化、可转换的物理量，其擦除与处理需遵循兰道尔原理等基本法则，必然伴随热力学能耗。这一认知使研究者意识到：计算机不仅是信息处理工具，更是可被研究的物理系统。由此出发，创业方向自然聚焦于“主板层面的能效优化”：通过动态调控电压、频率、功耗与热分布等物理参量，实现信息处理效率的最大化。

这一选择并非偶然。它既源于学科背景赋予的跨维思考能力，也基于对产业痛点的敏锐捕捉——当计算范式从“训练主导”转向“推理+Agent”，数据在SSD、内存、CPU、GPU间高频搬运，整机能效瓶颈已从单一芯片扩展至主板级系统协同。此时，谁掌握主板级资源调度与热管理的主动权，谁就握有下一代能效革命的钥匙。

‘天洋在做的事情……大概就是：今天随着我们进了AI时代……主板有可能因为各种各样的原因而产生计算相关能量的浪费，或者叫不均衡。’

AI时代下的硬件分水岭：介观尺度与端侧变革的双重驱动

驱动这一变革的，是两条并行的技术趋势：其一，芯片制程已进入介观尺度（sub-7nm），物理尺度缩小至与热扰动、量子涨落相当的量级，导致芯片行为高度依赖外部环境（如邻近发热、电压波动）。此时，主板不再只是“承载平台”，而成为影响芯片性能与能效的关键变量——控制主板级热、电、机械环境，即是在微观层面为芯片“创造理想生存条件”。其二，AI应用演进正加速硬件生态分化：云端训练→推理部署→端侧Agent的链条中，资源调度重心从GPU单点爆发，转向CPU/GPU/内存/SSD的协同优化；而当前消费端（PC、手机、智能硬件）仍依赖云端算力，尚未实现真正的本地化智能——这正是端侧硬件架构创新的窗口期。

因此，“主板级能效优化”已从技术小众走向产业刚需：它既是应对介观物理挑战的必然路径，也是承接AI从云端向终端下沉的基础设施支点。当服务器端持续迭代，而消费端陷入“伪创新”停滞时，敢于在“主板”这一被忽视的底层系统上重构价值链条的创业者，正站在技术与市场的交叉点上。

‘我们谈计算机的产业……我们会看到两边现在的发展逐渐的开始脱节。服务器端其实有越来越多新的技术被点亮，但其实，在纯粹的C端的laptop，我们已经有很久没有见到过真正意义上能够革新的这些新的技术了。’

从软件调度到硬软融合的必然演进

当前计算范式正经历从纯软件层调度系统资源，向在硬件层面直接构建含软调度能力的新硬件的深刻转变。这一趋势并非偶然，而是技术发展路径与市场现实交汇的结果。影谱科技早期以传统半导体企业为定位，如今则更强调自研平台的战略重心——这不仅是技术选择，更是商业策略的体现。在教育一个停滞近二十年、缺乏技术变革的旧市场时，科技公司普遍面临一个核心挑战：如何让用户真正意识到新技术的价值？实践中，先在自有平台上构建技术或商业Demo已成为行业共识，也是必然路径。

“我们毕竟希望去教育的市场是已经停滞了接近二十年的没有技术变革的一个旧市场。” “我们的确会更加专注于自有的平台这样的一个效果。”

AI原生终端：家庭算力路由器的诞生

当前所谓“AI原生硬件”的概念高度混淆，但若回溯计算机发展史，消费级终端终将走向整合而非割裂——消费者天然倾向“一机多能”。影谱判断，未来的AI终端将自然分化为两类：Pocket端（便携交互型）与桌面端（静默算力型）。

Pocket端必须自带完整交互能力，否则将沦为依附于手机的外挂模块；而桌面端则应弱化交互，强化稳定性、强算力、低功耗与高性价比，成为类似“算力路由器”的基础设施级存在——它默默运行，连接家庭机器人、AIoT设备，统一调度本地算力。这一路径与互联网带宽演进高度相似：从电话线→调制解调器→无线路由器，算力也将从PC中剥离，形成独立的家庭算力中枢。

“它可能就是一个算力的路由器，它自己去形成相应的算力，连接家庭里面的机器人，连接家庭里所有的AI的功能。” “假定我们今天只调度资源和部分联网和工作和需要一些键盘交互的话，就是我们的PC。那也许将来按照同样的顺序……这个设备就会被调度出来，就像当年的插在电话线上，加上插个猫，变成今天的无线路由器。”

产品落地：从算力增强盒到可插拔AI协处理器

影谱当前产品策略清晰：今年首发桌面端设备（计划共5款），随后推出Pocket端手持设备。桌面端将强调“in plan inside”——即通过银普硬件显著提升现有PC的AI性能、图形渲染与浮点计算能力，而无需更换整机。现阶段，其核心价值在于性能与稳定性提升；未来则转向协处理器角色：明年将推出可插拔式AI加速卡（类比游戏卡），用户通过更换“AI卡”低成本切换模型加速，实现模块化AI算力。

银普明确不涉足通用处理器芯片，而是致力于与主流CPU厂商深度合作，成为计算生态中的“赋能者”。对普通用户而言，银普产品的体验差异在于：在不抛弃原有硬件组合的前提下，实现AI能力的跃升——更强的推理速度、更高的渲染效率、更优的能效比，同时保留所有传统计算功能。

“我们用既保护你的技术门槛，又能够用户能理解的角度来看的话，我怎么使得一些已经大量被使用的硬件组合在一起，并且加了你之后，完成了这个盒子当中超越原来硬件的功能。”

硬件叠加的AI能力跃迁

消费者购买一个盒子后，能在现有、市面上可购的硬件组合基础上，运行远超其原生能力的AI功能——包括更强的AI推理、游戏性能、图形渲染与浮点计算，同时不抛弃传统计算能力，反而使其同步增强。这种“叠加式升级”的核心逻辑在于：在不更换硬件的前提下，通过新增一层智能调度与优化，释放已有硬件的极限潜力。

银普（应为“英普”，根据上下文推断为笔误）的规划聚焦两类方向：其一，通过优化主板供电与散热控制，为芯片创造更舒适的运行环境，从而提升通用计算性能；其二，消除主板上难以优化的I/O瓶颈，专为AI推理与Agent应用服务。这两类产品共同指向一个目标：在现有硬件生态中，构建一个更高性能的“虚拟超频层”。

我怎么使得一些已经大量被使用的硬件组合在一起，并且加了你之后，完成了这个盒子当中超越原来硬件的功能。

我们现在在沿着整个 PCIe 总线去找，看 AI 的数据需要流动到哪，那个地方是否能够在现在的商业条件里去做优化。如果能，我们就和 I/O 厂商去合作；如果不能，我们就希望自己来做芯片，逐步的把那一部分的 I/O 给拿掉。

I/O瓶颈与‘数字超频’的现实逻辑

AI从训练转向推理与终端应用时，数据存储与交换（I/O）成为制约性能的核心瓶颈：大量数据在SSD、显存、内存之间流动，而PCIe总线成为高频数据搬运的“卡点”。英普的应对策略是分层推进——短期与SSD厂商合作优化I/O速度（如2024年6月将发布的SSD产品）；长期则计划推出插U盘卡形式的AI加速卡，直接绕过传统I/O路径。

这本质上是一种“数字时代的超频”：正如90年代用户通过超频让廉价CPU跑出更高性能，今天用户在无法负担顶级硬件（如HBM内存、高端GPU）的前提下，通过智能调度现有资源，逼近性能上限。当前存储芯片（DDR/HBM）价格高昂，容量有限，调度效率直接决定AI响应速度与智能化程度。

我们活在一个现在的DDR、HBM等等是贵如黄金的一个年代，我们不存在那么大的容量的东西，所以需要有调度，必然就会存在这样的一个环节……在现有的人们能买得起的这样的一个条件之下，去尽可能达成更高速的AI推理。

这一逻辑也解释了为何过去半年存储相关企业股价暴涨超5倍——AI推理阶段对高速、低延迟存储的需求激增，带动了从SSD到HBM全链条价值重估。同时，消费电子涨价趋势（如2024年春季新品）也与此强相关：硬件厂商被迫将上涨的存储成本传导至终端价格。

龙虾机与Mac Mini：从‘预装软件’到‘预置能力’的范式迁移

当前“龙虾机”与Mac Mini等无屏终端的兴起，本质是AI应用端革新催生的硬件形态迭代。但二者存在根本差异：龙虾机多为传统Mini PC预装Open Cloud等云服务变体，本质仍是‘下载式软件’；而未来趋势应是‘能力预置’——硬件不再预装单一应用，而是预置可积累、可进化的本地能力（如个性化记忆、检索、内核级优化等）。

关键机会点在于软硬件结合的内存管理：谁能构建更高效的本地存储与调度机制，谁就能让Agent在长期使用中“越来越懂你”。这要求厂商从“做APP”转向“做操作系统级能力”——将AI功能从应用层下沉至基础能力层，如同图形渲染如今已是PC标配。

谁有能力做更好的软硬件结合的 memory，能够让那个龙虾或者其他的 agent 在这个计算机运行上的时候，它就能通过时间的累积变得越来越懂你。

这一演进路径也回应了用户对“调教成本高”的痛点：未来理想状态是，高频、低价值任务（如日程提醒）完全在端侧完成，避免持续消耗云端Token费用。用户愿为本地化AI能力付费，前提是它足够“懂我”且成本可控。

端云权衡：用户愿为AI付费的分层逻辑

在当前AI作为基础设施尚处早期、成本较高的阶段，用户对AI能力的使用存在明显的任务重要性分级：一部分任务天然适合云端（如复杂编程、多步骤编排），用户愿意为高性能服务付费；而另一些高频、轻量、日常性任务（如日程提醒、本地汇总）若需持续支付token费用，则易被感知为“不划算”。此时，端侧模型的价值在于将部分任务转化为“几乎不花钱”的日常能力——这与早期拨号上网按流量计费、用户对上网成本高度敏感的历史高度相似；也像B站在2014–2017年随着4G流量套餐降价，从“缓存后离线观看”转向“在线播放”的用户行为迁移。

它又不起到了一个真正意义上的助理作用，又显然超出了一个我对计算机AI能力愿意付费的程度。

就像我们刚才讨论，所谓今天大家在端上用模型还是在云上用模型。那可能随着咱的基础设施和资源的价格变得非常便宜，以至于最终会有不计资源的算力套餐之后，可能就云上去了。但是在且长的一段时间，大家就也得主要靠一定程度的端上，这样的话可以不花钱。

硬件演进路径：集成、妥协与专用化

当前端侧AI落地面临硬件限制：多数“本地跑AI”的PC仅能运行8B–16B模型，远未达实用规模。短期内，系统级集成将成为主流方案——即在不依赖全新芯片的前提下，通过优化现有硬件组合（如CPU+NPU+内存带宽协同），实现更大模型（如397B）的端侧运行。银普选择的路径是：放弃通用性，走极端硬化的ASIC路线，以降低成本、提升效率，而非追求与主芯片兼容的通用AI加速方案。

这种分化也映射到协处理器的发展史：GPS模块从独立芯片逐步集成进SoC；而GPU则从图形专用加速器，随AI兴起转型为通用并行计算核心。未来端侧协处理器可能走向两条路径：一是轻量通用AI加速器（适配多模型，但规模受限），适合作为副芯片嵌入主流平台；二是专用硬编码AI协处理器（如M.2/U.2插槽式模块），牺牲兼容性换取性能与成本优势，适用于NAS、家庭终端等嵌入场景。

我们希望通过不同的手段，在现有的拼拼乐的这样的一个用已有硬件来拼凑的一个前提之下，想办法把它变成一个能跑大规模 AI 的这样的一个事情。

从我们的角度上来说的话……银普走的是第二条路，也就是我们抛弃做通用性，去做极端的这一个放弃通用性的这个硬化，来降低成本，来尽可能快速的去做这种专有的这个ASIC芯片的这样的一条路径是我们会选择的。

品牌洗牌：新机会在产品门类而非巨头更替

当前PC市场格局高度稳定：联想稳居全球第一，华硕、MSI等聚焦细分领域。但品牌力尚未形成苹果级生态壁垒，为新玩家留下缝隙。未来十年，传统制造巨头（联想/华硕）仍主导笔记本/台式机等成熟品类，而新品牌更可能诞生于全新产品门类——如AI原生家庭终端、协处理器外设、嵌入式边缘设备等。这些机会的驱动力，正来自端侧AI对硬件架构、软硬件协同调度的重新定义。

未来如果有更大的机会的话，其实未尝不可能长出来一个新的厂商。

我们会相信可能会有新的产品门类会出现，而这样的一些产品门类里面，或许是有一些新的计算机品牌可以去诞生，也是我希望能够出现的这样的一个市场方面的机会。

新品牌诞生的可能路径：软硬结合与场景驱动

当前PC与智能终端市场格局看似稳固，联想、华硕等传统厂商凭借碾压级的供应链管理能力和成熟的产品门类积累，在笔记本、台式机等传统品类中占据主导地位。但真正的机会并不在于复刻现有路径——若仍停留在“品牌方+组装厂”的旧模式下，全球几乎不可能再诞生第三家能与联想、华硕同台竞争的计算机企业。

真正的突破口在于补足传统厂商缺失的能力模块：包括操作系统层的深度开发能力、软硬件协同调度能力，乃至芯片级定制能力。这正是苹果当年在巨头林立的PC市场中杀出重围的底层逻辑——它并非第一个做电脑的公司，却通过软硬一体化+场景定义重构了用户价值。

“苹果也不是世界上第一个计算机企业，已经有巨头的前提之下，它成长起来的。”

因此，我们有理由相信：新的产品门类正在酝酿，而这些新形态更可能诞生于AI Agent驱动的交互场景中，而非传统PC替代路径。这或许将催生出真正意义上的“AI原生计算机品牌”，其核心不是比拼参数或成本，而是能否在特定场景中实现专用+适配+集成的效率跃迁。当专用能力足够硬化（即芯片化、集成化），它就可能获得独立的市场定位——甚至成为继PC、手机之后，第三类同等重要的智能终端形态。

“除了每个人都用的电脑就PC之外，或者手机之外，还会有别的也跟他们同等重要的家庭智能终端形态或者产品的出现，对吧？”

AI终端的独立性逻辑：不是手机，而是Agent的专属交互载体

一个关键洞察是：当前AI尚不足够“聪明”，以至于我们不敢将含大量个人隐私的设备（如手机、笔记本）完全交由AI控制。因此，理想的AI交互载体应具备中等敏感度的数据环境——既非完全开放，也非高度机密，而是介于两者之间的“轻交互空间”。

这样的设备不能是手机（人无法携带两部手机），也不能是平板（玻璃屏交互方式缺乏独立性）。它必须在交互方式上天然具备差异性：例如放弃传统触控，转向更贴近Agent原生交互逻辑的形态——即便在非Agent任务中体验笨拙，也要确保Agent任务足够流畅高效。

“我们设计这个产品的时候，希望呢就是它更加贴近于纯粹的 agent 的交互方式。”

技术上，这并非遥不可及。中国已具备成熟的产业链基础：例如深圳的Clockwork Pi等开源掌机产品，已验证了基于Linux的轻量级硬件定义可行性。若将其技术栈与AI Agent需求结合，只需进行交互层的特质化定制，即可快速演进为AI native的Linux开源掌机——这正是我们即将推出的产品的阶段性定位：偏专业、偏极客、高付费意愿的稳定市场。

“银鹏马上要推出的这样的一个机器，可以理解为是AI native的Linux开源掌机。”

硬件厂商的市场策略：先扎根专业用户，再拓展大众市场

硬件开发存在高启动成本，决定了其商业模式必须依赖高付费意愿的稳定市场。对比来看：

  • 通用消费者（General C）市场虽规模庞大，但消费行为随机、单次付费低（如游戏玩家仅需“勉强能跑”即满足）；
  • 专业用户群体（如AI开发者、图形渲染师）则具备强付费意愿，愿意为代际性能提升持续换新。

“世界上打游戏的人多，还是会写AI代码的人多？其实是会打游戏的人多……但英伟达财报中，打游戏的贡献反而是最低的。”

历史经验表明，绝大多数消费级科技硬件都始于专业场景：无人机、3D打印、专业相机等无不如此。智能手机虽看似“全民产品”，其源头仍是专业通信需求（如海洋通信、应急通讯）。这印证了一条普适规律：技术与硬件能力的双重下放，最终实现大众普及。

因此，当前硬件厂商的理性路径应是：先在专业C端/B端建立稳固基本盘，再逐步向通用市场渗透。英伟达当年的“先广后专”路径依赖于特定市场格局，而如今市场已高度分异，新入局者必须选择“先专后广”的差异化路径。

“做硬件的企业……需要的是高消费力的稳定市场，而不是可能虽然规模远远大于稳定市场，但是可能消费能力比较随机……的general的C的市场。”

龙虾热背后的认知错位：中国需要的是‘抖音式AI应用’

国内对“龙虾”（OpenCloud）的热烈反应，本质源于国民级AI应用的长期缺位：中国用户虽已身处AI时代两三年，却尚未拥有真正落地的、全民级AI产品（如ChatGPT、Cloud）。因此，OpenCloud被赋予了“填补空白”的象征意义——它不仅是技术产品，更是一种期待的投射：人们渴望一个像抖音一样低门槛、高掌控感、强入口属性的AI应用。

“中国其实没有国民级的AI应用，但我们却活在AI的时代，已经活了两到三年。”

但需清醒认识到：龙虾热潮本身正在明显衰退（如半龙虾节数量减少），其价值不在于成为主流产品，而在于标志AI应用从To B向To C探索的关键拐点。未来真正打动中国市场的AI应用，必须遵循本土化逻辑——即降低用户自由度、提供端到端服务（如“39.9元装龙虾、200元清数据”等服务的兴起，正说明用户需要被“代劳”）。

OpenCloud的开放性更适配海外用户习惯，而中国用户需要的是抖音式AI应用：强入口、极简交互、全流程兜底。这并非技术问题，而是用户心智与行为路径的结构性差异。

“可能中国的环境，我们就是需要有那种帮用户干完所有的事，降低他自由度的某种 AI 应用，或许才能更加适合中国人的心里。”

国内B端AI落地的现实图景

尽管全球AI发展节奏存在差异，但中国在B端市场并未与AI脱节，反而展现出强劲的落地能力。许多看似传统的行业企业，实际上在AI应用上态度积极、投入迅速，并已形成可观的营收规模。以DeepSeek一体机为例，在2023年4月至12月的大半年时间里，其在To B场景中表现极为亮眼，尤其受到大币和中币客户的青睐。这背后反映出国内产业环境的两个关键特征：一是数字化基础设施相对完善，为AI落地提供了良好土壤；二是高度竞争的‘卷’文化——企业普遍担心技术落差转化为竞争优势流失，因此对新技术反应迅速、跟进积极。这种紧迫感与执行力，使得To B市场成为当前AI商业化的重要突破口。

它有可能是很多我们认为比较传统的企业，但它其实在AI的拥抱方面也同样非常的强。

因为国内的产业环境和国内的数字化的基础设施，尤其基础设施做的比较好。

竞争驱动下的快速迭代与市场期待

当前To B领域的AI应用热潮，本质上是企业间技术追赶压力与效率提升诉求共同作用的结果。企业不愿在技术浪潮中掉队，一旦某类AI解决方案被验证有效，便迅速复制推广，形成‘你有我也有’的集体行动逻辑。这种机制虽带来内卷压力，却也加速了技术普及与场景深化。展望未来，行业普遍期待五六月份即将上市的新品，以及后续多款终端设备能取得市场成功——这不仅关乎单个产品表现，更将影响整个AI智能终端生态的演进节奏。

所以大家就都卷得很厉害，所以to B确实有这个机会。