盡管芯片行業非常苦，但我們認為在大環境下有很大的發展機會。目前芯片一直被國外壟斷，中國每年進口額達2000億美元以上，超過了石油。因此，芯片行業對于國家來說是戰略發展方向。

一顆芯片從紙面設計到實際的物，到批量生產，再到大規模商用，每一步都是一個臺階。此外，即使芯片流片成功，進入量產階段，如何提高良品率也存在非常高的挑戰。

具體來看，制造芯片有以下幾個關鍵節點：一、首先需要設計一個芯片架構。1992年到1994年我參與了奔騰（586）芯片的設計，當時一個芯片上有500萬個晶體管，現在芯片有5000萬到1個億的晶體管，增長了數10倍，工藝非常復雜。

二、具體電路設計。目前有很多半導體設計軟件以及模擬工具，設計芯片需要EDA（electronic design automation）這個軟件工具，沒有這個工具什么都做不了。EDA的工具軟件廠商目前全部在美國，分別是Cadence、Synopsys和Mentor Graphics。目前這一點對于芯片行業的創業者來說挑戰非常大。這好比木匠要去生產一個桌子，但是刀具卻掌握在別人手里。

三、具體線路排版。現在的芯片相當于有80塊電能板堆在一起，縱截面有80個不同的線路設計，這80層之間要布線，需要在臺積電等這類加工廠中完成。從芯片設計到把最終的設計方案交給工廠，又是一個非常復雜的流程。

過去三四十年中國在芯片行業投資了幾千億，但很多都打水漂了。因為芯片的更新迭代非常快，技術發展日新月異。一家斥重資建設的芯片制造工廠，過了5年就已經跟不上最新的技術了，又需要重新建設生產線。華虹NEC當時投資了近千億，更新迭代跟不上，過了幾年技術就過時了，只能生產一些低端產品。

芯片行業投入非常高，成為了“術有專攻”的行業，其中有專門設計芯片的企業、有專門生產制造芯片的企業。近期，我們投資了AI芯片公司燧原科技，這個項目讓我們感到非常興奮。

AI所承擔的任務，歸納起來就是兩個步驟：一、學習過程。學習過程需要將大量的數據放到一個“黑匣子”里，通過神經網絡歸納總結一個模型。早期AI的做法全部是基于規則的，譬如告訴機器貓長什么樣子，現在的做法是把一萬張貓的照片放到黑匣子里，通過神經網絡自動總結出一只貓長什么樣。二、演繹。芯片通過識別一張貓的照片后，根據規律判斷照片上是不是貓的過程是演繹。

AI芯片計算需求最大的是推導過程，即學習的過程。目前，在這個領域只有英偉達一家公司能夠提供這類芯片。我們判斷認為燧原科技團隊最適合，它的核心團隊成員來自于AMD（AMD和英偉達是全球唯一兩家生產GPU的公司）并且總部設在張江。如果中國企業能夠做出自主可控的AI芯片，燧原科技就是其中之一。2005年我最早關注芯片行業的時候，當時大家都在設計MP3的芯片，或是手機里面的一些多媒體芯片以及生產基帶芯片。

問題在于，很多企業到最后變成一招鮮，只有一個拳頭產品。譬如一家企業生產MP3的芯片生產的非常好，只買 3元美金，但是過了6個月，MP3的芯片價格降就低至至1元美金。芯片一旦變成了商品后，門檻也就越來越低，價格也會越來越低，非常殘酷。在美國真正成功的芯片企業，譬如高通做到最后就是賣IP，英特爾和英偉達都做到了平臺化的產品。

英偉達除了芯片做的很好之外，更主要的是它的生態系統也做的非常好。現在AI算法都需要用英偉達的設計和匯編語言，有很多的應用圍繞著他的芯片設計。這一點很關鍵。創業者一定要考慮到不光要做出芯片，更重要的是建立一個生態環境。只有生態化建立起來之后才能逐步成為一個平臺化的公司，而不是只做一招鮮產品的公司。

目前，類似地平線這類企業的發展機會也挺大。地平線做更加邊緣端，所需的算力各方面稍微簡單一點的芯片，但面向的市場非常廣闊，特別是IoT、智能硬件等。

芯片產業和基礎科學的相關度非常高。現在美國的半導體行業之所以這么發達，歷史基礎在于美國的基礎科學更加先進。威廉·肖克利在1956年因為發明了晶體管獲得了諾貝爾獎，上世紀60年代初他從在新澤西搬到硅谷，在硅谷開出了第一家實驗室，后來培育了仙童，英特爾、AMD。

這一事實告訴我們，只有在基礎學科不斷投入、有突破和積累后，芯片行業才能發展起來。當下中國的芯片產業仍處于早期階段，距離崛起至少還需要10年。