你有没有想过,为什么今年看 AI 项目的人,越看越容易犯审美疲劳?应用层的项目一个接一个,有做写代码助手的,有做自动写文档的,也有做智能客服的,演示都很流畅,数据也都好看。可是把它们叠在一起,大家心里会冒出同一个问题:如果 AI 的收入主要来自给软件行业提效,这个存量到底有多大,撑得起今天二级市场对 AI 的预期吗?

我最近看到的一个答案,来自一家叫寰宇元心(CosmosMind)的早期公司。团队里有从 DeepSeek、Kimi、GLM、Meta、腾讯混元这些基础模型团队核心部门出来的人,还有清华、北大的博士。他们没有再做一个通用大模型,也没有做又一个写代码的 agent,而是带着一套叫

工程智能(Self-Evolving Engineering-AI,SEE-AI)的系统,算法内核叫 MetaRSI,产品引擎叫 Ester,直接去了算力和芯片的研发现场。前不久,一颗由这套系统设计、从晶圆厂流片回来的硅光测试芯片,已经摆在了他们面前。

这件事值得讲,是因为它回答了开头那个问题:Coding 之后,AI 真正的增量大概率在物理世界里,而且那里对 AI 的要求,和写代码完全是两回事。

写代码的 AI 再好用,也撑不起今天的预期

写代码是 AI 落地最顺的场景,原因很朴素,试错在这里几乎不要钱。改错一行,重新跑一遍,几秒钟就知道对不对,错了也没有任何后果。模型可以在这个沙盒里一遍遍地试,所以 Coding 工具这两年进步得特别快。但反过来看,这也是它的麻烦所在:谁都能很快做出来,谁也很难守住领先,今天的功能下个季度就可能被别人追平。

更何况写代码这个存量本身是有边界的。AI 能做的,是让软件行业花在工程师身上的钱花得更有效率,它能放大的上限,就是这笔钱乘以提效的比例。在我看来,二级市场现在给 AI 的预期,已经超过了这个乘积能撑起的范围,所以大家才会反复追问下一个增量在哪里。寰宇元心的创始人万冠呈对这件事的看法很直接,他认为除了 Coding,AI 还没有更大的场景在创造增量,更大的机会在重资产、高门槛的实体产业研发里。

真正的增量,在试错又贵又慢的地方

既然沙盒里的试错太便宜,增量就该去试错贵的地方找。这样的地方并不神秘,就是中国那一大片做实体产品的研发,算力、高速光电芯片、先进制造都在其中。炒菜的时候尝一口就能调盐,烧瓷器却要等开窑才知道成不成。这两件事对 AI 来说难度完全不同,而芯片设计属于后者:图纸画完交给晶圆厂,一次流片要等好几个月,拿到实测数据,才算第一次真正得到反馈。

这些地方的问题还不是单一的。一颗高速互连芯片,要同时管光、电、热,还要把晶圆厂加工时难免的误差算进去,刻蚀偏差几纳米,器件的性能就可能走样。能把这几样东西同时吃透的资深工程师,整个行业也找不出几个。所以试错慢只是一重限制,会做这件事的人太少,才是更硬的第二重。

听上去这全是坏消息,我却觉得对做 AI 的人恰恰相反。AI 最擅长的,是不知疲倦地把大量方案挨个试一遍,它缺的只是一个能快速、可靠地判断好坏的环境。所以这类行业真正的问题,是能不能把提方案、验证、改进这个循环搬进昂贵的物理世界,让稀缺的专家经验变成可以反复使用的软件能力。

算力五层栈的红利与诅咒:越靠近硅片,收益越大、验证越慢

要把这个循环搬进物理世界,先得看清算力这一整套东西是怎么分层的。从上往下数,先是管一大群机器怎么分活的调度,再是分布式系统和推理引擎,然后是算子和编译器,接着是芯片的封装和互连,压在最底下的是硅片本身。每一层的反馈速度差得非常远。一个软件算子,几秒钟就能在卡上测一轮,到了芯片,版图冻结以后要等几个月,流片回来才有第一组实测数据。

打开网易新闻 查看精彩图片

算力系统的分层图:从集群调度到硅片,越往下改动受益越广、验证越慢

这种差别带来一个有意思的矛盾。改动越靠下,受益的范围越广。一个底层算子变快,所有调用它的模型都跟着变快,一颗芯片设计得更好,跑在上面的所有软件都直接受益。可是越往下,改错的代价也越大,而且底层一旦变动,上层原来调好的收益甚至可能作废。这就好比新手学开车,没人会一上来就开上高速,总是先在空场地里找到手感,再去应付真正的路况。

寰宇元心的做法,基本就是这个顺序。他们没有在各层平均用力,而是先从反馈最快的软件层开始,一直做到现有硬件的潜力被用完,再让同一套方法顺着软件层碰到的硬件瓶颈往下走,去参与下一代芯片的设计。我觉得这个顺序很务实,因为一个新方法最怕第一次验证就要等半年,而软件层让他们几天内就能知道方法对不对,也让团队有时间先把手艺练熟。

做基础模型出身的人,为什么适合干这件事

做基础模型的人,天天打交道的就是改一点、测一下、看有没有变好这个过程,训练、评测、发版,每一步都要靠严格的数字来判断。把这种习惯带进工程研发,是很自然的事。寰宇元心给自己的算法框架起名叫 MetaRSI(RSI 一般指递归式自我改进,也就是系统自己改进自己),它把一次改进拆成七步:观察、诊断、提案、校验、执行、选择、导出。

有意思的是,这七步里只有诊断和提案交给大模型发挥,其余五步全部由确定性的代码来执行。原因不难理解,大模型擅长出主意,但出主意的人不该同时当裁判,否则它很容易悄悄放宽标准,让自己看起来进步了。所以在他们的设计里,评测的标准和发布的规则对所有 agent 都是只读的,AI 可以提出一万种改法,却没法改动判分的规则。

我对这一点印象很深,因为它点出了自进化在工程里能走多远的条件:一件事的好坏,能不能被机器严格、客观地检验出来。能检验的,AI 就能自己越做越好,说不清好坏的,再强的模型也只能凭感觉。这也解释了为什么他们不去做通用大模型,也不去做面向所有人的写代码助手,而是专挑那些验收标准硬、数字不会骗人的领域下手。

先是软件这一层,国产算力进化到450%效果,全程直播

软件层反馈最快,所以他们先在这里拿出了结果。最能说明问题的,是一次国产算力迁移:把一个 330 亿参数的音视频大模型 MiniMax H3 部署到华为昇腾 910B 上。很多原本按英伟达显卡调好的参数,换了卡以后不再合适,比如残差复用的阈值原样搬过去,速度不但没快,反而慢了 71%。还有一个融合算子的启用条件,在原代码里被写死在英伟达卡上,换卡后根本触发不了。

面对这样庞大的参数和算子组合,人类工程师通常只能凭经验挑几个点试一试,大量可能更好的配置根本来不及看。寰宇元心的系统换了一种做法:它把整个部署当成一大片要搜索的空间,自动批量提出候选方案,部署上卡,实测速度,再由客观标准判断去留,一轮接一轮往前推。最终推理速度达到了官方实现的 450%,生成画质经评测与基线持平,五套数据集上的逐条对比,没有一条变慢。

打开网易新闻 查看精彩图片

MiniMax H3 部署加速的公开直播界面:上为标准部署,下为自进化系统给出的部署方案

这个数字当然亮眼,但我觉得更值得看的是他们摆出结果的方式。整个调优过程在公开页面上直播,每一轮改了哪行代码、快了多少毫秒,外面的开发者随时可以回看;沉淀下来的几个算子库也放在 GitHub 上开源,其中端到端推理库已经被昇腾 PyPTO 框架的官方团队正式合入主干。一家早期公司说自己做到了什么,通常很难核对,把过程摊开让别人挑错,等于主动把验证的权力交了出去。

第一颗自进化硅光芯片回片:带宽超顶刊 40%,良率留足 2 倍余量,走入物理世界

软件层的成绩说明这个循环好用,但芯片回片才说明它能碰得到物理世界。寰宇元心往芯片这一层走,选的第一个方向是硅光芯片,也就是用光信号代替电信号,在芯片之间高速传数据。大规模算力集群想突破带宽和功耗的限制,硅光互连几乎是绕不过去的一条路,真正卡住它的,是设计出来的东西进了产线以后,良率还能不能稳住。

打开网易新闻 查看精彩图片

第一版硅光测试芯片的电镜总览,芯片上可见 CosmosMind 标识(图片来自寰宇元心)

他们先拿光栅耦合器练手,它相当于光信号进出芯片的接口,其中垂直出射的那一种出了名的难做,传统的参数扫描基本失效。团队和北京大学的光子传输与通信重点实验室一起,让系统在可量产的约束下找方案。结果是带宽比 2026 年发表在《Optica》上的同类设计宽了 40%,制造偏差引起的波长漂移也小了一个数量级。前沿文献里需要在芯片上铺十几组预补偿结构来挑可用的器件,这套设计一组都不用铺。

比数字更让我在意的,是它给出的结构。在光栅里那种重复排布的微结构上,人类专家习惯顺着尺寸渐变的思路找答案,而系统给出的是三种不同拓扑的单元共存的方案,这不是顺着经验就能想到的。团队还专门把对照组拉到了最高水平,让领域专家直接搭配 Claude Code、Codex 这类写代码 agent,并且不限预算,放在一起比,系统依然找到了更好的结构。在我看来,这才是它和写代码工具真正不同的地方:它给出的不是更快的重复劳动,而是人没想到的东西。

打开网易新闻 查看精彩图片

光栅区电镜特写,实测线宽 273 到 328 纳米

设计图画得再好,终究要过晶圆厂这一关,所以他们在流片这件事上做得格外保守。设计阶段就把刻蚀、线宽、套刻这些加工误差写进检验标准,按最坏的情况来评估;冠军方案还要再过一轮系统看不见的隐藏测试,防止它只会应付那几道固定的题。第一版芯片回来后,系统从 31 张电镜照片里识别出每一条刻蚀边缘,测得线宽的随机离散不超过 5 纳米,而设计时按 10 纳米评估,实际留出了大约 2 倍的余量。

往系统层走,他们也做得很快。硅微环、硅耗尽型行波调制器和薄膜铌酸锂是下一代光互连最主要的三条技术路线,业界还在争论哪条更合适,系统不到一周就把三条路线的 1.6T 链路都做出了完整设计,全工况达标。这类需要光、电、热同时权衡的题目,恰好是前面说的稀缺工程师最难复制的部分。已经有多家晶圆厂主动来谈联合设计和工艺模型合作,对一个刚拿到第一版芯片的公司来说,这比任何自己报的数字都更有说服力。

打开网易新闻 查看精彩图片

光互连芯片自主设计的公开直播界面

按结果收费,自进化产品建立在客户标准上

软件和芯片两头都有了结果以后,团队把背后的循环打包成了一个产品,叫 Ester,意思是通用的工程研发引擎。它目前分成三条产品线,分别面向大模型推理加速和国产卡适配、垂类模型的训练优化,以及硅光芯片和互连的设计。前面讲到的所有案例,其实都是同一个引擎在不同场景里的表现。

这个产品最特别的地方是收费方式。开工之前,双方先锁定验收标准,最后达不达标由客观判据来裁决,没有做出约定的性能提升就不收费。过程中产生的数据、工程经验和专有模型全部归客户所有,不会拿去训练他们自己的通用模型。万冠呈的解释很实在,他说中国的企业客户不关心东西是 AI 做的,还是别的什么方法做的,只关心安全,关心降本增效到底有没有用。

打开网易新闻 查看精彩图片

“结果即服务:不进化成功,不收费”的产品页横幅

我觉得这个收费方式不是营销姿态,而是前面那些选择的必然结果。想象你请人修屋顶,漏不漏水一眼就能看出来,所以敢说修不好不收钱;如果是让房子住着更舒服这种说不清的活,没人敢这样承诺。寰宇元心专挑验收标准写得清楚的领域,才让按结果收费成了一件可以执行的事,反过来,客户愿意签这样的合同,也说明他们认可这套验收标准是公平的。推理优化这条线已经有了回款,也有多家数据中心服务商主动来接洽。

我自己的一点思考

把这些放在一起,我对标题里那个问题的回答是:AI 的下一个增量,在于把人类最贵的那部分试错交给它,而不在于多写几行代码。但这件事离成熟还有距离,我担心两件事。

第一,每换一个行业,都要先把客观判断好坏的环境搭起来。光芯片有成熟的仿真和工艺数据可以依靠,换到一个数据更少、标准更模糊的领域,同样的循环还能不能这么顺,目前只能是我的推测。第二,这类事情的数据和工程师,晶圆厂和大型云厂商手里同样有。它们一旦决定自己下场,一家早期公司的位置会不会被挤压,要看它能不能比大公司更快地积累起真实产线上的经验。

尽管如此,我仍然看好,原因有两点。一是这个位置不是靠几个月的工程努力就能追上的,它需要真实的流片数据、懂工艺的人和一个已经转起来的循环,每多转一圈,下一圈就更准一点。二是他们愿意把调优和设计的每一轮成败都公开出来,让同行复现、挑错,一家真想把事情做成的公司,才会这样做。

最后想象一个场景:一家光模块公司的研发负责人,周五下班前交代了一个目标,要一条功耗更低的互连链路设计,约定了验收标准。周一早上他打开页面,看到系统周末又迭代了几百轮,其中有两次是自己推翻了自己的思路,最后给出了一个他团队里没人想过的结构。他要做的,不再是熬夜试参数,而是判断这个方案值不值得拿去流片。这大概就是 Coding 之后,AI 留给工程师的那个位置。更多内容可以看这篇文章

结尾

也欢迎大家留言讨论,分享你的观点!

觉得内容不错的朋友能够帮忙右下角点个赞,分享一下。您的每次分享,都是在激励我不断产出更好的内容。

欢迎关注深思圈,一起探索更大的世界。

两个“特别坑”的AI产品创业方向,你知道吗

打开网易新闻 查看精彩图片

速度将成为AI时代唯一的护城河

打开网易新闻 查看精彩图片

a16z重磅预测:Vibe coding赢者通吃?错了,垂直专业化才是未来

打开网易新闻 查看精彩图片