夜雨聆风
「机构眼·调研内参」机构投研资源平台
加入社群·微信：Buddha_Research
沙利文在半导体与AI基础设施领域的分论坛有何特别之处？
本次分论坛汇集了存储、太空计算、AI能源、半导体制造等明星赛道的企业一线领导，他们将分享最真实的落地经验及前沿技术发展方向，共同探索下一个阶段的行业增长机遇。
在AI大模型全面落地的背景下，半导体行业面临哪些前所未有的变革？
当下AI大模型全面落地，导致算力需求爆发式增长，整个半导体产业迎来前所未有的变革浪潮。芯片存储、高端制造、配套能源、前沿量子技术等细分赛道都在孕育突破性的新技术，并呈现出商业化的新机会，产业迭代的节奏明显加快。
贾庞先生在开幕词中对当前半导体与AI基础设施行业现状有何见解？
贾庞先生指出，在2025年中国十五五规划开局之年，人工智能加速重构产业格局，半导体国产化进程持续提速。半导体及AI基础设施作为数字经济底层基石，正成为驱动未来十年产业变革的核心引擎。
当前半导体与AI基础设施行业有哪些趋势性变化？
行业正经历两大关键趋势变化：一是算力竞争结构被改写，从单个芯片峰值性能竞争转向系统架构创新和高效组织；二是算力需求结构发生根本性迁移，推理需求大幅提升，训练与推理能力成为决定AI能否大规模落地的关键因素，需求结构多元化。
面对近期资本市场波动和对半导体周期担忧的情绪，如何看待AI投资的长期逻辑？
尽管近期全球资本市场出现波动，投资者对半导体周期和AI商业化节奏存有疑虑，但这并不改变AI投资的长期逻辑。真正的技术革命往往在波动中不断夯实基础，在回调中完成优胜劣汰，短期估值修复和资金博弈不会改变产业长期向上的本质。
存储领域在AI时代的重要性体现在哪些方面？
随着人工智能大模型时代的到来，模型规模持续扩大，应用场景丰富，算力需求快速增长，存储作为存算运三大核心支柱之一，其作用愈发重要。特别是数据中心的存储领域，如企业级SSD存储，已成为国产高性能存储的重要推动力量。
在大模型推理过程中，数据搬移为何成为瓶颈？
在大模型推理时，由于模型是分层的并会复用之前计算过的KV对，这就导致了多次数据搬移的需求。每次推理涉及到数据从内存到GPU、再到硬盘等不同位置的转移，这种反复的数据搬运带来了显著的时间开销和成本开销。此外，尽管现代GPU支持直接访问硬盘的技术，但命令下发仍需CPU参与，且对数据做额外处理（如量化、向量检索或数据预处理）时，CPU负担加重，进一步加大了数据处理的时间消耗。
如何解决AI场景中数据存储与计算效率低下的问题？未来的数据存储趋势以及固态硬盘如何演进以满足AI需求？
为解决上述问题，提出了将计算功能更贴近存储设备的方案，即纯算一体或AISD（AI Storage）。通过在硬盘内部部署专用芯片或主控芯片中的核心IP，实现数据在硬盘内部就能完成检索、量化、预处理等操作，从而避免了CPU和GPU参与大量数据搬移和计算工作，有效提高了数据处理速度和效率。未来数据存储将趋向于支持高速、大容量且能进行数据端计算的存储解决方案。传统的固态硬盘目前主要用于提供被动存储服务，而针对AI场景，将发展能够定制化需求、具备高带宽和低延迟特性的SSD。最终目标是研发出真正意义上能够实现数据计算与存储一体化的AISD，它不仅能提供大容量存储，还能在硬盘内部集成计算模块，以适应快速发展的GPU技术和模型需求，实现高效、低成本的数据处理模式。
AISD如何实现对数据处理和计算的优化？
AISD通过紧密耦合计算模块和存储芯片，内置NPU等加速模块进行数据预处理，并支持高速通路以实现数据快速在GPU和硬盘之间传输。这样不仅减少了无效的数据搬移，还能根据具体应用场景（如推理降本加速、增强检索、音视频加速等）优化数据管理，提升CPU利用率和响应速度，同时利用硬盘进行数据去重、预取等操作，提高整体效能。
国内有哪些厂商在研发高速互联协议？
国内有很多厂商在研发高速互联协议，例如上海的一些厂商正在开发自己的高速互联协议，比如避任的b link。
容错技术在太空计算机中的作用是什么？
容错技术的作用是确保基于不可靠商业信件的太空计算机能够输出可靠的计算结果，即使在存在单点故障的情况下也能保证电路级和单板级的错误不会导致严重后果或宕机，并通过软件算法确保输出正确的考核结果，从而保障用户所需的可靠性。
当前信息通信技术面临的挑战有哪些？
目前信息通信带宽相对成熟，约为100GBPS，但在对准和追踪方面存在问题。例如，在地面端，华为曙光、英伟达超节点等GPU带宽在TPS量级，而新兴通信网络如星际链通向计算部件端的互联是一个需要解决的问题。
太空环境下的热控技术主要挑战是什么？
太空环境下的热控主要挑战并非散热，而是导热问题。由于CPU等组件局部区域的热度密度极高（如英菲达H100局部热度密度可达75瓦每平方厘米），如何将内部热量有效导出是一个难题。此外，由于太空真空环境无法采用风冷，团队提出了通过主动分区液冷的方式来带走热量并实现较好的热控效果。
太空中能源供应和供电技术的发展趋势是什么？
在能源供应方面，轻型化家和钙钛矿太阳光伏等技术有较好效果，但未来发展方向将是降低成本并提高效率；在供电方面，主流方案仍是采用太阳能翼，短期轻型化家效果最好但价格较高，而马斯克的SpaceX方案则倾向于追求性价比高的方案。
未来太空操作系统的发展方向和目标是什么？
未来太空操作系统将从单星实施管理转向多型资源协同管理，因为太空环境天然分布式，需要考虑多型资源系统的问题。团队致力于降低未来APP开发者开发成本，希望在未来网络建设好之后，能够实现类似地面应用商店那样的简单开发模式，让开发者通过调用API即可快速构建所需应用。
本团队在芯片设计和热管理方面的研究进展有哪些？
团队研发了首款基于国产12纳米工艺的高性能抗辐照GPU芯片，采用自主指令集，并对商业GPU器件进行去耦合能力评估。在热管理方面，团队设计了一套结合主动被动散热及储能延时散热的系统，在地面验证中对50万每平方厘米的热流密度具有良好的处理能力。此外，还开发了一款支持断点续传、数据校验和错上传的商业软件，实现了大模型的推理功能。
制造EDA的核心作用是什么？
制造EDA在集成电路产业中扮演着至关重要的角色，它类似于建筑设计与施工图纸的关系，为集成电路的生产制造提供关键的施工方案和图纸。制造EDA确保设计图经过工艺条件调整后能在目标晶圆上准确无误地投射出符合要求的图案，是先进工艺开发过程中不可或缺的重要环节。
当时目标是什么？现在的工作成果如何？
目标是利用AI技术战胜工程师在某些场景下的判断力。最终，我们的实验结果显示，准确率达到了95%的量级，远超过大部分工程师的表现。
在2021年，你们做了什么工作，以及这个工作的特点是什么？
在2021年，我们开始进行一项工作，并且到了2023年，这项工作取得了较多成果。这个工作的特点是，对缺陷的判断并不要求100%准确，而是要能够战胜普通工程师或优秀工程师的判断能力，尤其是在他们工作时间较长、精力有限的情况下。
除了这个项目，你们还做了哪些与AI相关的工作？
我们还利用AI架构的发展，如新的CPU（例如海关和鲲鹏）进行了相关工作，致力于在AI技术进步中先进行应用探索，即使初期不一定完全基于人工智能。
这些工作是如何推进的？具体包括哪些内容？
我们首先建立了统一的训练平台作为底层基础，应用了包括标注、曲线、图形学习以及大模型在内的多种技术。然后，在制造1.0的四个流行产线（计算光刻、器械防震、良率和DTCU）上进行了实践，构建了国产GPU算力集群和半导体工艺制造数据库，并开发出垂直领域的大型模型。基于此，我们创建了一个智能体，并首先在计算光刻领域取得应用成果，接下来将逐步扩展到其他智能场景工具组，最终目标是构建一个EDA的AI大脑，实现从设计到量产的智能闭环。
在AI技术应用中，你们具体做了哪些工作并取得了哪些进展？
我们成功实现了AI在加速、优化、效能提升、QA处理以及代码处理等方面的应用，并完成了模型校准、AI辅助曝光图形插入等具体任务。在客户现场验证后，性能表现优秀，特别是在图形匹配问题上取得了突破。此外，我们还通过AI技术实现了手册查询优化、代码自动编写等功能，形成了定制化的大模型，增强了整个流程的智能化程度。
目前的工作成果如何，以及对未来的发展规划是什么？
目前，我们在IOT领域性能达到了业界顶尖水平，并解决了长期存在的图形不匹配问题。未来，我们将持续深化AI在各环节的应用，使其能够自主决策并持续进化，以适应不同半导体市场的特性与需求，重塑未来十年研发使用格局，提高研发效率。同时，公司将继续扩大规模和影响力，积极对接国内外市场，为客户提供更高效、更精准的服务。
科创板和双创板在IPO受理方面的变化是怎样的？
科创板和双创板在IPO受理方面经历了从科创板独树一帜到如今双创板逐渐占据主导地位的变化。整体来看，与去年相比，IPO受理数量增长了86%，接近翻了一番。政策层面，在2024年暂停IPO受理后，于2024年四月份新国九条出台，并在2026年上半年政策持续调整。6月份，科创板再次有企业申报，同时创业板于2025年4月份发布了第四套标准，此后科创板开始扩容。
目前科创板和创业板的受理企业中未盈利企业的占比情况如何？
上半年科创板受理的企业中，未盈利企业几乎占了一半。而创业板第四套标准推出以来，已有8家企业申报，募资额达到190亿，将成为硬科技或未来产业上市的主要板块。此外，目前排队等待上市的企业数量从2022年末的923家经过一系列变化后，截至2026年上半年减少到376家。
目前A股审核情况如何？
目前A股审核速度在明显提速，沪深交易所几乎都实行即报即审、即审即发的待遇，没有积压。而在北一些排队企业，但整体上审核效率提升，且撤回潮后待审项目规模质量普遍较高。
当前A股市场对于不同板块尤其是科技板块的看法如何？
目前A股资本市场中，科技股尤其是科创板和北交所的吸引力较大，特别是在AI算力芯片、设备零部件等领域，相关企业业绩良好且成为申报主力板块。主板虽然利润规模较大，但相对传统的产业吸引力较小。
今年上半年IPO项目的募资规模有何特点？
今年上半年，尽管企业数量有所减少，但单个企业的募资规模显著提高，尤其是芯片设计和AI基础设施企业。科创板第四套和创业板第四套标准成为硬科技企业上市的主要选择，且这些企业的逆募资规模大幅增加。
科创属性在申报企业中的重要性体现在哪些方面？
科创属性至关重要，发明专利数量是门槛性质的要求，多数项目超过50项发明专利。此外，承担国家级重大科研项目、获得国家级科技奖项、市场占有率领先以及参与设定国家标准等也是评价科创属性的重要指标。对于不同赛道的企业，需要强调与现有上市公司的差异性和竞争格局。
半导体企业在A股上市面临哪些特殊考虑和挑战？
半导体企业在A股上市受到特殊待遇，需经历部委提前审核流程，该流程耗时较长可能导致受理集中。审核阶段，需重点关注是否符合国家产业政策、板块定位及是否存在重大敏感性问题。同时，同一赛道内的竞争加剧，企业需要提早准备，论证科创属性，并与相关部门进行预先沟通。此外，国产替代概念在某些行业已不再是一成不变的标准，需关注与国际先进水平的关系。
在IPO过程中，财务合规性、成本研发和内控这些看似琐碎的部分为何会成为主要问题？
财务合规性、成本研发和内控在IPO过程中非常重要，因为它们往往是导致企业IPO失败的最大单一原因。这些方面需要花费大量时间和精力去准备，如果完不成，整个上市流程将受阻，并可能导致现场检查或督导。
当前资本市场环境变化迅速，对于企业来说最重要的是什么？
在快速变化的资本市场中，最重要的是拥抱变化，不要固守旧有的标准或模式来衡量企业，要适应并利用当前的市场态势。
现在的企业申报上市的窗口期有何特点？
目前阶段，申报排队的企业数量较少，如果公司基本满足条件，现在是一个很好的申报窗口期。
在选择上市板块时，有何建议？
建议企业在选择上市板块时要关注板块的最新变化，如双创板（特别是创业板）的科创属性要求，并做好对科创属性的规划、整理和提炼工作。
在A股和港股之间，企业应该如何选择？
尽管港股标准相对较高，但建议企业按照A股的标准来准备，因为A股标准可以兼容港股标准及国内并购重组等要求。同时，很多企业选择回归A股时，之前按A股标准准备的企业能够更快完成回归。
对于目前的好窗口期，企业应如何把握？
企业应提早开始准备，利用当前有利的窗口期，一旦时机成熟，立即申报，抢夺窗口期。强调提早准备和高标准准备的重要性。
金盘科技主要关注哪些领域？
金盘科技专注于高端电力装备赛道，提供全套电力解决方案，尤其在匹配全球AI算力中心的能源配套需求方面有深入研究和实践。
固态变压器（SST）的发展路径是什么？
SST的发展源于对数据中心供电架构的需求变化，受益于第三代半导体技术的进步，目前各大厂商都在纷纷推出SST产品。随着算力需求的增长，传统供电架构无法满足，因此催生了算电协同的概念，而SST作为未来发展方向，将逐步取代传统的UPS方案和其他高压直流供电架构。
SST为何需要寻找合适的应用场景？
SST商业化的重要一步是找到合适的应用场景，比如大型数据中心或城市级边缘计算中心等，这些场景不仅需要SST提供电力供应，还需具备储能接入、绿电协调控制以及超低延时、灵活部署等特性，从而使其角色从单一的供电设备转变为智能能量路由器。
你们经常有什么优势？
我们主要的优势在于攻克了高压级联技术，这需要极强的绝缘技术，并且每一环都是高难度控制。此外，我们自主研发了高频隔离变压器，这是我们的强项，目前在市场上很多4S3也会从我们这里采购此类产品。同时，我们在直流控制方面也非常出色，这涉及到对第三代半导体芯片的控制技术。
高频隔离变压器是自研还是外采的？
我们的高频隔离变压器是自主研发的，许多投资机构在调研项目时会关注这个问题。
技术路径中还有哪些要点？
技术路径中还包括了拓扑架构的选择，目前行业主流采用两级拓扑架构，而金盘在实现架构与应用场景方面具有最优适配性，比如我们采用的AC到DC或DC到DC输入级采用吉利H模块串联增压，是10KV配网ST最成熟的工程拓扑。
SSIT高压碳化硅器件需求情况如何？
SSIT的发展与商业化前景落地离不开碳化硅器件的进步，碳化硅对于SSIT至关重要，它的规格和算法控制下的发电原理使其与传统变压器不同。金盘通过解决高频变压器的热、绝缘及材料问题，将频率提升至10千赫兹，并研发出纳米核心等新材料，有效降低了能耗损耗。
SIT（固态变压器）的技术迭代情况如何？
金盘自2024年初立项研发SIT，已成功完成三代样机迭代，并于2024年底发布了第一套prost产品，2025年下半年发布了第二代样机，目前最新一代固态变压器已研发成功，解决了前代产品中的绝缘材料更新问题，并已提供给海外著名EPC厂商Apple Gever进行测试。
SIT的销售渠道和市场定位是什么？
金盘是唯一将SIT样机送样到海外Apple Gever的SIT供应商之一，拥有成熟的海外渠道。在AI时代，SIT市场广阔，金盘致力于与行业伙伴共同探索并做大这个市场，目前产品已具备较高的功率密度和适应多种SIT拓扑路线的能力。
在智能驾驶领域，AI对传感器有哪些具体影响？
在智能驾驶领域，AI赋能传感器成为关键需求。以前主要依靠主控AI处理，现在越来越多的传感器开始在端侧进行AI赋能以提高感知能力，并且由于涉及安全性问题，需要达到车轨级的安全可靠性。传感器的实时性和响应速度至关重要，已达到毫秒级的要求，以避免潜在的事故和安全隐患。
AI如何推动医疗健康领域的变革？
AI在医疗健康领域的应用尤为显著，比如智能手环通过AI技术革新健康管理新模式，成为热销产品。此外，AI还推动了健康监测与健康管理的发展，运动传感器能更准确地记录数据，为用户提供生活顾问般的帮助；微创医疗辅助方面，AI使体内定位成为可能，同时也促进了慢病数字化管理和远程医疗监护等应用。
国产化率提升面临的挑战是什么？
国产化率提升面临的技术挑战主要包括技术壁垒（国内起步较晚，需大量摸索积累）、产业链不足（传感器制作需特种工艺，国内产业链不够成熟稳定）、品牌和客户认证壁垒高等。尽管面临诸多挑战，但国产化率的提升是机遇，尤其是在技术变革带来的超车机会上，以及下游应用市场对多品类、高精度传感器需求的增长。
美金半导体在传感器领域有哪些技术和产品优势？
美金半导体作为国内唯一一家车规级加速度传感器供应商，拥有超过25年的全球一线集成商供货经验，产品广泛应用在泊车辅助、车身稳定控制、电动车电动悬挂系统、安全气囊等诸多领域，市场占有率高。公司专利布局完善，技术路线丰富，拥有热式传感器、全球最大的AMR品类产能、全球功耗最低的电容式传感器等独特优势，并已成功将产品应用于机器人、高轨卫星等高端领域。
AI在能源行业中的应用和发展现状是怎样的？
AI技术正在经历从对话工具向智能体的转变，并具备了任务编排和调度能力，能够接入数据和业务系统。目前AI已经从数字世界走向物世界，广泛应用于机器人、汽车、工业制造、新能源等领域。特别是在能源行业，AI正加速与电技术深度融合，例如在光伏、储能等新能源建设中发挥关键作用。
能源行业发展到今天处于什么样的阶段？
我们判断能源行业不是一个接近终点的行业，而是一个刚刚开始规模化发展的行业。预计从2025年到2030年，全球将有数千亿计划建设的新能源项目，设备投资规模高达1.5万亿美元，带动的产业投资规模超过2万亿美金。
未来新能源装机量建设中光伏的地位如何？
光伏在未来新能源装机量建设中占据了超过80%的比例，且随着接入比增加，储能将成为下一代发展趋势。然而，新能源的波动性给电网带来了巨大挑战，如电价波动、零电价甚至负电价现象等。
在新能源领域，人工智能如何发挥关键作用？
人工智能在新能源领域的应用具有预测变化和动态调整的优势，尤其在面对多变量强波动和实时变化的复杂能源系统时，成为了解决新能源复杂性问题的关键技术。随着大模型迭代速度加快，理解能力和推理能力增强，以及相关任务编排记忆和调度能力的提升，人工智能与能源的结合将有效破解新能源领域的难题。
资格公司在AI与能源结合方面的战略是什么？
资格公司提出了AI in out的战略，致力于将AI相关技术应用于产品研发、制造、生产以及客户实际部署中，实现全场景、全链路、全价值链的应用，并通过接入真实数据、推动真实设备和业务行动以及持续检查和优化运行结果来验证AI落地效果。
AI在家庭能源管理方面的具体应用案例有哪些？
在家庭能源管理方面，AI技术通过EMS原子化和虚拟储能分身功能实现了对所有可调度控制单元的独立控制和任意排列组合，打破了传统能源调度模式，能够根据动态电价进行最优调度，有效解决用户难以抉择如何进行能源调度的问题，从而实现经济化管理。
今年你们在APP中新增了什么功能，是如何实现的？
今年我们在买34.0的APP中增加了一个功能，用户可以通过自然语言与AI交互，直接描述能源调度控制目标。AI会自动编排和分解这个控制目标，并利用EMS原子化能力寻找电站最优控制策略，实现千人千面的定制化调度方案。
AI如何应用于整个系统的安全管理上？
AI天然适合处理海量大数据及复杂逻辑，我们正在用人工智能技术在行业中实现事前检测和预防，让系统能够提前几十分钟、几天甚至几周预测并发现问题，从而从被动运维转向主动运维。
你们如何提升运维效率并解决人工运维成本高的问题？
我们推出了一个单独的运维智能体，通过设备MCP接口标准化定义和运维agent自动识别电站告警、分析日志并给出告警排查建议，系统持续迭代中，每周都会根据工单问题进行排布，自动解决工单，显著降低了客户端工单数量。
你们如何融合不同智能体来处理不同任务？
我们分了四类智能体处理不同任务，如私人管家管理家庭服务和用户用能电站运维，电力交易agent作为市场化交易的操作人员。但目前阶段，仍处于人机共生状态，某些场景如交易和电价相关决策需人工确认。
AI在新能源行业中的应用情况如何？
目前，AI已深度应用于公司的产品、解决方案及企业经营中，全球服务120多个国家和地区，由AI控制的电站数量超过三万多个，每天与客户端交互次数高达几十万甚至上百万次，全球安装的电站和服务用户超过40万。
AI与新能源行业融合的进展及未来展望是怎样的？
我们一直致力于探索将人工智能与新能源行业的深度融合，取得了一定成绩并摸索出一些路径，但要完全走通还需要长时间的努力和行业共同参与。未来会继续坚定地沿着这条路走下去，并期待分享更多关于人工智能和新能源行业应用的进展。
在光通信和半导体检测领域，贵公司在精密运动平台方面有哪些核心技术？贵公司在半导体检测领域是如何利用精密运动平台的？
我们公司的核心技术主要涉及两大类：一类是电机技术，包括电磁电机的磁路设计、电机工艺及发热分析以及不同领域的损耗优化；另一类是4伏驱动器技术，这种驱动器被应用于协作机器人关节中，具有体积小、可放置在关节内部的特点。此外，我们还在研发将驱动器与氮化镓芯片结合的技术，以实现高功率密度、低发热和高传输速率。在半导体检测领域，我们提供的精密运动平台（如高精度对位平台）被用于基因测序、半导体检测及光纤耦合等应用。这些平台具有高重复定位精度、快速响应时间和良好的加速度控制参数，能够满足不同行业对精密运动控制的需求。
贵公司在光通信领域的具体应用案例是什么？贵公司在半导体和光通信领域的布局情况如何？
在光通信领域，我们的精密运动平台被应用于光纤耦合工艺中，特别是在400G、800G乃至1.6T高速光模块的光纤耦合工艺中发挥关键作用。该平台具备纳米级定位精度、高分辨率、重复定位精度和高控制频率等特点，为光纤耦合设备提供了高精度与高效率的运动部件解决方案。我们公司已经成功布局并进入了国内主流的半导体检测厂商，以及光通信领域的精密检测。随着AI基础设施的发展，我们的精密运动平台在这些领域的需求量正在迅速增长。同时，我们利用过去20年积累的电机驱动控制经验，开发出适用于协作机器人和人形机器人的高精密驱动器，并开始将这些技术应用于半导体及光通性领域，特别是在光纤耦合和半导体检测上取得了显著成果。
高复杂度组合优化问题与量子计算的商业化关系是什么？
高复杂度组合优化问题，如金融风控、物流调度和电网潮流架构计算等，与量子模拟并列，是当前较为接近商业化的领域。这些问题的共同特征是解的空间巨大，找到足够好的解将带来巨大的商业价值。
量子计算的技术链路包括哪些环节？
量子计算的底层技术链路主要分为四大主线环节和两大纠错环节。四大主线环节分别是量子态的制备、量子门操作及演化、量子测量读取以及经典的后处理。而纠错环节则是量子纠错编码和量子纠错解码，以应对在量子计算过程中由于噪声、电压不稳定、工艺缺陷等因素导致的错误。
量子计算面临哪些技术限制？
量子计算技术路线受到三大限制：一是相干时间，目前量子态存活时间有限，限制了每个环节可执行的操作数；二是保证度，从初始化到门操作再到测量读取，每一步的误差都会累计放大，决定了每一步操作误差预算上限；三是测量精度，量子态不可克隆，测量保真度、信噪比等因素决定了最终能获取的有效信息量。
目前主流的技术路径有哪些？
目前市面上主流的技术路线包括超导、离子阱、中性原子、光量子和硅自旋等。例如，在量子态制备方面，超导路线的Google和IBM实现了72至100个量子比特阵列的初始化；中性原子路线中，清华大学团队实现了1000多个钙离子的捕捉和波色-爱因斯坦量子相干光操控。
量子计算产业链现状及商业模式如何？
量子计算体系是一个分层系统的全栈架构，产业链上下游分别涉及物理环境构建、测控接口、任务调度管理、云端接入开发以及算法验证应用。商业模式上，目前主要分为卖算力（云服务）、整机销售和政府合同三种形式，但尚未出现大规模商业化的杀手级应用，商业化进程还处于早期阶段。
量子计算未来发展的方向是什么？
未来量子计算将与人工智能融合，AI将在量子计算的运维控制、纠错校准、用户接口层等方面发挥重要作用，同时量子计算也会逐渐融入现有算力环境，提供特定领域的小部分人所需的大量计算能力，随着科技成熟最终占据更通用的应用场景。
量子计算在AI领域的具体应用是如何实现的，以及未来的发展趋势是什么？
量子计算可以为AI提供底层数据模型算法支持，在物理化学体系等领域中，如化学反应过程中的沉淀、断键及电子原子轨道能级跃迁等复杂过程，经典计算无法模拟，而量子计算能实现高保真的模拟生成高价值、经典计算无法模拟的数据，供经典AI进行推理和训练。此外，量子计算还能替换AI模型进行预测和生成结构判定，有效提高实验效率和准确性。未来量子计算的发展趋势包括多路线融合、异构集群、国产化紧迫、空乘负AI的跃迁和数学等基础研究的重要性，其中涉及多路线技术的共同发展，异构平台的跨平台任务调度，以及自主可控技术在量子计算机国产化中的必要性。
物理AI如何改变传感器、存储系统和计算架构的技术需求，以及未来几年可能会出现哪些转化为真实订单和规模化市场的性能指标或系统能力？物理AI的发展将如何影响传感器、存储系统和计算架构的需求变化？
物理AI在推动AI进入机器人、智能驾驶、智能终端等真实场景时，对传感器、存储系统和计算架构提出了新的要求。从存储视角来看，物理AI需要降低存储器功耗、提供更低延时的数据读取和保存服务，并确保在高比例情况下稳定可靠地响应。例如，在自动驾驶领域，对存储端实时性的需求尤为严格。同时，物理AI将带来大量用户数量的增长，用户与产品的互动也将增加，使得传感器数据得以更好地收集并应用云端顾问型管理。在传感器领域，通过感算一体的方式减少数据传输瓶颈，实现事件型传感，即只传输关键事件信息，而非所有数据，从而减轻后端处理压力，并对硬件架构进行革新。物理AI的发展将显著增加传感器的数量，用户与产品的联系将更加紧密，数据收集和云端运算的需求也将大幅增长。这要求存储系统具备更低的延时和更高效的数据处理能力，以满足边缘计算和实时决策的需求。同时，传感器行业将更加注重减少数据传输瓶颈，推动感算一体的发展，即传感器在本地完成初步计算后再传输关键信息，而非全部数据，从而提高整体效能并减少能耗。此外，对于硬件架构的革新也提出了更高的要求，以适应物理AI时代对实时性和数据处理效率的需求。
在低功耗模式下，传感器如何适应AI应用的需求并降低功耗？
在低功耗模式下，如在睡眠监测场景中，麦克风负责叫醒用户，加速度传感器则用于推醒用户。未来传感器将更加高精度和复杂，但如何避免功耗提升或利用AI技术进一步降低功耗是一个挑战。通过优化算法和智能感知，使得各类传感器能在保证功能的同时减少能量消耗。
AI与传感器结合为何对行业既是挑战也是机遇？
AI技术的发展使得机器人能像人一样认知和理解世界，但具体要达到何种理解程度（宏观尺度还是微观尺度）尚待探讨。传感器在获取大量复杂数据时，经典计算可能面临处理难题，而量子计算可以加速处理组合优化和量子模拟等问题，因此，在传感器与AI结合方面存在巨大潜力和机遇。
量子传感在AI时代中的商业化落地前景如何？
量子传感作为量子科技赛道中相对成熟的领域，商业化进程较快，已有相关公司申请科创板上市。由于量子传感器能够捕捉到微纳尺度的细节和扰动信息，以及处理海量复杂数据的能力，它在AI时代具有重要的爆发点。
AI agent智能体的发展趋势及面临的技术瓶颈是什么？
AI agent已从单轮问答发展为具备长期记忆、任务规划和多工具调用的统一执行智能系统。随着上下文长度增加，agent需要处理复杂的任务调度、数据搬运和计算资源调用等，这可能暴露出存储数据多样性、访问模式随机性以及数据冷热区分等问题。此外，针对多任务流和资源配置优化，量子算法可能提供超越经典算法的解决方案。
在AISSD的应用场景中，它是否只局限于数据中心，还是会扩展到其他领域，比如边缘计算或物联网等场景？
AISSD的应用确实无处不在，不仅在数据中心有重要作用，也会在边缘计算、物联网等领域发挥其差异化需求的优势。随着技术的发展，AISSD将在各种各样的场景下得到广泛应用。
对于AISSD的爆发点或增长点，您认为会出现在哪些场景？
目前的一个爆发点是在文声多媒体和蚊声视频处理方面，尤其是视频生成过程对GPU显存消耗大的场景。通过AISSD进行数据调度和预处理/后处理加速，可以有效降低峰值和平均显存占用，并提升视频生成速度。
在AI和量子计算融合的两条路径中，哪一条更有可能率先产生可验证的实际商业价值？
在当前时间节点，通过AI智能体（如AF for AI）辅助量子计算机系统完成参数校准和建模等任务，以及利用量子计算处理AI中的第一性原理模拟，可能是更易产生可验证商业价值的方向。
传感器企业转型为智能感知方案提供商，在AI时代下这一转变的价值提升空间和技术难点在哪里？
传感器企业转型的核心价值提升在于多传感器融合应用的深度提升，包括更精确的算法特性、对不同传感器特性的深入了解以及方案性价比的优化组合。技术难点主要包括对各类传感器物理特性的精准把握、多传感器融合算法的优化以及软硬件协同能力的构建。