聆思科技在卖出1.5亿颗芯片后，正全力押注AI推理芯片。在WAIC 2026大会期间，聆思市场副总裁韩超阳指出：终端设备天然受限于功耗、成本、散热、体积等条件，AI终端的竞争不是比峰值算力，而是比有效算力。传统通用NPU标称算力可能高达几百T，但运行大模型时的实际算力利用率往往只有30%至50%。根据大模型底层原理原生设计的NPU，能将利用率提升至70%至80%。
标称算力与有效算力的认知革命
聆思提出的有效算力概念，正在改变AI芯片行业的评价标准。过去，行业习惯用TOPS（每秒万亿次操作）来衡量芯片能力，就像用CPU主频来衡量电脑性能一样。但这种指标忽略了芯片与模型之间的匹配度。管理学中的有效性理论指出，效率（做事情的速度）和效能（做对的事情）是两个不同维度。标称算力衡量的是效率——芯片理论上能做多少次操作；有效算力衡量的是效能——芯片实际运行大模型时能产出多少有效计算。聆思的认知革命，本质上是从效率思维转向效能思维。
端侧推理市场的战略机遇
随着AI Agent和智能终端快速发展，AI竞争的重点正从云端训练转向终端推理。这一转变为芯片企业创造了新的战略机遇。云端训练芯片市场已被英伟达主导，但端侧推理芯片市场尚未形成稳定格局。聆思选择在这个窗口期全力投入端侧推理芯片，符合管理学中的先发优势理论——在技术范式转换期，率先押注新范式的企业有机会建立难以撼动的竞争壁垒。
从卖芯片到卖解决方案的商业模式升级
聆思卖出1.5亿颗芯片的历史，证明其在传统芯片市场已有深厚积累。但AI推理芯片不仅是硬件产品，还需要配套的模型适配和优化服务。这意味着聆思的商业模式需要从卖芯片升级为卖芯片加模型适配的解决方案。管理学中的解决方案战略理论指出，当客户需要的不是单一产品而是整体方案时，企业必须从产品提供商转型为解决方案提供商。这种转型对企业的软件能力和服务能力提出了更高要求。
启示
聆思的端侧推理战略为芯片企业提供了重要启示：第一，在AI时代，芯片评价标准正在从标称算力转向有效算力，企业应围绕模型实际性能而非理论峰值来设计产品；第二，端侧推理是AI芯片的蓝海市场，技术范式转换期为后来者提供了弯道超车的机会；第三，芯片企业的商业模式需要从硬件销售向解决方案服务升级，模型适配能力将成为核心竞争力。
从中国半导体产业自主可控的角度来看，聆思的端侧推理芯片战略也具有战略意义。当前，云端训练芯片市场被英伟达垄断，国产替代难度极大。但端侧推理芯片市场相对分散，技术门槛虽然不低，但尚未形成寡头格局。中国企业如果在端侧推理领域建立优势，可以以此为跳板逐步向云端训练芯片延伸。这种农村包围城市的路径，可能是中国半导体产业自主可控的现实选择。
此外，聆思提出的有效算力概念也对AI芯片行业的营销模式提出了挑战。过去，芯片企业习惯于用TOPS数字来吸引客户和投资人，就像手机厂商用跑分来展示性能一样。但如果客户发现标称算力与实际性能严重不匹配，信任危机就会随之而来。聆思敢于直面这一行业痛点，说明其对自身技术的有效算力有充分信心。这种以客户实际价值为导向的产品设计理念，值得整个行业学习。
从技术路线竞争的角度来看，聆思押注端侧推理芯片还揭示了一个更深层的产业趋势——AI芯片市场的垂直分化。在云端训练市场，通用GPU的规模经济优势使得英伟达几乎垄断了市场。但在端侧推理市场，不同应用场景对芯片的需求差异巨大——手机需要低功耗，汽车需要高可靠性，IoT设备需要超低成本，工业设备需要高实时性。这种需求多样性为专用芯片创造了空间，也使得端侧推理芯片市场不太可能像云端训练市场那样形成单一寡头格局。聆思选择端侧推理赛道，不仅是因为技术机遇，更是因为市场结构允许多个赢家共存。
从产业链协同的角度来看，聆思的端侧推理芯片战略还面临一个现实挑战——与模型公司的生态对接。端侧推理芯片的价值取决于它能运行多少种主流大模型，而这需要与模型公司进行深度适配。管理学中的平台生态理论指出，一个新平台要成功，必须吸引足够的互补者。聆思需要说服模型公司为其芯片进行适配优化，这在早期是一个先有鸡还是先有蛋的困境——模型公司需要看到足够的芯片出货量才愿意适配，而芯片出货量又依赖于模型生态的丰富度。
其他思考
聆思的有效算力优势能否持续？当传统芯片巨头也开始优化大模型推理效率时，聆思的差异化还能维持多久？此外，端侧推理芯片的商业模式是否比训练芯片更容易盈利？推理芯片的客户群体更分散、订单更碎片化，这对销售和供应链管理提出了不同要求。这些问题将决定聆思能否在端侧推理市场站稳脚跟。
关键词
端侧推理、有效算力、AI芯片、算力利用率、聆思科技、先发优势
资料
原文链接：https://www.rcbom.com/aibps/5745.html
