2、技术路线风险：不同架构的技术成熟度评估、制程工艺风险（先进制程 vs 成熟制程）、算力与功耗的平衡陷阱

做AI芯片投资，技术路线这块儿，我吃过不少亏。说白了，选错了架构，投进去的钱基本就打水漂了。今天咱们就掰开揉碎聊聊，技术路线风险到底怎么看。

2.1 不同架构的技术成熟度评估

AI芯片的架构，目前主流就那么几种：GPU、FPGA、ASIC，还有最近很火的存算一体架构。每种架构的成熟度天差地别，投资逻辑也完全不同。

我个人习惯，先看这个架构有没有大规模量产过。没量产过的，风险系数直接拉满。举个例子，GPU架构已经迭代了十几年，生态成熟，软件栈完善。你投GPU，赌的是市场份额和成本控制，而不是技术能不能跑通。

但ASIC就不一样了。我见过不少团队，PPT上吹得天花乱坠，说自研架构能吊打英伟达。结果呢？流片回来发现功耗压不住，或者算子覆盖率不到60%。嗯，这种项目我一般直接pass。

你想想看，为什么很多投资人一听「存算一体」就摇头？不是技术不好，而是商业化路径太模糊。我在2019年看过一个存算一体项目，团队背景很强，但问他们「客户怎么用你的SDK？」答不上来。最后我没投，后来那家公司果然转型了。

2.2 制程工艺风险：先进制程 vs 成熟制程

制程工艺这块儿，是AI芯片投资里最容易踩的坑。先进制程听起来高大上，但背后的风险，没做过芯片的人根本想象不到。

先看一组数据：

我曾经遇到一个项目，团队坚持要用5nm制程做边缘芯片。我问他们：「你们的目标功耗是5W，用12nm完全够用，为什么要上5nm？」他们说为了「技术领先」。结果呢？流片三次才成功，融资烧光了，最后被收购。说白了，先进制程不是万能的，你得看应用场景。

这里有个判断方法：如果团队说要做「云端训练芯片」，那7nm/5nm是必须的，因为算力密度要求摆在那儿。但如果做「端侧推理芯片」，28nm甚至40nm都够用，关键是功耗和成本控制。

2.3 算力与功耗的平衡陷阱

算力和功耗，是AI芯片设计里最经典的矛盾。很多团队喜欢堆算力，动不动就说「我们的芯片算力达到100TOPS」。但你一问功耗，300W。嗯，这种芯片除了放在机房，哪儿都用不了。

我习惯用一个指标来衡量：能效比（TOPS/W）。这个数字低于10的，基本不用看。为什么？因为现在主流竞品都在20以上，你低于10，客户凭什么选你？

这里有个陷阱，很多团队会跟你玩数字游戏。他们说「峰值算力100TOPS」，但那是INT4精度下的数据。实际部署用INT8，算力直接腰斩。再考虑稀疏化，实际有效算力可能只有标称值的30%。

我记得有个项目，创始人信誓旦旦说他们的芯片能效比做到50 TOPS/W。我仔细一看，他们用的是7nm工艺，但只跑了1GHz频率，电压压到0.6V。这种「极限省电模式」下测出来的数据，实际产品根本没法用。因为芯片在真实场景下，不可能一直跑在最低电压。

还有一个容易被忽略的点：功耗墙。很多芯片标称功耗5W，但那是「平均功耗」。实际运行AI模型时，会有瞬间电流尖峰，可能冲到10W甚至15W。如果散热设计没跟上，芯片就会降频，算力直接打折扣。我在项目中遇到过，某款边缘芯片，标称4TOPS，实际跑模型时因为过热降频，只能跑到2.5TOPS。客户投诉了一大堆。

所以，看算力指标的时候，一定要问清楚：

• 这个算力是在什么精度下测的？（FP32/FP16/INT8/INT4）
• 持续算力是多少？（不是峰值，是能稳定跑30分钟的）
• 功耗是芯片级还是系统级？（系统级功耗通常要加30%-50%）

最后说一句，技术路线风险的核心，不是技术本身好不好，而是技术跟市场是否匹配。再先进的技术，如果成本降不下来、生态建不起来，那就是实验室里的玩具。我见过太多「技术完美、市场为零」的项目了。

好了，技术路线风险这块儿，核心就是这三板斧。下次看项目的时候，记得拿这个框架去套一套，能帮你过滤掉不少坑。

公众号:蓝海资料掘金营，微信deep3321