摘要

节目把英伟达对 Groq 约 200 亿美元的交易安排，解读为对“实时推理”阶段的重注，而非单纯买人才或扼杀对手。 杨斌指出，按节目中的估算，这笔钱约为英伟达全年现金流的四分之一至三分之一；英伟达前三季度现金流为 560 亿美元，因此这是动用家底的一笔大钱。交易补上了 Grace CPU、Rubin GPU、Mellanox DPU 之外缺失的实时推理板块，也契合其自 2025 年起向智驾、机器人等具身智能场景延伸的第二增长曲线。
杨斌对架构的判断极其明确：LPU 是推理领域“最合适的一种架构，没有之一”。 节目援引 Groq 的商业进展作为旁证：2024 年收入约 9,000 万美元，2025 年预期约 5 亿美元，客户覆盖 Meta、沙特及挪威算力中心，云端注册用户约 250 万；英伟达愿意吸收其知识产权与核心团队，被视为成熟的战略决策。
LPU 真正能卖钱的不只是绝对短时延，而是绝对短时延和长期稳定的短时延。 杨斌援引 Groq 在 2024 年 Hot Chips 会议上发布的比较：14nm 芯片对 4nm H100，时延约为六分之一、功耗三分之一、成本四分之一，并由 Groq 宣称整体能效高 10 倍。“一会儿快一会儿慢”在聊天机器人上伤体验，在自动驾驶中则可能直接决定场景能不能成立。
Groq 九年后走红，核心不是技术突然变好，而是模型、应用与商业成本开始共振。 杨斌认为，DeepSeek 之后，30B—70B 已成为大量应用的“甜点”，模型能力与相对成本都跨过了可用门槛；当行业从试点、炫技进入规模部署，功耗、成本和稳定时延才从可忽略项变成利润来源，“技术远远领先于产业周期，你就会成为先烈”。
推理市场不会简单复制训练市场的一家独大，端侧与边侧的长尾会容纳多架构、多尺寸和多家公司。 穿戴设备、相机、汽车、边缘一体机和具身智能对性能、功耗、成本的取舍不同，不可能由一个“唯一的六边形战士”包办；中国公司的结构性优势来自靠近消费电子供应链和客户，以及擅长多维度快速迭代。
技术分水岭在于，CPU、GPU、NPU仍属于同一技术体系的演进，而LPU则用确定性硬件数据流打破共享内存主导的数据交换方式。 CPU 到 GPU 是计算范式从标量转向矩阵、矢量；节目将 NPU 概括为传输范式的优化；LPU 则像生产线或回转寿司，让数据沿固定方向持续流动，以较低灵活性换取高利用率、低功耗和可预测时延。
源创微的下注是“LPU Plus”：短期重构传统硬件，长期指向具身智能。 杨斌称实验室成本、时延结果与 Groq 数据“极度吻合”，但产品不会复刻 Groq，而会叠加团队二十多年大芯片、软件和市场经验；他的创业触发点是 2025 年春节读完 DeepSeek 论文后意识到“大模型真的不是泡沫，已经可以用了”，因此选择做一件“难，但是正确的事”。

精读

1. 这笔 200 亿美元交易押注的是产业下半场

杨永成先摆出市场流行解释：英伟达可能为了扼杀潜在竞争者，或为了 Groq 创始人 Jonathan Ross 的 TPU 背景而出手。杨斌先说明接下来只是个人判断，随后回应称，前一种说法“相对比较狭隘”。
交易规模是其判断起点：节目口径约 200 亿美元，而英伟达今年前三季度现金流约 560 亿美元；按全年保守估算，这笔交易可能占其全年现金流的四分之一至三分之一，“这是动用家底的做法，是一笔大钱”。
杨斌把它放进 AI 产业阶段看：上半场比模型参数、上下文和 benchmark，下半场则是应用兑现模型价值；英伟达选择推理公司，说明其判断推理已成为下一阶段核心算力需求。
杨永成据此归纳：英伟达既认可 LPU 路线，也预期推理市场会迅速放量，希望尽快取得类似训练市场的领先地位，把其他玩家“远远抛在后面”。

2. Groq 补上了英伟达实时推理的能力缺口

杨斌列出的版图是 Grace CPU、Rubin GPU 与来自 Mellanox 的 DPU：这套组合已经覆盖云端超节点训练，但走向端侧、智驾、机器人时，还缺少实时推理这一块。
从 2025 年开始，杨斌观察到英伟达逐渐由训练侧向推理侧移动，并把具身智能视作第二增长曲线；Groq 的 LPU 因而不是孤立收购，而是“完善了自己整个竞争力的版图”。
对 Groq 而言，加入英伟达是获得再一次发展、甚至提升自身能力的机会：先进制程、封装、IP、产品组合和工程能力，都能加速原架构迭代。节目后续看到的信号是，核心团队进入英伟达产品开发，LPU 被放到“实时推理”基石位置。

3. 商业收入证明 Groq 已不只是架构实验

杨斌给出的经营数据是：Groq 2024 年收入约 9,000 万美元，2025 年预期应能达到约 5 亿美元；他同时表示不知道当前数据是否已经变化，并据此判断，英伟达做的是“非常成熟的决定，不是非常冲动的决定”。
Groq 的客户被分成三类：Meta 等美国大厂，沙特国家算力中心和挪威算力中心，以及云端散户和小企业；其云服务注册用户约 250 万。
这也改变了“恶意收购”的解读：能够被英伟达当作竞争对手，本身已是对 Groq 的高度认可，但节目更强调其收入增长、实时推理能力与英伟达战略需求的共同作用。

4. “收购 TPU 人才”经不起时间线检验

杨斌承认 Jonathan Ross 是 TPU V1 的主架构师，常被称作“TPU 之父”；但那是 2016 年的事情，他随后离开谷歌并独立开发 Groq LPU，时间已经接近十年。
他的反问是：如果目的只是 TPU 人才，英伟达直接去谷歌找即可。杨永成补充说，TPU 已发展到 V7，和 V1 发生很大变化；更关键的是，TPU 兼顾训练与推理，LPU 则是完全不同的“两个物种”。
杨斌提出另一种可能解释，但明确只是其理解：知识产权、团队和品牌分置的安排或与美国反垄断约束有关。杨永成以 Intel 需要 AMD 继续存在作类比——Groq 品牌及云业务仍可独立经营，核心人员则加入英伟达。

5. LPU 等了九年，等到的是产业与技术共振

杨斌的警句是：“当你的技术远远领先于产业周期出现的时候，你就会成为先烈。”Groq 不是研究机构，技术再强也必须形成商业闭环；此前推理量太小，用 GPU 已经够用，另开一套体系反而算不过账。
转折来自模型能力和成本同时跨过门槛。节目认为，从 DeepSeek 引发关注之后，30B—70B 模型成为大量应用的甜点区间，“基本上我们想象的事情都能做”。
杨永成把过去称为试点式应用：解决有无和新鲜感，多等 0.几秒、功耗高一点都能接受；真正进入千家万户后，成本、电费、时延和体验都要精打细算，专为推理优化的 LPU 才显示价值。
两人用一句俗语概括 timing：“早起的鸟儿有虫吃”，但也可能是“早起的虫儿被鸟吃”。如果推理市场当时再晚五年，Groq 可能仍只是一项有远见却难以兑现的技术。

6. 稳定短时延决定的不只是体验，而是场景能否成立

杨斌强调，LPU 的亮点不只是绝对时延短，而是能长期提供稳定的短时延。人与机器人对话时，反应太慢令人出戏，忽快忽慢同样破坏交流节奏。
杨永成把这个逻辑推到自动驾驶：算力输出一会儿快、一会儿慢，会让车辆控制风险不可接受。因此，确定性时延“本质上是一个行不行的问题”，并非单纯体验好坏。
消费电子的例子是拍照闭眼：今天可以在 PC 或高端手机上后处理，把闭眼改成睁眼；若实时推理足够快，相机按下快门时即可直接生成睁眼、笑眼版本，把后处理能力变成能直接产生价值的新功能。

7. 14nm 对 4nm 的比较揭示了架构红利

杨斌援引 Groq 在 2024 年 Hot Chips 会议上发布的数据：以 Groq 自有架构的 14nm 芯片对比英伟达 4nm H100，时延约为六分之一、功耗三分之一、成本四分之一，并由 Groq 宣称整体能效高 10 倍。
这些指标尤其适合边缘端与消费端产品，因为这些场景同时关注成本、功耗和实时体验。杨永成半开玩笑说，这已经可以拿来做他的“梦中照相机”。
源创微的实验室结果在成本、时延上与 Groq “极度吻合”。杨斌没有把目标停在复刻，而是称团队做了大量新迭代：“这个量级一定是可以卖钱的”，并有信心在最终产品上做得更好一点。

8. LPU 是从共享内存体系中长出的“新物种”

杨斌从冯·诺依曼体系讲起：CPU 用共享 memory 作为交换中心，以指令和可编排的数据流换取通用性；即便做 AI 也可以，只是效率不优。
GPU 没有改变这套数据交换本质，而是把 CPU 的标量计算扩展为矩阵和矢量计算，形成 Tensor Core、Vector Core。杨斌随后以在处理器之间增加“特殊通道”解释一类传输优化，并指出 NPU 与 GPU 的相似度较高，未深入展开。
LPU 则取消公共共享 memory，让数据沿固定方向流动，是确定性的硬件数据流架构。杨斌的类比是从不会转的满汉全席，变成回转寿司：“你想要的东西就在你面前。”
杨永成换成组织比喻：GPU 像教授带一群都能干各种活的博士，灵活却有调度损耗；LPU 像生产线，每个工位只做一件事，产品不停顿地从一端走到另一端，效率和时延因此更可控。

9. 极致推理也意味着主动放弃训练灵活性

杨斌并未说 LPU 不能训练：Groq 早期也“强行去做了训练”，在沙特也有云端业务；但训练技术路径和模型结构变化快，LPU 的灵活性不如 GPU。
当模型稳定后，LPU 的效率和实时性优势会重新显现；模型频繁变化时，则可能需要重新编译。两人的取舍很明确：源创微“抛弃了训练”，把推理做到极致。
这种专用性也意味着不会有一颗芯片包办所有市场：另一些厂商可能牺牲性能，只把功耗做到极致，也依然有客户。“不可能是一个唯一的六边形战士来解决所有的问题。”

10. 高门槛在完整系统，而不只是一张芯片图纸

多核 CPU、GPU 可以复制大量相同核心，LPU 流水线的每个环节却不同，必须分别设计、验证、优化并处理衔接；其硬件工作量因而不是简单堆核。
软件挑战同样集中：客户希望沿用熟悉的模型库和开发体验，但编译器又必须理解全新的非冯·诺依曼架构。既懂处理器、又懂编译器和 AI 架构的完整团队，“非常难得”。
Groq 作为先驱已经趟过许多坑，但早期缺少市场反馈，迭代速度受限。节目还提到业界对其大量使用 SRAM 的批评，涉及功耗、成本和晶圆面积。
杨永成认为，中国团队的机会不在照着巨人原样追赶，而在于靠近消费电子客户，以积累的技术、量产经验和需求反馈重新设计；源创微因此把自己的路线称为“LPU Plus”。

11. 中国机会来自长尾市场与传统硬件重构

杨斌判断，推理仍是偏蓝海市场，但需求一旦放量会很快转红；端侧覆盖穿戴、相机、汽车、边缘一体机和具身智能，不同模型尺寸与功耗约束会催生多种架构和多家公司。
中国的结构性优势是离供应链和客户更近，也更擅长高频、多维迭代。长期“星辰大海”是具身智能，短期落点则是“传统硬件的重构”：把只会识别猫狗、摔倒的分类器，升级为具备内容生成能力的系统。
杨斌创业的明确 moment 是 2025 年春节。读完 DeepSeek 论文后，他的第一反应是“大模型真的不是泡沫，已经可以用了”；在此前扫描 GPU、NPU、LPU 等路径的基础上，他终于确认应用爆发周期已到。
这笔超亿元天使轮融资还吸引了两家上市公司产业资本。杨斌把最终选择概括为博采众长的 LPU Plus，但更看重一句判断：“LPU 是一件难，但是正确的事。”

大脑不过是彼此对话的专业化智能体——Dr. Jeff Beck Harry Stebbings：为20VC募资4亿美元与53封冷邮件