跳转至

孟子立：15 岁上清华、23 岁当港科大教授，做"无线 GPU"WiCi（月球大叔，2026-07-28）

⚠️ 字幕轨说明：fetch.py 取到的是频道提供的 zh-Hans 人工字幕轨，但内容是英文（该频道对中文访谈提供英文配音/字幕）。因此转录稿全文为英文，本页引用为中译转述，引号内为对英文原文的翻译而非中文原话。人名以英文字幕拼写为准：Zili Meng（孟子立）、Jun Bi（毕军）、Mohammad Alizadeh、Hongzi Mao、Zexiang Li（李泽湘）。

本库第一份"网络系统"视角的 AI infra 素材——此前的中方 infra 主来源（朱邦华/SGLang、江鋆晨/LMCache、游凯超/vLLM）讲的都是数据中心里的推理引擎，这期讲的是把 GPU 从设备里搬出去、用 Wi-Fi 当 PCIe 用。两条最值得记的：WiCi 实际上是在重新定义一种"CPU 与 GPU 之间是弱链路"的计算机体系结构；以及为什么非文本本地数据会成为端侧算力的下一个需求来源。

说话人映射（据补做分离的 speakers.md；转录稿本身无标签，此处认人属 wiki 层编辑判断）： SPEAKER_01 = 孟子立（嘉宾，70.6%）、SPEAKER_00 = 月球大叔（主持，29.4%）。 依据：SPEAKER_01 的高纯度块是嘉宾一手经历（[00:42:20] 向 SIGCOMM 提案不再投论文；[01:12:35] WiCi 用 ODM 不自造硬件）； SPEAKER_00 为复述/点评方（[00:23:11]"You compared the options and realized that staying at Tsinghua…"）。

核心观点

WiCi：把 PCIe 换成 Wi-Fi

  • 一句话定位："任何终端——手机、笔记本、甚至眼镜——只要支持 Wi-Fi，就能连上这个无线 GPU，并认为自己本地就有一块 GPU。"（[00:59:27]）
  • 不需要改应用：拦截的是驱动层/API 层的函数调用，捕获后发到远端机器执行。应用看到的就是一块本地 RTX 5090，"它可能会奇怪 MacBook Air 或低端 ThinkPad 怎么会有 5090，但它不在乎"（[00:59:27]–[01:00:29]）。实现上是 Wi-Fi 驱动 + GPU 驱动两层。
  • 起点是游戏不是 AI（[00:58:27]）：2024 年《黑神话：悟空》带来的动因。他在腾讯做过云游戏，复盘云游戏为何长不大——云游戏/云电脑/云手机的前后端都在云上，云把视频传回来，这对互联网的可靠性要求极高，而互联网是 best-effort 网络，无法保证。所以 2024 年换了个问法：前端留在本地，只把计算卸载出去。
  • 物理约束是根：笔记本装不下 RTX 5090——近 600 瓦、3 公斤；手机更不可能。移动设备永远受功耗与重量限制，算力因此受限（[00:59:27]）。而不移动的设备功耗可以一路上涨：3090 → 4090 → 5090，从 300 瓦涨到 600 瓦，"算力增长的空间远大于移动端或端侧芯片"（[01:03:30]）。
  • "remote"要多远：云游戏里是边缘数据中心，但他们发现一旦流量跨公网性能就急剧劣化；所以最终形态更像一台 Wi-Fi 路由器——在附近物理区域内、可能只有一跳、距离很短（[01:00:29]–[01:01:29]）。
  • 名字的意思：把 Wi-Fi 的 Fi 换成 Ci——Wireless Computing Infrastructure，野心是"最终替代千家万户的 Wi-Fi 路由器，成为到处部署的算力路由器"（[01:07:34]、[01:10:35]）。

⚠️ 最硬的一段：这是在重造一种计算机体系结构

这是本期技术含量最高、也最值得本库单独记的论证（[01:12:35]–[01:13:35]）：

  • 正常情况下 GPU 怎么连设备？PCIe。PCIe 提供数百 Gbps 带宽和微秒级延迟。"我们实际上是在用 Wi-Fi 替代 PCIe，带宽和延迟都差好几个数量级。"
  • 他们因此"事实上定义了一种新的计算机体系结构：CPU 与 GPU 通过弱链路而非强链路通信"。
  • 这个问题历史上被解决过——二十多年前、PCIe 出现之前就存在；PCIe 出现后通信基本不再是主要问题，研究者逐渐离开（数据中心里仍是问题，但消费级主板上不再是）。"我们等于把这个问题重新提了出来，这也提示了解法：把计算机体系结构几十年积累的知识和洞见，拿到这个新场景下重新优化——缓存、预测、调度，把这些成熟技术都用上，系统就可能跑起来。"
  • 为什么从游戏切入：游戏是最吃 PCIe 带宽、最吃低延迟的应用之一，2024 年的项目里这是他们解决的第一个问题（[01:12:35]）。

需求侧的第二条论证：非文本本地数据

这是他给"为什么端侧/本地算力需求会爆发"的第二个理由，与机器人无关（[01:01:29]–[01:02:30]）：

  • agent 正在从聊天机器人（少上下文、少记忆）走向处理本地文件，但目前处理得很浅——文件名、accessibility tree、一些元数据而已。
  • coding 之所以先成功，是因为每个文件都是纯文本，本地 grep 就能处理。（他点名 Cursor、Claude Code、Codex）
  • 非 coding 领域的区别就在这里：PPT、Word、视频、图像怎么办？难道给每个文件都做 embedding？开销会极其巨大——谁本地没有 100 GB 文件？
  • 结论：未来会有大量必须在本地跑的工作负载，就像机器人一样。
  • 主持人给的用户侧印证：视频工程动辄几百 GB，"上传到云或某个远程 Codex 环境根本不可接受"；但如果家里有个能跑开源模型做画质增强、选片剪辑的小型家庭数据中心，他会买（[01:01:29]）。

机器人与"算力外包"

  • "我们希望不止于机器人——每台设备都可以把计算卸载出去"（[01:03:30]）。
  • 对机器人的具体判断：机器人现在带 Jetson Orin、将来是更强的 Jetson Thor，但受功耗限制，永远比不上 RTX 5090/6090 或专业 GPU。所以他很想和机器人公司一起探索：如果可用算力变大 10 倍、100 倍，能拿到什么增益（[01:03:30]–[01:04:31]）。
  • 目前状态很诚实：只是"开始接触一些公司、有过几次初步对话"；并且直说"我不知道投资人会怎么想，但作为一个纯粹的研究者，我相信这有真正的未来"（[01:04:31]）。

市场路径与护城河

  • 长期 B2C，短期"大 C 小 B"（[01:07:34]–[01:08:35]）：最终要进千万家庭替代路由器；但短期入口不是普通消费者，而是视频剪辑师这类专业用户、以及愿意尝鲜的技术型爱好者，或小型剪辑工作室这种小 B。他引 YC 的说法：先找一小群死忠用户，再逐步扩张。
  • ⚠️ 一句很清醒的自我限制："很多场景不等于很多应用，很多应用不等于愿意付费。"作为方案提供方，只能一边和 go-to-market 一起试、一边迭代（[01:08:35]）。主持人追问他做 founder 才多久怎么这么快得出这个洞见，他答"因为我们踩过的坑够多了"。
  • 被大厂抄了怎么办（[01:11:35]–[01:12:35]）：最现实的答案是快。"起步早是我们唯一真正的优势。"对成熟公司来说进这个领域需要战略决策，不是一个自下而上的团队能轻易推动的。硬件会被抄（"我们本来就用 ODM，硬件不是我们造的"），但如果系统性能远好于对方就够了；长期靠生态伙伴和对应用带去的价值，"但短期，性能就是一切"。
  • 技术护城河的自我定位：最底层——驱动层与推理层（推理 kernel、推理引擎、Wi-Fi 驱动、GPU 驱动）。其余"能卸载的卸载、能外包的外包"：硬件交 ODM（没有大硬件团队），应用交开发者社区——"机器人开发者比我更懂拿更多 GPU 算力能干什么，我为什么要假装比他们更懂他们的领域？"（[01:10:35]）
  • 生态不能人造："我不认为你能刻意制造一个生态。它只在人们觉得有用时才出现。"愿景很宽，但"十个设想里哪怕一个被证明有用，我就觉得对社会有贡献了"（[01:11:35]）。
  • 供应链的两条一手经验（[01:14:36]–[01:18:38]）：
  • 深圳的优势是迭代速度：盒子里线缆兼容性、板型这些问题，"线不合适或空间不够，一小时内快递就能送来新型号的线"，硬件迭代效率极高。
  • 最大的困难是量小——量小就无法自下而上推动任何事，只能靠自上而下的资源和熟人介绍。
  • ⚠️ 最大的坑是 GPU 价格波动：产品里含顶配 GPU（消费级最好的算力就是 RTX 5090），"大家最近都看到英伟达又调价了"，对产品影响很大；事后看应该多囤货、签长期协议（[01:17:37]–[01:18:38]）。

AI 眼镜作弊器：一个"主动失败"的案例

  • 起因很具体：2025 年春他监考自己教的《计算机网络原理》，看到一个学生戴墨镜，因为自己就做 AR/VR 和可穿戴，就去看了一眼——不是 AR 眼镜。"那好，没问题，那我自己造一个，看看能不能真的戴 AR 眼镜进考场。"2025 年 7、8 月开工（[00:50:26]–[00:51:27]）。
  • 不是拍照上传给 GPT 那么简单——眼镜视场很宽（上下左右），试卷只占画面一小块，角度不对、分辨率差；还要快速返回答案并与页面上的题对齐，所以是超低延迟视频传输问题，与他一贯的实时通信研究同源（[00:51:27]–[00:52:27]）。
  • 为什么没做成公司：投资人看得到价值，但做下去发现瓶颈在硬件封装——眼镜是高度集成的电子设备，难点是续航。评估下来只有三款眼镜能支撑他们的系统：Rokid、Meta Ray-Ban Display、以及 Brilliant Labs 的一款，而电池只有 200 mAh 左右，续航极差。"这显然不是我擅长的领域，所以我们停了。但从产品角度回头看，能识别一个产品、找到它的瓶颈、并认清自己的强项在哪，这个过程我觉得非常有意思。"（[00:52:27]–[00:53:27]）
  • 他的立场不是要毁掉考试制度："我们主要想证明可行性。更重要的是，如果这种产品真能用，那我们就得重新思考人该怎么学习、教育该怎么运作。就算我们不做，别人也会做，只是几个月的事。"（[00:51:27]）

CallArena：给"和模型打视频电话"建 benchmark

  • 动因：文本交互、图像视频生成、文本理解都有大量 benchmark，但和基础模型打语音/视频电话没有 benchmark（[00:55:27]）。
  • 测试用例来自港科大楼的物理特征——极长的走廊、几十扇办公室门（他形容像《盗梦空间》）：打开几个支持 AI 视频通话的通用 app，从走廊一头走到另一头，然后问"我们刚才经过了几扇门"（[00:56:27]）。
  • 失败机制的诊断：当时多数 AI 表现很差，"它们大概是把每一帧当成独立图像上传给 LLM 或 VLM 处理"；跨帧序列中门牌号可能极小甚至缺失，模型看不到，那它怎么把这些整合成一段连贯的视频？"我也不知道，我不训练基础模型。但我们至少可以评估什么算好、什么算差。"（[00:56:27]）
  • CallArena 就是让用户与不同模型视频通话、A/B 对比并产生排名（[00:56:27]–[00:57:27]）。GPT-4o 视频通话 demo 与 Gemini Live 等当时已发布，他们全测了；目标只是给出更定量的指标。

PhD 与治学（本期的另一半）

  • 网络系统 PhD 训练的核心是"讲故事"：ML 领域有固定 benchmark 和数据集，"听起来更像在解一道给定的课本题"；网络/系统没有单一 benchmark、没有固定问题，每篇论文都得自己定义问题——他觉得这更适合自己，所以离开了 AI 方向（[00:14:07]）。
  • ⚠️ 他对可解释性的自我否定值得记：他在 AI 之后转去做可解释性并发了 SIGCOMM，但"做了一阵才发现，其实大家也不真的在乎可解释性——只要性能够好、排名够高、技术能解决现实问题，它就有实用价值"（[00:14:07]–[00:15:07]）。
  • 底层能力正在贬值（对本库"AI 与就业"直接相关）（[00:16:07]–[00:17:08]）：
  • 他说网络系统研究者过去除了讲故事还有一项本事——贴着硬件写代码，每天写内核代码、驱动代码，门槛高、学习曲线陡。"现在 AI 来了，让模型写就行，这个技能不再那么特别。"所以"讲故事和技术品味可能是网络系统 PhD 仅剩的两项重要素质"。
  • 主持人当场反驳：从硅谷看，这些技能仍然很难获得，"你可以让 Codex 或 Claude Code 写，但指挥它们写出好代码仍需多年功力"，所以今天 ML 系统里薪水最高的常常是深谙这些技能的人。
  • 孟子立坚持自己的判断："这只是时间问题……程序员早就不写机器码、不写汇编了。开发总是走向更方便的方式。AI 只是还没到那个水平，我们处在中间阶段。但这些技能最终会被替代。"（[00:17:08]）
  • ⚠️ 这是本页记录的一处明确分歧，两方并存不做裁决。
  • 选学生的标准每年在变（[00:37:18]–[00:38:18]）：2023 年刚进 Copilot 时代，AI coding 还不强，他在网站上写"加入我们至少要完成过一个 1000 行以上代码的项目"（很多 CS 本科生从没做过）。随着 AI 变强，原始编程能力不再重要，但"系统直觉"仍然必要——那种"我觉得这个路子能解决它"的判断力，正是无 benchmark、需自己定义问题的领域所依赖的。
  • 对"论文该不该继续存在"的具体提案（[00:41:20]–[00:42:20]）：今天作者用 AI 写论文、审稿人用 AI 审、读者用 AI 读，那论文作为文本媒介就没那么重要了。他年初向 SIGCOMM 提了一个提案：别交论文了，交 codebase；给每个审稿人配一个官方 AI agent，想问什么直接对着仓库问——在代码里就是有，不在就是没有；作者则负责维护好仓库、把 README 和内容做得更利于 AI 爬取，"类似 SEO，但更像 generative engine optimization"。
  • 但他给论文留了一个不可替代的价值：帮学生建立信心与身份认同。他讲了自己 2017 年大二时一篇 poster 被湾区的会议接收——除了被认可，还有很直接的好处：清华国家奖学金一年 8000 元人民币且系里只有几个名额，而这趟一周的会议每天 100 美元补助，一周差不多是半个国家奖学金（[00:42:20]–[00:43:21]）。
  • 大学的两个功能：培养与筛选（[00:44:21]–[00:46:24]）。他认为随 AI 推进，培养功能正在削弱，尤其对最顶尖的学生——"大概 20%–30% 的学生不需要教，他们甚至觉得上课浪费时间"，上课做别的作业或干脆翘课"完全正常"。教授的工作是帮更靠后的学生。
  • ⚠️ 他对"AI 作弊"的分类很反直觉：用 AI 抄作业、戴 AI 眼镜进考场的学生，至少在试图解决问题——方法未必被当下社会规范接受，"但你不需要为这些学生担心，他们会在社会上找到位置"。真正需要教育者去够的，是那些明知 AI 就在那里、却连账号都不愿注册去试一下的学生。
  • PhD 阶段最大的错误：只做研究（[00:24:11]–[00:25:11]）。他四年博士在清华本部可能只待了半年到一年：腾讯实习一年、阿里半年、创业公司几个月、CMU 一年。他的论证是博士学位是你的安全网——"一旦开始工作，你可能很少再有勇气离开舒适区去试新东西"。但他也承认这需要极好的运气和能力才能找到支持你往外跑的导师。
  • 不出国读博的边际成本/边际收益计算（[00:20:09]–[00:22:11]）：2018 年申请时正逢贸易战（他那届暑研顺利，但下一届很多清华学生被吊销签证）。边际成本清楚（考 GRE 和语言，近半年）、边际收益不清楚，所以他先去 MIT 暑研亲自验证。结论是"确实更好，但不足以抵掉为申请而放弃的半年研究"。
  • 事后他给自己补了一条没算到的成本：换一所学校会给你一个全新的校友网络——"人开始工作后越来越认识到校友网络的重要性，但学生时期很难体会到"。
  • 他对研究本身的判断则被后来验证：2017/18 年中国机构在网络顶会的完整论文"一两只手数得过来"，如今"中国高校未必主导，但已有非常显著的存在"；当时他在清华组里的感受是"和 MIT 那个组差别不大，如果有的话，国内的人反而更拼"。
  • 导师毕军（2023 年前后去世，享年 46 岁）：他仍在个人主页上保留导师。"清华网络科学与网络空间研究院写过一篇纪念文章，标题大概是《与时间赛跑的人》……我读的时候立刻想起我们相处的每一个细节，全是真的"——一周大部分时间睡在办公室、几天不回家；deadline 若在早上八点，他可能凌晨两点送一轮咖啡、五点再送一轮（[00:30:14]–[00:31:15]）。由此引出他反复强调的长期主义与健康："首先它得可持续。如果只是爆发式地工作，无论如何都撑不下去。"

香港做教授与创业

  • 做教授反而更轻松，理由很具体（[00:48:24]–[00:49:25]）：内地和北美申请经费时人脉常起大作用（他点名"各种 NSF workshop 可能起类似作用"），而香港太小了——每份基金申请都被送到全世界评审，你想靠关系都不知道该找谁，这反倒逼所有人聚焦研究本身。
  • 创业则是另一回事：香港主要是金融中心，隔壁深圳的科技创业活跃得多。他的判断是香港适合与金融紧密相关的创业；否则更该去湾区、深圳或北京——那里技术密度更高、资本更敢投深科技，"或者更重要的是，有懂得欣赏技术价值的人才。香港可能更懂得欣赏金融的价值"（[00:49:25]）。
  • 为什么选港科大：面试时发现系里有位教授是 Atheros（无线芯片公司，后被高通收购）的联合创始人，"那个驱动我用过"；以及港科大的创业文化——大疆是本系一位教授（李泽湘）的学生创办的（[00:34:17]–[00:36:17]）。他当时在香港三所里只申了港科大。
  • ⚠️ 他明确说当教授时没打算创业，选港科大是为了保留更多选项（[00:36:17]）。
  • 看着大模型爆发时的心态波动，他答得很直白（[00:47:24]–[00:48:24]）："说没有就是撒谎。尤其当同届同学在买房买车，而大学教师还在挣扎的时候。"如果同届去了某些工业研究实验室，"现在的年薪可能是你的一百倍"。但他把这归给时机与判断力："那些拿百万美元包的人是靠自己的能力挣来的。他们敢在早期 all in……你只能敬佩。"
  • 2022 年他没看见 AI 的浪潮（[00:32:16]–[00:33:16]）：他 2022 年整年在 CMU 并走完了全套美国教职市场流程，"我甚至试过 ChatGPT，但我还是没看到那个趋势"。他看到的是疫情期间大厂裁员——"1Point3Acres 上每天都是某公司裁了百分之几、明天又是另一家"。他博士开始时的目标本是进工业研究实验室，"但 2022 年那片荒芜"。他还特意提到 朱邦华 几天前在这个节目上说他 2022 年就看见了 AI 的崛起——"很遗憾，我没看见。"

方法论：能力、时机、人脉

  • 这是主持人从访谈中提炼、嘉宾反复确认的三元组（[00:29:13]）。孟子立自己给的最强版本是："你的洞察力和时机感，往往比单纯的努力重要得多。"（[00:13:07]）
  • 阿里的教训是时机的反面教材（[00:27:12]–[00:29:13]）：他在阿里达摩院做延迟更稳定的 Wi-Fi 路由器（Wi-Fi 99% 时候延迟没问题，剩下 1% 抖动很糟）。找场景时的推理链很实用——淘宝直播卡顿不足以让用户换路由器（没有动机，商业模式不成立）；钉钉有动机但太大，小实验推不动；最后找到的场景是 2021 年的在线教育："如果网课一直卡，家长可能有动力买这个路由器。"他到岗三个月后，"双减"政策落地，在线教育行业基本消失，产品没能上线（后来发了论文）。
  • 腾讯的教训是工程与论文的差别（[00:26:12]–[00:27:12]）：在云游戏业务团队学到的是要做能真正上生产的东西，必须考虑每一个细节——"A/B 测试永远覆盖不到的东西、你设计之初永远没想到的东西"，这需要匠人精神。"论文里某个 case 能跑通你就能说它能跑通；上生产你必须保证没有任何 corner case 能搞垮它。"
  • 敢于开口求助（[01:05:33]–[01:06:34]）：他说自己头两年连写 20 份提案只中了一份，"极其痛苦"，由此明白"你坐在那里，没有任何大牛或有资源的人会来帮你，你必须主动伸手"。供应链、硬件、软件、运营、营销乃至联合创始人都是这么一个个凑起来的。"你得脸皮厚……或者用今天流行的说法，小 ego 加强韧性。"他还举了费德勒——世界第一也只赢了 54% 的分。
  • 理解他人的位置（[01:19:38]–[01:20:39]）：他把自己最大的成长归于"性格的持续打磨"（15 岁进大学时心态和性格都不成熟）。"很多人纳闷'那个人为什么不肯和我合作'，很大一部分问题是你没有和他在共同利益上对齐，没有考虑他的立场。"这一条他明确说同样适用于研究：读一篇旧工作时要问作者的立场是什么、它为什么能发表；写作时不能把别人的工作说得一文不值——他可能就是你的审稿人。
  • 墓志铭（[01:24:43]）：他希望被记住的是一件具体的作品而不是人——"人们不需要知道我是谁；但如果有一天他们看到我的墓碑说'哦，这就是发明了 WiCi 的人'，那就够了"。

与本库其它观点的关系

  • 本库 infra 谱系的一个新层：游凯超/vLLM、朱邦华/SGLang、江鋆晨/LMCache 都在数据中心内部做推理效率；孟子立做的是数据中心之外——把 GPU 从终端设备里搬到"算力路由器"里。落点见 AI 算力与基础设施。
  • ⚠️ 与端侧路线的正面张力：阳萌（安克） 主张端侧模型 + 存算一体芯片，即把算力塞进设备；孟子立的前提恰恰相反——移动设备的功耗与重量约束不可突破，所以正确答案是把算力搬出去。两条并存，本库不做裁决：二者对"约束在哪"的判断相同（功耗/重量），对"往哪走"的结论相反。
  • 与"实时性即护城河"同族：Applied Intuition 的"物理 AI 面对真实时钟、只有那么多毫秒"，与本期"用 Wi-Fi 替代 PCIe，带宽和延迟差好几个数量级"是同一约束的两个战场。
  • 机器人算力条线：与同日收录的 Fei-Fei Li & Yunzhu Li 恰好互补——那边说机器人卡在数据和评测，这边说机器人卡在板载算力（Jetson Orin/Thor 受功耗限制）。两条约束都真实，且都指向"把不得不在本地做的事移出去"（一个移到仿真、一个移到附近的算力盒子）。
  • "非文本本地数据"给 AI 商业化与价值捕获 提供了一条新的需求侧论证：coding 先成功是因为文件是纯文本、grep 就够；PPT/Word/视频/图像若都要 embedding，开销无法承受——这与同日 Akshay Nathan 谈 artifacts 与本地文件 是同一现象的产品侧与基础设施侧。
  • "底层技能会被替代 vs 仍然稀缺"的分歧顶到 AI 与就业：这是本库中同一场访谈内主持人与嘉宾当场分歧的少数案例之一，且双方都在一线（一位是港科大教授兼创业者，一位在硅谷观察 ML 系统薪酬）。
  • "论文交 codebase + 给审稿人配 agent"给 评估与 Benchmark 补了一个学术生产侧的提案；而 CallArena 补的是模态侧的空白——本库此前的 benchmark 讨论几乎不涉及实时语音/视频通话。
  • 不出国读博的边际计算是 中美 AI 生态对照 里一条罕见的个体决策层证据：2018 年贸易战直接改变了一届清华学生的路径（下一届暑研签证被吊销），而他的事后复盘把损失定位在校友网络而非研究质量。
  • 香港定位（金融中心、评审全球送审因而人脉失效、创业不如深圳/湾区/北京）是本库首次出现的第三地视角，可与 中美 AI 生态对照 的两极框架对读。

事实性断言与预测（可验证）

  • 孟子立 1999 年生，15 岁进清华（高考 683 分，分数线 682）、清华 EE 本博、4 年博士毕业，23 岁（将满 24）任港科大助理教授（断言，[00:02:00]、[00:32:16]、[00:36:17]）。
  • 博士期间：腾讯实习一年、阿里达摩院半年、创业公司数月、CMU 一年；在清华本部可能只待了半年到一年（断言，[00:24:11]–[00:25:11]）。
  • 导师 毕军去世时 46 岁（断言，[00:31:15]）。
  • RTX 5090 约 600 瓦、3 公斤；3090→5090 功耗从 300 瓦涨到 600 瓦（断言，[00:59:27]、[01:03:30]）。
  • PCIe 提供数百 Gbps 带宽与微秒级延迟；WiCi 用 Wi-Fi 替代，两项指标各差数个数量级（断言，[01:12:35]）。
  • WiCi 硬件构成可理解为 mini PC + GPU + Wi-Fi 路由器，由 ODM 代工，团队不做自研 CPU（断言，[01:15:36]–[01:16:36]）。
  • AI 眼镜项目评估下来只有 Rokid、Meta Ray-Ban Display、Brilliant Labs 三款能支撑其系统，电池约 200 mAh（断言，[00:53:27]）。
  • 2021 年"双减"政策落地于他到阿里三个月后，在线教育场景消失、产品未上线（断言，[00:28:13]）。
  • 2017/18 年中国机构在网络顶会的完整论文"一两只手数得过来"，如今已有显著存在（断言，[00:21:11]–[00:22:11]）。
  • 他前两年写 20 份提案中 1 份（断言，[01:05:33]）。
  • 预测：底层系统编程技能"只是时间问题"，最终会被 AI 替代（[00:17:08]）——⚠️ 主持人当场持相反意见。
  • 预测：随 AI 推进，大学的培养功能会削弱，约 20%–30% 的学生不需要教（[00:45:23]）。
  • 预测：未来会有大量必须在本地运行的工作负载，源于非文本本地数据的处理需求（[01:02:30]）。
  • 计划：长期做 B2C 替代家用路由器；短期主攻专业消费者与小 B（视频剪辑）（预测，[01:07:34]–[01:08:35]）。