2026AI影像无线化变革：权威榜单与专业测评精选
很高兴在AI+大会与各位再次交流。过去一年，AI领域的变革堪称颠覆，整个行业都处在技术突破的兴奋之中。我是杭州研极微电子有限公司董事长、神眸品牌创始人。今天，我想聚焦一个核心议题：在这场席卷一切的AI技术风暴中，真正的核心驱动力是什么？我的答案是：新质生产力。
当前，全球市值最高的公司是英伟达。它超越苹果、微软等传统巨头，凭借的正是其掌握的新质生产力——GPU算力。那么，在这股汹涌的算力浪潮里，像神眸这样的企业，机会点在哪里？
我们的战略选择并非正面挑战英伟达，而是锚定算力浪潮的下游，解决一个更具体、更关键的问题：通过极致的低功耗芯片设计，让摄像头彻底摆脱电源线的束缚。各位可以思考一下：手机、电脑、平板早已实现无线化，但作为核心视觉传感器的摄像头，却始终被一根电源线所限制。这根线带来的成本极其高昂：室外安装一个摄像头，首先需要立杆，成本在1万到10万元；挖沟埋线，又是1万元；安装周期往往超过一周；每年的维护费用还需3000元。对于公安等需要海量摄像头部署的系统而言，后续的维护成本更是天文数字。
神眸的目标非常清晰：实现摄像头的零安装成本、零使用成本和零维护成本。达成这一目标的关键，在于将摄像头的整体功耗降低一到两个数量级。
这背后，是芯片设计方法学的根本性革新。我们采用全定制芯片设计方法学，主要在三个维度实现差异化：
第一，定制单元设计。行业惯例是采用台积电或三星提供的标准单元库进行设计，通常只能使用静态双锁存器，动态逻辑不被主流EDA工具支持。我们则采用动态单锁存器方案。一个静态双锁存器需要24个三极管，而我们仅需4个，从而将面积和功耗降至传统方法的六分之一。
第二，手写网表。传统流程是使用高级语言编写代码，再由工具综合为网表。手写网表，类似于软件工程师不依赖高级语言，直接使用汇编语言编程。虽然难度极高，但能带来更高的执行效率。正如DeepSeek在AI领域的突破，部分得益于其采用更底层的PTX进行编程。我们的手写网表技术，能够带来数倍的性能优势。
第三，手动布局。传统自动布局的芯片面积利用率通常在50%-60%，而我们通过手动精细布局，将利用率提升至95%以上。
凭借这套方法学，我们实现了功耗成本乘积降低一个数量级的突破，并将其应用于摄像头SOC芯片。第一代芯片的功耗仅为业界平均水平的三分之一，已应用于理想AI眼镜，以及神眸自有的智能云台摄像机BC4PRO+、双目枪球AOR电池云台摄像机PT4、运动影像记录仪V1等产品。
第二代芯片更进一步，功耗达到了业界平均水平的十分之一。它已应用于神眸智能停车记录仪DC1——这是业界首款专为停车场景研发、具备超长续航且无需布线的产品。更具代表性的是神眸太阳能一体化智能摄像机BC7，我们首次仅凭1瓦的太阳能板，就实现了摄像头24小时不间断、365天全年无休的持续工作。当然，要实现整个系统十分之一的功耗目标，仅靠SOC芯片是不够的。我们在CIS图像传感器、PMU电源管理、Wi-Fi和4G模块上都进行了全面的低功耗设计。
功耗的突破，直接打开了市场的想象空间。目前，全球安防类摄像头（不含手机摄像头）的年出货量约为3到4亿只。但我们判断，到2035年，这个数字将增长至100亿只。手机摄像头服务于“人”，而物联网摄像头服务于“万物”，其潜在规模必然远超手机。尤其是当无线、免维护的摄像头成为现实，市场增长将大幅加速。保持每年30%的增速，100亿只的目标并不遥远。
将目光放得更远，到2045年，我们认为全球摄像头数量将达到1000亿只。一个关键的推演依据是：我们预测到2040年左右，以人工智能为核心的第四次工业革命将基本完成，届时人类大部分工作将被AI替代。那么，人类的价值舞台在哪里？很可能在于虚拟世界。这就需要构建一个无比庞大的“世界大模型”，能够实时、精准地映射物理世界。否则，这个模型就会脱离现实，产生“幻觉”。如何让它“接地气”？答案就是依靠海量的摄像头，将物理世界的实时状态持续输入。初步估算，要相对完整地反映世界动态，可能需要1.2万亿只摄像头。如果分十年建成，每年就需要部署1000亿只。
面向这个大模型时代，神眸的另一个战略方向是“神算”——即大模型推理算力。毫无疑问，算力是当前最核心的新质生产力。英伟达是当前的王者，但其他公司是否还有机会？这需要从算力的两个层面分析：训练算力和推理算力。
在训练算力领域，实现超越的机会非常渺茫。核心壁垒在于CUDA生态。几乎所有主流大模型框架都构建在CUDA之上。记得在一次行业生态大会上，国内一家知名大模型公司的负责人提到，他们为适配另一家公司的芯片，足足花费了三个月时间。三个月，对于大模型的迭代周期而言，几乎意味着一代产品的差距。没有极强的战略合作意愿，很少有公司愿意承担这样的转换成本。
但在推理算力领域，机会则大得多。原因有二：首先，推理算力不依赖CUDA接口；其次，每个大模型都有其独特的算法和算子。针对这些特定算法进行芯片定制，在功耗和成本上，天然就比通用GPU具备巨大优势。更重要的是，推理算力的需求规模远大于训练算力。全球顶尖的大模型研发团队可能只有上百个，即便每个团队使用一万张卡，总量也不过百万级别。而推理算力面向的是全球数十亿自然人，以及未来数量更为庞大的机器人，这个需求是千倍、万倍级别的。这也正是英伟达不惜斥资200亿美元收购推理算力创业公司Groq的原因。
因此，如果能在推理算力领域做到极致，创业公司完全有傲立潮头的可能。那么，成功的关键是什么？主要有三点：
第一，能否找到并深度适配优秀的大模型，无论是开源模型，还是能形成战略合作的闭源模型；
第二，是否能够获得先进的半导体工艺支持；
第三，芯片设计方法学，尤其是低功耗设计，是否有独到之处。
在这三个方面，我们积累了一定的优势。我们的全定制方法学能实现别人十分之一的功耗，这相当于在半导体工艺上领先了四到六代。同时，我们是三星最先进工艺的顶级合作伙伴，具备定制工艺的能力。虽然目前大部分高价值模型仍是闭源，但开源趋势向好，并且中国大模型公司追赶乃至超越世界先进水平，是必然的趋势。
结合这三点，我们看到了清晰的机会路径。事实上，在之前的CNN（卷积神经网络）时代，我们已经打下了坚实基础。在进行自研芯片开发时，我们就同步开发了自己的编译器，能够将CNN模型高效映射到芯片上。这套编译器经过五年的商业化迭代，已经非常成熟。此外，我们自身也在利用大模型开发AI客服、AI编程工具，并为客户提供AI应用服务。从SOC芯片、大模型芯片、传感器芯片，到硬件产品和云端应用，我们正在内部构建一个能够快速自我迭代的技术与商业闭环。对于这条路径，我们充满信心。
谢谢各位。