余凯老师点明了他认为的“边缘机会”：“如果把我们去和硬件处理器厂商相比较，他们去优化的是什么？是单位成本下的计算性能，但我们去优化的是什么呢，我们不是一个传统的硬件厂商，我们实际上是软硬结合的toB的生意，我们从系统的角度来做优化，我们会设计专门软件算法的实验过程，然后根据这个软件算法来设计一个硬件的架构，然后再用这个硬件架构，去优化我们的软件。”

　　正如前文所说，余凯老师认为的边缘机会，是人工智能领域to B的系统优化服务，具体来说，可以表述为嵌入式专用人工智能系统，其物理形式，可能是一个小小的芯片。但其中蕴含了软硬件结合联合优化的复杂过程。

　　“我为什么认为这个非常重要？跟大家分享我自己的亲身经历，这是当时百度第一辆自动驾驶汽车，把这个后备箱打开，可以看到里面全是机器，最早里面有好多黑线，当然现在已经做得很好了。但是散热问题还没有解决。到今天为止，无论是百度还是 Google 的无人驾驶汽车，这些自动驾驶的车每开两个小时就要停下来散热，因为里面热得受不了。冬天完全不需要开空调暖风。这个问题为什么难解决？功耗为什么降不下来？因为你没有从系统级的层面来优化整个东西。软件框架不断往前迭代，硬件框架需要相应迭代，这个架构的优化是非常复杂的，复杂到超出想象。”

寻找出路：软硬件的联合优化

　　“如何定义嵌入式系统和通用计算系统？你现在的项目，是一种非常专用的小芯片，还是有很大的通用性？” 雷鸣老师的问题一开始波澜不惊。

　　余凯老师回应：“随着新的摩尔定律的出现，我们会看见越来越多的专用架构设计，因为它必须针对特殊的任务去做专门的优化，比如我们有专门的视觉神经网络，它的结构跟听觉神经网络其实是很不一样的，跟我们负责定位的大脑部分其实也很不一样。当你的计算能力很难继续突破的时候，比如说量子计算还没有实现的时候，只有进行专门的优化，我们才能够继续往前奔跑，去实现特定场景下面的摩尔定律。所以，我认为我们会朝特殊定制化这个方向去走，但是这种特殊定制化的任务其实也没有太多，比如我们的大脑功能，也就是基本的视觉、听觉、三维感知等。所以说专门化是嵌入式的一个本质特征。另外一点，就是低功耗，一定要低！无人机本来可以飞个两个小时，结果只能飞3分钟。再比如汽车，因为的新能源汽车其实都是烧电池的，跑5百公里和只能跑50公里，这是很不一样的。所以这方面如果不去做这种专门的优化，未来的电动车也很难往前发展。另外我认为这里需要软件跟硬件的联合优化，联合优化是什么意思呢？本质上来讲，应该是一个软件，比如地平线本质上是一个软件公司，但我们只不过是把一部分东西给硬件化了而已。所以我基本上总结了3个方面。第一，专业化，使摩尔定律继续往前；第二，低功耗，低功耗，低功耗！第三，软硬结合。”

如何看待理想和现实的矛盾

　　“专业化过程中需要解决问题，比如解决听觉方面的问题。解决完之后，我们又进行软硬结合，但现在算法迭代，速度非常快，那么硬件化之后，新的算法怎么办？会不会我们这批东西出来以后，过了半年，其实它的性能比起新的东西，已经差了很多。这个矛盾在实际过程中是怎么去应付的？”

　　余凯老师回应：对，这是做硬件的一个很大的风险。软件算法不断的每3个月往前去迭代，3个月以后的最好的算法跟现在比又很不一样，所以硬件投入的话资金成本很高，一个处理器从投入到最后形成战斗力要3年时间，这个时间跟你投多少钱没关系，因为你必须得一步一步从架构到设计，然后到验证到后端到封装等等。还包括软件，包括系统软件，所以这个迭代的速度非常的慢，这很难驾驭。像我们的话，实际上，都是软件跑到前面，我们基本上把很多软件算法的研发都已经跑到明年了，我觉得创业就是要赌。如果什么东西都看到，完全放在桌面上，你才去做的话，那不叫创业，那叫工作。”

　　雷鸣老师谈了自己的想法：“我谈谈我自己的一点想法，刚才看到你说了新的架构，我们从性能到成本，再到所谓的效果上来看，我刚才算了一下，你在性能上能取得很大提升对吧？我们说摩尔定律基本上一两年也就翻一翻，所以我觉得，感觉上如果你做专用的东西，比起通用的，其实在很多地方，一两年的时间还是有的，这是做这件事的优势。第二点，我在想，如果说你有通用计算加软件优势的话，硬件其实大家都是一样的。所以，你比别人先做，那你就是有优势的。“