近日，第十届集微大会在上海举行。在5月29日举办的主峰会上，一场主题为“AI与半导体（881121）行业变革”的圆桌论坛成为当日焦点。哥本哈根商学院教授Douglas B.Fuller、新加坡国家科学院院士/新加坡工程院院士Kiat Seng YEO，以及Counterpoint Research中国市场研究总监Kevin Li共同围绕中国AI发展路线、全球市场竞争、人才体系重构及产业盈利模式等核心议题展开深入讨论。
关键瓶颈与如何破局
在论坛开始环节，作为主持人的Silicon Valley Research Initiative(SVRI)CEO Eric Bouche抛出了首个问题：中国AI发展路线图的关键瓶颈与解决方案是什么？
Douglas B.Fuller表示，现在中国AI算力短期确实存在瓶颈，这是一个必须正视且最紧迫的问题。但从1年到4—5年的中期视角来看，这个问题有可能通过本土先进的芯片制造能力逐步解决。
Kiat Seng YEO则强调，AI发展不仅是技术问题，更是系统工程。他认为中国下一阶段关键在于两点：一是持续强化全球人才引进与培养体系；二是推动AI在交通、城市、医疗等核心产业的规模化落地，并与6G/7G、自动驾驶等优势产业融合，形成难以复制的综合技术体系，从而增强全球竞争力。
Kevin Li则指出两大关键挑战：一是面向L3/L4自动驾驶的智能驾驶SoC仍依赖更先进制程能力，国际主流已进入4nm/5nm阶段，而国内车规级量产仍以7nm为主，先进产能不足在一定程度上限制高阶智能驾驶规模化；二是数据效率问题，目前行业普遍处于“各自闭环(closed loop)”模式，数据割裂严重，重复训练与重复建设较为突出。他表示，若能建立跨企业的数据协同与基础数据库体系，将显著提升训练效率并降低整体成本。
在Eric Bouche看来，未来算力提升不仅依赖更先进制程，还需同步推进先进封装（886009）、3D IC及Chiplet等系统级技术路径，并强调异构集成(如光电融合)也可能成为重要突破方向。
如何扩大全球份额？
在有关“如何提升中国AI全球市场份额”的讨论中，上述专家普遍认为，竞争焦点已从模型能力转向具体产业场景的落地与复制能力。
Kevin Li从智能汽车切入。他分析称，中国AI出海最现实的抓手仍在汽车产业，尤其是智能驾驶的两条路径：一是L2++级辅助驾驶能力的海外渗透。在满足当地法规与数据合规的前提下，可以在海外乘用车（884099）中尽可能提升智能驾驶配置比例，让更多车型具备城市导航辅助等功能，从而扩大整体搭载率；二是L4Robotaxi的全球化推进，目前文远知行（WRD）、小马智行（PONY）、Momenta以及百度（BIDU）等企业，已在中东、欧洲等市场持续布局，并与Uber等平台形成合作网络，推动商业化落地。
Kiat Seng YEO认为，中国AI提升全球市场份额，可以从已经具备优势的产业率先切入，例如电动汽车与机器人(具身智能)领域，通过AI赋能进一步扩大国际竞争力。同时，在通信、空间技术等领域，也存在通过AI提升市场占有率的空间。
他同时强调，要真正扩大AI影响力，需要政府、企业与高校形成协同机制，加快技术转化与产业落地效率。
Douglas B.Fuller从海外市场约束角度提醒，在欧洲等高度监管市场，尤其是汽车相关AI应用，将面临更严格的安全与合规审查，这可能影响技术优势的释放速度。
再培训成关键推动力
在“AI时代中国劳动力与人才发展的重点方向是什么？”这一人才议题方面，与会专家和学者从汽车产业结构变化切入，讨论了AI带来的就业岗位重构与技能错配问题。
Kevin Li指出，中国汽车产业正处于结构调整阶段。一方面，电动化带来传统岗位收缩；另一方面，智能化阶段对软件与AI人才需求快速上升，尤其在感知算法、系统集成及软件开发（881272）等中层岗位存在明显缺口。他认为当前核心问题在于技能错配，需要通过系统性再培训机制进行缓解。
Kiat Seng YEO用“aim(目标)”概括人才结构问题。他强调AI发展需要目标导向的人才体系，并以数学与科学为基础，同时覆盖制造、材料、半导体（881121）等多个领域，实现人才多元化配置。
Eric Bouche强调，“reskilling(再培训)”将成为关键。他指出，未来2至4年AI将创造大量新岗位，但岗位结构变化更快，关键不在于新增人才培养，而在于对存量劳动力进行系统性技能升级，使其适应AI产业体系。
AI影响产业盈利模式
在产业盈利议题上，参与者重点讨论了AI对企业经营模式的影响。Kevin Li以汽车行业为例指出，当前行业整体仍处于低利润运行状态，“软件定义汽车(SDV)”成为重要发展方向。
他分析称，通过推动硬件平台标准化与模块化，实现零部件及软硬件接口复用，可以将更多资源投入软件开发（881272）与用户体验提升，从而形成增值空间。他还以特斯拉（TSLA）为例表示，其核心优势在于硬件平台长期稳定，价值主要来源于软件能力与自研芯片，而非频繁的硬件迭代。
Douglas B.Fuller则提示，当前全球AI投资存在一定过热现象，部分领域估值偏高，未来可能通过盈利压力进行市场修正。
Eric Bouche在总结时表示，当前AI软件迭代速度与半导体（881121）制造周期（883436）之间存在明显错配，晶圆厂及先进封装（886009）建设周期（883436）较长，难以匹配AI快速演进节奏。他认为，应加快产业周期（883436）优化，例如缩短晶圆厂建设周期（883436），以提升整体产业响应效率。
