陈平从芯片制造的角度认为大模型是更大的“动物”，对付制造公司而言是更大的压力。
他认为大模型须要大算力，因而须要前辈工艺，一方面须要在单位面积里做出更多的晶体管，另一方面须要把芯片做大，紧张是通过3D的技能。除此之外他还认为这样的芯片还须要有很高的能效比，因此须要更高效的晶体管。
“AI涌现之后，对付芯片的开拓是一种加速，迭代速率更快，因此对付工艺的哀求更高。”他总结道。
设计层面，王小楠先容到大模型的机制和传统的芯片机制不同，更类似于人脑，因此从芯片设计角度来讲，每一个打算单元须要的算力须要增加，带宽的需求和互联互通的需求都在变高。
“以是这些对我们芯片设计，包括EDA工具以及通过EDA来支持这些芯片的实现都增加了新的寻衅，但同时这也是新的机遇。”他总结道。
陈平认为天生式AI为芯片从业者而言供应了一个充满了机遇的时期。他认为天生式AI能够推动芯片在5G、汽车等领域的运用。
王小楠则认为天生式AI不是一个赛道，而是一个技能，他建议芯片从业者节制自己最核心的技能，然后运用到比较有前景的领域中去，大模型还有很多落地的场景和机会，比如数据中央和汽车。
大模型在汽车领域的运用上，汪凯认为自动驾驶是实行预定好的编程规则，不可避免地会碰到不能办理的问题，尤其是在一些分外的环境中，大模型试图以人类的思维去办理自动驾驶上的一些问题，对付自动驾驶能力的提高很有帮助。
但是他认为大模型真正想在自动驾驶上面有所作为还面临五大寻衅。首先是大模型的算力寻衅，汽车领域须要实时处理问题，如果运用大模型，打算能耗非常大；其次是数据的质量问题，如果想要一个很好的汽车大模型，须要大量的数据演习；第三是数据的可靠性问题，用于演习的数据必须是精确的；第四是数据的追溯性问题，以黑盒形式涌现的大模型，很难在自动驾驶的过程中去阐明为何汽车采纳此种行为；第五是法律法规问题，大模型须要根据不同的地理环境以及政策法律来决定何时落地，因此还需一段韶光。
王小楠则先容，如果后续将大模型落地到APP端，须要做很多的垂直整合，根据不同的运用处景进行整理，须要对大模型做相应的优化和裁剪，因此不同的开拓者能够有不同的机会。
