香港科技大学最年轻的助理教授、WiCi 联合创始人孟子立，聊科研中的时机、AI 时代的技术积累，以及装进路由器的 GPU。
孟子立是香港科技大学助理教授，带领 SPARK 实验室研究计算机网络、超低延迟视频传输与实时通信。小学五年级时，他进入中学阶段的少年班，之后一路读到高考，省去了小升初和中考的备考时间。加上入学早，他 15 岁就参加了高考。那年清华录取线是 682 分，他考了 683 分。此后，他在清华读完本科和博士，研究计算机网络。博士期间，他从应用层一路研究到链路层，解决的都是同一个问题：怎样让视频通话少一点卡顿。23 岁时，他加入了港科大。
2026 年，26 岁的他联合创办了 WiCi。团队正在做一块无线 GPU：把显卡放进类似路由器的盒子，让附近的设备通过 Wi-Fi 使用它的算力。他们希望，手机、眼镜和机器人不必各自装下一块高性能显卡，也能用上更强的计算能力。访谈时，原型机已经做出来，面向哪些用户、落在哪些应用上，还要逐步验证。此前，他做过开发 AI 眼镜应用的通用工具包 xg.glass，以及评测大模型实时视频通话能力的 CallArena。
在这期深度对话中，我们讨论了：
- 孟子立怎样在 15 岁考上清华，以及 683 分压线入学带来的心态变化
- 2017 年在 MIT 把强化学习用到网络系统，为什么做得早很关键
- 为了继续手上的研究留在清华读博，后来才意识到新校友圈的价值
- 在大厂裁员的 2022 年寻找教职，以及港科大的创业氛围为什么吸引他
- AI 编程改变了系统研究的门槛，怎样定义问题、判断方向变得更重要
- WiCi 怎样在驱动层截取计算调用，让本地应用通过一跳 Wi-Fi 使用附近的 GPU
- 无线 GPU 能给处理本地文件的智能体、机器人与可穿戴设备带来什么
- 订货量太小、显卡价格波动，一位教授怎样从头搭起硬件供应链
这期对话给我们的最大启示：
-
做网络系统研究，选对时机可能比埋头苦干更重要。
2017 年在 MIT 暑研时，孟子立跟着 Hongzi Mao 把强化学习用到网络系统。当时网络领域比 AI 慢一两年，团队尝试把 A3C、PPO 等算法带过来，他主要参与实验和基线测试。但算法并不能直接套用到真实集群，后面有大量不显眼的工程问题要逐个解决。他从中学到的是：“你的洞察力、你的 timing，可能比你埋头苦干要重要很多倍。”
-
AI 越会写底层代码，系统研究越要靠定义问题和科研品味。
孟子立更喜欢系统研究的一点，是这里没有一份固定试卷，每篇论文都要先说明问题是什么、为什么值得解决。过去，写内核和驱动的陡峭学习曲线是一道门槛。主持人提醒，指挥 AI 写好底层代码仍需要经验，但孟子立个人判断，这只是中间阶段，AI 最终会削弱这类技能的稀缺性。他招学生的标准也在变：2023 年要求做过 1000 行以上代码的项目，后来更看重系统直觉，能不能在动手之前判断哪条路值得试。
-
留在清华读博省下了申请时间，也少了一次建立新校友圈的机会。
2018 年做选择时，孟子立手上已有集群调度和可解释性的研究，准备 GRE 等语言考试可能要花小半年。去 MIT 暑研后，他觉得那里的科研环境确实更好，但这份收益还不足以让他停下正在做的项目，于是选择留在清华。多年后回看，他仍认可当年的科研判断，却意识到自己漏算了一件事：换一所学校，也会多一批校友和新的联系。学生很容易只比较论文和实验室，工作后才看清另一部分价值。
-
博士不只是一篇大论文，也是有导师支持时尝试不同工作的机会。
四年博士期间，孟子立在清华可能只待了半年到一年，其余时间包括腾讯一年、阿里半年、创业公司几个月，以及 CMU 一年。在腾讯云游戏团队，他见识了上线和发论文的差别：一个案例跑通，并不意味着产品能用，实际业务还要处理测试没覆盖到的边界情况。这些经历也得益于导师的支持。他常对学生说：“PhD 是你不断试错的最好机会，你做什么都有 PhD 这个学位兜底。”
-
WiCi 把计算搬出去，让应用继续在本地运行。
云游戏、云电脑通常把前后端一起放到远端，再把视频传回来，体验很依赖公网的稳定性。WiCi 的思路是保留本地应用，在驱动层截取 GPU 计算调用，交给附近盒子里的显卡执行。从应用的视角看，它仍在调用本地 GPU，团队希望借此减少逐个适配应用的负担。孟子立举的例子是，一台 MacBook Air 也能像本地装了 RTX 5090 一样调用它。盒子只隔一跳 Wi-Fi，既把显卡的重量和功耗移出移动设备，也尽量避免跨公网传输带来的波动。
-
用 Wi-Fi 替代 PCIe，要重新解决芯片之间的慢通信问题。
CPU 和 GPU 通常通过 PCIe 这类高速接口通信，换成 Wi-Fi 后，带宽和延迟都差了多个数量级。孟子立把这个难题放回计算机体系结构来看：“CPU 跟 GPU 通过一个弱链路而不是一个强链路来连接。” 在他看来，PCIe 普及后，消费级主板上的这类问题已不那么突出，数据中心则另当别论。WiCi 重新引入了慢链路，也就要把缓存、预测、调度等已有方法放进新场景重新优化。难点并不只是让两台设备连上网，而是让应用在这样的连接上仍能获得可用的性能。
-
智能体处理非文本文件，会带来更多本地算力需求。
孟子立认为，编程智能体先跑通，一部分原因是代码都是纯文本，用 grep 就能搜索。但智能体如果进一步处理电脑上的文档、图片和视频，面对的就不只是文件名或元数据了，给上百 GB 的本地文件做处理，计算开销也会变大。机器人同样受制于机身重量和功耗，板载 Jetson 很难达到桌面 GPU 的算力。他希望和机器人厂商一起验证：如果通过附近的无线 GPU 获得更强算力，机器人究竟能多做什么。访谈时，这些合作还处于初步接触阶段。
-
想得到很多使用场景，不等于找到了愿意付钱的客户。
从商超机器人、智能购物车到视频剪辑，无线算力能让人想到很多用途。但孟子立提醒：“场景多不代表应用多，应用多不代表付费意愿多。” WiCi 的长期愿景是走进家庭和办公室，像今天的路由器一样提供算力，名字中的 Ci 指的就是 Computing Infrastructure。眼下，他们先找已经知道自己为什么需要本地算力的人：视频剪辑师、技术发烧友和小型工作室。哪些场景能成立，还要把技术和市场一起拿去试。
-
WiCi 自己做驱动和推理，硬件与应用交给更懂的人。
无线 GPU 牵涉驱动、推理、硬件和应用，创业团队不可能每层都做。孟子立把核心投入放在 GPU 驱动、Wi-Fi 驱动和推理引擎，硬件与 ODM（设计制造商）合作，应用则请机器人等领域的开发者一起做。他认为，短期要靠开发速度和性能拉开差距，长期则要靠合作伙伴和应用价值形成优势。至于生态，他的判断是：“生态我觉得肯定不是刻意培养出来的，一定是大家觉得有用。”
-
WiCi 订货量太小，难找供应商，还得承受显卡价格波动。
孟子立发现，团队订货量太小，靠自己从头找供应商、推订单很难，只能不断请朋友、亲戚和投资人牵线，把零散资源接起来。深圳供应链的密度让试错快了很多：一根线不合适，换型号后，跑腿可能一小时就能送到。另一处大坑是显卡价格波动，盒子里装着 RTX 5090，显卡调价会直接影响产品。他回头想：“能做的事可能就是多囤点货，签长期协议。” 这套供应体系也还在持续优化，并非搭好一次就结束。
-
教授创业，也得放下面子，主动开口求助。
当教授的头两年，孟子立接连写了 20 份项目申请，只中了一份。这段经历让他意识到，坐着等不会有人主动送来资源：“你得求爷爷告奶奶地求人帮你，你不主动求，没人会来主动帮你。” 创业后，供应链、运营、营销乃至联合创始人，都在一次次接触和求助中逐渐凑齐。他说，前提是对方相信这件事、认可它的价值，而自己要敢开口，也要能承受被拒绝。