飛象網訊（源初/文）第二十一屆中國國際半導體博覽會（IC China 2024）在北京國家會議中心開幕。會上，當嘉賓們談到半導體行業的發展時，AI已經成為了一個繞不開的話題，它因半導體而獲得了算力，算力的猛增又拉動了新的需求。然而，面對復雜的行業外因素，如何尋找突破口也同樣是備受關注的話題。

AI與半導體互為推動

AI正在引發新一輪科技革命，從語言模型、多模態模型的單體智能，到能夠使用思維鏈（CoT, Chain of Thinking）進行推理的OpenAlo1，再到使用工具完成復雜任務的智能體（AIAgent），AI基礎能力正在快速演進。AlI將成為智能時代的基礎設施，融入生產和生活的每個環節，重塑千行百業，引發新一輪科技和產業革命。

AI與半導體已經形成了一種相互促進的關系，共同推動下一輪技術超級周期的到來。

首先，半導體技術為更多的應用場景提供了支持，包括人工智能（AI）、物聯網（IoT）、5G通信和數據中心。這些應用反過來又產生了海量數據，為AI的深度學習模型提供了驅動力。一項基于亞洲的數據顯示，自2019年以來，AI、物聯網和汽車等領域的數據量呈現出71%的年均復合增長率，反映出技術快速演進和廣泛的市場需求。

此外，大數據正被稱為“新的石油”，推動了AI算法和半導體行業的發展，特別是在AI加速器、高帶寬內存（HBM）、存儲和網絡等關鍵領域。隨著AI技術的進步和大規模應用，半導體將進一步推動這些技術落地，形成互為推動的良性循環。

巴西半導體行業協會機構主任羅薩娜·卡賽斯對于兩者的話題也表示稱，到2030年，僅AI一項預計將為全球經濟貢獻超過15萬億美元。半導體行業持續突破創新邊界，研發更新、更強大的AI加速器。AI具備變革半導體設計和制造的能力。

與此同時，新興技術的能耗問題引發關注。黃仁勛曾提到：“沒有任何物理定律可以阻止AI數據中心擴展到一百萬芯片，但其能源供應可能需要核電站。”AI與人腦比較而言，人類大腦的功耗不超過25W，而英偉達8卡DGXB200功耗達14.3kW。考慮冷卻系統耗電量，百萬卡智算中心能耗將高達3GW。會上，有位嘉賓還做了這樣的比較，在京滬高鐵線上的每位乘客耗電量約為30度電，而預計全球數據中心在2024年的總耗電量將達7000億度。

AIDC在支持AI技術高速發展的過程中，逐漸呈現出高頻寬、大容量、大能耗三大趨勢。首先，AI模型的發展需要處理海量數據，這對數據中心的計算與傳輸能力提出了更高要求；其次，AI的快速進步導致模型和數據規模顯著擴張，推動了存儲和處理能力的躍升。最后，隨著算力和存儲需求的快速增長，AIDC的能耗問題愈發突出，已成為行業的重要挑戰。

面對市場的機遇與挑戰，尋找行業突破口自然也就成為大家關注的話題。

行業突破口在何方

對于國內產業而言，會上有嘉賓表示，應當重視系統和芯片架構創新，縮小技術差距。應當積極開展芯片架構創新，如采用3D堆疊/Chiplet/存算一體等新架構，努力縮小大算力芯片的技術代差。積極開展異構大算力集群系統的架構和任務調配等方面的優化工作，努力縮小大算力集群系統的性能差距。

同時，還要重視端側AI技術創新，端側AI擁有清晰的商業模式，更易實現規模化落地。其芯片對算力（如TOPS數量）和制造工藝（如7nm及以上工藝）的要求相對較低，從而降低了研發和生產成本，為更多企業參與創造了機會。此外，端側AI應用場景多樣化，包括智能設備、車載終端和工業物聯網等領域，這些需求驅動了端側AI的快速發展。面向半導體行業，需要探索多核異構計算架構，提升端側設備的算力效率與適配能力。開發兼容多種終端應用的AI軟件堆棧，以及高效的端側芯片。端側AI的未來將以低成本、高效能和廣泛應用為目標，推動人工智能在終端設備上的深度集成與創新，構建更加智能化的生活與產業生態。

面對先進制程所帶來的成本與制造上的壓力，Chiplet正在成為一種毋庸置疑的發展趨勢。原有情況下，系統級芯片SoC（Systemona Chip）將不同功能元器件整合在單個芯片上，開發時間長、良率低，且各功能模塊的納米制程必須相同，都得用5oC上要求最高模塊的制程，成本較高。

系統級封裝SiP（System in a Package）將多芯片異構集成，開發時間較短、良率較高，部分可重復使用。一個系統中，芯片往往只占系統中器件數目的10%左右。如果把其他所有器件都集成在單一芯片上，可能會導致性能不佳，成本增加。

Chiplet對需要實現的復雜功能進行分解，然后開發出多種具有單一特定功能的裸芯片，這些來自不同功能、不同工藝節點的裸芯片可相互進行模塊化組裝，最終形成一個完整的芯片。這種方法實現了異質集成，為芯片設計帶來了更大的靈活性和可擴展性，有效提升了產品的功能性。例如圖上左邊的SOC上所有模塊都需要用同一制程（例如按CPU、GPU要求用7nm），整體成本較高，而右邊的Chiplet上各模塊分別采用了7nm、14nm、22nm、28nm等多種制程，整體成本較低。

Chiplet具備良率、成本、異構計算等優勢，適用于復雜功能的定制化需求。由于Chiplet由多顆芯粒組成，單顆芯粒的面積較小，其良率高。直接設計一整塊SoC的面積較大，可能導致較低的良率，從而帶來高昂的成本。此外，Chiplet技術支持封裝內部的異構集成，可以根據模塊功能選擇芯片制程，針對特定功能模塊設計專用的高性能芯片，對于其他通用芯片粒采用成熟制程，從而降低成本。

DSA架構為發展智能計算算力提供新途徑。當前智算的發展對計算架構提出了新的要求和挑戰，包括更高的性能、更低的功耗、更強的并行計算能力和更好的安全保障能力等等。這些年軟件定制化已經普遍采用，但硬件定制化仍有待于解決，基于RISC-V的DSA可能在這兩方面提供了一條新途徑。

RISC-V在設計思想中就包含了DSA的概念。為此，RISC-V架構包含了模塊化和自定義擴展指令集功能，并為擴展指令集預留了很大的擴展空間。這樣，用戶可以為某個新應用或某個新算子，自定義一套擴展指令集及其支持硬件模塊，容易構成一個高效的DSA系統。

DSA面向特定領域，通過定制的架構以更好地適應需求，例如用于機器學習的神經網絡處理器，用于圖形學、VR等的GPU，可編程網關和接口。DSA需融合硬件和軟件技術，包括：更有效的并行算法，更有效的存儲帶寬利用，削減不必要的計算精度，采用面向領域的編程語言DSL。DSA可與面向領域的語言DSL相結合，如OpenGL、TensorFlow。發展DSA需要新的技術隊伍，他們了解并掌握垂直集成的一系列技術，包括特定領域的應用，適合該領域的DSL和相關的編譯技術，架構原理，實現技術等等。

AI與半導體正共同推動全球科技與產業變革。AI對算力需求的增長反向驅動半導體技術創新，如Chiplet和DSA架構降低成本并提升性能，同時端側AI以低功耗、高效能的特性成為商業化重點方向。未來，行業需聚焦芯片架構優化、異構計算能力提升，以及開放標準與軟硬件協同，加速低功耗技術研發，解決能耗瓶頸。在這一良性循環中，AI與半導體將共同引領智能時代的技術革命與產業升級。

編 輯：魏德齡