對于芯片產業來說，AI正在掌舵整個全球芯片產業的發展風向。

　　眾所周知，人工智能帶來的指數級增長的算力需求，使得整個計算產業正面臨著多元化、巨量化、生態離散化交織的趨勢與挑戰。一方面，多樣化的智能場景需要多元化的算力，巨量化的模型、數據和應用規模需要巨量的算力，算力已經成為人工智能繼續發展的重中之重；另一方面，從芯片到算力的轉化依然存在巨大鴻溝，多元算力價值并未得到充分釋放。如何快速完成多元芯片到計算系統的創新，已經成為推動人工智能產業發展的關鍵環節。

　　作為發揮人工智能商業價值最核心載體的芯片，也在這波算力轉化中迎來新的挑戰。

　　AI數據流時代 計算架構遭遇空前“瓶頸”

　　從CISC到RISC，再到Multi-core，從感知-處理-反應。如今的芯片產業必須提升新一代的算力演進，才能給下一代技術革命提供充沛算力。

　　日前，在深圳舉辦的“ASPENCORE 2021年全球CEO峰會”上，安謀科技 (中國) 執行董事長兼首席執行官吳雄昂表示：“數據流，特別是機器產生的數據流，如今正呈現出高密度、實時性和多樣性的特征。例如車上的視覺感應器正從一個、兩個到四個、八個，不斷演進，高清也從2K到4K持續演變，這種多感知計算流，是同時需要實時處理的，也對我們未來的計算提出了非常有挑戰的高要求。”

安謀科技 (中國) 執行董事長兼首席執行官吳雄昂 

　　以當下最火爆的汽車芯片賽道為例。過去，汽車芯片比較先進的制程是28nm，其他大量的都是40nm，甚至更低制程的芯片。但如今步入智能駕駛的時代，芯片復雜度越來越高，制程技術也從28nm演變到16nm，而且正在往7nm演進，因此需要有非常強大的計算能力。

　　黑芝麻智能科技創始人單記章告訴記者：“以前汽車ECU的功能，基本都是比較單一的，現在的智能駕駛時代，車上有非常多的傳感器，有十幾個攝像頭、超聲波雷達，也有不少毫米波雷達，甚至有激光雷達，還有一些做定位用的傳感器，甚至有車路協同，從路端傳過來的感知信息。”

　　如此多的信息綜合在一起，必然要有協調的控制和處理，這就需要計算能力非常強的中央處理器。首先，處理大量的數據流信息，計算能力不可或缺。自從2012年，人工智能深度學習技術的突破，產生了CNN神經網絡的計算能力，如今很多時候產業都把這個能力作為性能的重要指標。低級別的自動駕駛（如L1、L2），需要神經網絡的計算能力已經達到了10Tops，但是到了L3、L4甚至L5級別的自動駕駛，他們計算能力的需求無疑將呈指數級增長。

　　單記章表示：“到了L4級別，可能需要500-1000Tops的計算能力，到了L5可能需要更高，可能是超過幾千Tops的計算能力，這是神經網絡的計算能力發展趨勢。而在芯片當中，除了神經網絡的計算能力之外，對CPU的計算能力也有非常強的需求。比如L5級別，CPU的計算能力需要超過500k，還有更多的處理能力，比如圖像處理。過去智能駕駛用到的傳感器，可能是100萬像素、200萬像素，但今天我們已經看到了，很多智能駕駛的車輛會用到800萬像素，甚至更高用到1500萬像素，以及更高的處理能力。這么多的圖像傳感器在一起，對芯片的要求非常之高。”

　　與汽車場景類似，在工業場景，大規模數據處理的需求也日益激增。譬如當下智能物流機器人被廣泛應用在智能物流領域和智能倉儲領域，每天面對的都是非常復雜的外部環境，它需要有視覺傳感、激光雷達、毫米波雷達，幫它快速獲取周圍環境的變化。同時，也需要有能力處理外部環境變化從傳感器進來的數據。

德州儀器公司副總裁及中國區總裁姜寒

　　德州儀器公司副總裁及中國區總裁姜寒表示：“所以，在智能機器人的硬件和軟件上，一定要支持邊緣計算的能力，才能讓智能機器人在非常復雜的環境中，同人和環境安全地相處。”

　　由此可見，任何一個單一的傳感器或數據處理，都是不可能完成這個任務的。所以，如今的電子電氣架構正飛速演變，從完全的分散式，到域控制器的非域控制方式，開始演變到未來中央計算的方式，這些都是有其底層技術需求驅動。

　　面對數據流時代的這些“新挑戰”，吳雄昂表示：“我們提出了超域架構，通過一個新的融合計算架構，既能有DSA高效率的優點，同時提供足夠的通用性。今年，我們也和產業鏈上下游一起合作，發起了針對新一代MPU超域計算架構的開源聯盟（ONIA），在短短不到半年的時間，有近百家芯片公司、系統公司、軟件公司，包括我們很多深圳的合作伙伴。我們也會在今后所有的MPU相關的IP產品上，對這個開源架構進行全面兼容。”

　　芯片設計如何搭上AI“順風車”？

　　芯片設計與AI的結合，已經成為當下整個產業公認的主流趨勢。尤其是身處上游的EDA環節，對此感受最為深刻，從過去的摩爾定律“加速”到如今的“放緩”，芯片制程每一個節點依次上量的時間點越來越長，過去每兩年有會出現一個新節點，但到了14nm已經開始變慢，10nm、7nm到5nm、3nm的發展正越來越慢。

Cadence公司全球副總裁兼亞太區及日本地區總裁石豐瑜

      制程節點的發展為何會日漸趨緩？Cadence公司全球副總裁兼亞太區及日本地區總裁石豐瑜解釋了原因：“隨著芯片越做越小，內部的晶體管也越來越多，用鋁布線很快就會產生電子遷移的問題，動力變短，芯片用不了幾年就會壞掉。同時，也會遇到光刻機的問題，過去用的光刻機光源不夠精細，要改成193nm光源的設備，必須從半導體制程工藝里從鋁改成銅，這對制造工藝來講是非常大的挑戰。因為有一些透鏡和光學系統，要更精細一些，193nm的光源的極限大概是45nm，就沒辦法再微縮下去了。種種的物理問題，正層出不窮地出現。”

　　況且，無論是從制程上來看，還是從EDA編程角度來看，每一個晶體管的成本開始往上攀升，成本觸頂。概倫電子董事長劉志宏對記者透露：“從65nm，我們在先進設計上的成本，大概是在2800萬美金的水平；隨著工藝水平的不斷提升，到了22nm，算是今天平面工藝的主流，攀升了接近3倍，達到7000萬美金。再往前走，現在有一些先進的芯片設計單位，已經走到了7nm，有些也正在看FinFET工藝（9-14nm之間），成本大概是接近3億美金。”

概倫電子董事長劉志宏

　　但事實上，這并不是摩爾定律本身存在的問題，而是摩爾定律帶來的復雜度、成本定律帶來的問題。其中包括制造周期越來越高，設計效率越來越長，犯一個錯誤代價非常高昂，送到晶圓廠生產出來就需要四五個月，回來如果發現有Bug，修一修再送過去，又需要四五個月，這樣一年就沒了，沒有一個市場能等芯片一年，畢竟成本太高了；再者就是人才稀缺，因為再怎么樣努力，培養一代半導體的專家和優秀工程師出來，都需要很長的時間，而且薪水也都是很大的問題。”

　　在人才極度短缺和成本日益高企、芯片復雜度陡升的當下，人工智能有很多種方法，從構架開始到最后步驟，開啟整個芯片設計流程。將流程切割成二三十段，每一段都可以有兩個選擇（是非題），如此一來，芯片設計的選擇就會很多。“以整套流程來算，客戶會有8000多萬的選擇。所以，當下可以斷定，芯片設計的未來屬于人工智能，你必須要用有智慧的AI，才能讓它在更短的時間做出高質量的產品。”石豐瑜總結到。

　　因此，當下很多公司都在想辦法增加芯片設計效率。畢竟，每一代愈發昂貴的設計成本之下，芯片設計需要解決架構、驗證、物理植入、原形以及最終驗證的每一個環節。即便其中任何一個環節出錯，可想而知對于芯片設計廠商來說損失有多慘重。如果單個人花三個月才能設計出來的產品，一個人花三個禮拜就能設計好，同時最后的結果完全一樣，只需要花九分之一的人力。對于芯片設計廠商來說，搭上這列“順風車”，無疑是必然的選擇。

　　隨著接下來，元宇宙、各類終端智能等全新應用的爆發，AI也將在整個芯片產業發揮史無前例的巨大價值，如水如電力那般成為百行百業發展的基礎資源。對于芯片產業來說，當下正值人才匱乏、復雜度、成本等各類問題交織的“瓶頸期”，整個產業已經到了決定未來行業走向的關鍵階段。編者認為，芯片企業對于AI的利用程度，也將在短時間內決定每家芯片企業的核心競爭力，甚至左右整個芯片行業的市場格局。