台积电美国扩产计划 - 公司在美国亚利桑那州规划两座先进封装厂AP1和AP2 目前处于整地阶段 预计2026年下半年开始建厂 目标2028年启用 [2] - 封装厂AP1将导入最先进SoIC及CoW技术 AP2则锁定CoPoS技术 以因应当地AI和HPC芯片封装需求 [2] - 公司同步规划第三至第六座晶圆厂 P3和P4采用N2和A16制程 P5和P6采用更先进技术 建设进度将依客户需求调整 [2] 技术布局与产能规划 - 美国第二座晶圆厂P2的B区计划提前导入2纳米制程 原定在P3厂实施 [2] - SoIC技术已用于AMD量产 苹果 英伟达 博通等客户也将在高端产品采用该技术 [3] - CoPoS技术预计2026年设立首条实验线 2028年底在嘉义厂AP7实现大规模量产 美国AP2厂将适时导入该技术 [4] 供应链与建厂挑战 - 先进封装需配套金属凸块产线及铜柱封装技术 材料与测试供应链需完整建立 建厂周期至少需4年 [7][8] - 若在美国建立完整封测产能 需与测试厂同步合作 可能影响台湾后段封测代工厂(OSAT)现有供应链 [8] - 公司决策基于客户实际需求评估 苹果可能需要InFO技术 英伟达和超微对CoWoS需求迫切 [7][8] 投资规模与客户基础 - 公司增加投资美国1000亿美元 包括新建3座晶圆厂 2座先进封装设施及1间研发中心 为美国史上最大外资直接投资案 [7] - 投资旨在支持苹果 英伟达 超微 博通和高通等美国AI与科技创新公司 [7]

英伟达Spectrum-X以太网光子技术 - 公司提出共封装光子学需求以提升AI工厂规模 AI工厂光功率消耗是传统云数据中心17倍 主要因GPU集群增加需要数十光收发器通信[3] - 网络光子学成本占AI工厂总计算能力10% 公司通过Spectrum-X以太网光子技术降低此成本[3] - Spectrum-X采用200G/通道SerDes技术 相比可插拔收发器具有更好信号完整性和更低DSP要求 因光子引擎紧邻交换机ASIC[16] - 1.6Tb/s链路激光器数量从8个减至2个 实现更低功耗和更高传输可靠性[16] - 技术为AI工作负载提供低抖动通信 避免GPU空闲导致高昂成本[17] - 技术提供更高NCCL性能 确保大型基础设施多作业执行不相互干扰[20] - 硅光子解决方案采用硅光子CPO芯片 传输速率达1.6T 集成MRM提供更高带宽同时降低功耗和占用空间[29] - 光子层和电子层采用3D堆叠技术 降低布线复杂性并提高带宽密度[29] - 数据中心采用该技术后能效提高3.5倍 弹性提高10倍 运行时间提高1.3倍[29] - 公司展示首款集成光子技术全尺寸交换机Spectrum-6 102T[30] - 技术实现2倍吞吐量 63倍信号完整性 激光器数量减少4倍 1.6倍带宽密度 激光可靠性提高13倍 取代64个独立收发器[34] - 下一代技术无需耗电连接可插拔光学引擎 节省大量电力[37] - 跨规模网络起始距离约500米 超过后需调整算法适应距离变化[74] - 共封装硅光学器件支持在ISO功率下将GPU性能提高3倍 激光器总数减少约4倍[74] Celestial AI光子结构技术 - 公司光子结构链路技术利用光连接下一代海量GPU和加速器芯片 取代当前电连接[75] - 技术聚焦下方带中介层HBM PFLink拥有包含无源和有源元件硅光子层[80] - 公司将SerDes与通道匹配以实现极高能效 并构建光学MAC实现RAS功能[80] - 使用EAM调制技术 从热学角度看优于环形调制器[81] - 技术可释放前沿阵地 光I/O可发生在ASIC中心 芯片其余部分用于电气I/O如HBM[92] - 在光子结构模块Gen1中用于带交换机连接内存16端口交换机[97] - 公司已完成四次流片[101] Ayar Labs光学I/O技术 - 公司展示UCIe光纤I/O重定时器 制作UCIe芯片组轻松集成光纤I/O到封装 因基于标准[108] - 芯片组是8Tbps级设备 提供大量封装外带宽[108] - 光学I/O芯片帮助使用光学技术进行横向扩展[117] - UCIe是基于标准方式 企业可根据通用规范构建软件包便于集成[122] - 数据重新定时后进入光端 解耦光信号和电信号传输挑战[130] - Chiplet速度达8Tbps[137] - 测试显示230mV眼图 约5天测试所有16 UCIe模块无错误 累积比特达1.8019e+18 BER为0.0000e+00[142] - 一体封装500W设备 热循环测试重要因芯片加热冷却导致材料膨胀收缩改变光传播方式[150] - 端到端测试10小时链路测试结果 公司从EVT进入DVT阶段即将量产[156][159] Lightmatter Passage技术 - 公司推出Passage M1000 将共封装光学器件和硅光子技术带入Chiplet时代[170] - 新解决方案承诺最高达114Tbps带宽 即每个方向57Tbps[184] - 采用3D堆叠芯片 光发射器/接收器需紧凑 GPU芯片连接SerDes SerDes连接光端[188] - 使用硅微环调节光 实现非常紧凑光学I/O[191][193] - 微环直径约15um 功耗约1mW 传输损耗<10dB 兼容O-band和C-band[196] - 公司有16种波长激光称为Lightmatter指南[196] - 设备具光路交换功能实现冗余[211] - M1000是迈向超过200Tbps XPU和超过400Tbps带宽交换机第一步[224] - 公司表示已做好生产准备 将在SC25大会公开演示[226][231] 行业动态与创新 - 曦智科技联合燧原科技推出国内首款xPU-CPO光电共封芯片[233] - OpenLight Photonics完成3400万美元A轮融资 加速硅光子学过渡[234] - 硅光子学解决AI连接瓶颈 因网络限制大多数AI开发者仅利用约25% GPU容量[234] - 公司设计构建光子专用集成电路(PASIC) 为光互连提供动力[235] - PASIC帮助使现有基于光子学互连速度更快 传统硅光子学性能上限约每波导200Gbps[236] - 公司提供设计服务和工艺设计套件(PDK) 基于磷化铟和硅光子学异构集成[236] - 客户可定制PASIC 首批客户2025年底开始生产 2026年带来首笔专利费收入[237] - 计划扩展PDK库 提供速率达400Gbps调制器和更先进片上激光技术[238] - 光互连快速采用不可避免 因AI模型数据需求增加和降低基础设施成本愿望[239]

展会概况 - 第22届深圳国际电子展暨嵌入式展(elexcon2025)于8月26日在深圳福田会展中心开幕 主题为"All for AI, All for Green" 聚焦嵌入式AI与边缘计算、存储、功率半导体等领域 [1] - 展会吸引全球400多家嵌入式和电子技术供应商参展 包括安勤、研华、瑞萨、国民技术等企业 [8] - 展会首日超过10000名专业观众入场 现场特设AI玩具、机器人和AI眼镜生态专区备受关注 [8] - 同步举办15多场论坛 涉及AI算力、智能驾舱、新能源汽车三电技术等热点议题 [8] 技术会议 - 展会同期举办2025第七届中国嵌入式技术大会 邀请高通、瑞萨、arm、NXP等企业嘉宾 [3] - 会议围绕嵌入式AI、边缘AI、端测AI、具身智能等热门议题展开讨论 [3] 高通技术展示 - 高通产品市场总监介绍公司于2025年2月推出高通跃龙品牌 专注工业物联网、蜂窝基础设施和工业连接领域 [5] - 高通跃龙IQ系列为工规级产品 支持-40℃至125℃极端环境运行 提供10年以上长期产品支持 [5] - 产品最高可实现100 TOPS稠密算力 具备高可扩展性与高可靠性 [5] - 公司在AI领域有超过15年积累 计算领域超过20年深耕 通信领域40年技术经验 [5] - 软件层面支持多操作系统和软件架构 提供完整开发方案和AI工具链 [5] 生态合作 - 高通连续四年发布物联网应用案例集 与超过70家合作伙伴共同打造 [6] - 案例集覆盖十大行业 包含超过150个案例 展示中国企业借助高通解决方案开拓海外市场的实践 [6] 配套活动 - "Kaifa Gala 大湾区开发者/工程师嘉年华"活动联合50多家社群 邀约超过10000名工程师参与 [10] - 活动展示海量新技术和新产品demo 厂商提供免费开发板受到工程师欢迎 [10]

全球半导体人才竞争与薪酬策略 - 全球芯片制造商如Nvidia和台积电依赖股权激励留住员工，Nvidia员工流失率仅2.5%，远低于行业平均16% [2] - 台积电2023年员工总薪酬达6.6万亿韩元（48亿美元），平均每人8600万韩元，通过限制性股票奖励（RSA）成功留住顶尖工程师 [2] - 韩国公司如三星和SK海力士以现金奖励为主，绩效奖金与短期利润挂钩，影响年轻工程师求职策略 [3] 韩国绩效奖金体系与争议 - SK海力士奖金由绩效分享（营业利润10%）和生产力激励（最高月薪150%）构成，2023年营业利润23.5万亿韩元推动支付150%生产率激励和1000%绩效分享 [4] - 工会要求营业利润10%全部分配，管理层提议上限1700%基本工资（约2.5万亿韩元），剩余一半用于储蓄和养老金 [4][5] - 三星采用目标达成激励（半年最高月薪100%）和超额利润激励（年最高基本工资50%），但2023年因市场低迷激励降至零 [5][6] 股票薪酬转型与挑战 - 三星2024年开始以股票形式发放绩效激励，旨在强化管理和问责制 [6] - SK海力士2023年推出股东参与计划，员工可兑换10%-50%奖金为公司股票，持有超一年获15%额外现金奖励，2024年60%员工选择股票 [6] - 韩国员工偏好现金，股票薪酬可能引发反弹，但有助于争夺全球人才 [6][7] 工作时间政策分歧 - SK海力士不要求豁免52小时工作制，三星认为限制竞争力，尤其影响代工业务研发周期 [8] - 材料和设备供应商指出关键研究需在法定外时间进行，测试延迟拖慢开发速度 [8] - Nvidia和台积电以长时间工作搭配工作保障和股票奖励，韩国公司更注重现金导致奖金纠纷激烈 [8] 结构效率与技术创新 - 半导体公司试验AI优化流程，如SK海力士引入AI虚拟计量技术，质量波动降低29%并提高良率 [10][11] - 初创公司开发缺陷检测系统（如Ohlabs和PIE），检测时间缩短30倍，但大客户采用缓慢 [12] - 专家强调需加大自动化和效率投资，减少对全天候劳动力依赖 [10]

财务表现 - 2025年上半年实现营业收入28.81亿元，同比增长4347.82% [2] - 归母净利润10.38亿元，去年同期亏损5.30亿元，实现从巨亏到巨盈的转变 [2] - 云端产品线贡献收入28.70亿元，占总收入比例高达99.6% [2] 研发投入 - 研发投入较上年同期增长2.01%，占营业收入比例为15.85% [3] - 由于营业收入增长幅度远高于研发投入增长幅度，研发投入占营业收入比例较上年同期减少675.07个百分点 [3] 公司背景与业务 - 公司专注于人工智能芯片产品的研发与技术创新，致力于打造人工智能领域的核心处理器芯片 [4] - 主营业务是应用于各类云服务器、边缘计算设备、终端设备中人工智能核心芯片的研发、设计和销售 [4] - 主要产品线包括云端产品线、边缘产品线、IP授权及软件 [4] 产品线详情 - 云端产品线包括云端智能芯片及板卡、智能整机，为云服务器、数据中心提供高计算密度、高能效的硬件计算资源 [5] - 边缘产品线结合边缘计算和人工智能技术，推动智能制造、智能零售、智能教育、智能家居、智能电网等领域发展 [6] - IP授权及软件产品线包括IP授权和基础系统软件平台，为云边端全系列智能芯片与处理器产品提供统一的平台级基础系统软件 [7] - 智能计算集群系统业务将自研智能计算板卡或智能整机产品与合作伙伴提供的服务器设备、网络设备与存储设备结合，配备集群管理软件组成数据中心集群 [8]

文章核心观点 - ARM架构在DPU市场已取代英特尔和AMD占据主导地位 但RISC-V凭借其开放可定制特性正成为潜在颠覆者 可能重新定义DPU架构竞争格局 [1][4][12] DPU市场现状与规模 - 全球DPU市场规模预计从2023年15亿美元增长至2032年98亿美元 复合年增长率达22.8% [3] - ARM内核目前占据DPU出货量绝大部分份额 英特尔IPU尚未获得广泛市场吸引力 [3] - 中国正加速自主采用RISC-V DPU作为关键基础设施组件受地缘政治因素推动 [3] RISC-V技术优势 - 提供开放式指令集架构 企业可根据具体工作负载进行定制化设计 [6] - 支持同步多线程技术 每核最多四线程 提升高内存或I/O延迟工作负载吞吐量 [6] - 矢量扩展可映射数据包处理/加密/存储加速 矩阵扩展可编程性覆盖AI推理和安全领域 [7][9] - 避免ARM专利授权费用 保持与Linux/TensorFlow/PyTorch等开源堆栈兼容性 [7] 架构演进路径 - RISC-V实现从标量到矢量再到矩阵的演进 完整覆盖DPU标量控制/可矢量化数据包处理/矩阵密集型任务需求 [9] - 通过融合标量/矢量/矩阵可编程性提供跨越式发展途径 突破ARM标量核心加固定加速器的传统模式 [10] 行业竞争格局重塑 - 超大规模计算企业渴望架构替代方案以优化功耗/性能和自主权 [4][10] - 开放生态系统避免单一供应商垄断 培育多条发展路径 [10] - 主要供应商可设计针对DPU架构优化的定制CPU 无需依赖ARM许可条款和路线图 [10] - AI驱动数据中心架构发展 DPU从网络功能扩展至协调计算/存储/AI流程的全新定位 [11]

X86服务器CPU市场竞争格局 - AMD在2025年上半年X86服务器CPU市场收入份额超过40%，出货量份额超过27% [2] - 英特尔预计在2025年仍将占据X86服务器CPU近60%收入份额和超过72%出货量份额 [2] - 超大规模计算和云构建商加大自研Arm服务器CPU使用力度，加剧X86服务器插槽竞争 [3] 英特尔下一代处理器技术突破 - 英特尔计划2026年推出基于18A制造工艺的Clearwater Rapids至强7 P核处理器和Clearwater Forest至强7 E核处理器 [2] - 18A工艺采用RibbonFET环绕栅极3D晶体管，较英特尔3工艺同功耗性能提升15%，同面积芯片密度提升30% [7] - 18A工艺结合PowerVia背面供电技术，实现晶体管尺寸缩小和功耗降低 [7] - Clearwater Forest采用3D Foveros芯片堆叠技术，通过混合键合连接18A工艺核心芯片与英特尔3工艺基座芯片 [12] 处理器架构性能提升 - Darkmont E核心每时钟指令数较Sierra Glen核心提升17% [16] - 核心解码能力从每周期6条指令提升至9条指令，增幅达50% [18] - 乱序执行引擎宽度从5条指令扩展至8条指令，执行端口数量提升50%至26个 [20] - 内存子系统每周期执行3次加载（提升50%）和2次存储 [22] - 二级缓存带宽达到200GB/秒，是前代产品的两倍 [16] 平台级性能表现 - 双插槽Clearwater Forest平台配备576个核心和1,152MB L3缓存 [24][27] - 平台内存带宽达到1,300GB/秒，配备12个DDR5内存通道运行于8GHz [26] - 提供96条PCI-Express 5.0通道，总带宽1,000GB/秒，其中64条可分配予CXL设备 [26] - 双处理器间通过144条UPI互联链路实现576GB/秒带宽 [26] - 理论浮点运算能力达到59万亿次，具体精度规格未明确披露 [27] 半导体制造工艺演进 - 英特尔18A工艺标志着从FinFET向RibbonFET晶体管架构的根本转变 [7] - 台积电2纳米N2工艺已被AMD用于Zen 6核心流片，预计2026年量产 [4] - 英特尔3D封装技术面临良率挑战，导致Diamond Rapids产品延期至2026年 [3]

公众号记得加星标⭐️，第一时间看推送不会错过。 目前，人工智能的大部分价值都集中在半导体领域，例如超大规模企业、二级云计算提供商以及争相 构建人工智能基础设施的企业。从 GPU 和加速器，到内存（HBM、DDR）和光互连，芯片是人工 智能经济的支柱，为从云平台、模型、框架到应用程序的一切提供支持。 根据 Counterpoint Research 的最新研究，预计全球半导体收入将从 2024 年到 2030 年翻一番，达 到 1 万亿美元以上，这得益于人工智能转型为 GenAI、 Agentic AI 和 Physical AI 应用构建基础设 施和消费终端。 主要的催化剂将是先进AI服务器基础设施的发展，其驱动力在于未来AI应用需求的持续快速增长。 目前，这些需求主要来自超大规模计算平台，无论是短期还是长期，这将支持GenAI在文本领域以及 音频和视觉领域（短期内）走向成熟，并支持其在物理AI领域（长期内）走向成熟。 " 随 着 代 币 成 为 新 的 人 工 智 能 货 币 ， 我 们 正 在 见 证 ' 代 币 经 济 ' 的 崛 起 ， " 研 究 副 总 裁 Neil Shah 表 示。"随着市场从 ...

Linux操作系统发展历程 - 1991年8月25日芬兰计算机科学系学生Linus Torvalds首次公开宣布开发免费操作系统项目 最初被描述为"业余爱好"且规模不及GNU [2] - 初始开发针对Intel 386和486克隆机平台 项目自1991年4月启动 首个0.01版本于1991年9月17日正式发布 [6][7] 技术特性与命名渊源 - 早期Linux具备多线程文件系统特性 且明确不包含Minix代码 但受限于Intel x86平台架构导致不可移植 [6] - 操作系统原名"Freax"为自由(free)与X的混合词 因FTP服务器管理员认为名称不具吸引力 在未获授权情况下于1991年9月1日更名为"Linux" [7] 行业影响与发展前景 - 经过34年发展 Linux成为自由软件社区的重大成功案例 其极佳可移植性与适应性支撑了各类设备生态系统 [7] - 随着Windows 10退役及SteamOS向桌面端扩展 2025年可能成为Linux在消费级市场实现突破的关键年份 [7]

文章核心观点 - 互联网公司自研AI芯片面临根本性挑战 核心矛盾在于芯片行业本质是制造业而非纯数字产业 需要完全不同的生产资料掌控能力、供应链管理能力和组织文化[4][5][7] - Google TPU成功的关键在于其能融合制造业与数字产业的差异化文化 而其他OTT企业缺乏这种包容性[4][7] - 自研芯片的真正价值不在于短期ROI计算 而在于通过提升研发效率缩短周期来应对AI技术的快速迭代 传统芯片开发周期需24-36个月无法匹配AI发展速度[8][10][12] 行业本质认知 - 芯片行业是伪装成高科技的制造业 最大特征是需要物理生产资料和极长产业链条 与OTT轻资产模式根本不同[5] - 芯片设计数字化部分只是中间产物 最终产品是硅/铜/铝混合的物理实体 涉及下单/备货/库存/检验等实体操作[6] - 制造业反馈环路长达三年才能看清成败 需要几代人积累制造流程经验 与OTT快速组织变化格格不入[6][7] 研发效率瓶颈 - 传统芯片开发流程中从Coding Done到GDS需4个月 GDS到硅片需4-6个月 总周期8-10个月[8][10] - 实际从开工到客户上电需36个月以上 这种速度无法适应AI技术快速演变[10][12] - 现有流程强求100%成功率反而阻碍创新 在不确定环境中应采用饱和攻击策略 接受30%成功率但多项目并行[12] 成本结构分析 - 自研AI芯片初始投资需20亿人民币起步 若量产1万颗则单芯片成本摊薄至20万元 量产10万颗成本仍达2万元[11] - 国内能单代芯片量产超10万颗的企业寥寥无几 盈利模式面临根本挑战[11] - 成本计算不应简单对比Nvidia采购价 需考虑团队长期价值观维持难题 内部服务团队易出现礼乐崩坏[7][11] 破局可能性 - 特斯拉和造车新势力启示在于效率革命 雷军半年推新款对比大众两年周期形成降维打击[12] - 潜在突破点在于将Coding Done到GDS周期从4个月压缩至1个月 去除可靠性测试等传统环节[10][12] - OTT企业擅长系统解构能力可应用于削减后天增加的流程复杂度 但需跨越制造业明坑[9][11][12]