AI对芯片行业的重塑 - AI挖掘海量数据模式的能力正在改变芯片的使用、设计、封装和制造方式，尤其在高性能AI架构中显著[1] - 传统半导体设计孤岛被打破，行业重新思考设计团队组织方式及AI在芯片设计中的应用[1] - AI将重塑EDA工具，涉及芯片规范、验证、制造及多领域（热性能、机械应力等）协同分析[1][3] 跨职能团队与流程变革 - 公司重组跨职能AI团队，整合工程与上市团队以解决低功耗混合等复杂问题[2] - 验证工程师需组建跨垂直领域团队，覆盖全定制模拟至芯片制造前测试的全流程[2] - 设计团队从单一RTL编写转向整合功能、电气及多物理场模型（热、应力、流体动力学）[3] AI驱动的EDA工具发展 - AI技术被嵌入EDA业务部门，用于处理千亿门级设计的仿真与大数据分析[4] - 芯粒设计需并行工作流，团队需交换时序/功耗信息并通过UCIe等标准接口集成[4] - 3D-IC设计复杂性激增，代工厂路线图重点布局，系统公司加速推进3D堆叠技术[7][8] 芯粒与先进封装趋势 - 2022年ChatGPT推动生成式AI投资，加速多芯片组件与先进封装技术采用[6] - 芯粒通过die-to-die PHY互连，需优化延迟/带宽并简化适配器以降低3D集成开销[7] - 封装技术主导设计周期，架构阶段耗时增加，封装设计从末置转为起点[7] 硬件-软件协同挑战 - AI内核需平衡面积、功耗、性能，软件兼容性成为复杂IP集成的关键瓶颈[9] - 训练处理器通用性强，但推理加速器固定功能设计可能因模型迭代而失效[9] - 多芯片系统中硬件-软件堆栈适配问题凸显，需动态应对快速演进的AI框架[8][9] 未来风险与技术博弈 - AI推动复杂性上升，可能引发硬件不兼容、静默数据错误及安全攻击面扩大[11] - AI黑盒特性限制可追溯性，需行业协作以提高可预测性并降低风险[11] - 讽刺性解决方案在于利用AI自身能力来驯服其引发的复杂性[11]

生成式人工智能时代 - 英伟达CEO黄仁勋在GTC 2025演讲中强调，AI技术已从意识AI（Perception AI）演进至生成式AI（Generative AI），目前进入代理式AI（Agentic AI）时代，未来将迈向物理AI（Physical AI）即机器人时代 [3] - 代理式AI正经历拐点，AI智能化程度和应用范围持续扩大，算力需求激增，需关注AI模型的训练与扩展，包括预训练扩展、训练后扩展及测试时间扩展（"长思维"） [5] 最新硬件与技术路线图 - 发布Blackwell Ultra AI工厂平台，专为AI推理设计，包含GB300（基于Arm的CPU）和B300（GPU）两个版本，带宽为前代GB200的2倍，内存速度提升1.5倍，2025年下半年出货 [8] - 公布2026-2028年数据中心路线图：2026年推出Vera Rubin芯片（NVLink 144技术加持，性能为GB300 NVL72的3.3倍），2027年推出Rubin Ultra（FP4推理能力达15EF，性能为GB300 NVL72的14倍），2028年推出Feynman架构芯片 [8][9] - 首次公开硅光芯片进展，具备高运算速度、低功耗和低时延特性，无需依赖极紫外光刻机（EUV） [10] 市场需求与行业进展 - Blackwell芯片推出一年内，全球前四大云服务商采购量从2024年的130万片Hopper架构芯片增至2025年的360万片Blackwell芯片，预计2028年数据中心建设支出达1万亿美元 [10] 机器人产业布局 - 黄仁勋称机器人产业"很可能是未来最大的产业"，发布全球首款开源人形机器人基础模型GR00T N1，并展示与谷歌、迪士尼合作的机器人Blue [11] - 开发开源物理引擎Newton（预计2025年完成），用于机器人模拟学习，迪士尼将首批应用该技术改进娱乐机器人 [13] - 推出机器人开发工具如Mega（测试大规模部署效果），支持现实数据导入进行模仿学习或强化学习 [13] - 与通用汽车合作开发自动驾驶车队，优化智驾体验及工厂设计 [13]