摘要

Sailesh Chittipeddi討論人工智能在半導(dǎo)體設(shè)計(jì)和制造中的作用。

Sailesh Chittipeddi——Executive VP and GM, Embedded Processing, Digital Power and Signal Chain Solutions Group

半導(dǎo)體產(chǎn)業(yè)正在經(jīng)歷一場(chǎng)由數(shù)字化轉(zhuǎn)型引領(lǐng)的結(jié)構(gòu)性變革，人工智能（AI）技術(shù)融入產(chǎn)品研發(fā)過(guò)程進(jìn)一步加速了這一轉(zhuǎn)型。與此同時(shí)，摩爾定律從晶體管微縮向系統(tǒng)級(jí)微縮的演進(jìn)以及新冠疫情引發(fā)的全球電子供應(yīng)鏈重塑，也為半導(dǎo)體產(chǎn)業(yè)轉(zhuǎn)型提供了新的機(jī)遇和挑戰(zhàn)。

一月早些時(shí)候，我在加利福尼亞州半月灣舉行的“2024年度行業(yè)戰(zhàn)略研討會(huì)”上發(fā)表了有關(guān)這一主題的演講。每年，來(lái)自整個(gè)芯片行業(yè)的領(lǐng)袖們都會(huì)借此契機(jī)齊聚一堂，分享他們對(duì)技術(shù)和趨勢(shì)驅(qū)動(dòng)因素的見(jiàn)解，以及這些因素可能對(duì)我們各自業(yè)務(wù)所帶來(lái)的影響。

從20世紀(jì)70年代初至2005年左右，芯片性能提升主要?dú)w功于光刻技術(shù)的進(jìn)步，和晶體管密度與能效的提高，所帶來(lái)的時(shí)鐘頻率提升。然而，隨著晶體管數(shù)量的激增（和裸片尺寸的增大），時(shí)鐘頻率不再受限于晶體管的性能，而是主要受到互連延遲的影響。為了克服這一挑戰(zhàn)，設(shè)計(jì)人員轉(zhuǎn)而采用多核設(shè)計(jì)，在不大幅增加功耗的情況下提高系統(tǒng)性能。同時(shí)，先進(jìn)的封裝技術(shù)，例如小芯片（chiplet）和多芯片模塊（multi-chip modules），則進(jìn)一步幫助提升了系統(tǒng)性能，尤其是在人工智能芯片領(lǐng)域。

單個(gè)芯片封裝可以包含多個(gè)chiplet，分別承載特定功能，例如高性能邏輯元件、AI加速器、高帶寬DDR存儲(chǔ)器，和高速外設(shè)。通常情況下，這些組件來(lái)自不同的晶圓廠(chǎng)，由此導(dǎo)致了全球供應(yīng)鏈的碎片化趨勢(shì)。這帶來(lái)了一系列挑戰(zhàn)，因?yàn)閬?lái)自多個(gè)晶圓廠(chǎng)的裸片必須被集成至一個(gè)封裝或系統(tǒng)中，還必須經(jīng)過(guò)徹底的測(cè)試，而在此階段測(cè)試失敗將產(chǎn)生巨大的財(cái)務(wù)損失。為應(yīng)對(duì)此類(lèi)挑戰(zhàn)，我們需要在產(chǎn)品開(kāi)發(fā)中采取“左移”的思路，將重點(diǎn)從單純的架構(gòu)/設(shè)計(jì)，轉(zhuǎn)移至最終的系統(tǒng)測(cè)試與質(zhì)量。這對(duì)于我們所處的行業(yè)及其供應(yīng)鏈管理都具有重要意義。

新冠疫情期間出現(xiàn)的供應(yīng)鏈挑戰(zhàn)進(jìn)一步加速了供應(yīng)鏈組件的去中心化趨勢(shì)。2022年至2024年12月，全球共有93座晶圓廠(chǎng)開(kāi)工建設(shè)。相比之下，2021年新增后端測(cè)試設(shè)施則達(dá)到484個(gè)，這一對(duì)比凸顯了芯片行業(yè)為提升產(chǎn)能和產(chǎn)品良率所做的不懈努力。

AI在半導(dǎo)體設(shè)計(jì)和制造中的作用

那么，AI又會(huì)在哪些方面對(duì)此產(chǎn)生影響？

人工智能將發(fā)揮關(guān)鍵作用的地方是，從分析模式到預(yù)測(cè)模式的轉(zhuǎn)變。目前，我們通常是被動(dòng)地等待問(wèn)題的出現(xiàn)，然后通過(guò)分析歷史數(shù)據(jù)追溯根本原因，并防止它再次發(fā)生。這種“事后諸葛亮式”的做法增加了供應(yīng)鏈中所耗費(fèi)的時(shí)間、成本，也增加了不確定性和浪費(fèi)。相比之下，AI使我們能夠基于當(dāng)前實(shí)時(shí)數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)的結(jié)果，從而實(shí)現(xiàn)主動(dòng)干預(yù)和風(fēng)險(xiǎn)規(guī)避。

告別了過(guò)時(shí)的電子表格分析，我們正在積極擁抱智能化時(shí)代。相比于傳統(tǒng)基于靜態(tài)歷史數(shù)據(jù)的分析，我們構(gòu)建了可持續(xù)學(xué)習(xí)的AI模型，生產(chǎn)工程師能夠不斷注入新的數(shù)據(jù)進(jìn)行訓(xùn)練。值得一提的是，這些“新”數(shù)據(jù)不再僅僅是一組數(shù)字或測(cè)量值，而是延伸到了更豐富的非結(jié)構(gòu)化數(shù)據(jù)，例如裸片照片、設(shè)備噪聲、時(shí)間序列傳感器數(shù)據(jù)和視頻等，助力實(shí)現(xiàn)更為精準(zhǔn)的預(yù)測(cè)和高效的決策。

數(shù)據(jù)的最終價(jià)值在于行動(dòng)。我們的最終目標(biāo)，是要從海量數(shù)據(jù)點(diǎn)中提取可用的信息。換句話(huà)說(shuō)，如果這些數(shù)據(jù)不能用于進(jìn)一步行動(dòng)的參考，那大部分是無(wú)用的。遺憾的是，當(dāng)今企業(yè)產(chǎn)生的90%的數(shù)據(jù)從未被使用過(guò)，這是“暗數(shù)據(jù)”。然而，這種情況也發(fā)生在人工智能領(lǐng)域。在A(yíng)I的實(shí)施過(guò)程中，46%的項(xiàng)目停留在試驗(yàn)階段，難以邁向?qū)嶋H生產(chǎn)。究其原因，往往是項(xiàng)目的復(fù)雜性超過(guò)了一定范圍，缺乏妥善的規(guī)劃和控制。

Digital Transformation Analysis to Prediction

盡管存在這些挑戰(zhàn)，設(shè)備制造商已經(jīng)開(kāi)始將數(shù)字化轉(zhuǎn)型技術(shù)應(yīng)用至產(chǎn)品開(kāi)發(fā)流程中，獲得的收益也顯而易見(jiàn)。波士頓咨詢(xún)集團(tuán)的研究發(fā)現(xiàn)，已在供應(yīng)鏈和設(shè)計(jì)鏈強(qiáng)化彈性的企業(yè)，從新冠疫情衰退中恢復(fù)過(guò)來(lái)的速度是尚未接受數(shù)字化轉(zhuǎn)型公司的兩倍。

瑞薩近期收購(gòu)了一家名為Reality AI的公司。該公司打造了一種在微控制器或微處理器上運(yùn)行的緊湊型機(jī)器學(xué)習(xí)模型。它可以快速識(shí)別可能導(dǎo)致設(shè)備問(wèn)題的異常模式。這樣，制造設(shè)施便可以安排預(yù)防性維護(hù)，或最大限度縮短因設(shè)備突發(fā)故障而導(dǎo)致的停機(jī)時(shí)間。

數(shù)字化轉(zhuǎn)型是我們行業(yè)的未來(lái)保障

今天，以AI為基礎(chǔ)的數(shù)字化轉(zhuǎn)型已成為企業(yè)成功的關(guān)鍵。在半導(dǎo)體行業(yè)，我們正面臨著重大變革——這意味著積極采用系統(tǒng)級(jí)設(shè)計(jì)模式，以應(yīng)對(duì)不斷變化的全球供應(yīng)鏈——數(shù)字化轉(zhuǎn)型和“左移”策略是雙管齊下的強(qiáng)大工具。

首先，借助經(jīng)優(yōu)化的工具與設(shè)計(jì)流程能夠顯著提高生產(chǎn)力。距離可能發(fā)生故障的地方越近，就能越快地了解情況，從而可以更迅速地學(xué)習(xí)和解決問(wèn)題。

其次，也許也是最重要的一點(diǎn)，數(shù)字化轉(zhuǎn)型解決了芯片設(shè)計(jì)行業(yè)面臨的最大問(wèn)題之一——人才問(wèn)題。通過(guò)縮短芯片設(shè)計(jì)所需的時(shí)間，我們的工程人員會(huì)比以前更為高效。這在半導(dǎo)體行業(yè)人口結(jié)構(gòu)日益老化的情況下變得尤為重要。

結(jié)語(yǔ)

擁抱數(shù)字化轉(zhuǎn)型，就是擁抱未來(lái)。半導(dǎo)體行業(yè)乃至所有行業(yè)，唯有堅(jiān)持不懈地探索創(chuàng)新之路，才能在變幻莫測(cè)的商業(yè)環(huán)境中乘風(fēng)破浪，締造輝煌。