铃阅时讯
❌

普通视图

昨日发布 — 2026年11月17日 ⏭ 半导体行业观察

STM32,重大战略升级!以统一的 STM32 MCU 平台释放物理AI潜能

2026年11月17日 09:25

STM32 2026-11-17 09:25 安徽

以下文章来源于:STM32

STM32

意法半导体STM32 MCU&MPU广泛应用于工业控制、消费电子、物联网、通讯设备、医疗服务、安防监控等领域。本公众号将与您分享最新的产品、市场活动及培训。

统一的STM32 MCU平台为物理AI创新奠定了坚实的基础,让我们携手迈向STM32创新的下一波浪潮。

扫码报名11-12月的 STM32 研讨会,

相约北京、成都&深圳👇

产线里,控制终端通过数据分析提前发现故障隐患;道路上,软件定义汽车基于实时感知做出决策;现实中,人形机器人在汽车产线、物流仓储等场景开始规模化部署……这些场景看似彼此独立,却指向同一件事:AI的上一程在云端,下一程在物理世界里。

一台物理AI设备要同时应对实时控制、传感、功能安全、信息安全、长生命周期供货等多重要求,智能产品的成败不再只看单个MCU,而是看平台。正是基于这一判断,2026年11月4日,意法半导体(ST)在2026 STM32全球线上峰会上发布重大战略升级,即满足工业、汽车和机器人应用的统一的STM32 MCU平台。

意法半导体微控制器、数字IC与射频产品部总裁Remi El-Ouazzane表示:“嵌入式创新,不应让开发者每开发一款新产品都从零起步。整个行业需要减少碎片化,更聚焦于推动MCU技术向统一平台收敛,同时最大限度实现软件复用。这正是我们推出统一的STM32 MCU平台的原因,它是一个跨市场、跨产品世代、值得开发者信赖的技术底座。”

物理AI系统设计的现实挑战

物理AI的爆发势不可挡。仅以人形机器人为例,其市场机会正迅速逼近每年1000亿美元,而整个工业机器人市场的规模更是数倍于此。软件定义系统与物理AI的发展,正推动汽车、工业与机器人等领域的底层技术走向融合:人工智能、传感、连接、控制、功能安全与信息安全,正在成为跨越市场边界的共享技术基础。

然而,在客户将传统解决方案推向物理AI的进程里,四类挑战反复出现:

技术融合带来的复杂度提升:AI、传感、连接、控制、功能安全、信息安全与软件生命周期管理同时叠加在同一套器件上,系统从孤立的硬件定义产品,转向互连、安全、软件定义形态,并日益需要在现实世界中自主行动,复杂度指数级跃升。

软件体量成倍增长与复用率之痛:随着软件定义功能持续增加,开发团队面对的是持续膨胀的软件栈。如何在产品形态转变与代际之间提升软件复用率,减少开发流程的碎片化,已成为决定项目成本与周期的关键变量。

实时性、算力与功耗/成本的平衡:在机器人关节、车身区域端点或高功率密度电源场景中,性能至关重要,但系统功耗与成本往往受到严格限制。客户需要在成本、算力、功耗、连接性、集成度之间找到恰当的平衡点。

长生命周期下的安全认证负担:汽车与工业应用的生命周期以十年计,且必须长期保持功能安全与信息安全能力。如何在长生命周期内维持合规、获得长期供货保障,并在设计导入到量产的全流程中获得稳定支持,是每一家设备制造商都必须回答的问题。

在碎片化的单点方案上各自为战,已无法从根本上化解这些矛盾。因为,答案不在某一颗更快的芯片里,而在平台里。

统一的STM32 MCU平台

支撑物理AI高效创新

面对上述挑战,统一的STM32 MCU平台为开发者提供三大创新基石,全面支撑物理AI的系统级创新。

产品组合的一致性与延续性

统一的STM32 MCU平台充分保证产品组合的一致性与延续性。STM32全系产品基于Arm® Cortex®-M内核(Cortex-M33、M55、M85等)。此前STM32产品组合已覆盖高性能、主流、混合信号、超低功耗与无线MCU,拥有4500多个产品型号、10万多家客户,累计出货200亿颗。本次峰会,意法半导体还发布了多款重磅新品。

全新STM32A系列融合了意法半导体二十年通用MCU与汽车MCU的设计经验,是面向汽车与高功能安全嵌入式应用的全新系列。意法半导体嵌入式处理业务执行副总裁Maria Heriz表示:“STM32A系列将STM32的可扩展性、兼容IP、软件理念、工具与生态连续性,引入车规级和高功能安全环境,帮助客户在熟悉的生态基础上,拓展到更高功能安全等级的应用。”

意法半导体通用及汽车微控制器业务集团副总裁及总经理Patrick Aidoune介绍到,STM32A首批产品路线图包括:入门级节点STM32A4(最高0.5MB存储,支持QM/ASIL-B/crypto)、面向车身与舒适域的STM32A5(最高4MB存储,支持ASIL-B功能安全与HSM),以及面向多域控制的STM32A9(最高12MB存储,支持ASIL-D功能安全、分离锁架构与HSM)。这三款STM32A微控制器现已向客户提供样片,计划于2027年扩大供应范围。

新产品STM32G5全新混合信号MCU,面向AI服务器数字电源和具身智能机器关节实时控制及高端电机应用。作为意法半导体首款基于Arm® Cortex®-M33内核的混合信号MCU,STM32G5运行频率高达280MHz,CoreMark得分达1136,约为上一代STM32G4的两倍。在信息安全方面,STM32G5以SESIP Level 3与PSA Certified Level 3为认证目标,并增加了对后量子加密(PQC)的支持,让客户在继续使用TrustZone与信任根等经典安全功能的同时,也能部署PQC库。

此外,意法半导体也升级了STM32H7系列,带来性能更强的STM32H7P。作为STM32H7系列中性能最强的内置Flash器件,STM32H7P首次将520MHz的Arm® Cortex®-M7内核、硬件信号处理器(HSP)以及算力高达82 GOPS的意法半导体Neural-ART神经处理加速器集成于单颗芯片,CoreMark得分接近2700,比大多数竞品高出150%。STM32H7P适用于数字电源PCS控制(光伏逆变)、边缘AI实时处理(AFCI)、工业实时控制及数字信号处理。

通用的生态系统

统一的STM32 MCU平台依托共同的生态系统,包含STM32Cube软件生态(含ST Edge AI Suite)与Arm生态,连同开发工具、软件组件与标准化支持模式,共同降低开发复杂性、加速落地。目前生态已积累10000余个软件示例、90余家嵌入式软件与工具合作伙伴、270余款STM32开发工具;意法半导体社区每月吸引逾30万独立访客。

此次峰会,意法半导体也带来了重磅的软件升级。自2019年推出STM32Cube.AI、今年初发布升级版STM32Cube.AI Studio以来,意法半导体已拥有丰富的AI模型库。本次升级后,Model Explorer以网页界面取代Model Zoo,让开发者按条件筛选、快速定位合适模型;Model Factory提供服务与工具,训练针对特定应用优化的定制模型;Dataset Factory帮助组织、管理与清洗数据;Model Bench则支持在意法半导体开发板上完成基准测试,并为意法半导体及第三方器件提供全新的量化工具。

跨领域共用工艺技术

共享工艺技术为统一的STM32 MCU平台带来更高赋能价值与供应韧性。比如40 nm嵌入式Flash存储器与18 nm FD-SOI(搭载嵌入式相变存储器ePCM)工艺,为跨域创新提供所需的性能、存储密度与可靠性,而这些能力依托于意法半导体自主管控、具备高韧性的供应链体系。

Remi El-Ouazzane指出:“统一的STM32 MCU平台让边缘AI、连接、功能安全与信息安全等关键支撑技术得以快速、可靠地导入不同市场。并让客户相信,今日构建的成果,在明日需求变迁时仍能持续创造价值。”

协作创新:ST × Arm,ST × 英伟达

在物理AI时代,生态协同比以往任何时候都更关键。意法半导体与Arm携手二十余载,这段合作历程塑造了今天大家熟知的STM32产品组合,并助力实现累计超过200亿颗的出货量。在本届峰会上,双方共同宣布一项重要进展:意法半导体将成为参与共同定义Arm Cortex-M产品组合未来发展的主要合作伙伴。同时,意法半导体已加入Arm于今年9月发布、面向物理AI的Arm Total Design项目,与100多家生态伙伴一道,共同界定机器人应具备的核心能力范围,加速行业发展。

意法半导体和英伟达的合作将助力具身智能更快落地。英伟达Holoscan Sensor Bridge(HSB)将作为STM32Cube生态系统中的原生组件,适配绝大多数STM32 MCU产品。同时,双方将协同构建机器人仿真系统。为此,意法半导体承诺为全产品线开发配套模型库 —— 覆盖传感、MEMS、微控制器以及执行器件,并将其接入仿真环境,支撑这一愿景落地。

结语

回顾这一轮变革,物理AI的应用场景虽然各不相同,但核心能力正日益趋同:嵌入式智能、安全连接、确定性控制以及完善的安全机制。这正是平台的重要性超越单一器件的原因。统一的STM32 MCU平台支持长期扩展,在具备复用价值的场景下打开跨领域复用空间;它通过减少碎片化开发缩短产品上市时间,凭借成熟技术、完善的生态系统及长期连续性降低投资风险与总体拥有成本;它让团队能够在产品变体与代际间复用知识、工具和软件,无需每次推倒重来。

统一的STM32 MCU平台为物理AI创新奠定了坚实的基础,让我们携手迈向STM32创新的下一波浪潮。

STM32全球线上峰会圆满落幕!接下来我们将走进北京、成都、深圳,和大家开展线下深度技术交流。扫描下方二维码,共赴这场嵌入式技术之约!

扫码观看STM32全球线上峰会直播回放👇

互动活动

活动规则:

一、评论区回答以下问题

1.统一STM32 MCU平台三大创新基石,说法正确的是()

A. 产品组合的一致性与延续性 

B. 共通的生态系统 

C. 跨领域共用工艺技术 

D.以上都是

2. 以下哪一款不属于本次STM32发布的新品? 

A. STM32A9 

B. STM32G5 

C. STM32H7P 

D. STM32F407

二、关注并置顶STM32公众号

搜索“STM32”公众号,关注并置顶,不再错过STM32的每一篇精彩内容。

我们从答题正确且将STM32公众号置顶截图发送到“半导体行业观察”后台的粉丝中,随机抽出5名幸运粉丝,每人送出STM32C0116-DK开发板一块。

活动时间:即日起-11月23日;

温馨提示:

1. 本活动仅限电子工程师及相关专业在校大学生参与;

2. 如有任何作弊行为,将取消活动参与资格;

3. 获奖名单将留言置顶公布。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

阅读原文

跳转微信打开

AI芯片预期,被大幅下调!

2026年11月17日 09:25

原创 编辑部 2026-11-17 09:25 安徽

半导体行业观察:AI基础设施投资的增长预期,正在发生一次明显变化。

公众号记得加星标⭐️,第一时间看推送不会错过。

AI基础设施投资的增长预期,正在发生一次明显变化。

11月13日,半导体研究机构SemiAnalysis发布最新模型调整,大幅下修未来几年全球AI加速器的资本开支、芯片出货量、HBM需求以及功耗预测。其中,2028年全球AI加速器资本开支预期从此前的1.054万亿美元降至7580亿美元,下调28%;2030年则从1.531万亿美元降至9230亿美元,下调约40%。

这轮调整中,英伟达成为受影响最大的公司。SemiAnalysis不仅大幅下调了英伟达未来几年的GPU出货预期,还下调了下一代Feynman系列产品的价格。相比之下,博通受到的影响较小,AMD也表现出一定韧性,亚马逊Trainium短期出货预期甚至没有变化。

这或许意味着,AI算力市场正在进入一个新的阶段:需求仍在增长,但此前市场对算力投资规模、芯片价格以及客户采购能力的乐观预期,开始面临重新评估。

全球AI算力投资预期,出现近万亿美元级别的调整

先来看整体市场。

根据SemiAnalysis最新预测,2027年全球AI加速器资本开支将从此前预计的7700亿美元降至6270亿美元,下调19%;2028年从1.054万亿美元降至7580亿美元,下调28%;2029年从1.352万亿美元降至7960亿美元,下调41%;2030年则从1.531万亿美元降至9230亿美元,下调约40%。

按照这一预测,2027年至2030年,全球AI加速器资本开支累计预期较此前减少约1.6万亿美元。此前市场预计,AI加速器年度资本开支将在2029年突破1万亿美元,如今这一时间表被明显推迟。

BigGo Finance在相关报道中指出,这次调整并不意味着AI算力需求消失,而是此前预期中的高速扩张正在降温。按照调整后的模型,全球AI加速器资本开支仍将从2026年的3920亿美元增长至2030年的9230亿美元,只是增长斜率明显放缓。2029年甚至可能只有约5%的同比增长。

SemiAnalysis给出的原因主要有三个。

首先,头部AI公司的收入增长出现放缓迹象。尤其是部分前沿AI实验室,第三季度新增年化经常性收入(ARR)增速不及此前预期。这使SemiAnalysis重新评估了AI模型商业化能够带来的收入,以及这些收入究竟能够支撑多大规模的算力投入。

其次,融资环境正在收紧。此前大量AI数据中心项目依靠债务融资和股权融资推进,但如今投资者对于缺乏大型云服务商采购承诺的项目更加谨慎。土地、电力、数据中心主体建筑以及后续设备采购,都可能受到影响。

此外,美国中期选举相关监管因素,也可能导致部分数据中心项目延期。SemiAnalysis预计,原本计划在2027年下半年至2028年上半年投产的约5.8GW数据中心容量可能推迟。不过,该机构强调,收入增长放缓和融资环境收紧才是此次调整的主要原因。

这次调整也传导到了半导体产业链。

SemiAnalysis将2026年至2030年全球AI加速器逻辑晶圆累计出货面积预测下调17%。其中,2029年的单年下调幅度达到24%。

HBM方面,2028年全球出货量预测从9.0EB降至6.4EB,下调30%;2029年从10.3EB降至7.9EB,下调23%;2030年从10.9EB降至9.6EB,下调12%。

与此同时,2030年全球AI加速器功耗需求预测从122.8GW降至80.7GW,下调34%。

这里有一个值得注意的细节:资本开支的下调幅度,并不完全等同于芯片实际需求的下调幅度。

以2030年为例,AI加速器资本开支预测下调约40%,但逻辑晶圆出货面积仅下调15%,HBM位元需求下调12%。这说明,此次调整除了出货量减少,还有相当一部分来自芯片售价和存储器成本预期下降。

SemiAnalysis认为,随着HBM供需关系逐渐改善,未来存储器价格将趋于正常化。此前AI基础设施投资增长中,有相当一部分来自存储器价格上涨,如今这部分价格溢价正在被重新调整。

因此,对于晶圆代工、半导体设备以及封装测试企业而言,不能简单地将AI加速器资本开支下调40%,理解为整个产业链需求也将减少40%。实际影响还要看晶圆面积、HBM位元需求以及具体产品出货量的变化。

英伟达承受最大压力,未来出货和产品售价双双下调

在主要AI芯片供应商中,英伟达无疑是这轮调整中最受影响的公司。

按照算力产品营收口径,SemiAnalysis将英伟达2027年至2030年的出货预测分别下调22%、39%、56%和66%;按照包含整个系统在内的总功耗口径计算,下调幅度分别为14%、35%、50%和59%。

更值得关注的是,英伟达未来产品的价格预期也出现明显变化。

SemiAnalysis认为,除了HBM成本下降带来的影响,英伟达还需要降低产品加价幅度,接受更低的毛利率,才能维持竞争力。

具体来看,Feynman的预估售价从约11万美元降至7.8万美元,Feynman Ultra从约17.5万美元降至9.8万美元,Feynman Next则从约19.1万美元降至11.8万美元。

其中,Feynman Ultra的价格预期降幅超过四成。

这意味着,英伟达未来面临的压力不仅是客户采购数量减少,还有产品定价能力受到挑战。而且,此次调整并不局限于GPU,还涉及Groq LPU和独立CPU。

为什么英伟达受到的冲击最大?

SemiAnalysis的解释是,大型AI客户正在拥有更多算力平台选择,英伟达GPU不再是所有场景下最具吸引力的方案。

以Anthropic为例,其目前使用的四大算力平台包括Google TPU、Amazon Trainium、AMD GPU和NVIDIA GPU。SemiAnalysis认为,从性能与成本的综合表现来看,英伟达GPU在这四种平台中处于相对边缘的位置,Anthropic更倾向于其他三种方案。

OpenAI也在改变采购策略。尽管其基础设施仍然以GPU为主,但AMD与OpenAI之间的认股权证协议,让AMD GPU具有额外的财务吸引力。此外,OpenAI还将优先部署自研ASIC Jalapeno以及下一代Serrano。

另一个不容忽视的因素是Neocloud(新兴云服务商)。

英伟达对Neocloud客户的业务敞口在主要供应商中最高,尤其是大量规模较小的长尾客户。这些企业通常需要先通过融资采购GPU,再通过出租算力回收投资。当资本市场收紧,缺乏大型客户采购承诺的项目便更容易受到影响。

此外,部分Neocloud的GPU承租方涉及中国终端客户。如果美国RASA法案获得通过,远程使用GPU也可能被视为出口行为,中国客户远程使用先进GPU将面临出口管制风险。

SemiAnalysis还特别说明,此次预测调整并未计入黄仁勋离开英伟达CEO职位可能产生的影响。即使黄仁勋继续留任,该机构也会作出相同的预测下修。不过,其认为领导层交接可能进一步增加英伟达市场份额流失的风险。

从近期交付情况来看,英伟达的产品节奏也出现了调整。

Vera Rubin L6板延期至第四季度,约10万颗Rubin GPU从第三季度移至第四季度,但2026年Vera Rubin全年出货量预期仍维持在约98万颗。

为填补第三季度的交付缺口,英伟达将增加约13万颗GB300出货;第四季度随着Rubin加速放量,GB300和H200出货预期则分别减少约26万颗和15万颗。

调整后,英伟达2026年第三季度和第四季度总营收预测分别约为1091亿美元和1253亿美元。此外,2027年面向微软的Vera Rubin机柜订单也减少了200柜。

博通相对稳健,联发科的TPU业务面临重新评估

与英伟达形成对比的是,博通在这轮调整中表现出更强的韧性。

SemiAnalysis将博通2026年至2030年ASIC业务累计营收预测下调11%,主要原因是HBM成本下降带来的产品售价调整,而不是大规模削减出货量。

博通的优势在于,其主要ASIC项目,包括Google TPU、OpenAI和Anthropic相关项目,在性能成本比和能效方面具备竞争力。更重要的是,博通还能够协助客户向债权人提供融资支持,涉及数据中心土地、电力、建筑主体以及系统建设。

在AI数据中心建设越来越依赖资本投入的情况下,能够帮助客户解决融资和基础设施建设问题,已经成为芯片供应商的一项重要竞争力。

当然,博通也有部分项目被调整。OpenAI第二代Serrano在2029年的预期规模减少约1GW,但2030年第三代产品的出货预期则大幅上调。

Google和Anthropic的TPU项目也出现小幅下修。其中,原计划2027年交付给Anthropic的700MW TPU被推迟至2028年。原因是德州部分数据中心建设进度存在不确定性:Crusoe/Goodnight项目约275MW的容量可能延期,而Hubbard的Nexus项目约330MW尚未取得许可。

相比博通,联发科受到的调整更加明显。

SemiAnalysis下调联发科TPU业务预期,主要是Anthropic融资能力变化导致需求减少,以及整体TPU市场需求重新评估。

其中,TPU v9系列受到的影响最大。Humufish在2028年至2029年的生命周期出货量减少约47万颗,主要反映EMIB-T工艺良率风险;TPU v9i(Triggerfish)的生命周期出货量则下调42%。

Triggerfish还有一层特殊意义。这款芯片是根据Anthropic的意见设计,原本有望成为联发科首款交付给外部客户Anthropic的TPU产品。

SemiAnalysis认为,在融资成为主要限制因素的情况下,博通能够为数据中心整体建设提供融资支持,这一点对Anthropic更有吸引力。

联发科的优势则在于整体系统成本较低,毛利率低于博通,在资本受限时仍然具有竞争力。但这需要Google承担更多融资责任,或者Anthropic提前支付更多款项。

值得注意的是,SemiAnalysis仍然看好联发科未来在TPU市场的份额,尤其是Google内部使用的TPU。即使经过此次下调,其对联发科2029年至2030年TPU出货量的预测,仍然高于博通以及AMD/Marvell。

AMD和亚马逊Trainium,成为相对受益的平台

AMD的预测同样有所下修,但幅度小于英伟达。

按照总功耗计算,AMD在2028年至2030年的预期分别下调23%、55%和57%;按照支出计算,则分别下调29%、35%和32%。2027年功耗预期基本持平,支出下调11%。

AMD受到的影响相对较小,与其客户结构有关。相比英伟达对Neocloud客户的较高敞口,AMD的客户更加集中在大型云服务商和AI实验室,包括Meta、OpenAI和Anthropic。

其中,Meta和OpenAI与AMD均存在认股权证协议,采购AMD系统具有额外的财务吸引力。Anthropic虽然没有类似协议,但AMD产品价格具有竞争力。在推理场景的每美元性能表现上,Anthropic将AMD排在TPU之后。

与此同时,AMD还将部分MI400产品的放量时间提前。约2.5万颗MI400,以及约3万颗Meta定制MI450-MC,均从2027年第四季度提前至2026年第四季度,反映出AMD对近期量产爬坡的预期有所增强。

至于亚马逊Trainium,2027年和2028年的出货预测完全没有下调。

SemiAnalysis认为,亚马逊的数据中心建设项目储备充足,受到融资环境变化的影响较小。此外,Trainium制造成本较低,终端客户使用成本也相对便宜,亚马逊还愿意针对Anthropic、OpenAI等关键客户提供策略性补贴。

2029年以后,亚马逊则将部分Trainium4的出货量转移至Trainium5,并延长Trainium5的部署周期至2030年,同时下调Trainium6的放量规模。

从这轮调整来看,AI算力市场并没有失去增长动力,但此前市场对未来投资规模的预期,显然过于乐观。

更重要的是,竞争的评价标准正在发生变化。

过去几年,英伟达凭借GPU性能、CUDA生态以及供应链优势,在AI算力市场占据主导地位。但随着大型AI企业开始部署更多自研ASIC,同时引入AMD GPU、Google TPU和Amazon Trainium,客户对单一供应商的依赖正在降低。

而在AI基础设施投资越来越庞大的情况下,芯片性能已经不是唯一的决定因素。产品成本、能效、融资能力以及数据中心建设进度,都开始影响最终的采购选择。

对于半导体产业链而言,这轮调整也释放出一个值得关注的信号:AI芯片市场的增长,正在从单纯追求算力规模,转向更加重视投资回报和整体系统成本的阶段。

英伟达面临的真正挑战,或许不只是出货预期下调,而是客户开始有了更多选择。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

英伟达发布一颗GPU:CUDA核心突破5万

2026年11月17日 09:25

半导体行业观察 2026-11-17 09:25 安徽

半导体行业观察:英伟达正在重新加码传统高性能计算(HPC)市场。

公众号记得加星标⭐️,第一时间看推送不会错过。

英伟达正在重新加码传统高性能计算(HPC)市场。

当地时间11月16日,在SC26超级计算大会上,英伟达正式公布Rubin HPC GPU。这款基于Rubin架构打造的新产品,单颗GPU集成超过5万个CUDA核心,并采用第七代NVLink互连技术,主要面向科学计算、工程仿真和数据分析等应用,预计2028年推出。

值得注意的是,Rubin HPC并不是一款单纯追求AI训练和推理性能的GPU。英伟达此次更强调的是科学计算领域的应用,希望通过增加计算资源、改善数据传输效率,让GPU更好地处理复杂模拟和大规模数据分析任务。

这也意味着,在AI加速器业务之外,英伟达正在尝试重新扩大其在传统HPC市场的影响力。

单颗GPU超过5万CUDA核心,重点不只是增加算力

从目前公布的信息来看,Rubin HPC最引人关注的参数,就是超过5万个CUDA核心。

作为对比,英伟达此前公布的标准版Rubin GPU拥有224个SM,合计28672个CUDA核心。Rubin HPC的核心数量明显更高,也意味着其芯片设计和封装方式可能有所不同。

不过,英伟达目前并未公布Rubin HPC的完整规格,包括HBM容量、内存带宽、功耗以及FP64计算性能等关键参数。因此,暂时还无法准确判断这款GPU在传统科学计算领域的实际性能。

除了计算核心数量,英伟达此次特别强调了数据传输能力。

在科学计算和工程仿真中,很多应用并不是简单地进行大量数学运算,而是需要反复从庞大的数据集中读取分散的数据,再进行计算。例如稀疏矩阵运算、Stencil计算、排序和归约等任务,都对数据访问和传输效率有较高要求。

如果计算核心数量不断增加,但数据无法及时送达,GPU就可能出现大量计算资源闲置的情况。

为此,Rubin HPC引入了稀疏数据加速能力(Sparse Data Acceleration),同时采用第七代NVLink互连技术,加强GPU之间的数据交换。

英伟达希望通过计算能力与数据传输能力的同步提升,让大量CUDA核心能够持续获得数据,而不是单纯堆叠计算资源。

英伟达负责超大规模计算和高性能计算业务的副总裁Ian Buck表示,对于利用AI智能体开展科学和工程研究的团队而言,更快的模拟意味着更快的发现。Rubin HPC将加速智能体用于验证想法、指导下一步研究的模拟过程。

这背后的逻辑是,随着AI智能体逐渐进入科研领域,研究人员可以让AI生成更多候选材料、分子结构和工程设计方案,再通过模拟计算进行验证。候选方案数量越多,对底层计算资源的需求也就越高。

一套系统可以提供超过20万个CUDA核心

除了GPU本身,Rubin HPC的系统配置也值得关注。

根据Wccftech披露的信息,Rubin HPC服务器托盘将配备新一代NVLink交换机,并搭载两颗Superchip。每颗Superchip由一颗Vera CPU和两颗Rubin HPC GPU组成。

按照这一配置,每颗Superchip拥有超过10万个CUDA核心,一个服务器托盘则可以提供超过20万个CUDA核心。

不过,需要说明的是,这部分系统配置来自Wccftech对英伟达展示信息的解读,并非英伟达已经公布的完整系统规格。

从应用方向来看,Rubin HPC主要面向气候研究、基因组分析、工程仿真以及金融风险分析等领域。这些应用通常需要处理规模庞大、结构复杂的数据集,对计算能力和数据传输效率都有较高要求。

与此同时,英伟达还希望通过CUDA-X软件库,为科研和工程应用提供更多经过优化的算法,减少开发人员针对底层硬件进行重复优化的工作。

英伟达重新瞄准传统HPC市场

Rubin HPC还有一个值得关注的背景:英伟达近年来的业务重心明显向AI计算倾斜,而传统高性能计算市场则是AMD等厂商持续发力的领域。

尤其是在FP64双精度计算方面,传统科学计算和工程仿真有着不同于AI训练、推理的需求。AMD也正在通过Instinct系列产品加强这一市场的竞争力。

此次英伟达公布Rubin HPC,某种程度上也是希望重新扩大GPU在传统科学计算领域的应用。

不过,目前英伟达尚未披露Rubin HPC的FP64性能指标,也没有公布与现有产品相比的具体性能提升幅度。单纯从CUDA核心数量,还不足以判断其在传统HPC市场的竞争力。

另外,Rubin HPC预计要到2028年才会推出,距离真正进入市场还有一段时间。

对于英伟达而言,这款产品的意义不仅在于推出一颗拥有超过5万个CUDA核心的GPU,更在于其试图将AI时代形成的GPU计算能力、互连技术和软件生态,进一步延伸到传统科学计算和工程领域。

AI智能体正在改变科研和工程工作的方式,而这也可能为高性能计算市场带来新的需求。Rubin HPC能否借此重新打开英伟达在传统HPC市场的增长空间,还有待后续产品规格和实际应用表现来验证。

(来源:内容来自半导体行业观察综合)

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

AI芯片设计,进入混战时代

2026年11月17日 09:25

编辑部 2026-11-17 09:25 安徽

半导体行业观察:如果说过去几年AI芯片行业的竞争,主要围绕GPU算力、HBM带宽和先进制程展开,那么现在,这套竞争逻辑正在发生变化。

公众号记得加星标⭐️,第一时间看推送不会错过。

如果说过去几年AI芯片行业的竞争,主要围绕GPU算力、HBM带宽和先进制程展开,那么现在,这套竞争逻辑正在发生变化。

大模型的训练和推理需求不断变化,芯片厂商发现,过去那些相对成熟的设计思路,已经越来越难以应对新的应用场景。Prefill和Decode开始分开优化,ASIC不再满足于固定架构,互连技术逐渐成为芯片设计的一部分,而HBM供应和容量的限制,也迫使厂商重新考虑整个存储体系。

有业内人士将眼下的芯片设计形容为“Wild West”(狂野西部)。这个说法或许有些夸张,但确实反映了当下的行业状态:没有哪一种架构已经被证明是最终答案,各家都在尝试寻找新的突破口。

先看大模型推理。

过去,Prefill和Decode通常由同一套GPU系统完成。但随着推理规模扩大,这种方式开始暴露出效率问题。

Prefill负责处理输入的Prompt,需要在较短时间内完成大量并行计算;Decode则负责逐个生成Token,更依赖内存带宽和数据访问效率。两者的计算特征并不相同,却长期由同一套硬件承担。

这就带来了一个问题:一套硬件很难同时针对两种工作负载做到最优。

于是,Prefill与Decode分离(Disaggregated Prefill/Decode)开始受到关注。简单来说,就是让不同的计算设备分别负责两个阶段,根据各自的特点配置算力和存储资源。

这不仅是软件调度方式的变化,也可能影响下一代AI芯片的设计。针对Prefill和Decode分别开发专用加速器,正在成为越来越明确的方向。

另一个变化来自ASIC。

过去几年,定制ASIC被视为GPU之外的重要替代方案。Google TPU、Amazon Trainium以及各类自研AI芯片,都在尝试通过专用架构获得更好的性能和能效。

但现在,固定架构ASIC也遇到了新的问题。

大模型的迭代速度太快,模型结构、算子和推理方式都在变化。如果一颗芯片从设计之初就针对某一种工作负载进行深度优化,等到模型发生变化,原来的设计可能就不再适用。

这意味着,ASIC厂商不能只考虑某一代模型的性能,还必须考虑未来的适应能力。芯片需要在专用化和灵活性之间找到平衡,可编程能力、可配置计算单元以及更灵活的数据通路,可能会变得更加重要。

这里所说的并不是ASIC已经没有价值,而是过去那种高度固定、针对单一任务优化的设计思路,正在受到挑战。

互连技术的重要性也在发生变化。

以前谈到芯片设计,人们首先想到的是计算核心、制程和缓存,互连更多被视为芯片之间的数据传输问题。但在今天的大型AI系统中,这种划分已经越来越模糊。

一颗GPU有多少计算核心固然重要,但如果无法及时从内存获得数据,或者无法与其他加速器高效交换数据,再强的计算能力也难以充分发挥。

尤其是在大规模AI集群中,GPU之间的通信效率直接影响整体计算性能。NVLink、以太网、InfiniBand以及光互连技术,已经不再只是外围配套,而是需要在芯片架构设计阶段就考虑进去。

这也是为什么高速互连正在成为AI芯片竞争的重要组成部分。未来一颗加速器的设计,可能从一开始就要考虑它将如何连接其他芯片、如何访问内存,以及如何融入整个计算系统。

存储方面的变化同样明显。

HBM已经成为AI加速器的重要配置,但它并不是没有限制。容量、成本和供应能力,都在制约AI系统进一步扩张。尤其是随着模型上下文长度增加,推理过程中需要保存和调用的数据越来越多,单纯依靠增加HBM容量并不现实。

于是,厂商开始重新考虑存储层级。

不同的数据不一定都需要放在HBM中。SRAM、HBM、DDR、SSD等不同介质,可以根据访问频率和性能要求承担不同任务。一些不需要频繁访问的数据,可以被转移到容量更大、成本更低的存储介质中。

与之对应的是计算卸载(Offloading)变得越来越重要。

过去,GPU承担了大量计算和数据处理工作,但现在,越来越多任务开始交给专用硬件处理。例如数据搬运、内存管理,以及部分特定计算任务,都可以通过专用加速单元完成,减少GPU的负担。

这也给DPU、数据处理芯片以及各类专用加速器带来了新的机会。

把这些变化放在一起看,会发现AI芯片设计正在从单颗芯片的性能竞争,转向整个计算系统的重新组织。

过去,行业有比较明确的技术路线:追求更先进的制程、更大的计算规模、更高的HBM带宽。但现在,模型变化太快,应用场景太多,单一架构很难覆盖所有需求。

GPU仍然重要,但不再意味着所有计算任务都应该交给GPU;ASIC仍然有优势,但固定架构未必能够适应快速变化的模型;HBM仍然是核心资源,但整个存储体系不能只依赖HBM;互连也不再只是配套技术,而是决定系统性能的重要环节。

对于芯片公司来说,这反而是一个新的机会。

英伟达依靠GPU和CUDA建立了强大的生态,但其他厂商并不一定要复制英伟达的路线。做ASIC的可以从专用工作负载切入,做存储的可以围绕数据管理寻找机会,做高速互连的可以进入系统架构核心,传统CPU厂商也可能在数据调度和计算卸载中找到新的位置。

现在的AI芯片市场,确实有点像一场没有明确规则的混战。

谁能率先找到适合下一代AI工作负载的架构,谁就有机会在这轮变化中占据一席之地。至少在目前,还没有哪家公司能够宣布自己已经找到了最终答案。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

中国超算,稳居全球第一

2026年11月17日 09:25

编辑部 2026-11-17 09:25 安徽

半导体行业观察:全球最快超级计算机的宝座,仍然属于中国。

公众号记得加星标⭐️,第一时间看推送不会错过。

全球最快超级计算机的宝座,仍然属于中国。

11月16日,TOP500在美国芝加哥举行的SC26期间发布第68期全球超级计算机排行榜。中国的LineShine继续排名第一,以2.198 EFlops的持续FP64性能领先全球。与今年6月公布的榜单相比,全球超级计算机前十名没有发生任何变化。

不过,这期榜单还有一个值得关注的现象:新增超级计算机数量降至TOP500自1993年创立以来的最低水平。尽管全球先进计算硬件需求持续旺盛,但越来越多的新计算资源正在流向AI数据中心,而不是传统超级计算机。

中国LineShine继续排名第一

此次排名第一的LineShine部署在国家超级计算深圳中心,在High Performance Linpack(HPL)基准测试中取得2.198 EFlops的持续FP64性能,系统功耗为42.22MW。

从硬件配置来看,LineShine采用自主研发的LingKun平台,搭载基于Arm架构的LX2处理器,单颗处理器拥有304个核心,主频为1.55GHz,整个系统的处理器核心数量达到13,789,440个,并采用专有的LingQi互连技术。

LineShine还有一个比较特别的地方:它没有使用计算加速器,而是完全依靠CPU完成计算任务。这与目前不少采用GPU或其他加速器的百亿亿次级超级计算机有所不同。

也正因为采用CPU-only架构,LineShine在从FP64精度切换到混合精度计算时,性能提升约为3.6倍,低于采用低精度计算加速器的其他系统。

美国超级计算机El Capitan继续排名第二,部署在劳伦斯利弗莫尔国家实验室,采用AMD Instinct MI300A加速处理器和HPE Cray EX255a平台,持续FP64性能为1.809 EFlops,功耗为29.69MW。

排名第三的是美国的Frontier,采用第三代AMD EPYC处理器和Instinct MI250X计算GPU,性能达到1.353 EFlops,功耗为24.61MW。另一台美国超级计算机Aurora排名第四,采用Intel Xeon CPU Max 9470处理器和Data Center GPU Max加速器,性能为1.012 EFlops,功耗为38.70MW。

德国Jupiter Booster排名第五,采用Nvidia GH200 Grace Hopper超级芯片、BullSequana XH3000平台以及Nvidia四路InfiniBand NDR200互连技术,持续FP64性能达到1.0 EFlops,功耗为15.79MW。它也是本期榜单中能效最高的百亿亿次级超级计算机。

从前五名来看,目前全球达到百亿亿次级性能的超级计算机共有五台,分别来自中国、美国和德国。

TOP500前十名全部保持不变

本期榜单另一个明显特点是头部排名的稳定。

除了LineShine、El Capitan、Frontier、Aurora和Jupiter Booster之外,排名第六至第十的系统分别是意大利的HPC7、美国的Eagle、意大利的HPC6、日本的富岳(Fugaku)以及瑞士的Alps。与今年6月相比,前十名的排名完全没有变化。

新增系统数量则创下历史新低。本次TOP500只有27台新系统进入榜单,占全部500台系统的5.4%。这是该榜单自1993年创立以来,新增系统数量最少的一次。

本期排名最高的新上榜系统来自韩国,名为Hanggang,部署在韩国科学技术信息研究院(KISTI)超级计算中心,排名第12位,持续FP64性能为342.6 PFLOPS。该系统采用Nvidia GH200 Grace Hopper超级芯片和HPE Cray EX254n平台,在HPCG基准测试中以4.29 PFLOPS的成绩排名第八。

新增系统数量虽然减少,但全球超级计算机的整体性能仍在增长。TOP500全部500台系统的HPL总性能,在过去六个月增长了4.4%,达到19.57 EFlops。进入榜单的性能门槛也进一步提高,排名第500位的系统需要达到2.857 PFLOPS,高于今年6月的2.662 PFLOPS,增幅为7.3%。

此外,持续FP64性能达到100 PFLOPS的超级计算机数量从25台增加到27台。配备计算加速器的系统数量也从275台增加到291台,占榜单总数的58.2%。

AI数据中心正在吸收新增算力

为什么全球先进计算硬件需求如此旺盛,TOP500新增系统数量却创下历史新低?

Tom's Hardware在报道中援引Epoch AI的估算指出,全球每个季度新增的AI算力规模,正以每年2.5倍的速度增长。目前,全球已经部署的AI计算能力,相当于超过1500万颗Nvidia H100 GPU。

与此同时,截至2025年第四季度,五家美国大型超大规模云服务商合计拥有全球约71%的AI算力资源,其中很大一部分部署在规模庞大的计算集群中。

这说明,当前计算基础设施投资的重点正在发生变化。过去,超级计算机主要用于解决复杂科学问题,建设目标是打造高性能计算系统;而随着AI训练和商业应用需求快速增长,企业开始大规模部署面向AI工作负载的计算集群。

因此,尽管先进计算硬件需求处于高位,但大量新增硬件并没有进入传统超级计算机,而是被部署在AI数据中心。

TOP500新增系统数量创下历史新低,并不意味着全球计算能力建设正在放缓。更准确地说,计算资源正在流向不同的基础设施形态:传统超级计算机榜单的变化趋于平缓,AI数据中心则成为新增算力的重要去向。

中国LineShine继续稳居全球第一,全球超算前十名保持不变,而AI数据中心正在吸收越来越多的新硬件。这是本期TOP500榜单呈现出的几个重要信号。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

阅读原文

跳转微信打开

Marvell要用光,终结存储末日

2026年11月17日 09:25

半导体行业观察 2026-11-17 09:25 安徽

半导体行业观察:Celestial AI 实现远距离高带宽存储器 (HBM) 的梦想即将成为现实,这是 Marvell Technology 与系统集成商 Penguin Solutions 合作构建光子存储结构的一部分。

公众号记得加星标⭐️,第一时间看推送不会错过。

Celestial AI 实现远距离高带宽存储器 (HBM) 的梦想即将成为现实,这是 Marvell Technology 与系统集成商 Penguin Solutions 合作构建光子存储结构的一部分。

今年 2 月,Marvell 以 35 亿美元的价格从Celestial AI收购了该光纤通道架构的底层技术。该架构包含一个内存扩展模块,该模块包含两组总计 72 GB 的 HBM3e 内存堆叠,并支持八通道 DDR5 内存,这些内存堆叠在一个硅光子中介层上,双向带宽为 7.2 Tbps(900 GB/s)。

“我们在这个设备中提供的是我们称之为光子结构存储模块的东西……我们把这些模块提供给 Penguin,他们负责制造盒子、进行所有电源管理、编写软件以及所有管理层,”Marvell 光子结构业务高级副总裁 Preet Virk 告诉El Reg。

Penguin 首批基于该技术的设备将支持 16 个这样的内存模块,最高可达 16 TB DDR5 和 1 TB HBM,未来的系统能够扩展到 DDR5 容量的两倍。

每个设备通过 Marvell 设计的光纤交换器分配 57.6 Tbps 的带宽,最多可支持 16 台服务器,可通过网络接口卡、共封装 (CPO) 或近封装 (NPO) 光模块实现。

如果您还不熟悉,CPO 模块通常直接集成到计算或交换 ASIC 中,而 NPO 模块则是一种折衷方案。它们通过电气方式连接到主机(无论是 CPU、GPU 还是其他 ASIC),并通过光学方式连接到网络的其余部分。NPO 有望在英伟达和 AMD 的下一代机架式系统中发挥重要作用,因为它比将光子芯片直接集成到 CPU 或 GPU 中具有更好的可维护性和更小的故障影响范围。

据称,通过 Penguin 开发的软件层,每个系统都可以访问整个共享内存空间,类似于连接到网络附加存储的系统可以访问设备的全部容量。

据我们了解,目前很多此类功能都是通过兼容 CXL 3.1 的网卡和主机 CPU(例如 AMD 最新推出的 Venice CPU)实现的。然而,Virk 告诉我们,对于基于 NPO 和 CPO 的内存,可以完全绕过 CXL。

这项技术的意义显而易见。如果内存可以在多台服务器之间共享和池化,那么每台服务器就不需要那么多自己的DRAM,从而可能节省一些成本。

Virk表示,除了促进通信之外,该软件还支持多种内存分层模式,客户可以通过这些模式将资源开放给连接的系统。这些模式大多遵循典型的CXL内存分层规范,但有一个例外:HBM直通缓存模式。Virk称,该模式可以让用户以DDR5的容量获得HBM的性能。

这种模式本质上是将HBM视为读/写缓存。频繁访问的文件会先写入HBM并从中读取,然后在过期后才被推送到标准的DDR5内存中。

Marvell 和 Penguin 将这款新型内存设备定位为基于存储的键值 (KV) 缓存卸载的替代方案。人工智能推理会生成大型 KV 缓存,用于跟踪聊天会话和长时间运行的代理的模型状态。根据上下文长度,这些缓存的重新计算成本可能很高,而且内存占用也很大。

因此,不活跃的键值缓存通常会被卸载到DRAM或闪存中,因为存储和复制它们比在会话恢复时重新计算它们要快得多。Marvell认为,通过将键值缓存直接从HBM卸载到这些内存设备,客户可以获得更高的性能和内存利用率。

除了 AI 相关工作负载之外,这项技术还有可能减少单个系统所需的 DRAM 数量,我们今年早些时候更深入地探讨了这一概念,Meta 已经在自己的数据中心中采用了这一概念。

Marvell预计Penguin的第一代光子结构内存扩展系统将于明年下半年上市。

(来源:编译自theregister)

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

一文看懂现代CPU

2026年11月17日 09:25

William Gayde 2026-11-17 09:25 安徽

半导体行业观察:中央处理器(CPU)常被称为计算机的大脑,就像人脑一样,它由多个部分组成,这些部分协同工作来处理信息。

公众号记得加星标⭐️,第一时间看推送不会错过。

中央处理器(CPU)常被称为计算机的大脑,就像人脑一样,它由多个部分组成,这些部分协同工作来处理信息。有些部分接收信息,有些部分存储信息,有些部分处理信息,还有一些部分将处理结果发送出去。在今天的讲解中,我们将介绍构成CPU的关键元素,以及它们如何协同工作来驱动计算机运行。

本文是“剖析系列”文章的一部分,该系列文章深入剖析了每个主要PC组件背后的技术原理。如果您想了解更多,我们的“CPU设计系列”文章将以更详尽的技术细节介绍处理器的设计和制造过程。本文将从更高的层面回顾一些基础知识,并结合现代CPU的实际工作原理进行讲解。

与我们解剖系列的其他文章相比,本文必然会更加抽象。

当你观察电源之类的设备内部时,可以清晰地看到电容器、变压器和其他元件。但对于现代CPU来说,这是不可能的,因为所有元件都非常小,而且像英特尔、AMD、苹果和高通这样的芯片制造商只共享高层级的设计。实际的电路都是专有的,因此本文所涵盖的内容代表了所有CPU都具备的通用特性。

值得注意的是,我们今天所说的“CPU”很少仅仅是CPU。大多数现代处理器更接近于系统级芯片,除了CPU核心之外,还集成了图形处理器、AI加速器、内存控制器等组件。

每个数字系统都需要某种形式的中央处理器(CPU)。从根本上讲,程序员编写代码来完成任务,然后CPU执行该代码以产生预期结果。CPU还连接到系统的其他部分,例如内存和I/O,以确保其能够持续获取相关数据。让我们深入了解一下……

CPU蓝图

分析任何CPU时,首先会遇到的就是指令集架构(ISA)。它就像一张蓝图,描绘了CPU的功能以及软件如何与其通信。就像同一物种下有许多不同的犬种一样,CPU也可以基于多种不同的ISA架构构建。

最常见的两种架构是x86和 Arm。x86 架构在台式机、笔记本电脑和服务器领域占据主导地位,而Arm架构则几乎应用于所有智能手机,并且应用范围已远远超出移动领域。苹果公司在 2020 年将 Mac 电脑的处理器升级为 Arm 架构芯片,高通骁龙 X 系列处理器将 Arm 架构引入 Windows 系统,如今,亚马逊、英伟达和谷歌等公司的云服务器和人工智能服务器芯片中,越来越多的芯片也采用了 Arm 架构。

还有其他选择。RISC -V是一种开放且免版税的指令集架构 (ISA),它已从一个利基项目发展成为强有力的竞争者。数十亿个 RISC-V 内核已经应用于微控制器中,并且该架构正逐步渗透到个人电脑、服务器和人工智能芯片领域。而像 MIPS 和 PowerPC 这样的老旧 ISA 则逐渐淡出人们的视野,沦为小众产品。

指令集架构 (ISA)规定了 CPU 可以处理哪些指令、软件可以使用哪些寄存器、如何寻址内存等等。

芯片如何实际执行这些指令,包括其流水线、缓存和执行单元,被称为微架构,而这正是芯片制造商竞争的焦点。

AMD 的 Zen 5 和 Intel 的 Lion Cove 核心都运行相同的 x86 代码,但它们的内部结构却截然不同。指令集架构 (ISA) 也在不断发展:Intel 和 AMD 于 2024 年成立了x86 生态系统咨询小组,以协调该架构的未来扩展。

为了涵盖CPU的主要组成部分,我们将沿着指令的执行路径进行讲解。不同类型的指令可能遵循不同的路径,并使用CPU的不同部分,但这里我们将进行概括,以涵盖最重要的部分。

我们将从单核处理器的最基本设计开始,然后逐步增加复杂性,最终实现更现代的设计。

控制单元和数据通路

CPU 的组成部分可以分为两部分:控制单元和数据通路。想象一下一列火车。引擎驱动火车前进,而工程师则在幕后操纵控制杆,控制引擎的各个方面。CPU 的工作原理也是如此。

数据通路就像引擎,顾名思义,它是数据在处理过程中流动的路径。数据通路接收输入,进行处理,并在处理完成后将其发送到正确的位置。控制单元就像火车司机一样,指挥数据通路如何运行。根据指令,控制单元会将信号路由到不同的组件,打开或关闭数据通路的不同部分,并监控CPU的状态。

指令周期:取指

CPU 的首要任务是确定接下来要执行的指令,并将它们从内存传输到 CPU 中。指令通常由编译器生成,并且与 CPU 的指令集架构 (ISA) 密切相关。ISA 通常会共享一些常见的指令类型,例如加载、存储、加法、减法等,但也可能存在一些特定 ISA 独有的特殊指令类型。控制单元会知道每种指令类型需要将哪些信号路由到哪里。

例如,在 Windows 系统中运行 .exe 文件时,该程序的代码会被加载到内存中,CPU 会被告知第一条指令的起始地址。CPU 始终维护一个内部寄存器,用于保存下一条待执行指令的内存地址。这个寄存器被称为程序计数器 (PC)。

一旦确定了起始指令,指令周期的第一步就是获取该指令。这会将指令从内存移动到CPU的指令寄存器中,这个过程称为取指阶段。实际上,该指令很可能已经存在于CPU的缓存中,但我们稍后会详细介绍这些细节。

实际上,现代CPU并非一次只读取一条指令。它们每个周期都会获取一个包含数十字节的数据块,其中可以同时容纳多条指令。读取单元也不会等待指令指示下一步的执行方向。分支预测器(我们稍后会介绍)会不断预测程序的执行方向,并提前调整读取操作,从而避免CPU的其他部分因等待而中断工作。

指令周期:解码

当CPU接收到一条指令时,它需要确定这条指令的具体类型。这被称为解码阶段。每条指令都有一组特定的比特位,称为操作码(Opcode),它告诉CPU如何解释这条指令。这类似于使用不同的文件扩展名来告诉计算机如何解释文件。例如,.jpg和.png都是图像文件,但它们的数据组织方式不同,因此计算机需要知道文件类型才能正确解释它们。

根据指令集架构(ISA)的复杂程度,CPU的指令解码部分也会变得非常复杂。RISC-V的基本指令集只有几十条指令(可选扩展指令集会增加更多指令),而x86指令集则有超过一千条指令,其中许多指令还有多种变体。x86指令的长度也从1字节到15字节不等,因此CPU必须先确定一条指令的结束位置和下一条指令的开始位置,才能对其进行解码。

这使得解码成为英特尔或AMD x86 CPU中最具挑战性的部分之一,并且占用大量空间。相比之下,ARM指令固定为4字节,这也是苹果核心每个周期可以解码八条或更多指令的原因之一。

为了减轻负担,x86 CPU 将复杂的指令分解为更简单的内部操作,称为微操作,并将最近解码的微操作存储在专用的微操作缓存中。

当同一段代码再次运行时(这种情况会在循环中不断发生),CPU 可以完全跳过解码器。英特尔自 2011 年的 Sandy Bridge 架构以来就一直在使用这种技巧,而 AMD 自 2017 年的初代 Zen 架构以来也一直在使用。

CPU最常解码的指令类型是内存指令、算术指令或分支指令。

3 种主要指令类型

内存指令可能是“将内存地址 1234 中的值读入值 A”或“将值 B 写入内存地址 5678”。

算术指令可能是这样的:“将值 A 加到值 B 上,并将结果存储到值 C 中。”

分支指令可能是这样的:“如果 C 值为正,则执行此代码;如果 C 值为负,则执行该代码。”

一个典型的程序可能会将这些操作串联起来,得到类似这样的结果:“将内存地址 1234 处的值与内存地址 5678 处的值相加,如果结果为正,则将其存储在内存地址 4321 中;如果结果为负,则将其存储在地址 8765 中。”

在我们开始执行刚刚解码的指令之前,我们需要先停下来谈谈寄存器……CPU 有一些容量很小但速度很快的内存单元,称为寄存器。在 64 位 CPU 上,通用寄存器每个存储 64 位数据,而且数量很少:x86 架构有 16 个,Arm 架构有 31 个。CPU 还拥有容量更大的向量寄存器,每个寄存器最大可达 512 位,用于一次性处理多个值。

这些寄存器用于存储当前正在使用的值,可以将其视为内存层次结构的最顶层(类似于“L0 缓存”),速度甚至比 L1 缓存还要快。在上面的指令示例中,值 A、B 和 C 都将存储在寄存器中。

这些是软件能够访问的寄存器。实际上,现代CPU在后台维护着数百个物理寄存器,并使用一种称为寄存器重命名的技术,将它们映射到程序实际使用的少数寄存器。

这样一来,CPU 就可以同时处理多条指令,而不会互相覆盖对方的值,这在乱序执行时就变得非常重要。

执行和算术逻辑单元 (ALU)

现在回到执行阶段。上面提到的三种指令的执行过程各不相同,所以我们将分别介绍每一种。

我们将从算术指令入手,因为它们最容易理解。这类指令会被送入算术逻辑单元(ALU)进行处理。ALU 是一种电路,它通常接收两个输入和一个控制信号,并输出一个结果。

想象一下你在中学时用过的基本计算器。要进行运算,你输入两个输入数字以及要进行的运算类型。计算器进行计算并输出结果。

对于我们CPU的算术逻辑单元(ALU)而言,运算类型由指令的操作码决定,控制单元会将操作码发送给ALU。除了基本的算术运算外,ALU还可以执行位运算,例如与(AND)、或(OR)、非(NOT)和异或(XOR)。ALU还会向控制单元输出一些关于其刚刚完成的计算的状态信息。这些信息可能包括结果是正数、负数、零,还是发生了溢出。

现代CPU核心并非只有一个算术逻辑单元(ALU)。高端设计通常包含六个或更多并行工作的整数ALU,以及独立的浮点运算单元和向量指令单元,可以一次性对一大批数字执行相同的运算。这正是现代CPU在相同时钟频率下比老式CPU快得多的重要原因之一。

算术逻辑单元(ALU)最常用于算术运算,但它也可以用于内存访问或分支指令。例如,CPU 可能需要计算由先前算术运算结果指定的内存地址。

它还可能需要计算分支指令所需的程序计数器偏移量。例如,“如果前一个结果为负数,则跳转到后 20 条指令”。在现代 CPU 中,内存地址计算通常交给专用的“地址生成单元”(AGU)来完成,但原理相同。

内存和缓存层次结构

要了解内存指令,我们需要理解一个名为“内存层次结构”的概念。它描述了缓存、RAM 和主存储器之间的关系。

当CPU收到一条内存指令,要求它存储一段本地寄存器中尚不存在的数据时,它会沿着内存层次结构向下查找,直到找到该数据为止。大多数现代CPU包含三级缓存:L1、L2和L3,一些较新的设计还增加了第四级缓存。

CPU 首先会检查 L1 缓存。这是最小也是最快的缓存层。L1 缓存通常分为数据存储区和指令存储区。记住,指令和数据一样,都需要从内存中读取。

典型的L1缓存容量很小,每个核心的数据缓存和指令缓存通常只有32到64KB。如果CPU在L1缓存中找不到所需数据,它会检查L2缓存。目前桌面级芯片的L2缓存通常为每个核心1到3MB。

下一步是L3缓存,其容量可能只有几十MB,并且由多个核心共享。AMD的X3D芯片在处理器顶部直接堆叠了额外的64MB L3缓存,这就是为什么它们在游戏方面如此强大的原因——游戏这种工作负载非常依赖更大的缓存。

如果 CPU 在 L3 缓存中找不到所需数据,它会从 RAM 中读取。如果 RAM 中也没有数据,操作系统就必须从存储设备加载,这速度要慢得多。随着缓存级别的降低,可用空间大约增加一个数量级,但延迟也会相应增加。

CPU一旦找到数据,就会将其向上层级递归,以便将来需要时能够快速访问。这其中涉及很多步骤,但可以确保CPU能够快速访问所需数据。

例如,CPU 读取内部寄存器只需一两个时钟周期,读取 L1 缓存只需几个时钟周期,读取 L2 缓存需要十几个或更多,读取 L3 缓存也只需几十个时钟周期。而从 RAM 读取数据则需要几百个时钟周期,从 SSD 读取数据则需要几十万个时钟周期。硬盘读取数据甚至可能需要数百万个时钟周期。

每个核心通常都有自己的私有 L1 和 L2 缓存,而 L3 缓存则由一组核心共享,例如 AMD Zen 5 芯片上的八个核心。英特尔的能效核心是个例外,它们以四个为一组共享一个 L2 缓存。本文稍后将详细讨论多核 CPU。

分支、管道和预测

三种主要指令类型中的最后一种是分支指令。现代程序经常跳转执行,CPU 很少会连续执行超过十几条指令而不使用分支指令。

分支指令源自诸如if语句、for循环、函数调用和return语句等编程元素。它们都用于中断程序执行并切换到代码的不同部分。此外,还有跳转指令,它是一种始终会被执行的分支指令。

条件分支对于 CPU 来说尤其棘手,因为它可能同时执行多条指令,并且可能要等到开始执行后续指令后才能确定分支的结果。

为了彻底理解这个问题,我们需要稍微偏离主题,谈谈流水线技术。指令周期中的每个步骤可能需要几个周期才能完成。这意味着,在指令被提取期间,ALU(算术逻辑单元)原本会处于空闲状态。为了最大限度地提高CPU的效率,我们通过一种称为流水线的技术,将不同指令的各个阶段重叠执行。

理解这一点的经典方法是用洗衣服来类比。假设你有两堆衣服要洗,洗和烘干各需要一个小时。你可以先把第一堆衣服放进洗衣机,洗完烘干后再开始洗第二堆。这样一来,总共需要四个小时。但是,如果你把工作分成两部分,在第一堆衣服烘干的同时开始洗第二堆,那么三个小时就能把两堆衣服都洗完。

节省的一小时取决于您的洗衣量以及洗衣机和烘干机的数量。虽然单次洗衣仍然需要两个小时,但由于洗衣机和烘干机的重叠使用,总处理量从每小时 0.5 次增加到大约每小时 0.67 次,如果洗衣量足够大,则接近每小时一次。

CPU 也采用相同的方法来提高指令吞吐量。现代的 Arm 或 x86 内核通常有 10 到 20 个流水线级。由于现代内核每个流水线级可以处理多条指令并乱序执行,因此高端内核在任何给定时刻都可以同时处理数百条指令。每个设计都是独一无二的,但一个示例划分可能是:取指 4 个时钟周期,译码 6 个时钟周期,执行 3 个时钟周期,写回结果并结束指令执行则需要 7 个时钟周期。

回到分支指令的话题,希望您能开始理解问题所在。如果我们直到第 10 个周期才知道某条指令是分支指令,那么我们已经开始执行 9 条新指令,而如果分支指令被执行,这些新指令可能就无效了。为了解决这个问题,CPU 使用了非常复杂的结构,称为分支预测器。

有些人甚至借鉴机器学习的技术,例如使用被称为感知器的简单神经网络来预测某个分支是否会被采纳。分支预测器的复杂性远超本文的讨论范围,但从基本层面来说,它们会追踪先前分支的状态,从而判断即将出现的分支是否可能被采纳。

现代分支预测器在典型代码上的正确率超过 95%,而且它们的预测能力非常强,甚至在分支指令被解码之前,它们通常就能猜到程序要去哪里。

一旦分支指令的结果确定(即流水线该阶段执行完毕),程序计数器就会更新,CPU 将继续执行下一条指令。如果分支指令预测错误,CPU 会丢弃所有错误执行的分支指令之后的指令,并从正确的位置重新开始执行。

由于有大量的指令在运行,每一次错误的猜测都会浪费大量的工作,这就是为什么芯片制造商不断将晶体管投入到更好的预测器中的原因。

乱序执行

既然我们已经了解了三种最常见指令的执行方法,接下来让我们看看CPU的一些更高级的功能。实际上,几乎所有现代处理器都不是按照指令接收的顺序执行的。

一种称为乱序执行的范式被用来最大限度地减少等待其他指令完成时的停机时间。

如果CPU知道即将执行的指令需要的数据无法及时准备就绪,它可以调整指令顺序,并在等待期间从程序后面引入一条独立的指令。为了防止程序崩溃,CPU会将每条指令记录在一个名为重排序缓冲区的数据结构中。

指令可以按任意顺序执行,但只有按照原始程序顺序执行后,其结果才会最终确定(“执行完毕”)。因此,从软件的角度来看,一切都完全按照程序编写的顺序执行。这也是我们之前提到的寄存器重命名机制发挥作用的地方,它允许独立的指令并排运行,而不会相互干扰。这种指令重排序机制非常强大,但这远非CPU使用的唯一技巧。

另一个提升性能的功能叫做预取。如果你计时执行一条随机指令从开始到结束需要多长时间,你会发现内存访问占据了大部分时间。预取器是CPU中的一个单元,它会监控内存访问模式,并尝试预测程序接下来需要哪些数据。

如果程序以可预测的方式读取内存,例如遍历一个大型数组,预取器会在请求数据之前从 RAM 中取出数据并将其加载到缓存中。这就是“预取”名称的由来。

投机性执行与安全

分支预测和乱序执行有一个值得注意的副作用。当 CPU 猜测分支指令的执行方向时,它并非直接读取这些指令,而是会进行推测性执行,如果猜测错误,则会丢弃执行结果。几十年来,这种现象一直被认为是无害的。

这种情况在 2018 年随着Spectre 和 Meltdown漏洞的披露而改变。这两个漏洞家族表明,被丢弃的推测性工作仍然会留下痕迹,主要存在于缓存中。攻击者通过仔细测量内存访问所需的时间,可以推断出 CPU 不应该泄露的数据,例如来自其他程序的密码或加密密钥。几乎所有来自 Intel、AMD 和 Arm 的高性能 CPU 都受到了不同程度的影响。

Meltdown 漏洞已在硬件中得到修复,但Spectre式攻击是一类问题,而不是单个漏洞,而且每年都会出现新的变种。

芯片制造商现在在设计芯片核心时会考虑到这些侧信道攻击,而一些软件缓解措施会带来性能损失。这很好地说明了现代CPU速度快的特性,同时也增加了其安全性。

加速器和人工智能

现在CPU中普遍包含的另一项重要功能是任务专用加速器。这些电路的全部功能就是尽可能快地执行一项小型任务,例如加密、媒体编码或机器学习。

CPU 可以独立完成这些任务,但使用专用单元来处理这些任务效率要高得多。图形处理就是一个很好的例子。CPU 当然可以执行图形处理所需的计算,但使用专用单元(集成 GPU)可以带来数量级的性能提升。

近年来的一大亮点是NPU(神经处理单元),这是一种专为运行人工智能工作负载(例如实时转录或本地语言模型)而设计的模块,同时还能大幅降低功耗。NPU在短短几年内就从个人电脑中几乎不存在发展成为近乎标配的功能。

CPU核心本身也获得了更多专用硬件。像AVX-512这样的宽向量扩展指令集可以在一条指令中处理16个数字,而更新的矩阵扩展指令集,例如服务器芯片上的英特尔AMX和苹果M4芯片中使用的Arm SME,都是专门为加速人工智能数学运算而设计的。

下图展示的是2008年英特尔的一款CPU。其大部分空间都被核心和缓存占据。

第二张图展示的是AMD“Mullins”移动APU。其大部分空间都被核心以外的组件占据。

上图:英特尔第一代Nehalem架构的芯片。请注意,核心和缓存占据了大部分空间。

下图: AMD SoC的芯片,显示了用于加速器和外部接口的大量空间。

专用媒体引擎负责视频编码和解码,包括 AV1 编解码器,因此录制或流媒体播放几乎不会影响核心。

随着加速器的兴起,CPU核心可能只占用芯片的一小部分,尤其是在笔记本电脑处理器中,GPU、NPU和媒体引擎都集成在CPU核心旁边。

迈向多核

最后一个要介绍的主要特性是如何将多个独立的CPU连接起来,组成一个多核CPU。这并非像我们之前讨论的单核设计那样简单,只是简单地复制多个副本而已。就像把单线程程序转换成多线程程序并非易事一样,硬件也面临着同样的问题。问题在于各个核心之间的依赖关系。

各个核心并没有各自独立的内存访问路径。相反,它们通过片上互连(例如环形或网状互连)相互连接,连接到共享的 L3 缓存和内存控制器。

当多个实体可能操作相同的数据时,一致性和连贯性等问题必须得到解决。如果两个核心都在处理使用相同数据的指令,它们如何知道哪个核心拥有正确的值?如果一个核心修改了数据,但修改后的数据未能及时到达另一个核心执行,又该怎么办?由于它们拥有独立的缓存,而这些缓存可能存储重叠的数据,因此必须使用复杂的算法和控制器来消除这些冲突。

通常情况下,不同的核心会处理来自不同线程的指令流。这有助于降低核心之间的依赖性。因此,如果您查看任务管理器,经常会看到一些核心在高负荷运转,而其他核心则几乎处于空闲状态。许多程序仍然没有针对多线程进行设计,或者只是将工作分配给少数几个线程。在某些情况下,让一个核心完成所有工作可能比尝试将工作分配给多个核心所带来的额外开销更为高效。

同时多线程

许多CPU还允许单个核心同时处理两个线程,这种技术称为同步多线程(SMT),英特尔将其命名为超线程。即使是性能最佳的乱序执行核心也无法始终保持所有执行单元的繁忙状态,因此第二个线程可以填补空缺。

在线程优化良好的工作负载中,SMT 通常能以极小的芯片面积占用,提升 10% 到 30% 的吞吐量。SMT 一直是现代 CPU 的标配,但英特尔最近在其 Lunar Lake 和 Arrow Lake 芯片的性能核心中取消了超线程技术,转而将精力投入到提升每个核心的速度和效率上。苹果和高通则完全不使用 SMT。

混合架构

多年来,台式机CPU的每个核心都完全相同。但现在情况已大不相同。借鉴智能手机芯片的工作原理,许多处理器将体积更大、速度更快的性能核心(通常称为P核心)与体积更小、能效更高的核心(E核心)混合使用。

一些新推出的笔记本电脑芯片增加了第三层低功耗核心,用于处理轻量级后台任务。英特尔在2021年推出的Alder Lake处理器中采用了这种方案,苹果和高通也采用了类似的设计。与此同时,AMD则推出了紧凑型的“c”版本Zen核心,以牺牲峰值时钟频率为代价,换取更小的尺寸和更高的能效。

关键在于操作系统需要知道哪个核心最适合执行哪项任务。例如,英特尔的线程管理器会向 Windows 提供每个线程正在执行的任务信息,以便游戏运行在 P 核心上,而后台更新则发送到 E 核心。

Chiplets和Tiles

另一个重大转变在于 CPU 的物理构建方式。我们此前曾专门撰写过一篇技术解析文章,探讨了“芯粒”(chiplets)的重要性。其核心理念是:AMD 和 Intel 不再制造单一的大块硅片,而是将处理器拆分为若干较小的晶片——AMD 称之为“芯粒”(chiplets),Intel 则称之为“模块”(tiles)——并将它们连接在同一个封装内。

例如,Ryzen 9 9950X 处理器结合了两个 8 核心计算芯粒(compute chiplet)以及一个独立的 I/O 裸片(I/O die),后者负责处理内存、PCIe 和 USB 等功能。

较小的裸片制造成本更低,因为即便出现缺陷,受损的硅片面积也较小;此外,每个裸片都可以采用最适合其自身需求的制造工艺进行生产。这种方案的代价在于通信:数据在不同芯粒之间传输所花费的时间,要比在同一裸片内部传输更长。正因如此,软件和调度程序有时需要将相关的线程分配在同一个芯粒上运行。

英特尔的 Foveros 和 AMD 的 3D V-Cache 等先进封装技术更进一步,通过将裸片进行堆叠来实现集成。

物理设计:从蓝图到硅片

本文前文主要聚焦于 CPU 的架构设计,因为这是其复杂性的核心所在。然而,这些设计最终需要在现实世界中制造出来,而这一过程又引入了另一层复杂性。

为了协调处理器内部的所有组件,系统会使用时钟信号。现代桌面处理器的工作频率通常在 3GHz 到 5GHz 之间,最快的芯片甚至可以加速达到 6GHz 左右,甚至更高。与过去十年相比,这一频率提升幅度并不算大,因为性能的显著增长主要源于其他方面。在每一个时钟周期内,芯片内部数十亿个晶体管都在不断地进行开关切换。

时钟对于确保随着管道的每个阶段的进展,所有值都在正确的时间显示至关重要。但时钟速度本身并不能决定 CPU 的速度。

性能取决于时钟速度乘以内核每个时钟周期 (IPC) 可以完成的指令数。我们所讨论的一切,从更宽的解码器和多个 ALU 到更大的缓存和更好的分支预测器,都是为了提高 IPC。这就是为什么以 5GHz 运行的现代核心比十年前以相似速度运行的核心快几倍的原因。

我们所讨论的一切,从更宽的解码器和多个 ALU 到更大的缓存和更好的分支预测器,都是为了提高 IPC。

通过超频提高时钟频率将使芯片速度更快,但也会增加功耗和热量输出。如今,CPU 可以自行处理大部分事务。升压算法根据温度、功耗和工作负载不断调整时钟速度和电压,将每个芯片推向其极限,开箱即用,无需任何手动干预。这使得手动超频的空间比以前少得多。

热量是CPU最大的敌人,这一点没有改变。现代芯片设计为热运行,如果达到温度限制(通常在 95 至 105°C 左右),它们会自动调节时钟。长期损坏来自热量、电压和电流的综合作用,它会慢慢磨损微型晶体管和接线。

这就是为什么台式机CPU都配备散热片的原因。CPU的硅芯片实际面积可能只占物理设备表面积的20%。增大芯片面积可以让热量更均匀地散发到散热器上,同时也能提供更多与外部组件连接的触点。

现代桌面CPU背面有超过一千个电触点。AMD的AM5插槽使用1718个触点,英特尔的LGA 1851插槽使用1851个触点。两者现在都采用LGA设计,CPU背面有扁平焊盘,针脚位于主板插槽内。

笔记本电脑芯片直接焊接在主板上,焊接方式是通过一圈圈微小的焊球,数量通常超过一千个。无论设计如何,大约一半的焊球用于供电,其余的则用于数据传输,包括与内存、芯片组、存储设备、PCIe设备等进行通信。

高性能CPU满载时电流高达200安培以上,因此需要数百个触点来均匀分散电流。这些触点通常镀金以提高导电性。不同的制造商在其众多产品线中使用了不同的触点排列方式。

晶体管本身也在不断缩小尺寸并改变形状。台积电和英特尔最新的制造工艺正从FinFET晶体管转向全环栅极设计,在这种设计中,栅极完全包裹沟道,从而实现更好的控制和更低的漏电。英特尔在其Panther Lake芯片中使用的18A工艺还引入了背面供电技术,将电源线移至硅晶圆背面,使正面可以用于传输数据信号。想要更深入地了解芯片的制造过程,请查看我们的CPU设计系列文章的第三部分。

整合所有组件:AMD Zen 5 内部结构

最后,我们快速浏览一下现代CPU核心的设计:AMD的Zen 5架构,它应用于Ryzen 9000系列处理器。AMD已经发布了该核心的详细图纸,我们之前介绍的几乎所有概念都包含在其中。

从程序顶部开始,分支预测器运行在所有其他代码之前,它预测程序的执行方向,并告知前端需要获取哪些指令。这些指令来自一个 32KB 的 L1 指令缓存,并借助 TLB 缓冲区——一个用于存储程序使用的内存地址与其在 RAM 中实际物理位置之间最近转换信息的小型缓存——来获取。

指令随后会经过两个并行工作的独立解码集群,每个集群都会将 x86 指令转换为微操作。最近运行过的代码可以完全跳过解码步骤,直接从微操作缓存中执行。无论哪种方式,每个时钟周期最多可以有八个微操作被传递到下一阶段。

这时,乱序执行机制就发挥作用了。微指令会经过寄存器重命名,然后被放入一个包含 448 个条目的重排序缓冲区,该缓冲区会跟踪每条指令。之后,它们会在调度器中等待,直到输入数据准备就绪。这些机制的具体工作原理相当复杂(可以参考研究生级别的大学课程),但正是它们使得核心能够在保证结果顺序正确的同时,选择最合适的指令来执行下一条指令。

指令准备就绪后,会被发送到其中一个执行单元。Zen 5 拥有六个整数运算逻辑单元 (ALU)、四个用于内存操作的地址生成单元,以及一个能够处理完整 512 位 AVX-512 指令的浮点和向量单元。内存操作由一个 48KB 的 L1 数据缓存提供服务,每个核心配备一个 1MB 的 L2 缓存,芯片组上的八个核心共享一个 32MB 的 L3 缓存。

输出结果将被存储,指令将按程序顺序执行完毕,CPU现在可以开始执行下一条指令了。差不多就是这样!

本文并非旨在详尽阐述每款CPU的工作原理,但应该能让您对它们的内部运作和复杂性有一个大致的了解。坦白说,除了英特尔、AMD和苹果之外,没有人真正了解自家CPU的全部细节。本文的每个章节都代表着一个完整的研发领域,因此这里呈现的信息仅仅是冰山一角。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

大摩,突然看空存储!

2026年11月17日 09:25

半导体行业观察 2026-11-17 09:25 安徽

半导体行业观察:存储市场还在涨价,AI需求也没有明显降温,但摩根士丹利(大摩)却开始给存储产业链泼冷水。

公众号记得加星标⭐️,第一时间看推送不会错过。

存储市场还在涨价,AI需求也没有明显降温,但摩根士丹利(大摩)却开始给存储产业链泼冷水。

近期,大摩连续下调多家台湾存储产业链公司的投资评级,涉及华邦电、旺宏、群联和力积电。此前仍维持看好的南亚科,也被下调目标价至550新台币。一系列动作引发市场争议:在存储行业景气度仍然较高的情况下,大摩为什么急着调整评级?

面对投资者的质疑,大摩给出的解释是:它并不是不认可当前的存储需求,而是担心云端资本开支的增长可能开始放缓。与其等到需求转弱的信号真正出现,不如提前降低相关股票的持仓。

大摩认为,目前市场对存储及云端半导体公司的盈利预期已经相当高,继续上调的空间可能有限。与此同时,2028年服务器生产的能见度正在下降,这让其对行业后续增长的信心有所减弱。

这其实涉及一个问题:存储行业这一轮涨价行情,还能持续多久?

大摩在最新供需模型中给出的判断是,到2028年,存储市场的供需关系将逐步恢复正常。也就是说,目前市场上的供需缺口不会一直维持下去。一旦供应逐渐跟上,存储产品的涨价速度就可能放缓,厂商此前享受的高利润率也将面临考验。

长期供货协议(LTA)也是大摩关注的一个问题。

在存储市场上行周期中,由于固定价格的长期供货协议相对较少,厂商可以根据市场变化快速提高产品售价。这也是存储企业在景气周期中能够迅速改善盈利能力的原因之一。

但这种机制同样存在另一面:当需求开始转弱时,缺少长期订单和价格保障,也意味着厂商很难避免市场价格下跌带来的影响。

因此,大摩担心的并不是现在的存储价格,而是供需关系逐渐恢复正常之后,厂商还能不能维持目前的盈利水平。

从其判断来看,接下来需要特别关注两个信号:客户订单动能是否减弱,以及存储产品涨价速度是否放缓。

值得注意的是,大摩并没有给出这些变化明确出现的时间。它的逻辑是,等到订单减少、涨价放缓成为市场共识时,相关公司的估值可能已经提前调整。

这也是此次评级下调引发争议的原因。当前AI带来的存储需求仍然强劲,市场也还没有出现明确的需求拐点,但大摩已经开始考虑这一轮景气周期的后半程。

说到底,大摩这次并不是在判断存储行业马上转入下行周期,而是在提醒投资者:存储价格上涨和企业盈利增长,不可能永远按照目前的速度持续下去。对于已经积累了较高涨幅的存储股而言,未来真正需要面对的,可能是增长预期能否继续兑现的问题。

(来源:内容来自半导体行业观察综合)

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4593期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

已发布 — 2026年11月16日 ⏭ 半导体行业观察

报名中|12月3日,先进封装开发者大会@香港

2026年11月16日 12:53

半导体行业观察 2026-11-16 12:53 上海

2026 年 12 月 3 日,2026 先进封装开发者大会(APDC)将于香港科学园举行。

香港特别行政区行政长官李家超、华润集团董事长王海民、香港科技园董事局主席钟郝仪、中国半导体行业协会理事长陈南翔等重磅嘉宾将带来开场致辞。

来自腾讯集团、长电科技、京东方、北方华创、爱德万、Cadence、恩智浦、香港科技大学、天津大学、美国国家工程院等产学研各界的专家学者齐聚一堂,就AI与高性能计算、CPO与光互连、高密度互连、仿真、测试、热管理等前沿方向,带来40场精彩演讲,探讨先进封装的机遇与挑战。

欢迎扫描海报中的二维码,提交参会信息,我们期待与各位先进封装技术开发者现场交流。

跳转微信打开

一场股权整合,折射国产硅片竞争新局

2026年11月16日 08:43

原创 夏雪 2026-11-16 08:43 安徽

10月30日,TCL中环发布停牌公告,宣布筹划发行股份购买资产暨关联交易事项。11月13日,TCL中环召开董事会审议通过交易预案,并于11月14日披露相关公告。

随着AI芯片和先进存储需求持续增长,半导体硅片这场长期由海外巨头主导的竞争,正在迎来新的变量。

10月30日,TCL中环发布停牌公告,宣布筹划发行股份购买资产暨关联交易事项。11月13日,TCL中环召开董事会审议通过交易预案,并于11月14日披露相关公告。根据最近预案,公司拟通过发行股份的方式,向无锡产发、TCL科技、国投集新等50名交易对方购买中环领先65.80%的股份。若交易完成,TCL中环持有中环领先的股份比例预计将由目前的32.72%提升至98.52%。

来源:中环领先

这笔股权整合发生的时间点很巧妙,当前正值半导体硅片市场逐步复苏的阶段,AI基础设施建设带动先进逻辑和存储芯片需求,汽车电子、工业控制、电源管理等应用也为成熟制程和特色工艺提供支撑。不同尺寸、不同工艺的硅片需求正在出现新的变化。

对于TCL中环而言,此次筹划进一步整合中环领先,既涉及到半导体材料业务的股权关系,也关系到未来数年的资本投入和业务发展。在全球硅片市场仍由少数国际厂商占据主要份额的背景下,中环领先如何发挥已有产品和制造基础,进一步提升全球竞争力,是这场股权整合背后更值得关注的问题。

半导体硅片,正在迎来结构性变化

半导体硅片是芯片制造的基础材料,晶圆厂在硅片表面经过光刻、沉积、刻蚀、离子注入等一系列工艺,最终形成集成电路。硅片的尺寸、晶体质量、表面平整度和缺陷控制能力,都会影响后续芯片制造的工艺表现和良率。

因此,硅片需求与半导体制造产能密切相关。下游芯片需求增长,需要经过晶圆厂扩产、产能利用率提升和晶圆投片量增加,才能逐步传导至硅片采购端。当前AI产业带来的变化,正沿着这一链条向上游材料延伸。

AI服务器和数据中心建设,首先带动GPU、CPU及高速互连芯片需求,也推动先进逻辑芯片制造规模扩大。与此同时,AI模型训练和推理对数据存储能力提出更高要求,HBM之外,服务器DRAM、企业级NAND等存储产品也获得新的需求支撑。需求端的改变,已经体现在市场数据中。SEMI预测,2026年全球硅片出货面积将增长11.8%,达到14,420 MSI;2026年第三季度全球硅片出货面积达到3,756 MSI,同比增长13.4%,环比增长5.1%。

在AI带来的硅片需求增长的同时,汽车电子、工业控制、电源管理、模拟芯片等产品,依然为8英寸及以下硅片提供稳定需求。尤其是AI服务器,随着服务器电源架构升级,相关功率器件需求也会向上游硅片传导。

从供给端看,当前先进逻辑芯片和主流存储芯片制造主要使用300mm硅片,对晶体质量、缺陷密度、表面平整度和批次一致性有较高要求。硅片厂商要承接新增需求,既要有相应尺寸和规格的产能,也要有足够的技术实力通过客户的验证并稳定交付。能否覆盖多种尺寸、工艺和应用,由此成为硅片厂商把握这一轮市场机会的重要条件。

国产硅片,正在建立自己的竞争优势

但是市场复苏,并不意味着现有格局会轻易松动。硅片行业具有较高的技术和客户壁垒,信越化学、SUMCO、环球晶圆、Siltronic和SK Siltron等国际头部企业,经过数十年积累,在晶体生长、硅片加工、表面处理和缺陷控制方面形成了成熟的技术体系,并与全球主要晶圆厂建立了长期合作关系。

对国产厂商来说,想要打破这种市场格局并不容易。因为硅片属于晶圆制造的基础材料,供应商需要经过客户严格的产品验证,产品切换涉及工艺参数调整、良率评估和长期可靠性测试,即使具备相应产能,也需要较长时间才能进入主流客户的供应体系。

在这样的行业环境下,中环领先的竞争基础,首先来自长期积累形成的产品体系。

中环领先成立于2017年,其技术积累可以追溯至1958年成立的天津市半导体材料厂。经过六十多年的发展,公司已经形成覆盖4英寸至12英寸的半导体硅片产品体系,布局直拉、区熔等工艺路线,产品包括轻掺、重掺硅片,以及抛光片、外延片等不同类型,应用覆盖逻辑、存储、功率、模拟和图像传感器等领域。这种跨尺寸、跨工艺、跨应用领域的产品布局,与全球头部硅片厂商保持一致,体现出中环领先向综合性硅片供应商发展的方向。根据统计,截至2026年三季度末,中环领先半导体硅片全尺寸出货面积保持国内第一、全球第六。

来源:中环领先

来源:中环领先

这种全尺寸布局的价值,首先体现在客户覆盖上。不同晶圆厂和器件厂商往往拥有不同的产线规格、工艺路线和产品需求,能够同时提供多种尺寸及工艺的产品,有助于供应商扩大客户覆盖范围,并在长期合作中形成更深的配套关系。

除此之外,成熟产品与高端产品之间能够形成业务和能力上的支撑。据了解,8英寸业务仍是中环领先重要的盈利来源,能够持续创造利润和现金流,为新产品研发、工程能力建设和人才培养提供支持。同时,持续服务不同尺寸和工艺客户,也让企业积累了处理多规格产品、复杂工艺和客户定制需求的经验。

在具体应用领域,中环领先也形成了不同的业务发展路径。

在高端逻辑方面,不同晶圆厂的工艺路线和材料需求存在差异,硅片供应商需要深入理解客户工艺,开展产品设计、工艺适配和验证。中环领先正在配合国内逻辑头部客户推进相关产品开发,通过共同研发逐步提升高端产品能力。这类业务对材料性能、工艺理解和客户协同提出了更高要求,也是公司向高端硅片市场拓展的重要方向。

存储是中环领先重点拓展的另一增长方向。当前存储市场需求量较大,部分产品规格相对集中,有利于形成规模化制造能力,也能为工厂产能利用率和经营效率提供支撑。伴随国内存储产业链发展,中环领先在相关产品开发和供货能力方面已经取得进展,市场份额也进入了国内供应商的第一梯队。下一步,公司还将继续扩大产品规模,并逐步提升海外市场参与度。

与此同时,汽车电子、工业控制和电源管理等市场,为8英寸及以下硅片提供了重要需求支撑。这些领域对硅片材料的电阻率、晶体质量和工艺适配有不同要求;区熔硅片则主要面向高压、高阻等特定器件应用,对材料性能和制造工艺提出更高要求。中环领先在功率、区熔以及CIS等产品上持续积累,形成了区别于以大尺寸逻辑和存储为主要业务方向的产品特色。

海外业务的增长,也受益于中环领先此前的业务整合和客户积累。根据财报显示,公司前三季度海外收入达到11.4亿元,同比增长19%。从业务构成来看,中环领先与欧洲、日本等市场客户保持长期合作,主要涉及功率电子和特色工艺产品。此前整合徐州业务后,公司补充了存储、高端逻辑产品和国际化团队,海外市场覆盖能力得到进一步完善。

以上这些业务的发展正在转化为经营数据上的增长,TCL中环2026年第三季度报告披露,2026年前三季度,中环领先实现营业收入49亿元,同比增长15%,整体实现盈亏平衡;第三季度营业收入18.6亿元,同比增长23%,净利润0.8亿元,单季度实现经营性盈利。

随着产品能力、制造规模和客户验证逐步推进,国内硅片企业参与国际市场竞争的条件正在改善。对中环领先而言,海外收入增长不仅意味着市场范围扩大,也意味着其产品正在进入更多国际客户的供应体系。与国际头部企业相比,国内厂商在长期工艺积累和客户合作经验方面仍有提升空间,但规模化出货和海外业务增长,已经为后续发展提供了基础。

从产品布局、规模化出货到海外客户拓展,中环领先已经建立起一定的竞争基础。国产硅片企业正在通过产品、制造和客户能力的积累,逐步扩大在全球市场中的参与度。不过,产品线铺开、客户认证推进、海外市场拓展,每一项都要依赖持续的资本开支支撑。

股权整合之后,中环领先想更进一步

众所周知,硅片行业具有明显的资本和技术密集特征。从晶体生长、切片、研磨、抛光到清洗和检测,每个环节都需要专用设备和工艺积累。尤其是12英寸硅片,产线建设投入大,设备调试、工艺优化和良率爬坡都需要较长时间。

因此,中环领先正在积极推进多基地制造布局,根据TCL中环三季报披露的规划,预计到2026年底,宜兴和徐州基地12英寸硅片产能合计将提升至100万片/月;与此同时,公司将加快深圳12英寸工厂建设,推进宜兴和天津基地8英寸产能升级,以及内蒙古基地晶体产能配套上量。按照规划,五大基地全面达产后,12英寸和8英寸硅片产能将分别达到210万片/月和140万片/月。

这类制造能力的积累,离不开持续的资本投入和工程团队建设。对于中环领先而言,进一步整合股权,正是在这一背景下展开。

据介绍,此次筹划股权整合主要考虑业务发展、资金投入和人才机制三个方面。未来三至五年,公司需要完善8英寸业务,推进现有12英寸工厂扩产,并围绕市场需求布局新的12英寸产能。若交易顺利完成,TCL中环有望进一步加强对半导体材料业务的资源统筹,为未来数年的扩产、研发和运营提供支持。

需要注意的是,股权进一步整合之后,两个业务板块仍将保持专业化经营和相对独立管理,并在此基础上加强能够共享的资源与能力协同。

对于中环领先而言,除了资本和人才,产业链协同也将影响国产硅片企业下一阶段的发展进程。硅片生产对设备、原材料和辅料有较高要求,相关产品进入生产线需要经过持续验证。目前中环领先正在与国内设备和材料供应商开展联合研发、设备验证和工艺改进。随着国内存储和逻辑厂商持续提升制造能力,材料供应商有机会更深入地参与客户工艺开发。对于硅片企业而言,客户提出的具体工艺需求,既是产品验证的标准,也是推动技术迭代的重要来源。

回到TCL中环此次筹划的股权整合,其意义在于为中环领先下一阶段的发展提供更集中的资源支持。虽然最终方案和实施结果尚未确定,但公司已经明确了未来几年在产能、研发和人才方面的投入方向。

结语

把前面几条线索合起来看,中环领先正处在一个新的窗口期。AI基础设施建设正在为半导体硅片市场带来新的增长动力,成熟制程和特色工艺需求也在逐步恢复,为国产硅片企业提供了发展机遇。

对中环领先来说,全尺寸产品布局、规模化出货、细分工艺积累和海外客户基础,构成了进一步发展的起点。因此,本次股权整合有望为后续产能建设、研发投入和人才机制提供支持。而真正决定其全球竞争位置的,仍然是能否把这些资源转化为稳定的产品能力、制造能力和客户服务能力。

国产硅片的竞争,正在进入比拼综合实力和长期经营的新阶段。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

AI时代,FPGA再次崛起

2026年11月16日 08:43

原创 夏雪 2026-11-16 08:43 安徽

半导体行业观察:AI数据中心的快速扩张,正在为FPGA带来新的市场机会。

公众号记得加星标⭐️,第一时间看推送不会错过。

AI数据中心的快速扩张,正在为FPGA带来新的市场机会。

11月2日,Lattice公布2026财年第三季度业绩,营收达到2.91亿美元,同比增长118%;其中,FPGA收入同比增长约90%。公司CEO Ford Tamer表示,数据中心AI需求的加速,是推动业务增长的重要因素。

这组数据让FPGA重新进入产业视野。过去,FPGA曾被寄予拓展异构计算的厚望,但在AI计算市场的快速发展中,它始终未能成为主流计算平台。

如今,AI数据中心的增长正在打开另一条路径。GPU承担着越来越多的核心计算任务,但服务器、机柜和集群的规模持续扩大,也让系统管理、接口控制和安全防护变得更加复杂。FPGA的可编程特性,恰好能够在这些环节发挥作用。

从争夺计算核心,到进入系统底层,FPGA在AI产业发展中迎来了新的发展期。

巨头押注,FPGA却没能进入主流

半导体巨头曾经希望,FPGA能够成为未来计算架构的重要组成部分。

2015年,Intel宣布以约167亿美元收购Altera。当时,Intel希望将FPGA与Xeon处理器结合,为数据中心提供更灵活的异构计算方案。通过CPU与FPGA协同,用户可以针对特定工作负载进行硬件加速,在通用处理器之外获得更高的性能和能效。

无独有偶,AMD也看中了这一市场。2020年,AMD宣布以约350亿美元收购Xilinx,并于2022年完成交易。相比Intel当时强调的CPU与FPGA协同,AMD希望借助Xilinx补齐自适应计算能力,将CPU、GPU、FPGA以及相关软件技术纳入更完整的产品体系。

当时行业主流判断,数据处理需求越来越多样化,单一架构难以覆盖所有场景,能够根据应用需求灵活调整硬件逻辑的FPGA,有希望成为异构计算的重要组成部分。因此,两笔收购案的背后,承载的正是巨头对未来计算架构的共同期望。

但AI产业的发展,逐渐改变了计算市场的竞争格局。

大模型训练和推理带来了庞大的并行计算需求,GPU凭借成熟的软件生态、开发者基础和规模化部署能力,迅速成为AI数据中心的核心计算平台。与此同时,针对特定工作负载进行优化的ASIC也在不断扩大应用。前者凭借通用性和生态优势占据主流AI计算市场,后者则通过定制化设计,在特定场景追求更高的性能和能效。

夹在两条路线之间的FPGA,处境变得尴尬。面对通用计算,FPGA难以与GPU成熟的软件生态和规模化能力竞争;面对专用计算,ASIC又能围绕固定工作负载进行针对性优化。尽管FPGA具备可编程、低时延和灵活适配等优势,但较高的开发门槛、工具链和IP生态建设难度,也限制了其大规模应用。

这也让Intel和AMD当初对FPGA的设想未能充分实现,此后的业务调整,也让两笔收购的后续显得有些虎头蛇尾。

2025年,Intel宣布向Silver Lake出售Altera 51%的股权,Altera转为独立运营。数据显示,Altera在2024财年实现15.4亿美元营收,但GAAP口径下经营亏损达到6.15亿美元。而AMD虽然保留了Xilinx的产品和技术体系,但FPGA也始终没有成为其AI计算业务的核心。

因此,FPGA需要寻找新的市场落脚点,而AI数据中心的持续扩张,恰好提供了这样一片土壤。

AI数据中心,给FPGA带来新位置

AI数据中心为FPGA打开的新空间,首先来自计算系统本身的变化。

随着AI算力需求持续增长,数据中心正在从以计算芯片为中心的建设,走向计算、网络、供电和散热等多个环节协同的复杂系统。GPU负责处理核心计算任务,但要让大规模算力稳定运行,还需要大量硬件模块相互配合。服务器之间、板卡之间以及不同功能模块之间的连接和管理,也因此变得更加复杂。

这种变化,让计算之外的硬件控制需求逐渐凸显。以AI服务器为例,随着部署规模从单机扩展到整机柜和集群,GPU数量增加,高速网络、供电和散热系统日趋复杂。服务器不仅需要实时监控温度、电压和设备状态,还要协调不同模块之间的通信,并处理上电、复位、故障响应和安全启动等任务。

这里不得不再次提到AMD,虽然收购Xilinx的初衷没能实现,但是它找到了更适合FPGA的应用位置。AMD将FPGA应用在服务器主板管理中,其Spartan UltraScale+系列面向数据中心服务器I/O和主板管理控制器(BMC),在服务器主板上负责电源时序管理、温度和电压监测、风扇控制、I/O扩展及系统状态监控。2026年6月,AMD宣布Spartan UltraScale+ SU200P进入量产准备阶段,并于同年7月正式量产。

与CPU、GPU相比,这些任务不需要复杂的通用计算能力,却要求硬件能够及时响应并持续运行,FPGA可以作为专门的板级控制器承担相关工作。随着服务器主板集成的传感器、电源域和接口数量增加,FPGA在底层管理和控制中的作用也在提升。

另一边,Lattice选择将FPGA的应用从服务器主板延伸至安全管理和机柜控制。在服务器层面,Lattice的低功耗FPGA可以承担安全启动、硬件身份验证、固件保护、传感器监测和接口管理等任务;在机柜层面,则可以配合管理软件监测服务器运行状态、功耗和温度,帮助数据中心运营方进行集中管理。2026年10月,Lattice与Arm宣布合作,将Lattice FPGA、Arm AGI CPU服务器平台和AMI固件结合起来。

与前面两家不同,独立后的Altera则将FPGA进一步延伸至数据中心的数据通路。在DPU和AI网卡中,FPGA可以承担RDMA、虚拟交换、网络安全和数据预处理等任务;在存储系统中,则可以用于NVMe-oF协议处理、数据加密和压缩。这些任务如果交由CPU处理,会占用一定的计算资源。通过将部分功能卸载到FPGA,可以减少CPU负担,并利用可编程逻辑适应不同网络协议和系统架构。

可以看出,AI数据中心带给FPGA的机会,并不局限于增加计算能力。随着算力规模扩大,数据中心对底层硬件控制、设备管理和系统协同的要求也在提高。对于FPGA厂商来说,这些过去相对边缘的环节,正在成为新的市场入口。

FPGA厂商,开始争夺平台入口

FPGA进入AI数据中心,带来的变化不只是应用场景的增加,也在改变厂商之间的竞争方式。

FPGA厂商过去主要围绕芯片性能、逻辑资源、功耗和开发工具展开竞争。但在AI数据中心市场,产品能否进入服务器设计,还取决于其与处理器、固件及管理软件的协同能力。芯片之外的平台支持和生态建设,正在成为厂商争夺市场的新重点。

2026年7月,Lattice完成对AMI的收购。AMI长期提供BIOS、BMC固件和数据中心基础设施管理软件,业务覆盖服务器启动、硬件管理和平台运维等环节。其中最关键的,在于AMI能提供连接处理器与底层硬件的软件和固件支持。对Lattice来说,这笔交易补充了其原本相对薄弱的软件和固件能力,也让FPGA业务有机会进入服务器更底层的管理架构。

与Lattice通过收购补齐软件和固件能力不同,Altera更侧重通过丰富FPGA的产品组合来覆盖多样化的系统需求。2026年10月,Altera发布Agilex 2X产品组合,面向数字AI基础设施、网络和物理AI等领域。其产品布局覆盖高速收发器、以太网和PCIe等连接能力,也涉及板级与机柜控制、接口桥接和硬件信任根等应用。

同时,AMD也在继续依托Xilinx的技术积累,推进自适应计算和嵌入式产品布局。由此可见,虽然各家厂商的竞争路径有所不同,但共同点在于,FPGA正在从单一芯片产品向更广泛的系统应用延伸。

除了产品和业务布局,FPGA厂商还开始参与数据中心管理标准的建设。

2026年10月,Lattice与AMI在开放计算项目(OCP)推动成立SCMP工作组,AMD、Arm、Intel、Jabil、ASPEED和Microsoft等企业参与其中。该工作组希望推动开放、厂商中立的安全控制与管理架构,改善不同设备之间身份验证和管理接口的兼容问题。

随着数据中心规模扩大,服务器内部及不同设备之间的管理关系越来越复杂。统一的管理标准有助于降低不同厂商硬件之间的集成难度,也能减少平台建设对特定供应商方案的依赖。对参与其中的芯片厂商来说,标准制定还关系到未来平台架构的话语权,以及自身产品进入产业链的机会。

中国FPGA产业,能否抓住新机会

海外FPGA厂商正在加快向AI数据中心拓展业务,中国厂商也面临着一次新的市场机会。

从市场规模来看,Grand View Research预计,中国FPGA市场将从2023年的约21.01亿美元增长至2030年的46.89亿美元,2024年至2030年的复合年增长率为12.2%。通信和工业控制仍是重要应用领域,数据中心、汽车电子和人工智能则为市场提供了新的增长方向。

但市场需求扩大,并不意味着国产FPGA能够直接分享AI算力增长的红利。尤其在数据中心领域,FPGA厂商需要针对不同应用场景提升产品能力。高性能计算和高速网络应用,要求芯片具备较强的逻辑资源、高速SerDes、先进接口和功耗控制能力;服务器管理则更看重低功耗、接口兼容、安全控制和长期稳定运行能力。不同应用方向对芯片性能、功能配置和配套生态提出了差异化要求。

前文中,海外厂商的布局提供了一种值得参考的思路:国产FPGA不必将所有资源都集中在高端计算加速市场,也可以从更具体的系统需求寻找突破口。例如,服务器板级管理、接口扩展、协议转换和安全控制等环节,对FPGA的灵活适配能力有实际需求。与直接参与GPU周边的高性能计算竞争相比,这些细分场景或许更适合作为部分国产厂商进入数据中心供应链的起点。

不过,进入数据中心供应链,需要的不只是硬件产品,还包括开发工具、IP资源、软件支持和平台适配能力。国产厂商如果希望从提供芯片进一步走向平台导入,同样需要补齐这些环节。

目前国内市场的优势在于拥有规模庞大的服务器和数据中心市场,应用场景丰富,并且本土FPGA厂商在客户沟通、定制开发和供应链协同方面也具备一定灵活性。如果能够围绕本土服务器厂商的实际需求进行产品开发,并与处理器、BMC及固件供应商建立合作,就有机会缩短产品验证和导入周期。

当然,这些优势最终仍要接受产品和市场的检验。

结语

FPGA在AI时代重新获得关注,反映出数据中心对硬件能力的需求正在变得更加多元。未来的竞争,既发生在GPU所代表的计算核心,也发生在支撑整个系统稳定运行的底层环节。

对FPGA厂商而言,这轮变化带来的价值,在于拓宽了产品的应用空间,也让软硬件协同、平台适配和生态建设成为新的竞争环节。FPGA或许不会成为AI计算的主角,却有机会在AI基础设施中占据更重要的位置。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

CPO,还得等等!

2026年11月16日 08:43

编辑部 2026-11-16 08:43 安徽

半导体行业观察:CPO(共封装光学)正在成为AI数据中心光互连的重要技术方向。

公众号记得加星标⭐️,第一时间看推送不会错过。

CPO(共封装光学)正在成为AI数据中心光互连的重要技术方向。随着AI集群规模不断扩大,传统可插拔光模块在功耗、带宽密度以及系统集成方面面临越来越大的压力,将光引擎与交换芯片共同封装,被认为是下一代高速光互连的重要发展方向。

不过,CPO距离真正的大规模量产,可能还有一段距离。

11月13日,半导体产业研究机构FUNDA发布了一份关于CPO量产进展的深度报告。报告认为,虽然面向Scale-out交换机的CPO已经开始生产并实现小批量出货,但目前的产能爬坡受到混合键合和测试环节的限制,大规模交付可能要推迟至2027年末至2028年。

此前,市场曾对2027年CPO放量抱有较高期待。FUNDA则认为,按照目前的工艺进展,2027年的出货量可能低于此前预期。尤其是英伟达Spectrum-X CPO交换机,此前市场关注的2027年约10万台出货目标,实现起来存在较大压力。

报告将目前的量产瓶颈归结为两个问题:一是台积电COUPE平台上的混合键合良率仍然偏低,特别是W2W(晶圆对晶圆)键合;二是CPO测试环节的Insertion 2设备供应商尚未确定。

混合键合良率,成为CPO量产最大障碍

FUNDA此次重点分析的是英伟达基于台积电COUPE平台开发的CPO光引擎。该方案采用3D混合键合技术,整个制造流程涉及两道连续的键合工序,分别是D2W(Die-to-Wafer,芯片对晶圆)和W2W(Wafer-to-Wafer,晶圆对晶圆)。

简单来说,D2W主要负责将经过筛选的良品电子集成电路芯片(EIC)和透镜逐一放置到光子集成电路(PIC)晶圆上;W2W则负责将整个晶圆与载体晶圆进行键合,为后续晶圆翻转、减薄以及背面布线等工序提供机械支撑。这两道工序并不是两种相互竞争的技术路线,而是同一制造流程中的连续环节。

混合键合之所以受到重视,主要在于它能够同时实现介质层与铜-铜之间的直接连接,不再依赖传统微凸块。传统微凸块的互连间距通常在40至50微米,而混合键合能够将间距缩小到10微米以下,从而提高I/O密度,并缩短电气连接路径。这对于需要高密度互连的先进封装和光电集成而言,具有明显优势。

但工艺优势并不意味着量产已经成熟。FUNDA援引设备厂商工艺专家的判断称,目前D2W的良率约为80%,W2W的良率只有约50%。要实现稳定、具有经济效益的大规模生产,两道工序的良率都需要达到90%以上。由于两道工序连续进行,良率还会相互叠加,因此其中任何一个环节出现问题,都会影响最终光引擎的产出。

相比之下,D2W的技术成熟度相对较高。Besi是这一环节的主要设备供应商,单台设备价格约为300万美元。FUNDA估计,台积电相关产线目前已经部署约30台D2W设备,未来规划增加至约100台。从设备数量和现有产能来看,D2W暂时不是2027年CPO出货的主要限制因素。不过,随着后续需求增加,Besi的设备交付能力仍然值得关注。

真正棘手的是W2W。

问题出在透镜表面并不平整。在完成D2W之后,整个晶圆需要与载体晶圆进行键合,但由于透镜表面存在凹凸结构,当其与平整的载体晶圆接触时,界面容易形成空隙,气体被困在其中,进而产生气泡或局部未键合区域。

更麻烦的是,这些缺陷可能在后续退火过程中进一步扩大,甚至从单颗芯片扩散至相邻区域,最终影响整片晶圆的良率。FUNDA采访的工艺专家认为,EIC与PIC之间的键合工艺本身已经基本得到验证,真正需要解决的是如何将带有不平整透镜结构的表面,与平整的载体晶圆可靠地键合在一起。

目前,W2W仍主要采用非真空设备,良率约为50%。要解决这一问题,需要开发带有真空腔体的键合设备,在键合之前排出界面气体,从而减少气泡和空洞。FUNDA认为,这类设备的成熟程度,将直接影响CPO后续的量产进度。

真空键合设备展开竞争,测试也是瓶颈

在W2W设备供应商方面,FUNDA重点提到了EV Group(EVG)和东京电子(TEL)。

两家公司都具备开发真空腔体键合设备的能力。根据FUNDA的产业链调查,EVG已经拥有相关平台,但晶圆厂对其键合对准能力仍有顾虑,目前更倾向于评估TEL的方案,同时将EVG作为备选。晶圆厂也希望引入第二家供应商,不过其他设备厂商目前似乎还没有展现出能够匹配现有方案的性能。

设备研发进度同样不容乐观。报告预计,新一代真空键合设备可能在2027年下半年出现早期样机,真正成熟则可能要到2028年。至于设备价格,受访专家估计单台可能达到3000万美元,随着后续进入规模化生产,价格有望下降。

这意味着,即使CPO已经开始小批量出货,决定其能否快速扩大规模的关键工艺设备,仍然处于开发和验证阶段。

值得注意的是,单纯增加检测设备,并不能从根本上解决W2W良率问题。FUNDA指出,键合前可以通过高分辨率光学扫描检测1至2微米的颗粒,键合后则可以通过声学扫描检查空洞和未键合区域。但检测只能发现缺陷,不能消除颗粒、气泡等缺陷产生的根源。真正提高良率,仍然需要依靠设备和工艺本身的改进。

除了混合键合,测试环节也是CPO量产需要跨过的一道门槛。

与传统可插拔光模块不同,CPO将光引擎与交换芯片集成在一起,制造流程中的测试需要分布在多个不同阶段。FUNDA指出,目前测试流程中的Insertion 2设备供应商尚未确定,这也是影响后续量产进度的因素之一。

报告还援引一位测试设备领域专家的判断称,目前从PIC晶圆到最终合格光引擎的综合良率只有30%至40%。这里的30%至40%并不是单独D2W工序的良率,而是从PIC晶圆到最终合格光引擎的整体良率。由于良率偏低,加上系统集成难度较高,部分客户已经开始调整CPO导入计划,将全面采用CPO的时间推迟至2028年。

从整体来看,CPO量产并不是解决某一道工艺就能实现,而是需要混合键合、测试和后续封装等多个环节共同成熟。尤其是在目前的制造流程中,W2W键合良率偏低,已经成为限制光引擎产出的关键因素。

CPO放缓,NPO可能获得更长窗口期

对于CPO量产进度推迟,FUNDA认为,受到影响的主要是光互连需求兑现的时间,而不是需求本身。报告特别指出,光互连以及高功率外置光源的需求并未因此受到影响。

另一个值得关注的变化是NPO(近封装光学)。FUNDA认为,CPO成熟时间越长,NPO在Scale-up场景中的应用就越有可能延续更长时间。换句话说,如果CPO在制造工艺和良率方面仍需要更多时间,NPO就可能在一段时间内继续承担部分高速光互连需求。

至于英伟达下一代Scale-up系统最终采用CPO还是NPO,目前仍未有定论。FUNDA认为,虽然下一代Scale-up系统肯定会采用光互连,但目前这些制造约束使得其较早转向CPO的可能性有所降低。

从这份报告来看,CPO已经从技术验证走向了小批量出货,但距离真正的大规模商业化,仍然需要解决制造工艺和设备成熟度的问题。特别是混合键合,技术路线本身并不是最大障碍,如何把W2W良率从目前约50%提升至量产所需水平,才是接下来真正需要突破的地方。

对于产业链而言,除了关注英伟达CPO交换机的出货情况,Besi、TEL、EVG等设备厂商在混合键合领域的进展,以及后续测试设备供应商的选择,同样值得持续关注。

*免责声明:本文由作者原创。文章内容系作者个人观点,半导体行业观察转载仅为了传达一种不同的观点,不代表半导体行业观察对该观点赞同或支持,如果有任何异议,欢迎联系半导体行业观察。

END

今天是《半导体行业观察》为您分享的第4592期内容,欢迎关注。

推荐阅读

加星标⭐️第一时间看推送~

求点赞

求分享

求推荐

跳转微信打开

❌