未来的芯片是什么样子？

摘要：由于人工智能的蓬勃发展，芯片世界正处于巨大潮流转变的风口浪尖。人们对芯片的需求不断增加，这些芯片可以更快地训练人工智能模型，并从智能手机和卫星等设备上对它们进行操作，使我们能够在不泄露私人数据的情况下使用这些模型。各国政府、科技巨头和初创企业都竞相在不断增长的半导体市场中分得一杯羹。 以下是未来一年需要关注的四个趋势，它们将定义未来的芯片是什么样子、谁将制造它们以及它们将解锁哪些新技术。CHIPS 在世界各地开展活动全球最大的两家芯片制造商台积电和英特尔正在竞相在沙漠中建设园区，他们希望这些园区能够成为美国芯片制造实力的所在地。这些努力的一个共同点是资金：3 月份，乔·拜登总统宣布为英特尔在全国范围内的扩张提供 85 亿美元的直接联邦资金和 110 亿美元的贷款。几周后，台积电又宣布获得 66 亿美元的投资。这些奖项只是美国通过 2022 年签署的 2800 亿美元芯片和科学法案涌入芯片行业的补贴的一部分。这笔资金意味着任何涉足半导体生态系统的公司都在分析如何重组其供应链以受益。虽然大部分资金旨在促进美国芯片制造，但其他参与者仍有申请的空间。美国并不是唯一一个试图将部分芯片制造供应链本土化的国家。日本自己花费了 130 亿美元，相当于《芯片法案》，欧洲将花费超过 470 亿美元，今年早些时候，印度宣布斥资 150 亿美元建设本地芯片工厂。塔夫茨大学教授、 《芯片战争：争夺世界最关键技术之战》一书的作者 Chris Miller 表示，这一趋势的根源可以追溯到 2014 年。从那时起，中国开始向其芯片制造商提供巨额补贴。“这造成了一种动态，其他政府得出结论，他们别无选择，只能提供激励措施或看到企业将制造业转移到中国，”他说。这种威胁，加上人工智能的激增，导致西方政府为替代方案提供资金。Miller表示，这笔资金不太可能催生全新的芯片竞争对手，也不太可能通过重组成为最大的芯片厂商。相反，它将主要激励像台积电这样的主导企业在多个国家扎根。但光靠资金还不足以迅速做到这一点——台积电在亚利桑那州建厂的努力陷入了错过最后期限和劳资纠纷的泥潭，而英特尔也同样未能满足其承诺的最后期限。目前尚不清楚，无论何时这些工厂投产，其设备和劳动力是否能够达到这些公司在国外的先进芯片制造水平。Miller表示：“供应链只会在数年甚至数十年内缓慢转变。但情况正在发生变化。”更多边缘人工智能目前，我们与 ChatGPT 等 AI 模型的大部分交互都是通过云完成的。依赖云有一些缺点：一方面，它需要互联网访问，而且还意味着您的一些数据会与模型制作者共享。这就是为什么人们对人工智能边缘计算产生了很大的兴趣和投资，其中人工智能模型的过程直接发生在您的设备上，例如笔记本电脑或智能手机。随着行业越来越致力于人工智能模型，帮助我们了解很多的未来，而这一切需要更快的“边缘”芯片，使得可以在不共享私人数据的情况下运行模型。这些芯片面临着与数据中心芯片不同的限制：它们通常必须更小、更便宜、更节能。美国国防部正在资助大量针对快速、私有边缘计算的研究。今年 3 月，其研究部门国防高级研究计划局 (DARPA) 宣布与芯片制造商 EnCharge AI 合作，打造一款用于人工智能推理的超强大边缘计算芯片。EnCharge AI 正在致力于制造一款能够增强隐私性但运行功耗极低的芯片。这将使其适用于卫星和离网监视设备等军事应用。该公司预计将于 2025 年发货这些芯片。人工智能模型将始终依赖云来实现某些应用程序，但新的投资和对改进边缘计算的兴趣可以为我们的日常设备带来更快的芯片，从而带来更多的人工智能。如果边缘芯片变得足够小且足够便宜，我们可能会在家庭和工作场所看到更多人工智能驱动的“智能设备”。如今，人工智能模型主要局限于数据中心。EnCharge AI 联合创始人 Naveen Verma 表示：“我们在数据中心遇到的许多挑战都将得到克服。我预计人们会重点关注边缘领域。我认为这对于大规模实现人工智能至关重要。”大型科技公司加入芯片制造领域公司正在支付高昂的计算成本来为其业务创建和训练人工智能模型。例如，员工可以用来扫描和汇总文档的模型，以及虚拟代理等面向外部的技术。这意味着对云计算来训练这些模型的需求正在急剧增加。提供大部分计算能力的公司是亚马逊、微软和Google。多年来，这些科技巨头一直梦想通过为自己的数据中心制造芯片来提高利润率，而不是从像英伟达这样的公司购买芯片。亚马逊于 2015 年开始努力，收购了初创公司 Annapurna Labs。Google在 2018 年推出了自己的芯片 TPU。微软于 11 月推出了首款人工智能芯片，Meta 于 4 月推出了新版本的自家人工智能训练芯片。这种趋势可能会让英伟达失去优势。但在大型科技公司眼中，英伟达不仅扮演着竞争对手的角色：无论云巨头自己的内部努力如何，他们的数据中心仍然需要其芯片。部分原因是他们自己的芯片制造工作无法满足他们的所有需求，但也是因为他们的客户希望能够使用顶级的 NVIDIA 芯片。“这实际上是为了给客户提供选择，”微软 Azure 硬件工作负责人 Rani Borkar 说。她表示，她无法想象微软为其云服务提供所有芯片的未来：“我们将继续保持强有力的合作伙伴关系，并部署来自与我们合作的所有芯片合作伙伴的芯片。”当云计算巨头试图从芯片制造商手中夺取一些市场份额时，英伟达也在尝试相反的做法。去年，该公司推出了自己的云服务，这样客户就可以绕过亚马逊、Google或微软。随着市场份额争夺战的展开，未来的一年将关乎客户是否将大型科技公司的芯片视为类似于英伟达最先进的芯片。英伟达与初创公司的较量尽管英伟达占据主导地位，但仍有一波投资流向初创公司，这些初创公司旨在未来芯片市场的某些领域超越英伟达。这些初创公司都承诺提供更快的人工智能训练，但对于哪种计算技术能够实现这一目标，从量子到光子学再到可逆计算，他们有不同的想法。许多公司，例如 SambaNova、Cerebras 和 Graphcore，都在尝试改变芯片的底层架构。想象一下人工智能加速器芯片需要不断地在不同区域之间来回移动数据：一条信息存储在内存区域中，但必须移动到处理区域，在那里进行计算，然后存储回内存区进行保管。这一切都需要时间和精力。提高这一过程的效率将为客户提供更快、更便宜的人工智能培训，但前提是芯片制造商拥有足够好的软件来允许人工智能培训公司无缝过渡到新芯片。如果软件转型过于笨拙，OpenAI、Anthropic 和 Mistral 等模型制造商可能会坚持使用大型芯片制造商。这意味着采用这种方法的公司（如 SambaNova）不仅将大量时间花在芯片设计上但在软件设计上也是如此。芯片初创公司Eva创始人Onen 提议进行更深层次的改变。他没有使用传统晶体管，几十年来，传统晶体管通过变得越来越小而提供了更高的效率，而是使用了一种称为质子门控晶体管的新组件，他说 Eva 是专门为人工智能训练的需求而设计的。它允许设备在同一位置存储和处理数据，从而节省时间和计算能源。使用此类组件进行人工智能推理的想法可以追溯到 20 世纪 60 年代，但研究人员永远无法弄清楚如何将其用于人工智能训练，部分原因是材料障碍——它需要一种材料，除其他品质外，能够精确地控制室温下的电导率。有一天，在实验室，“通过优化这些数字，并且非常幸运，我们得到了我们想要的材料。” Onen说。经过几个月的努力确认数据正确后，他创立了 Eva，该成果发表在《科学》杂志上。但在这个领域，许多创始人都承诺要推翻领先芯片制造商的主导地位，但都失败了，Onen坦言，他还需要数年时间才能知道设计是否按预期工作以及制造商是否会同意生产它。 原文：未来的芯片是什么样子？

建筑工地成无人车噩梦 Waymo栽跟头多到被约谈

摘要：Robotaxi，防火防盗防“建筑工地”。Waymo就栽了。北美监管部门刚刚又开启了针对Waymo无人车的调查，起因是收到一系列相关事故报告。有撞上路边停放车辆的，有撞静止障碍物的，阻塞交通的…以及一个不寻常高频场景：建筑工地。 发生了什么大概3个月内，Waymo积累上报了22起事故，引起了美国国家公路交通安全管理局的注意。根据NHTSA的文件显示，这些事故包括Waymo无人车和静止和半静止物体（比如门）相撞、与停放车辆相撞以及违反交通安全控制装置的情况。其中“违反交通安全控制装置”官方特别说明是一个重点调查方向，一个典型场景就是自动驾驶系统对交通锥/雪糕筒的检测识别能力。这个点比较罕见。因为这次上报的22起事故中，很多都涉及同一种场景——建筑工地。比如上个月，6辆编队行驶的Waymo Robotaxi，下班收工回停车场，结果遇到了施工现场临时交通管制，直接卡死在雪糕筒围成的临时通行区，造成了大约半个小时交通拥堵。有本地生活经验的网友立刻就认出来，这是旧金山 Potrero 大道 101 号匝道，Waymo无人车卡死的地方，刚好是高速入口。最后，是路上的司机老哥直接下车手动挪开雪糕筒，后面的车队依次绕过几辆“瘫痪”的无人车。Waymo方面出了一个简单声明，大意是30分钟内就派人去现场挪车了，没有造成任何伤亡和财产损失，后续会配合调查。不过在凤凰城的建筑工地，就没这么幸运了。同样一辆Waymo无人车，无视了雪糕筒围出的施工区域，直接冲进了建筑工地。幸好速度不快没撞到人，不过车辆本身、工地现场都有不同程度损失。类似这样的事故很多，每次无人车“冲进工地”的小视频，都会在网络上疯传。网友总结的很生动：交通锥就是Robotaxi的氪石（kryptonite），现在再神通广大的自动驾驶，遇到封闭道路的交通锥，都得完蛋。咦？好像跟Waymo官方秀出的视频不太一样呀。为什么建筑工地难？Waymo第五代自动驾驶系统绕行施工区，曾被当做技术亮点专门解析过。官方的Demo中，无人车面对的场景更加复杂，除了交通锥、不规则区域，还有来回走动的工人。Waymo无人车当然是毫不费力完成了一系列避让、绕行动作，顺利通过了施工区域：这里面让人啧啧称奇的是，Waymo无人车似乎能够看懂人类指挥交通的肢体语言，让停就停，让走就走，而不仅仅以路面条件作为依据。怎么做到的？Waymo负责预测算法的工程师Maya Kabkab简要解释了一下，大意是第五代技术中，Waymo加强了对不同物体目标的理解能力，以及对可通行区域的识别能力，这两项使得系统能更好规划通行路线。核心是用全新模型VectorNet替代CNN，提取传感器和高精地图信息。简单的说，是将高精地图和传感器输入信息表示为点、多边形或曲线，VectorNet则将所有道路特征和其他对象的轨迹表示为相应的向量。基于这个简化的视图，VectorNet可以提取每个向量的信息以及学习不同向量之间的关系。好处是VectorNet比CNN占用计算资源更少，出结果的速度更快，理论上也能更加清晰的提取出关键场景信息。但VectorNet仍然没有解决“建筑工地”难题的核心——“建筑工地”本身是高精地图的例外，不可能同步更新，只能靠传感器实时感知。但传感器的数据在不同子模型之间依次传递，信息损失难以完全避免。Robotaxi频繁出现被建筑工地卡死，直接原因是对交通锥、异形物的错检漏检。而深层原因，是传统自动驾驶技术范式存在能力的上限、天花板，难以覆盖路上所有的corner case。所以能不能顺利避让建筑工地，成了一种概率事件：官方Demo精雕细琢反复测试，那没问题；单上路实测，就只能看天吃饭了。端到端能解吗？“遇事不决量子力学”，是一句调侃。但在自动驾驶领域，遇事不决，的确都可以“端到端”一下。所谓“端到端”是针对传统技术范式而言的，其中自动驾驶的感知、决策、规控等等互相独立。传感器采集到的数据，需要通过这一系列不同的算法模块，最终才能“变成”操作指令。每个独立模块之间的信息是逐级传递的，在这个过程中必然会存在信息的丢失和误差，而且前一个模块的误差会影响到下一个，多个模块之间的信息误差会不断累积，进而影响到自动驾驶方案的整体效果。无论是纯视觉感知，还是融合感知，“错检漏检”的根源就在这里。当然也有对应的解决办法，那就是通过人手写的规则，尽量打补丁提高感知识别的可靠性。比如能识别车、人，但识别不了“人站在车前”，那好办，直接将这类目标单独建一个数据集拿来训练模型不就行了？这就是所谓感知“白名单”机制。但问题是，很难穷举所有种类的交通目标和场景，这次解决了“人在车前”的问题，但如果车从乘用车变成大卡车呢？或者一个人变成大人牵小孩呢？对于Robotaxi的建筑工地难题来说也是一样，工地可能临时出现，随机刷新，不会限定区域限定时间，而每家工地的搭建、施工路障都不一样…所以从感知开始就实现信息的无损传递，让系统真正理解环境，需要有一个全新的算法范式——端到端算法模型。两个端分别指数据输入端和指令输出端，中间不再分成几个相互独立的模块。端到端模型能够通过完全数据驱动的模式，将其学到的能力和技巧迁移泛化到其他场景当中，自主且高效解决行泊场景中新出现的各类长尾问题，具备更快的迭代效率，有效降低开城成本。通俗的说，就是让AI司学习人类成熟驾驶行为，看到一种场景，做出相应对策。实际上“端到端”已经摸到了AGI的门槛。2016年端到端模型由英伟达首次提出。但真正得到量产实践这两年才开始。目前只有特斯拉的FSD和中国AI玩家的CVPR 2023最佳论文——UniAD。智能车参考也分别就Waymo遇到的工地难题询问了这两家国内自动驾驶头部玩家的看法。地平线从工程实践角度出发，认为：自动驾驶的工地难题和端到端技术范式并不是绑定的。理论上讲，感知能力足够强、感知白名单足够丰富也是能解决问题的。但显然，端到端的自主学习能力、类人思考会更大规模更高效率的解决这个问题。而商汤的看法更加从“第一性原理”出发，绝影智驾相关技术专家相关认为：不对具体的case进行评价。但基于规则的传统智驾方案的感知还是人为定义要素，并对感知信息进行抽象提取，这就会导致信息传递过程的损失和遗漏，让感知决策模块难以作出正确的决策。而端到端是在一个神经网络中，将外部环境的信息无损输入和传递，更准确和完整地理解外部交通环境，并作出规划和决策。规则方案可以通过增加规则、添加补丁解决一个场景。但是这样的场景不会只有一个，是无限的。而足够多的数据进行学习训练之后，端到端方案可以像人一样思考、开车，自己解决更多类似的corner case。总结一下，地平线和商汤表述不同，但核心一样，都认可端到端是解决Robotaxi工地难题最有效的方法。同时还是解决自动驾驶各类长尾问题的最高效途径。对了多说一句，提出UniAD的CVPR 2023最佳论文，地平线和商汤的学者都参与了撰写。端到端对传统技术范式革新，给了所有玩家新的机遇：更好的智驾体验、更低的维护、泛化成本，以及更有竞争力的自动驾驶方案成本。但代价是以往模块化的、规则驱动主导的技术体系，必须推倒重构。昔日自动驾驶绝对领军者Waymo，如今陷入“建筑工地”困境中，更加证明自动驾驶这条赛道“水无常形，兵无常势”：老牌明星可能会优势归零重置，“后来者”也会获得领先优势。 原文：建筑工地成无人车噩梦 Waymo栽跟头多到被约谈

摩根大通：2024年中国大陆晶圆代工厂利用率提升势头明显

摘要：摩根大通证券在最新发布的《晶圆代工产业》报告中指出，晶圆代工库存去化将结束，产业景气2024年下半年将广泛恢复，并于2025年进一步增强。摩根大通台湾区研究部主管Gokul Hariharan分析，景气第1季落底，加上AI需求持续上升、非AI需求也逐渐恢复，更重要的是急单开始出现，包括大尺寸面板驱动IC（LDDIC）、电源管理IC（PMIC）、WiFi 5与WiFi 6芯片等，均明确显示晶圆代工产业摆脱谷底、转向复苏。 值得注意的是，中国大陆晶圆代工厂利用率恢复速度较快，主要是由于大陆fabless公司较早开始调整库存，经过前六季积极去库存后，库存正逐渐正常化。此外，哈戈谷指出，已观察到小部分紧急订单显示上升周期开始的关键迹象，例如LDDIC、PMIC、WiFi 5与WiFi 6芯片正持续涌入。非AI需求方面，3C领域的消费、通信、计算等垂直领域也在今年第1季触底；不过，汽车、工业需求可能在2024年底、2025年初恢复，主因整体库存调整较晚。非大陆晶圆厂整体资本支出2024年下降约25%，并在2025年进一步下降35-40%。反观由于大陆晶圆厂成熟产能建设加速，近几季前五大半导体设备商来自大陆市场营收贡献比率已大幅上升至40-45%。另外，哈戈谷对于世界先进保持谨慎态度，主因8英寸晶圆结构性需求逆风、12寸扩张可能带来折旧负担。相关文章:中国芯片产能飙升速度惊人 原文：摩根大通：2024年中国大陆晶圆代工厂利用率提升势头明显

搭载韩国LG电池频繁起火 雪佛兰Bolt召回车主最高获赔1万元

摘要：日前，通用汽车与韩国LG能源、LG电子共同提交给美国法院的文件显示，多方已达成和解，并将共同设立1.5亿美元基金，为受到电池缺陷影响的雪佛兰Bolt电动车车主提供补偿。通用汽车方面表示，更换电池或安装最新诊断软件的Bolt车主有资格获得赔偿。 而根据法院提交的文件显示，在2023年12月31日前，在通用汽车经销商安装软件的被召回雪佛兰Bolt电动车车主，每位最高将获得1400美元（约合人民币10114元）的赔偿。据悉，2021年时，雪佛兰Bolt EV频发起火事故，通用汽车表示，Bolt所使用的电池可能存在罕见的两种制造缺陷。即电池阳极损坏以及电池隔膜发生皱褶，上述缺陷将增加电池发生火灾的风险。后续，通用对缺陷车辆进行了召回，为其更换了电池模组，并提供8年/10万英里的保修政策。而召回和其他附加成本，将由韩国LG化学承担，双方达成了19亿美元的赔付协议。 原文：搭载韩国LG电池频繁起火 雪佛兰Bolt召回车主最高获赔1万元

中山大学开发超薄纳米压印超透镜阵列的AR集成成像显示器

摘要：中山大学的研究人员开发了一种利用超薄纳米压印超透镜阵列创建透视增强现实显示器的原型。其中，所述显示系统能够提供全彩、视频速率和低成本的3D可视化，解决了以前AR系统的主要局限性。 集成成像技术是一种利用微透镜/针孔阵列记录和再现光场的光场3D技术，其分为记录过程和显示过程。所述技术的记录过程类似于苍蝇的眼睛机制，通过一大的微透镜阵列获得原始3D物体在不同视角下的元素图像阵列，该元素图像阵列包含了原始3D物体的全光场信息，类似于全息术。但与全息术不同，这种解决方案不局限于相干光源。通过显示器显示元图像，利用微透镜阵列可以将原始3D物体真实地重构出来。集成成像显示具有全视差和准连续视点等特性，可提供一种能够具有深度线索和避免视觉疲劳的真3D显示。然而，由于技术限制，集成成像显示在21世纪之前进展缓慢，但随着算法的增强、制造能力的提高和微显示屏的发展，行业开始迅速发展，尤其是在过去十年中。对于下一代3D的显示技术，平面超构光学元件十分富有前景，超薄的超透镜是传统大体积透镜的理想替代品。超透镜在亚波长尺度上表现出前所未有的操纵光的能力，能对透射或反射光的振幅、相位、偏振和色散进行精确调控。近年来，超透镜在集成成像显示方面显示出巨大的潜力，解决了传统微透镜阵列遇到的宽带消色差的问题。然而，制造大尺寸超透镜阵列及其与用于集成成像显示器的商用微型显示器的集成依然是一项具有挑战性的任务。另外，用于编码3D物体和创建元素图像阵列的计算算法依然太慢，无法实现用于实际视频级集成成像显示器的3D物体的实时渲染。所以在一项研究中，中山大学团队介绍了一种用于近眼3D集成成像显示器的大尺寸纳米压印超透镜阵列。系统结合了大尺寸超透镜阵列、商用微型显示器和实时渲染算法，能够产生具有运动视差和深度线索的高质量3D图像。研究人员采用纳米压印制造技术和折射率为1.9的压印胶制造了一个大尺寸（1.84 mm乘1.84 mm）超透镜阵列，并通过3D打印支架将4乘4的高质量超透镜阵列与商用微型显示器集成。为了实现视频级集成成像显示，他们同时引入了一种利用了集成成像显示中体元素和像素之间静态映射的全新快速渲染方法。其中，这种渲染方法可以绕过传统的几何投影，通过查找表实现实时显示的性能。当然，团队指出，尽管用于高质量超透镜制造和实时渲染算法的纳米压印光刻可以推动未来VR和AR应用的集成成像显示器的发展，但这一领域依然在一定的挑战。例如，高分辨率元素图像阵列显示是一个巨大的障碍，需要超小像素尺寸到亚微米级的微显示器。然而，制造这种超高像素密度微显示器目前仍面临着相当大的挑战。在这种情况下，具有高刷新率的时间复用光场显示技术有望提供可行的解决方案。其次，可用的纳米压印胶水的折射率依然很低，需要高深径比的纳米柱来构建超透镜阵列，从而对微纳制作技术的精度提出非常高的要求和挑战。第三，真正交互式近眼3D显示器的开发需要结合3D交互技术以实现快速可调谐性和低功耗。 原文：中山大学开发超薄纳米压印超透镜阵列的AR集成成像显示器

特斯拉第300百万台量产车下线

摘要：5月19日消息，日前特斯拉在其社交平台上宣布，公司已成功制造出第300万台汽车。据了解，这台具有纪念意义的汽车是在特斯拉位于加州的弗里蒙特超级工厂和内华达超级工厂的共同努力下诞生的，特斯拉的第300万辆电动汽车为深蓝色外观的Model S车型。 资料显示，弗里蒙特工厂，作为加利福尼亚州最大的制造基地之一，主要负责生产驱动电机、动力总成等核心设备。而内华达超级工厂，被誉为“全球产量最高的电动汽车、储能产品、车辆动力总成和电池工厂之一”，专注于电池组、车体组件等的制造，每年生产数十亿个电池。值得一提的是，特斯拉在2022年7月达成的200万辆汽车生产里程碑，同样归功于这两家超级工厂的贡献。目前，特斯拉正在积极推进内华达超级工厂的扩建工程，该扩建项目于今年1月正式动工，预计将大幅增加工厂的产能，并创造6500个新的全职工作岗位。随着扩建工程的逐步完成，特斯拉预计将能生产出足够数量的4680电池。 原文：特斯拉第300百万台量产车下线