图片来源@视觉中国
文丨芯锂话
“芯片荒”有多严重？中日美欧等四个主要汽车市场的9月销量同比下降26％。
在这场危机面前，人类显得那样弱小无力，已经有很多学者站出来表示“芯片荒”可能仍将持续很长时间，短期内我们将不得不继续忍受这样的局面。
究竟全球“芯片”为何突然之间不够用了呢？追根溯源，这完全是由于供需失衡所造成的。
供给端，欧美企业几乎垄断了整个芯片产业链，通过技术封锁、客户绑定，来压制中国芯片企业的发展。中国几乎是世界上芯片应用量最高的国家，但国产替代率却仅为个位数，其中的苦涩无需多言。
在原本的产业格局中，各链条有序发展，是并不存在“缺芯”这件事的。然而，随着全球疫情爆发，美国遭遇特大寒潮，日本瑞萨电子惨遭大火，全球“封测重镇”马来西亚疫情反弹，全球芯片产能释放遇到了极大的考验。
需求端，新能源汽车迅猛推进，一辆汽车中电子产品的比例显著增加，促使全球芯片的应用量被前所未有的放大。再加上物联网、光伏能产业的发展，进一步放大对芯片的需求。
一边是需求爆发，另一边是产能受制，“缺芯”的到来实属必然。
本质而言，缺芯是因为全球科技发展与垄断生产力之间存在无法调和的矛盾。欧美国家对于“芯片”技术的保护，是造成这场危机的根本所在。
解决“芯片危机”，需要的不是口号，而是切实的产能提升。纵观全世界，中国无疑是解决芯片生产的最优之选。
由此来看，这场“芯片荒”极有可能加速中国芯片厂商的追赶速度，有利于在中国芯片企业全球市场站稳脚跟。01、新能源带来的改变
尽管疫情、暴雪和火灾削弱了全球芯片的产能，但“缺芯”的更核心因素依然还是因为需求端的突然释放。
2020年，全球新能源汽车渗透率仅为3.7%，但今年上半年这一数据飙升至6%，提升了2.3个百分点。具体来看，2021H1全球新能源汽车累计销量达241万辆，较去年同期增长170%。虽然这其中有去年疫情导致基数较低的因素，但新能源汽车销量的增长却是实打实的。
众所周知，新能源汽车与传统汽车的最大不同就在于动力方式，差异于燃油系统，新能源汽车用三电系统来提供动力。所谓三电系统指的是由电池、电机、电控所组成的系统。
来源：NE研究院，英飞凌季报，国元证券研究中心
三电系统带来的最大改变就是车规半导体数量显著增加。长远来看，电动化、自动化、数字化三大方向促使新能源汽车的成本结构发生了本质变化。
现阶段，新能源汽车对于芯片的需求主要是由电气化所催生。
传统汽车中，燃油发动机约占汽车总成本的30%，是占比最高的；同样的在新能源汽车中，电控系统也是成本占比最高的部分，仅电池一项达到汽车总成本的35%，电机、电控占剩余的30%成本。
电池系统控制化学能转化为电能；电机系统在接受电能后将其转化为动能，驱使汽车前行；电控系统则是电机的控制器，由逆变器和控制器两部分组成，逆变器负责将直流电转化为交流电，控制器则是通过控制变频器频率的升降来实现加速和减速的功能。
整个三电系统中，涉及到多次电能转换，就需要通过大量的功率半导体来实现。据国际咨询机构罗兰贝格测算，动力系统的改变将会让汽车中电子元器件的需求量猛增3.5倍，由640美元单辆提升至2875美元。
具体来看，虽然内燃机被更替，汽车将减少395美元的电子元器件，但电池控制和电动力总成却分别增加770美元和1860美元的电子元件成本。
纵观全局，IGBT和MOSFET等功率器件的需求量随着车辆电动化的进程而显著增加。对于电动化很低的微混汽车而言，IGBT组件的个数仅为2-3个，而随着电动化程度的加深，马达功率在120kW以上的电动车IGBT组件的个数可能达到150个。
这还仅仅是电力系统带来的车规半导体数量增长，在汽车自动化和智能化风潮下，雷达系统、传感系统、计算系统芯片的需求量都将有所提升。
在燃油车上，车规半导体应用数量很少，当时的汽车的差异主要在油耗与质量上。而随着科技的发展，汽车已然摆脱了单纯运载工具的命运，而成为移动出行大生态中的核心一环。
在这个层面上，汽车芯片需求量迅猛增长将成为必然趋势。
02、粘在身上的牛虻
在大自然界中，有一种昆虫叫做牛虻，他们以吸食家畜身上的血为生，危害家畜的健康。如今我们的新能源汽车发展火热，但实则身上却早已经粘附了很多的“牛虻”。
“碳中和”趋势之下，新能源汽车有望成为增速最快的赛道，也是我国重点发展的产业方向。
据工研院产科国际所数据，从2018年开始，中国就超越日本成为全球新能源汽车销量第一的国家。最新的2021年数据显示，中国、日本、美国、德国、英国分别是新能源汽车销量占比前五的国家。其中，中国以32.5%的市场占有率，遥遥领先于日本的17.9%和美国的16.3%。
未来五年，中国电动汽车销量预期将从2020年的约100万辆增加至2025年的420万辆，将超过美国及欧洲电动汽车销量的总和，并将长期保持20%以上的行业增速。
传统燃油车时代，发动机就一直制约着我国汽车行业的发展，在电动车抛弃发动机后，实际上中国车企已经与世界豪强站到了一个起跑线上，因此我们才会看到中国新能源车企的迅猛发展。
然而，虽然发动机的瓶颈消失了，但我们却落入了车规半导体的新困境之中。
一辆新能源汽车中，功率半导体的自主率仅为8%，储存芯片的比例也为8%，信号链芯片和传感器的自主率不足5%，控制类芯片的自主率甚至不足1%。整体来看，中国车规半导体的自主率在8%以下。
我国不仅是世界上最大的新能源汽车生产国，但同它还是最大的车规半导体进口国。
海关进出口数据显示，2019年中国集成电路进口金额达3040亿美元，超越原油成为进口依赖度最高的产品，而集成电路出口金额却仅为1100亿美元，贸易逆差达到惊人的1940亿美元。
新能源汽车中，车规半导体是受益最大的一环，而我国的车规半导体却绝大部分采购自海外。正是由于缺乏自主替代能力，因此在海外疫情发生时，我国汽车产业链才会同样遭受“缺芯”困扰。
海外半导体公司就好像牛身上的牛虻，吸食着中国新能源产业链的利润。
03、“缺芯”是中国企业追赶的良机
半导体是由美国人发明的，并始终掌控者这一领域的控制权。
上世纪80年代，尼康、佳能等一批日本企业依靠性价比，成功将美国光刻机赶出市场。在失去芯片制造端话语权后，美国通过扶持荷兰阿斯麦公司的方式打击对手，由此才有了阿斯麦EUV光刻机的绝世无双。
中国企业同样遭到了欧美国家的封杀，华为、中芯国际都并未被平等对待。在芯片发展过程中，我国企业遇到的阻碍远比想象中的更大。
坦率而言，目前我们在半导体产业中的落后是全方位的，不光是买不到光刻机，在电子特气、CMP 抛光材料、湿化学品、光刻胶、EDA软件等多个方面都存在缺口。产业链的羸弱导致国内汽车芯片企业市场地位较弱，高附加值的产品占比极低。
车规芯片虽然没有计算机芯片那样复杂，但却极为考验产品的稳定性，中国企业也同样面临着不小的困难。车规芯片工作环境较为恶劣，需要适应较大温差，同时还要克服高振动、多粉尘、油渍、多电磁干扰的问题。
一直以来，汽车供应商都有着极大遴选惯性，如果一家企业能够顺利进入到车企的供应商名单，那么通常都会源源不断的获得订单，对于车规芯片来说同样如此。
一家企业想要成为全球知名车规供应商，就需要通过AEC机构的元器件认证。虽然名义上这个认证不是强制的，但车企及供应商往往还是认可这一标准的。
AEC是美国汽车电子委员会的简称，由北美三大车企克莱斯勒、福特和通用汽车牵头设立。在基础本就很弱的情况下，中国车规芯片企业想要逆势获得认可难度极大。由此不难看出，芯片制造是很难依靠单项技术突围的，企业的强大往往依托于背后强大的产业链群。
在缺乏产业链支持的情况下，盲目的研发车规芯片对于中国企业而言并没有经济效益，因此很长一段时间中我们做的都是技术附加值并不高的基础产品。
过去，国产车规芯片的痛点有两个，一方面是产业基础薄弱，整个产业链起步都比较晚；另一方面，缺乏赚钱效应，就算做出来也没有人买，难以跻身国际汽车大厂的供应商，缺少持续迭代的机会。
疫情造成的“缺芯潮”其实给了中国芯片企业机会。由于新能源汽车使用全新的动力系统，实则缩小了全球玩家的差距，大家几乎都回到了同一起跑线。
一直以来，中国企业不缺少制造芯片的意愿，也不缺少资本的助力。但却受制于技术封锁，导致整个半导体产业链较为落后。现如今，“缺芯”已经不是短时间内能够解决的问题，在需求不断增长的情况下，势必需要新增产能来解决问题，这就给了我们发展的机会。
去年9月，由科技部、工信部牵头，70余家企事业单位共同组成的“中国汽车芯片产业创新战略联盟”正式成立，这表明发展国家对于汽车芯片发展的重视。
现阶段，“缺芯”主要是由于汽车电动化造成，而电动化只不过是新能源汽车的第一步，随着后续数字化、智能化的到来，汽车“含硅量”将进一步上升。
尤其是自动驾驶技术，从L3到L5阶段，计算量都将指数级增长，对于芯片算力的要求将是如今的上百倍。雷达芯片、传感器、储存芯片、计算芯片都极有可能出现巨大的缺口。
科技发展是全人类努力的结果，技术封锁只会制造麻烦，阻碍技术进步。“缺芯”将极有可能成为中国汽车芯片企业发展的推手，从自主替代到走向全球，或许就在不远的将来。
知识扩展
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。2021年9月25日，为促进人工智能健康发展，《新一代人工智能伦理规范》发布。
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND））等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。
尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。
研究价值
例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。
通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。
这是智能化研究者梦寐以求的东西。
2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。
当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。
发展阶段
1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。
从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。
当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。
2019年3月4日,十三届全国人大二次会议举行新闻发布会，大会发言人张业遂表示，已将与人工智能密切相关的立法项目列入立法规划 。
Chiplet概述
在本文讨论的开放式体系结构中，我们探索了第三种途径，使用低功耗接口（如USR、束线（BoW）或新兴的112G SiP标准）实现多组件裸片的异构集成。通过在不同接口上分层公共协议，可以利用一种基于“构建块”的通用方法，通过简单地改变多芯片模块（MCM）的物料清单（BoM），在基板上创建新的系统。
一些组件块（例如长距离SerDes块或电-光接口）可以在需要的地方迁移更高级的工艺节点，但是其他组件块可能保留在具有成本效益的节点中，以减少总体投资。如下图5所示，虽然没有达到技术缩减的相同面积和功率优势，但第三条路径通过显著减少接口面积和功耗，在更具成本效益的节点中比单片集成提供了相当大的面积和功率节省。虽然多芯片系统通常比单个芯片的成本更高，但这些面积和功耗节省可以在一定程度上抵消增量投资。
在这个图表中，基本投资被显示为原始设计的参考点，原始设计需要通过组合组件和通过集成或将更大的设计推送到新技术中来添加新功能来进行更新。集成到单个基板上可提供工艺缩减的带来的许多好处，而投资成本却大大降低。
基板上的集成系统还大大节省了电路板空间和走线延迟，节省了大量系统成本，通常可以抵消设计和集成MCM所增加的成本。
chiplet是什么意思？chiplet和SoC区别在哪里？一文读懂chiplet
从DARPA的CHIPS项目到Intel的Foveros，都把chiplet看成是未来芯片的重要基础技术。简单来说，chiplet技术就是像搭积木一样，把一些预先生产好的实现特定功能的芯片裸片（die）通过先进的集成技术（比如3DintegraTIon）集成封装在一起形成一个系统芯片。而这些基本的裸片就是chiplet。从这个意义上来说，chiplet就是一个新的IP重用模式。未来，以chiplet模式集成的芯片会是一个“超级”异构系统，可以为AI计算带来更多的灵活性和新的机会。
chiplet是什么意思？chiplet模式简介
chiplet的概念其实很简单，就是硅片级别的重用。设计一个系统级芯片，以前的方法是从不同的IP供应商购买一些IP，软核（代码）或硬核（版图），结合自研的模块，集成为一个SoC，然后在某个芯片工艺节点上完成芯片设计和生产的完整流程。未来，对于某些IP，你可能不需要自己做设计和生产了，而只需要买别人实现好的硅片，然后在一个封装里集成起来，形成一个SiP（SysteminPackage）。所以chiplet也是一种IP，但它是以硅片的形式提供的。
从这段描述来看chiplet可以说是一种新的芯片设计模式，要实现chiplet这种新的IP重用模式，首先要具备的技术基础就是先进的芯片集成封装技术。SiP的概念很早就有，把多个硅片封装在一个硅片里也有很久的历史了。但要实现chiplet这种高灵活度，高性能，低成本的硅片重用愿景，必须要先进的芯片集成技术，比如Intel最近提出的Foveros，3D集成技术。
3D集成技术使我们的芯片规模可以在三维空间发展，而不是传统的限于二维空间。由于在二维空间里，摩尔定律已经很难延续，向三维发展也是一个自然的趋势。此外，正如下图所说的，这种3D集成技术除了提供更高的计算密度之外，还可以让我们重新考虑系统架构（enablingacompleterethinkingofsystem），这个也就是chiplet模式给我们带来的各种新的灵活性，后面再详细讨论。
这里我们不详细讨论3D集成技术的细节，根据目前的发展，在未来几年，相关技术会越来越成熟，应该能够为chiplet模式的普及做好准备。chiplet和SoC区别在哪里？从上文我们可以看出来chiplet和SoC区别在哪里；先有chiplet的应用，才能够集成为一个SoC；chiplet是在硅片级别的重用；chiplet技术就是像搭积木一样实现新的IP重用模式。
SoC：SystemonChip的缩写，称为芯片级系统，也有称片上系统，意指它是一个产品，是一个有专用目标的集成电路，其中包含完整系统并有嵌入软件的全部内容。
SoC更强调的是一个整体，在集成电路领域，给它的定义为：由多个具有特定功能的集成电路组合在一个芯片上形成的系统或产品，其中包含完整的硬件系统及其承载的嵌入式软件。这意味着，在单个芯片上，就能完成一个电子系统的功能，而这个系统在以前往往需要一个或多个电路板，以及板上的各种电子器件、芯片和互连线共同配合来实现。前面我们说集成电路的时候提到过楼房对平房的集成，而SoC可以看作是城镇对楼房的集成；宾馆、饭店、商场、超市、医院、学校、汽车站和大量的住宅，集中在一起，构成了一个小镇的功能，满足人们吃住行的基本需求。SoC更多的是对处理器（包括CPU、DSP）、存储器、各种接口控制模块、各种互联总线的集成，其典型代表为手机芯片（参见术语“终端芯片”的介绍）。SoC还达不到单芯片实现一个传统的电子产品的程度，可以说SoC只是实现了一个小镇的功能，还不能实现一个城市的功能。
AIchiplet的优势
总得来说，我个人认为chiplet模式对于AI硬件的长期发展会有非常正面的影响，主要体现在下面几个方面。
第一，工艺选择的灵活性
chiplet模式的最大优势之一就是一个系统里可以集成多个工艺节点的硅片。
这也是chiplet模式可能支持快速开发，降低实现成本的一个重要因素。大家知道，在芯片设计中，对于不同目的和类型的电路，并不是最新的工艺就总是最合适的。在目前的单硅片系统里，系统只能在一个工艺节点上实现。而对于很多功能来说，使用成本高风险大的最新工艺即没有必要又非常困难，比如一些专用加速功能和模拟设计。如果chiplet模式成立，那么大家在做系统设计的时候则有了更多的选择。对于追求性能极限的模块，比如高性能CPU，可以使用最新工艺。而特殊的功能模块，比如存储器，模拟接口和一些专用加速器，则可以按照需求选择性价比最高的方案。
这一点对于AI芯片的发展是相当有利的。首先，AI加速本身就是一个DSA（专用领域架构），其架构本身就是专门为特定运算定制的，具有很高的效率，即使选择差一两代的工艺，也可以满足很多情况的要求。但目前，大多数这个领域的初创公司，都面临工艺选择的困境。如果选择先进工艺，可能一次投片就耗尽所有投资。如果不选，好像一下就输在了起跑线。如果chiplet模式成为主流，大家的工艺选择应该可以更加理性，工艺虽不是最新但性价比最好的chiplet会有更多机会。第二，对于很多可能大幅提升AI运算效率的新兴技术，比如存内计算，模拟计算（包括光计算），它们使用的器件往往只在相对较低的工艺节点比较成熟，和系统的其它部分怎么集成就是个大问题。chiplet模式也可以解决这个问题，则这些技术的开发商可以以chipletIP的形式提供产品，和其它不同工艺的功能模块集成在一起，而无需受限于Foundry工艺的进展。
第二，架构设计的灵活性
以chiplet构成的系统可以说是一个“超级”异构系统，给传统的异构SoC增加了新的维度，至少包括空间维度和工艺选择的维度。首先，如前所述，先进的集成技术在3D空间的扩展可以极大提高芯片规模。这当然对AI算力的扩展和成本的降低有很大好处。第二，结合前述的工艺灵活性，我们可能在架构设计中有更合理的功能/工艺的权衡，有利于AISoC或者AIoT芯片更好的适应应用场景的需求。第三，系统的架构设计，特别是功能模块间的互联，有更多优化的空间。在目前的AI芯片架构中，数据流动是主要瓶颈。HBM（也可以看成是一种chiplet）可以在一定程度上解决处理器和DRAM之间的数据流动问题，但价格还过于昂贵。对于云端AI加速，HostCPU和AI加速芯片之间，以及多片加速芯片之间的互联，目前主要通过PCIe，NvLink，或者直接用SerDes等等。如果是chiplet方式，则是硅片的互联，带宽，延时和功耗都会有巨大的改善。另外，目前的片上网络NoC是在一个硅片（2D）上的，而未来的NoC则扩展到硅片之间，特别是和ActiveInterposer结合，就可能成为一个3D网络，其路由，拓扑以及QoS可以有更多优化的空间。
第三，商业模式的灵活性
chiplet模式在传统的IP供应商和芯片供应商之外，提供了一个新的选择：chiplet硅片供应商。对于目前的AI芯片厂商来说，要么聚焦在AI加速部分，以IP形式或者外接硬件加速芯片的形式提供产品；要么走垂直领域，做集成AI加速功能的SoC。对于前者来说，chiplet可以提供一个新的产品形式，增加潜在的市场，或者拉长一代产品（工艺）的生命周期。对于一些硅实现能力比较强的厂商来说，也说不定未来会演变成专门做chiplet的供应商。对后者来说，可以直接集成合适AIchiplet而不是IP（还需要自己做芯片实现），大大节约项目开发的时间。
因此，可以预见，AIchiplet会成为AI硬件重用和集成的重要模式。
chiplet模式的挑战
首先当然是集成技术的挑战。chiplet模式的基础还是先进的封装技术，必须能够做到低成本和高可靠性。这部分主要看foundry和封装厂商。随着先进工艺部署的速度减缓，封装技术逐渐成为大家关注的重点。此外，集成技术的挑战还来自集成标准。回到CHIPS项目，可以看出，该项目的重点就是是设计工具和集成标准。Intel的AIB（AdvancedInterfaceBus）就是一个硅片到硅片的互联标准，如果未来能够成为业界的标准（类似ARM的AMBA总线标准的作用），则chiplet的模式就可能更快的普及。还有，对于这种“超级”异构系统，其更大的优化空间也同时意味着架构优化的难度也会大大增加。
除了集成技术之外，chiplet模式能否成功的另一个大问题是质量保障。我们在选择IP的时候，除了PPA之外，最重要的一个考量指标就是IP本身的质量问题。IP本身有没有bug，接入系统会不会带来问题，有没有在真正的硅片上验证过等等。在目前的IP重用方法中，对IP的测试和验证已经有比较成熟的方法。但对于chiplet来说，这还是个需要探索的问题。虽然，相对传统IP，chiplet是经过硅验证的产品，本身保证了物理实现的正确性。但它仍然有良率的问题，而且如果SiP中的一个硅片有问题，则整个系统都受影响，代价很高。因此，集成到SiP中的chiplet必须保证100%无故障。从这个问题延伸，还有集成后的SiP如何进行测试的问题。将多个chiplet封装在一起后，每个chiplet能够连接到的芯片管脚更为有限，有些chiplet可能完全无法直接从芯片外部管脚直接访问，这也给芯片测试带来的新的挑战。
最后补充一点，还是那句话，有挑战就有机会。个人认为，除了前面讨论的chiplet模式对普及AI硬件的推动，它还会促进EDA工具的发展。不论是集成技术，还是质量保障，很多chiplet模式的问题最终都需要EDA工具的改进来给出答案，需要EDA工具从架构探索，到芯片实现，甚至到物理设计的全面支持。这也是CHIPS项目的一个重点是设计工具的原因。
声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。