AI重构、供应链震荡、量子突起│2025 半导体变局复盘

(作者  /  Brian Bailey)2025年无疑是一个充满意外变化的一年。这些变化对半导体行业及其一切支持体系产生了重大影响。并非所有变化都是坏事，但灵活性已成为持续成功或充分利用所提供机会的必要条件。

 

航空航天和国防等一些行业在全球范围内正经历显著提振。在人工智能几乎无法满足的需求推动下，数据中心持续增长，而这正驱动着行业增长——尽管供应链面临挑战。

 

"有几件事的发展速度超出了我的预期，包括已宣布的人工智能基础设施投资、预计的半导体和内存消耗、电力需求以及对先进封装的需求，" Rambus公司院士兼杰出发明家 Steven Woo 表示。"但有些事情进展得比我预期的要慢，包括先进工艺节点的基本电压缩放、高数值孔径 EUV 的使用以及芯粒接口的标准化。"

 

变化速度是一个共同主题。"我过去认为半导体世界的发展速度要慢得多，但过去六个月证明我错了，" ChipAgents 首席执行官 William Wang 说道。"由人工智能驱动的内存和存储超级周期的开始、IDM 策略的快速转变、对智能体 AI 的激增需求以及 EDA 已经加速了整个技术栈的创新。"

 

人工智能正在直接或间接地影响整个行业。"大型公司正在雇佣更多的工程师。每个人都想制造芯片，" IC Manage 执行副总裁 Shiv Sikand 表示。"一切都曾是关于软件，大家都忘记了硬件。然后你意识到，等一下，软件需要运行在某种东西上。于是'芯片即我们'的时代又回来了。我们将拥有更多芯片，也将拥有更好的芯片，因为人工智能工具提高了我们的生产力。"

 

不只是芯片。"纯设计公司（Pure-play）在技术栈上下游移动，既创造了新的竞争压力，也带来了新的机遇，" proteanTecs 首席战略官 Uzi Baruch 说道。"芯片公司开始构建完整系统，甚至是数据中心规模的解决方案，而超大规模公司和设备制造商则大力投资定制芯片。围绕这些垂直化方法形成了完整的生态系统，随之而来的是新的商业模式。企业发现自己越来越多地不仅参与硅片层面，还参与系统层面，许多企业进入定制芯片业务以实现差异化并捕获更多价值链价值。"

 

图片来源  /   豆包

 

Part 1

供应链

 

全球供应链已经断裂，各公司正竞相应对其后果。"真正让我们惊讶的是我们的供应链有多么不稳定，" 弗劳恩霍夫 IIS 自适应系统工程部高效电子部门负责人 Andy Heinig 表示。"我们最近在欧洲的 Nexperia 问题中再次看到了这一点。我们预计在疫情后供应链会变得更稳定一点，但它们再次出现问题。我们不能再相信可以从世界各地获取器件。我们需要更多的本地供应链，可能也需要更多的本地解决方案。价值几分钱的器件已经造成了问题，并破坏了整个供应链。"

 

即使是最简单的器件消失也可能产生重大影响。"原始设备制造商（OEM）正试图建立不易受到中断影响的供应链，包括公司破产，" 弗劳恩霍夫 IIS/EAS 设计方法学部门主管 Roland Jancke 表示。"Nexperia 的问题意味着大众汽车无法再生产汽车。我们不再有'第二货源'的概念，即一家公司无法交货时，另一家公司可以迅速介入。"

 

半导体制造已开始变得更加分散，改变了组装和封装的动态。"'先进封装'这个名字具有误导性，" Ansys（现属新思科技）产品营销总监 Marc Swinnen 表示。"它说得太早了。现在做的是芯片组装，这是新的东西。它有自己的格式，自己的约束。"

 

这也创造了一些新的机会。"很明显，传统封装无法在欧洲完成，因为以欧洲的工资水平不可能做到，" 弗劳恩霍夫的 Heinig 说道。"但如果我们做先进封装和芯粒——你在封装中放入更多功能，封装本身也更复杂——那么在欧洲做这件事就有意义，因为这样你增加了价值，并在你的供应链中建立了更多信任。"

 

Part 2

停滞的Chiplet

 

半导体行业中从事先进芯片组装和封装的厂商与继续进行单片集成的厂商之间的分歧日益扩大。"2.5D 和 3D 设计方法学的发展速度比预期的要快，" Arteris 产品管理和营销副总裁 Andy Nightingale 表示。"CoWoS、Foveros Direct 和 I-Cube3 的产能扩张使得多芯片封装变得实用。EDA 流程最终赶上了封装物理学的步伐，集成了热、应力和电压感知的收敛检查。这种转变也延伸到了互连层。片上网络（NoC）不断发展，以管理跨多个芯片的延迟平衡、带宽分配和 IP 解聚——有效地将互连设计确立为一个系统级学科。有趣的是，芯粒验证如何迅速开始效仿传统的 NoC 集成方法论。"

 

但这并不意味着它是容易的。"Chiplet会继续存在，但我不认为良率挑战已经解决，" 是德科技设计与验证事业部总经理 Nilesh Kamdar 表示。"Chiplet仍然是一组非常复杂的技术，将多个芯片封装在一起仍然昂贵且困难。它确实可行，并且某些 3D 内存堆叠已经展示得很好。但除此之外，在这个领域仍有很多工作需要完成。"

 

数据中心的设计正在采用 2.5D 集成，因为他们别无选择。他们已经达到了光罩极限，为了提升计算能力，他们必须扩展到多个芯片上。大多数设计尚未达到这个阶段，因此其经济性看起来并不那么有吸引力。"我从来不是Chiplet的狂热粉丝，因为我信奉 VLSI（超大规模集成电路），" IC Manage 的 Sikand 表示。"Chiplet与集成是截然相反的。如果它不在同一个芯片上发生，那就意味着你需要在芯粒之间有导线，而这些导线总是会拖慢一切，导致复杂性、串扰、干扰和侧信道攻击。集成硅片仍然是圣杯。"

 

但当达到光罩极限时，Chiplet可能是最简单的前进方式。"随着传统缩放壁垒变得不可否认，异构集成从一种可选优化转变为满足现代人工智能和 HPC 工作负载的重要策略，" proteanTecs 的 Baruch 表示。"让许多人惊讶的是生态系统对齐成熟的如此之快。封装技术、EDA 流程和测试方法学共同进步，使得仅在不久前还感觉是推测性的架构成为可能。然而，随着集成密度的增加，新的系统级变异性和故障机制也随之出现，挑战了长期以来关于可靠性和覆盖率的假设。"

 

看起来这一趋势将持续下去。"去年，我们预测 50% 的 HPC 设计将是多芯片的，" 新思科技产品管理执行总监 Shekhar Kapoor 说道。"十二个月后，行业报告和调查证实了我们的预期——多芯片设计正在达到规模。多芯片设计已成为先进半导体设计的基石。这一转变由两股力量驱动：单片缩放在物理和经济上的极限，以及要求更高性能和效率的人工智能和 HPC 工作负载的爆炸式增长。"

 

除了尺寸，采用Chiplet还有其他原因。"比如产品线灵活性，" Ansys 的 Swinnen 表示。"你可以在多种工艺之间切换，而无需重新设计整个产品。你只需更换以实现升级。例如，如果你有一个新的 USB 接口，你不必重新设计整个芯片。你只需更换那个Chiplet就可以了。除了简单的性能和功耗，还有其他优势。"

 

行业正努力实现这一目标。"在Chiplet峰会上，人们对于Chiplet感到沮丧，" Heinig 表示。"数据中心方面的情况并非如此。对他们来说，这完全清楚，因为他们需要Chiplet来提升性能。但对于行业其他部分，许多公司已经停止了所有Chiplet活动，因为没有商业模式。如果你采用Chiplet，一切都会更昂贵。"

 

但也有一些曙光。"在过去几周，特别是对于国防和汽车行业，我们收到了加快Chiplet应用的请求，" Heinig 补充道。"对一些公司来说，已经明确他们需要多花一点钱，而Chiplet可以成为保障其供应链的一种解决方案。他们将先进封装和Chiplet视为实现这一目标的方式。通过使用构建块，你可以从两个供应商订购处理器并获得灵活性。"

 

仍有许多问题需要解决。"当我们谈论工作在数十或数百千兆赫兹的芯片时，Chiplet或 2.5D 或 3D 堆叠会是什么样子？" 是德科技的 Kamdar 问道。"在航空航天应用中，如果有一个通信芯片和一个数字芯片紧挨着，会发生什么？那里解决的问题有很大不同，并且由于更高频率的通信挑战，这些问题更难解决。我们看到在这个领域有很多参与，并且已经发表了一些令人兴奋的研究。我只是认为它的推出会稍微慢一些。"

 

行业可能需要有耐心。"Chiplet仍然更多是一种愿望而非现实，" Swinnen 表示。"它被过度炒作了，但最终我们会实现。这就像 IP 革命。人们也曾挣扎过。那花了几年时间进行标准化才得以理顺。Chiplet甚至比那更复杂，因为涉及的因素更多。但最终我们会实现。"

 

标准将是更广泛采用的基础。"标准正在推进，先进封装技术正在推动异构集成，" 新思科技的 Kapoor 表示。"这些发展反映了行业向多芯片设计的根本性转变。UCIe 3.0 规范于八月发布。此次更新提供了高带宽、互操作性和生态系统升级，降低了风险并加速了采用，支持多芯片设计成为主流设计策略。"

 

要建立一个更开放的Chiplet市场，需要克服一些技术障碍。"热和机械应力分析正从小众需求变为必需品，" 是德科技的 Kamdar 表示。"如果你看Chiplet问题，它不仅仅是'我能否将芯片封装得更近？'我必须考虑功率会发生什么变化，温度会发生什么变化，以及如果我在彼此之上堆叠太多芯片会发生什么。是否存在改变芯片老化特性的机械应力？从多物理场而不仅仅是电子学角度来探索这些问题，正变得越来越必要。"

 

Part 3

人工智能的采用

 

人工智能的迅猛崛起正在影响每个人。"生成式 AI（GenAI）的爆炸式崛起重塑半导体路线图的速度，甚至超过了最大胆的预测，" proteanTecs 的 Baruch 表示。"最初的计算竞赛迅速演变为系统级的变革，暴露了内存带宽、互连、电源完整性、可靠性和生命周期监控等方面的瓶颈。AI 部署的规模和速度将设备复杂度推向了前所未有的水平，随之而来的是对可观察性、可预测性和长期弹性的更深远要求。"

 

这些瓶颈正在持续得到解决。"正如预期，内存仍然是性能的关键驱动力，但计划的建设规模将需要巨大的半导体制造和先进封装投资，仅为了跟上需求，" Rambus 的 Woo 表示。"我预计 HBM（高带宽内存）将继续成为焦点，并且对当前和未来 HBM DRAM 的需求似乎永无止境。Rubin CPX 的发布以及 GDDR 与 Rubin 和 HBM 的同时使用是一个惊喜，表明业界对大型语言模型（LLM）的长期可行性和实用性以及为不同阶段和用例优化硬件的必要性充满信心。"

 

但并非所有人都能以相同的速度前进。"让我惊讶的是，人们对 AI 有巨大的渴望，但涉及到 EDA 时，反应则更为微妙，" Kamdar 表示。"你在基础模型以及 OpenAI、Google 和其他公司那里看到的情况，他们发布新基础模型的速度有多快，被采纳的速度有多快——EDA 世界肯定有一个略有不同的视角。"

 

这有几个原因。"在 2025 年，我们开始投入精力涉足 AI，因为在此之前，AI 似乎很有前景，但一切变化得太快，对其进行可持续的工程投资有点令人困惑，" Real Intent 首席执行官 Prakash Narain 表示。"今年这种情况已经澄清。另一个变得更清晰的方面是从培训角度来看 AI 的价值。通常，任何时候我们的客户引入工具的新用户，都涉及到培训的元素。这个方面通过 AI 得到了很好的促进，减少了达到专业水平或熟悉程度所需的时间。"

 

EDA 流程的许多方面正在得到改进。"在生成式 AI 助手或副驾驶（copilot）的开发和部署方面取得了显著进展，" 新思科技 AI 产品管理总监 Anand Thiruvengadam 表示。"这些副驾驶现在为工具和工作流程提供专家指导，自动化复杂的任务，如 RTL 和形式化测试平台的创建，并极大地提高了设计团队的效率和生产力。AI 代理能够单独或作为协作团队的一部分进行推理、计划、学习和执行工程任务。通过协作，多代理系统可以应对以前需要大量手动努力和专业知识的复杂、多步骤的工程挑战。"

 

关于模型也存在疑问。它们到底适合什么任务？"智能体 AI 是当前流行的风格，但 LLM 本质上有缺陷，因为它们无法推理，并且其编程方式是为了取悦用户，" IC Manage 的 Sikand 表示。"需要的是世界模型。LLM 是在白人数据集上训练的。我们的期刊、新闻、政治两极分化、社会问题都是第一世界的问题。但地球上的大多数人在哪里？他们不在这里。我们如何帮助那些人？这更重要。AI 真正需要做的是帮助人们摆脱贫困，这样我们才能拥有一个更美好的世界。"

 

AI 的采用也强化了关于云使用的观点。"我们看到一个重大变化，即许多公司现在要求所有 AI 都应通过本地部署（on-prem）交付，" Kamdar 表示。"这涉及设计、EDA 和 IP，大多数公司还没有准备好让他们的 IP 离开现场，进入云端。我们之所以发现这一点，是因为我们开发了云应用程序，我们不得不调整和修改它们，使其成为本地部署的 AI 解决方案。"

 

Part 4

数据中心

 

每个人都意识到了数据中心建设的速度，但究竟有多大呢？"半导体行业正在讨论到 2030 年成为一个万亿美元规模的行业，仅看增长率而言，" Ansys 电子和半导体事业部总监 Rich Goldman 表示。"这对半导体行业来说是一个伟大的标志。但最近，Jensen（黄仁勋）表示，仅英伟达一家公司，对 Blackwell 和 Rubin 到 2026 年未来五个季度的销售可见度总计达 5000 亿美元。这是他们去年收入的三倍。这使他们达到了半导体行业声称将在五年内实现的目标的一半。这不仅让我惊讶，更让我震惊。"

 

虽然增长是好事，但它要求基础设施的其他部分能够跟上。"我预计 AI 基础设施建设的计划会持续快速推进，但让我惊讶的是包括 Meta、Google、Oracle 和 OpenAI 在内的公司所讨论的投资规模，" Woo 表示。"支持拟议投资规模所需的电力令人难以置信。电力变得如此重要，以至于部署现在是以吉瓦（GW）为单位来讨论，而不是每秒万亿次操作（TOPs）或某些传统的计算相关指标。"

 

这正在向整个行业发出明确的信号。"如果我们要建设下一代 AI，我们没有足够的电力来支持它们，" Sikand 表示。"我们还没有解决核聚变问题。我们仍然依赖传统能源。今天，建设这些数据中心所需的能源密度是不可行的。我们以前说过这一点，但现在我们有一个规模问题，而且没有足够的电力。如果你看看正在产生多少电力，仅就新的发电能力而言，这一切都发生在中国。他们有大量的发电能力，因此他们能够扩大规模。我们电力不足。硅谷需要提高效率并推动能效提升。你不一定需要我们当前遗留架构中所拥有的晶体管数量。"

 

设计公司需要适应。"功率、性能和热限制已成为首要的设计约束，而架构、工艺和封装的协同优化现在正近乎实时地进行（整合了硅前和硅后流程），" ChipAgents 的 Wang 表示。"行业对 AI 工作负载的响应表明，当计算需求和硅能力之间的反馈循环收紧时，硬件演进的速度可以像模型创新一样快。"

 

这将在那些能够适应的公司和那些无法足够快做出改变的公司之间造成鸿沟。"功率和性能管理已成为未来扩展最重要的限制因素，" Baruch 表示。"解决这个问题将是下一个增长时代的关键推动力，并将成为每个半导体公司的首要战略重点。"

 

Part 5

验证

 

西门子-Wilson 研究小组的数据显示，芯片首次流片成功率连续第二年下降，大部分重新流片（respins）是由规格变更或不完整引起的。"AI 有助于更快地发现错误，但未能阻止规格漂移（spec drift），" Arteris 的 Nightingale 表示。"可执行规格仍然更多是愿景而非现实，大多数流程是文档驱动的，而非数据驱动的。需求、RTL 和测试之间的集成仍然是碎片化的。规格可追溯性仍然是最薄弱的环节。在规格变成可执行并得到持续验证之前，重新流片将继续发生。"

 

AI 正在推动新应用的开发。"验证 AI 是一个显而易见的应用领域，我们已看到该领域的加速发展，" Breker Verification Systems 首席执行官 Dave Kelf 表示。"现在很容易预测可执行规格的到来，即由机器读取手动规格，然后创建完整的测试平台。然而，我对 2026 年的预测将是这种新技术与回归基础的验证基础相结合，将更传统的技术与 AI 前端耦合，从而创建适用于当今设计整个验证过程的实用流程。"

 

也有机会根据新兴的设计趋势定制验证策略和工具。"AI 芯片中，至少核心 AI 芯片中，存在大量复制和重复，" Real Intent 的 Narain 表示。"每个复制的模块都相对简单一些，但设计的总体规模非常大。有机会利用这些方面。AI 设计有哪些特殊属性我们可以利用？我们能否创建新的应用或改进现有应用，使其更高效地应对 AI 设计所发生的规模？"

 

Part 6

新兴技术

 

有些技术似乎已经处于边缘状态好几年了。"量子计算被谈论，许多人说它被过度炒作了，" Swinnen 表示。"然而，如果你看看量子计算公司的估值，它们持续上涨。像 IBM 这样的公司和其他公司并不傻。他们知道自己在做什么。他们持续投资量子计算。这让我怀疑，也许正在发生的事情比我们知道的要多。为什么这些估值持续上升？为什么这些公司持续投资？我们不知道的是什么？"

 

其他人也持有这些观点，但也看到了潜力和可能带来的颠覆。"关于量子计算和量子比特能做什么有很多炒作，" Sikand 表示。"这令人兴奋，因为事情可能以戏剧性的方式改变。例如，据说量子计算机可以改变比特币的计算。尽管由于有限的限额，已经没有多少比特币可以开采，但它可能眨眼间就能开采出来。"

 

它也在将技术融合在一起。"光子学和量子的融合正在发生，" Kamdar 表示。"我们可以看到量子计算正沿着这条道路继续发展。它无论如何都还不主流，但量子计算的研究仍在继续，宣布 1000 量子比特计算机及更多的消息时有发生。西方世界有很多研究正在进行，但你也看到世界其他地区也在发生。日本、印度和其他国家正在宣布围绕量子计算的重大研究计划。"

 

光子学可能也准备好进行一次大动作。"并非完全出乎意料，但共封装光学（CPO）终于来了，" Swinnen 表示。"它们已经存在多年，但一直太昂贵、太复杂。技术还不够成熟，所以应用有限。现在有一种感觉，它们终于到来了。台积电（TSMC）已经表态支持 COUPE 架构，表示'这里有一个具有足够高带宽且足够可靠以供广泛应用的标准架构。'"

 

这正受到数据中心的推动。"硅光子学在机架间甚至板载、芯片级的短距离通信中的影响，绝对是正在发生的，" Kamdar 表示。"在 AI 行业和正在进行的数万亿美元投资中，金钱不再是唯一的因素。如果我们能展示更快的速度，就有足够的投资和盈利机会。"

---

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。