國產AI芯片技術的最新研究成果

AI芯片廣義指能運行人工智能算法的芯片，通常針對人工智能算法做特殊加速設計，現階段多以深度學習算法為主，也包括其他機器學習算法。我國在AI芯片的研究方面取得了多方面成果：

• 特定神經網絡芯片的研發：例如清華大學開發的天機芯是基于SNN（脈沖神經網絡）的AI芯片，SNN作為第三代神經網絡模型更貼近生物神經網絡，它將時域信息引入計算模型，在神經元和突觸模型方面更接近生物神經元與突觸，與國際上如IBM的TrueNorth、Intel的Loihi等類似的基于SNN的芯片處于同一前沿探索方向。

• 
  

• 成功的模型芯片集成：阿里云將通義千問15億和30億參數大模型成功移植到黑芝麻智能的武當C1200系列車規級芯片上，這一集成方案可在離線環境下支持多輪自然對話，展現了很強的技術適配性，并且黑芝麻智能在2024年9月已和斑馬智行展開跨域合作致力于整合智能座艙與智能駕駛系統到單一芯片上，有力推動了車載智能化發展，也彰顯了國產AI芯片在與大模型集成方面的能力。

• 拓展AI視覺芯片能力：如國科微在AI視覺芯片業務方面取得進展，憑借在ISP、編解碼、NPU等核心技術領域的優勢積累，已在國內安防市場占據穩定份額，并推出了兩款最新研發的AI視覺芯片，在提升圖像處理能力的同時也實現了AI算法深度融合，使得終端設備能在更復雜環境中進行精準識別和分析，滿足行業和消費端快速增長的需求，這體現了國產AI芯片在視覺處理方面不斷提升其技術的能力和創新 。

國產AI芯片技術的市場應用情況

• 多領域有所涉足但規模成型挑戰尚存

• 多場景都存在布局：國產AI芯片的應用領域遍布股票交易、金融、商品推薦、安防、早教機器人以及無人駕駛等多領域，還催生了大量創業公司如地平線、深鑒科技、中科寒武紀等。像寒武紀的產品廣泛應用于服務器、邊緣計算、終端等多個場景。這表明國產AI芯片在應用場景的多樣性探索方面表現積極，不同功能定位的芯片能夠在本職功能以外去拓展自身在AI計算方面的潛力，以適應人工智能無處不在的發展趨勢。

• 特定場景應用深化：在視覺相關應用場景取得進展。以AI視覺芯片為例，安防目前是最成熟的落地場景，同時消費類IoT場景也開始逐步應用。國科微的AI視覺芯片憑借自身技術優勢不斷在安防和消費市場擴大份額且滿足不斷增長的需求。隨著更高算力、算法的融合支持，AI視覺芯片在低光環境下可以有更好的畫質表現，使得其成本與門檻降低進而從專業安防場景拓展向消費為主的泛安防場景。另外芯片算力、能效比和算法的繼續提升會為國產AI視覺芯片創造更大市場空間。但是阿克芯片在整個市場規模與國際同類芯片相比還有差距，諸多企業在各自領域努力探索盈利和規模擴大化之路仍面臨眾多挑戰。

• 面臨市場整合和突破的需求：在產品定位更為高端或者說高算力的AI芯片領域，目前國內較多企業處在初創或者早期發展階段。從已上市企業如寒武紀和曾經試圖IPO的思必馳的營收和利潤情況來看，雖然積極投入研發但是目前面臨營收不穩定且存在虧損現象。這意味著在這個AI芯片賽道上，國產AI芯片不管是專門做AI加速器的芯片企業還是那些具有多元業務且在產品內部加入AI加速單元的企業，在市場競爭中，當面臨國際巨頭企業在高端市場的主導時，還沒能實現全面逆襲達成大規模穩定盈利，市場整合、企業競爭力提升和大規模商業應用擴張方面都有很長的路要走。

國產AI芯片技術面臨的挑戰

• 高端制程工藝受限

• 外部限制因素：臺積電斷供7nm及更先進工藝芯片對國內AI芯片產業影響深遠，因為7nm工藝芯片廣泛應用于AI、GPU和自動駕駛等領域是國內廠商研發重點。這背后是美國對先進AI芯片出口的限制和管制，導致國內企業面臨高端芯片制造外部供應的瓶頸。很多國內AI芯片廠商的芯片是采用臺積電工藝制造（如7nm工藝），但現在可能需尋找新的代工合作伙伴或者調整供應鏈策略，且國內晶圓代工廠在技術和產能方面存在瓶頸很難馬上承接高端制程芯片制造任務。

• 研發投入的壓力：像寒武紀、思必馳這類相對老牌且公認有實力的企業，現階段需要瘋狂投入研發費用。從寒武紀2019 - 2023年研發費用投入情況和其在營收中所占的超高比例來看，這體現國內企業即便頭部企業都面臨研發投入占比過高但營收和盈利情況不佳，這種財務狀況在研發高端制程工藝時會面臨資金難以持續支持的風險。因為開發先進制程工藝的AI芯片需要巨額資金投入、高端人才和長期的技術積累，而這一系列需求在目前國內企業面臨競爭壓力和盈利挑戰下變得格外艱難。

• 國際競爭壓力巨大

• 在全球GPU芯片市場被NVIDIA、Intel和AMD三家巨頭主導，其中NVIDIA憑借CUDA生態系統在人工智能和高性能計算領域占據絕對主導地位。國內企業在圖形渲染GPU和GPGPU方面與國際領先仍有差距。例如在GPGPU的制程、接口和生態方面，國內廠商相對滯后。在制程上，NVIDIA已經推出4納米制程而國內廠商主要集中在7納米制程；接口方面，壁仞科技和NVIDIA率先采用PCIe5.0，其他多數國內廠商還在使用PCIe4.0；生態方面，國內企業多采用OpenCL自主建設生態與NVIDIA的CUDA生態相比差距明顯。

• 從市場營收規模對比上可以看出巨大差距。以NVIDIA FY2024（截至2024年2月28日的過去1年）財年年度營收609億美元，而寒武紀等國內同類企業的營收與之相比完全不在一個量級。產品性能和市場影響力等方面都不及國際大廠，在競爭中處于劣勢地位，這將會影響到國產AI芯片在全球市場的拓展和進一步發展。

• 技術差距：

• 生態建設挑戰：國際頭部企業已經構建起非常成熟且龐大的生態系統。以英偉達為例其在全球人工智能計算領域形成的CUDA生態已經成為事實上的行業標準。這不僅有利于其自身的新產品推廣，各類軟件開發者都會優先基于CUDA進行技術適配進而圍繞英偉達的硬件進行開發，這種軟 硬件的深度適配會吸引更多的用戶來使用英偉達的芯片，從而更加強化其生態。國內AI芯片企業要想打破這種生態格局困難重重，比如說國內企業即便研發出一款性能不錯的芯片可能會面臨沒有足夠的軟件開發者對其進行充分的軟件適配，進而難以得到客戶認同，這就使得市場對國產芯片的認可度提升緩慢，從而限制了其發展 。

國產AI芯片技術的未來發展趨勢

• 技術快速迭代的持續化

• 制程工藝和芯片架構：國產AI芯片企業將繼續通過自主研發、技術創新等多種方式來加快迭代速度。在制程工藝方面會朝著更先進的例如5納米、3納米及以下方向發展，這有助于實現更高效、更高性能的計算。在芯片架構方面會不斷優化，提升算法和架構設計之間的適配性達到更高的運算效率。因為隨著人工智能算法和模型的不斷演進，AI芯片持續提升自身算力、降低功耗以及提高數據的處理速度的需求始終存在，企業為了適應這種發展需求會不斷投入資源去推動技術進步。

• 功能集成強化：未來的AI芯片可能會將更多的功能集成在一起，例如集成傳感器、存儲器、通信模塊等。通過把多種功能集合起來，可以降低功耗、提高效率并且對于開發者而言在應用開發時更加便利。例如，未來在智能設備當中，一顆高度集成化的AI芯片不僅能夠實現對數據的快速運算處理而且可以實現不同設備組件之間的高效通信并且possibly會附帶一定的存儲能力從而減少對其他部件的依賴。這樣的集成化芯片能夠更好地適應AI設備小型化、多功能集成化的發展趨勢，如在智能家居設備當中，更小空間內可以發揮更多功能，也符合降低成本提高性價比的市場需求趨勢。

• 應用場景的進一步拓展和深化

• 
  

• 新興領域的開發：AI芯片的應用領域除了傳統的自動駕駛、數據中心、云計算和邊緣計算、機器人、智能制造、新基建、智能家居、智能金融、智能教育以及醫療健康等領域外。還將會隨著AI技術與不同行業業務的深度融合而拓展到更多新興領域。例如在虛擬現實（VR）/增強現實（AR）場景下結合AI芯片的高效運算可以實現更加逼真的虛擬場景構建以及圖像識別交互。在生物科技領域結合AI芯片為基因測序、蛋白質結構分析提供強大的算力支持加速相關研究進程。這些新興領域的涉足會逐步擴大國產AI芯片的市場空間并且反過來也會促使國產AI芯片根據新興領域的特殊需求進行定制化技術研發創新 。

• 已有場景深化與定制化：在目前已經布局且有一定市場基礎的應用場景像安防、消費類IoT場景中，對國產AI芯片也有進一步優化和深化市場份額的機會。如在安防場景下，面對更高清晰度圖像識別、超低照度下的畫面監控以及多場景下的異常行為實時分析預警等需求，會促使國產AI芯片企業持續優化算法、提高算力等從而提供更有質量的安全監控保障。在消費類IoT場景中針對每個細分的消費市場需求，例如個人穿戴設備、家庭智能電器等，進行定制化芯片設計提供適應不同消費場景的功能和性能體驗以獲取更多的商業機會，同時逐步建立品牌知名度和市場口碑 。

• 產業合作的加強和生態構建

• 上下游企業合作緊密化：國產AI芯片企業將加強與上下游企業的合作。在上游端會與材料供應商、晶圓代工廠等尋求更為穩固的合作關系。例如在面臨臺積電斷供7nm芯片危機之下尋求國內晶圓代工廠更深度的合作同時也可能反向促使國內晶圓代工廠加快技術突破進程；在下游端會與終端設備制造商、系統集成商等加強合作推動產品進入市場通道的順暢性并且及時接收市場對芯片使用后的反饋意見以便及時調整產品優化升級。例如與智能汽車制造商的深度合作，為汽車提供從智能駕駛芯片到車內智能交互系統芯片等全方位芯片解決方案，以加快汽車智能化步伐同時鞏固自身在汽車領域的市場地位 。

• 構建自主生態系統：隨著國產AI芯片技術的進步努力構建自己的生態系統。一方面吸引更多的軟件開發商基于國產AI芯片進行軟件層面的應用和開發，例如開發適合國產芯片架構的操作系統、開發框架等。另一方面促進不同使用芯片的企業之間或者使用芯片企業與研發企業相互合作共同探索創新應用模式和商業運營模式。例如創建類似芯片開發者和使用者的統一的交流合作平臺，在平臺上可以分享使用國產芯片的經驗，還有面對困難如何協同解決同時也可以挖掘潛在的合作商業機會等。最終形成一個涵蓋硬件、軟件、應用企業和研發機構等多方參與、協同發展的國產AI芯片生態格局 。

國內外AI芯片技術的對比

• 計算資源與能效比的對比

• 終端芯片能效比較：國外的AI芯片在計算能力以及能效比較高。以NVIDIA的GPU芯片為例，在深度學習的計算任務當中可以充分利用其大規模并行計算能力，GPU比傳統的CPU在深度學習算法的運算上能夠提高幾十倍的效率。在長期的技術研發和優化過程當中，國外企業在硬件架構層面可以做到精細化的設計從而在進行AI計算任務時能夠以更低的能耗獲取更高的計算性能。例如，在一些數據中心大規模部署GPU進行深度神經網絡訓練和推理工作可以在保證運算速度的同時控制電力成本在合理范圍。國內的AI芯片在能效比方面與國外仍有差距，例如國內一些AI芯片初創企業在產品推向市場時在處理同量級的數據運算任務時可能面臨能耗過高的情況。這主要是由于國內企業可能在架構設計的先進性、生產工藝的精度等方面存在一些短板，另外在算法和硬件的優化結合上也缺乏一些技術沉淀 。

• 服務器端芯片計算資源對比：在全球服務器CPU市場被Intel和AMD所壟斷，國內CPU廠商在性能方面仍與國際領先水平存在差距。國際廠商在面向服務器端的AI芯片在數據讀取、緩存處理以及多核多線程協同處理大規模數據的計算資源能力方面往往具備更為先進的技術。如Intel的服務器CPU芯片產品在處理復雜的企業級應用人工智能任務場景下可以高效地保證數據在不同內核、緩存和內存之間的快速交換和處理。國內的服務器CPU廠商雖然也在積極追趕如推出了一些支持AI計算加速的技術方案，但整體而言計算資源方面如對大規模數據處理的能力和速度目前相比國際廠商還是有差距的 。

• 軟件生態系統的對比

• 生態構建成熟度差異：以NVIDIA的CUDA生態系統為代表，在全球人工智能和高性能計算領域的AI芯片使用中占據主導地位。它為軟件開發者提供了一整套完整的開發工具包、驅動支持以及大量的開源代碼資源。這使得全球范圍內的軟件開發者、研究人員等能夠方便地基于CUDA進行軟件應用程序的開發并且可以有效地在NVIDIA的各種GPU芯片上部署運行。這些軟件資源又進一步吸引更多的用戶采用NVIDIA的芯片，形成一種硬件和軟件生態互相促進良性循環的積極狀態。相對來說，國產AI芯片目前在生態構建方面處于剛剛起步和探索階段。例如國產的一些GPGPU企業雖然嘗試建立自己的生態使用比如OpenCL進行生態建設，但缺乏足夠的軟件開發者支持，同時在開發工具豐富性、代碼庫資源等方面難以與國際巨頭相比。在AI開發框架、模型庫以及各類AI引擎與國產芯片的適配融合方面比較滯后，往往使得國產芯片在應用推廣時面臨軟件環境不足的尷尬局面 。

• 生態的開放性和兼容性對比：國外的部分先進AI芯片在兼容性方面表現優秀，例如AMD的一些AI芯片不僅可以支持自己的軟件生態體系而且還兼容如NVIDIA CUDA部分功能生態，能夠在多種硬件設備和軟件環境下比較穩定地工作，這大大增加了其產品的應用場景廣度和用戶群體。而目前國產AI芯片在生態兼容性方面多數還處于完善自身封閉生態體系的階段，很難做到和國外主流的生態兼容，導致難以吸引到國外廣大的使用者和開發者群體，從而限制了國產芯片在全球舞臺上的影響力和競爭力，也不利于產業的長遠發展和走向國際化 。

國產AI芯片技術的優勢和不足

• 優勢

• 廣闊的國內市場和政策支持：中國作為全球最大的AI市場，在國內具有龐大的市場應用需求，這為國產AI芯片企業提供了豐富的試驗和商業機會。例如我國不斷增長的安防需求、蓬勃發展的智能家居市場以及快速興起的無人駕駛探索等領域都急切需要可以適配并且性價比高的AI芯片。與此同時國家高度重視人工智能和芯片產業。國家層面出臺了如《新一代人工智能發展規劃》提出到2030年我國新一代人工智能發展目標，十四五規劃也明確提出推動AI等技術與各產業深度融合。同時也會出臺系列的優惠政策鼓勵企業加大研發投入推動國產AI芯片創新發展。例如在資金補貼、稅收優惠等政策方面積極扶持國內芯片企業的發展，這在企業成長初期的關鍵階段可以給予極大的助力保障企業在殘酷的市場競爭中有機會存活下來并且實現技術的逐步迭代成長 。

• 應用場景拓展機會和定制化潛力：由于國內市場應用場景豐富多樣，國內AI芯片企業相較國外企業在應用場景拓展上有著更多的機會。能夠針對一些細分領域快速進行研發、調整和定制化開發。比如AI視覺芯片在于安防領域的應用中，國科微憑借對國內安防市場獨特需求（例如環境多樣性、高性價比要求等）的深入理解進而在芯片的ISP技術等核心技術上進行優化從而推出符合市場期待的芯片產品。在消費類IoT市場也是同樣，根據不同消費類設備對成本、功能等多維度的需求差異，國內芯片企業可以比國際企業更為靈活地調整產品設計理念、技術參數等滿足具體市場需求，并且這種定制化能力也有助于在特定市場建立獨特的競爭優勢 。

• 不足

• 高端技術研發瓶頸：目前國產AI芯片在高端制程工藝、高性能計算架構以及前沿的AI算法融合等高端技術研發方面面臨著多重瓶頸。諸如前面提到的在高端AI芯片依賴外部晶圓代工廠的情況如7nm制程工藝的臺積電斷供影響下，國內自身高端的制程工藝研發進展緩慢而且產能不足，難以滿足企業高端芯片研發和生產需求，導致在高端AI芯片產品線上和國外企業差距難以短時間內補足。雖然積極投入研發費用，但研發資源的分布分散，難以像國際頭部企業集中優勢力量進行技術攻關。同時在高性能計算架構和前沿AI算法結合優化能力方面也弱于國際先進企業方面，使得產品在極端性能方面難以與他國競爭經常處于追趕者身份 。

• 國際競爭與生態構建艱難：在國際市場面臨激烈的競爭，國際芯片巨頭的品牌影響力、技術全球領先以及強大的市場壟斷地位等不良因素對國產AI芯片走向全球市場帶來重重阻礙。市場份額被嚴重擠壓的情況下難以獲得足夠的利潤進行再投入研發改良產品。此外在構建自身生態系統上也舉步維艱。像NVIDIA的CUDA生態系統一旦形成壟斷后很難打破，國內企業試圖構建新生態過程中缺乏吸引全球開發者、使用者的足夠優勢。從技術生態而言，如開發框架的認可度低、代碼庫資源不夠豐富；從市場推廣生態而言，缺乏全球范圍內的銷售和服務網絡，導致國際影響力和市場份額難以提升 。

芯片封裝清洗介紹

合明科技研發的水基清洗劑配合合適的清洗工藝能為芯片封裝前提供潔凈的界面條件。

水基清洗的工藝和設備配置選擇對清洗精密器件尤其重要，一旦選定，就會作為一個長期的使用和運行方式。水基清洗劑必須滿足清洗、漂洗、干燥的全工藝流程。

 污染物有多種，可歸納為離子型和非離子型兩大類。離子型污染物接觸到環境中的濕氣，通電后發生電化學遷移，形成樹枝狀結構體，造成低電阻通路，破壞了電路板功能。非離子型污染物可穿透PC B 的絕緣層，在PCB板表層下生長枝晶。除了離子型和非離子型污染物，還有粒狀污染物，例如焊料球、焊料槽內的浮點、灰塵、塵埃等，這些污染物會導致焊點質量降低、焊接時焊點拉尖、產生氣孔、短路等等多種不良現象。

 這么多污染物，到底哪些才是最備受關注的呢？助焊劑或錫膏普遍應用于回流焊和波峰焊工藝中，它們主要由溶劑、潤濕劑、樹脂、緩蝕劑和活化劑等多種成分，焊后必然存在熱改性生成物，這些物質在所有污染物中的占據主導，從產品失效情況來而言，焊后殘余物是影響產品質量最主要的影響因素，離子型殘留物易引起電遷移使絕緣電阻下降，松香樹脂殘留物易吸附灰塵或雜質引發接觸電阻增大，嚴重者導致開路失效，因此焊后必須進行嚴格的清洗，才能保障電路板的質量。

合明科技運用自身原創的產品技術，滿足芯片封裝工藝制程清洗的高難度技術要求，打破國外廠商在行業中的壟斷地位，為芯片封裝材料全面國產自主提供強有力的支持。