国产AI芯片技术的最新研究成果

AI芯片广义指能运行人工智能算法的芯片，通常针对人工智能算法做特殊加速设计，现阶段多以深度学习算法为主，也包括其他机器学习算法。我国在AI芯片的研究方面取得了多方面成果：

• 特定神经网络芯片的研发：例如清华大学开发的天机芯是基于SNN（脉冲神经网络）的AI芯片，SNN作为第三代神经网络模型更贴近生物神经网络，它将时域信息引入计算模型，在神经元和突触模型方面更接近生物神经元与突触，与国际上如IBM的TrueNorth、Intel的Loihi等类似的基于SNN的芯片处于同一前沿探索方向。

• 
  

• 成功的模型芯片集成：阿里云将通义千问15亿和30亿参数大模型成功移植到黑芝麻智能的武当C1200系列车规级芯片上，这一集成方案可在离线环境下支持多轮自然对话，展现了很强的技术适配性，并且黑芝麻智能在2024年9月已和斑马智行展开跨域合作致力于整合智能座舱与智能驾驶系统到单一芯片上，有力推动了车载智能化发展，也彰显了国产AI芯片在与大模型集成方面的能力。

• 拓展AI视觉芯片能力：如国科微在AI视觉芯片业务方面取得进展，凭借在ISP、编解码、NPU等核心技术领域的优势积累，已在国内安防市场占据稳定份额，并推出了两款最新研发的AI视觉芯片，在提升图像处理能力的同时也实现了AI算法深度融合，使得终端设备能在更复杂环境中进行精准识别和分析，满足行业和消费端快速增长的需求，这体现了国产AI芯片在视觉处理方面不断提升其技术的能力和创新 。

国产AI芯片技术的市场应用情况

• 多领域有所涉足但规模成型挑战尚存

• 多场景都存在布局：国产AI芯片的应用领域遍布股票交易、金融、商品推荐、安防、早教机器人以及无人驾驶等多领域，还催生了大量创业公司如地平线、深鉴科技、中科寒武纪等。像寒武纪的产品广泛应用于服务器、边缘计算、终端等多个场景。这表明国产AI芯片在应用场景的多样性探索方面表现积极，不同功能定位的芯片能够在本职功能以外去拓展自身在AI计算方面的潜力，以适应人工智能无处不在的发展趋势。

• 特定场景应用深化：在视觉相关应用场景取得进展。以AI视觉芯片为例，安防目前是最成熟的落地场景，同时消费类IoT场景也开始逐步应用。国科微的AI视觉芯片凭借自身技术优势不断在安防和消费市场扩大份额且满足不断增长的需求。随着更高算力、算法的融合支持，AI视觉芯片在低光环境下可以有更好的画质表现，使得其成本与门槛降低进而从专业安防场景拓展向消费为主的泛安防场景。另外芯片算力、能效比和算法的继续提升会为国产AI视觉芯片创造更大市场空间。但是阿克芯片在整个市场规模与国际同类芯片相比还有差距，诸多企业在各自领域努力探索盈利和规模扩大化之路仍面临众多挑战。

• 面临市场整合和突破的需求：在产品定位更为高端或者说高算力的AI芯片领域，目前国内较多企业处在初创或者早期发展阶段。从已上市企业如寒武纪和曾经试图IPO的思必驰的营收和利润情况来看，虽然积极投入研发但是目前面临营收不稳定且存在亏损现象。这意味着在这个AI芯片赛道上，国产AI芯片不管是专门做AI加速器的芯片企业还是那些具有多元业务且在产品内部加入AI加速单元的企业，在市场竞争中，当面临国际巨头企业在高端市场的主导时，还没能实现全面逆袭达成大规模稳定盈利，市场整合、企业竞争力提升和大规模商业应用扩张方面都有很长的路要走。

国产AI芯片技术面临的挑战

• 高端制程工艺受限

• 外部限制因素：台积电断供7nm及更先进工艺芯片对国内AI芯片产业影响深远，因为7nm工艺芯片广泛应用于AI、GPU和自动驾驶等领域是国内厂商研发重点。这背后是美国对先进AI芯片出口的限制和管制，导致国内企业面临高端芯片制造外部供应的瓶颈。很多国内AI芯片厂商的芯片是采用台积电工艺制造（如7nm工艺），但现在可能需寻找新的代工合作伙伴或者调整供应链策略，且国内晶圆代工厂在技术和产能方面存在瓶颈很难马上承接高端制程芯片制造任务。

• 研发投入的压力：像寒武纪、思必驰这类相对老牌且公认有实力的企业，现阶段需要疯狂投入研发费用。从寒武纪2019 - 2023年研发费用投入情况和其在营收中所占的超高比例来看，这体现国内企业即便头部企业都面临研发投入占比过高但营收和盈利情况不佳，这种财务状况在研发高端制程工艺时会面临资金难以持续支持的风险。因为开发先进制程工艺的AI芯片需要巨额资金投入、高端人才和长期的技术积累，而这一系列需求在目前国内企业面临竞争压力和盈利挑战下变得格外艰难。

• 国际竞争压力巨大

• 在全球GPU芯片市场被NVIDIA、Intel和AMD三家巨头主导，其中NVIDIA凭借CUDA生态系统在人工智能和高性能计算领域占据绝对主导地位。国内企业在图形渲染GPU和GPGPU方面与国际领先仍有差距。例如在GPGPU的制程、接口和生态方面，国内厂商相对滞后。在制程上，NVIDIA已经推出4纳米制程而国内厂商主要集中在7纳米制程；接口方面，壁仞科技和NVIDIA率先采用PCIe5.0，其他多数国内厂商还在使用PCIe4.0；生态方面，国内企业多采用OpenCL自主建设生态与NVIDIA的CUDA生态相比差距明显。

• 从市场营收规模对比上可以看出巨大差距。以NVIDIA FY2024（截至2024年2月28日的过去1年）财年年度营收609亿美元，而寒武纪等国内同类企业的营收与之相比完全不在一个量级。产品性能和市场影响力等方面都不及国际大厂，在竞争中处于劣势地位，这将会影响到国产AI芯片在全球市场的拓展和进一步发展。

• 技术差距：

• 生态建设挑战：国际头部企业已经构建起非常成熟且庞大的生态系统。以英伟达为例其在全球人工智能计算领域形成的CUDA生态已经成为事实上的行业标准。这不仅有利于其自身的新产品推广，各类软件开发者都会优先基于CUDA进行技术适配进而围绕英伟达的硬件进行开发，这种软 硬件的深度适配会吸引更多的用户来使用英伟达的芯片，从而更加强化其生态。国内AI芯片企业要想打破这种生态格局困难重重，比如说国内企业即便研发出一款性能不错的芯片可能会面临没有足够的软件开发者对其进行充分的软件适配，进而难以得到客户认同，这就使得市场对国产芯片的认可度提升缓慢，从而限制了其发展 。

国产AI芯片技术的未来发展趋势

• 技术快速迭代的持续化

• 制程工艺和芯片架构：国产AI芯片企业将继续通过自主研发、技术创新等多种方式来加快迭代速度。在制程工艺方面会朝着更先进的例如5纳米、3纳米及以下方向发展，这有助于实现更高效、更高性能的计算。在芯片架构方面会不断优化，提升算法和架构设计之间的适配性达到更高的运算效率。因为随着人工智能算法和模型的不断演进，AI芯片持续提升自身算力、降低功耗以及提高数据的处理速度的需求始终存在，企业为了适应这种发展需求会不断投入资源去推动技术进步。

• 功能集成强化：未来的AI芯片可能会将更多的功能集成在一起，例如集成传感器、存储器、通信模块等。通过把多种功能集合起来，可以降低功耗、提高效率并且对于开发者而言在应用开发时更加便利。例如，未来在智能设备当中，一颗高度集成化的AI芯片不仅能够实现对数据的快速运算处理而且可以实现不同设备组件之间的高效通信并且possibly会附带一定的存储能力从而减少对其他部件的依赖。这样的集成化芯片能够更好地适应AI设备小型化、多功能集成化的发展趋势，如在智能家居设备当中，更小空间内可以发挥更多功能，也符合降低成本提高性价比的市场需求趋势。

• 应用场景的进一步拓展和深化

• 
  

• 新兴领域的开发：AI芯片的应用领域除了传统的自动驾驶、数据中心、云计算和边缘计算、机器人、智能制造、新基建、智能家居、智能金融、智能教育以及医疗健康等领域外。还将会随着AI技术与不同行业业务的深度融合而拓展到更多新兴领域。例如在虚拟现实（VR）/增强现实（AR）场景下结合AI芯片的高效运算可以实现更加逼真的虚拟场景构建以及图像识别交互。在生物科技领域结合AI芯片为基因测序、蛋白质结构分析提供强大的算力支持加速相关研究进程。这些新兴领域的涉足会逐步扩大国产AI芯片的市场空间并且反过来也会促使国产AI芯片根据新兴领域的特殊需求进行定制化技术研发创新 。

• 已有场景深化与定制化：在目前已经布局且有一定市场基础的应用场景像安防、消费类IoT场景中，对国产AI芯片也有进一步优化和深化市场份额的机会。如在安防场景下，面对更高清晰度图像识别、超低照度下的画面监控以及多场景下的异常行为实时分析预警等需求，会促使国产AI芯片企业持续优化算法、提高算力等从而提供更有质量的安全监控保障。在消费类IoT场景中针对每个细分的消费市场需求，例如个人穿戴设备、家庭智能电器等，进行定制化芯片设计提供适应不同消费场景的功能和性能体验以获取更多的商业机会，同时逐步建立品牌知名度和市场口碑 。

• 产业合作的加强和生态构建

• 上下游企业合作紧密化：国产AI芯片企业将加强与上下游企业的合作。在上游端会与材料供应商、晶圆代工厂等寻求更为稳固的合作关系。例如在面临台积电断供7nm芯片危机之下寻求国内晶圆代工厂更深度的合作同时也可能反向促使国内晶圆代工厂加快技术突破进程；在下游端会与终端设备制造商、系统集成商等加强合作推动产品进入市场通道的顺畅性并且及时接收市场对芯片使用后的反馈意见以便及时调整产品优化升级。例如与智能汽车制造商的深度合作，为汽车提供从智能驾驶芯片到车内智能交互系统芯片等全方位芯片解决方案，以加快汽车智能化步伐同时巩固自身在汽车领域的市场地位 。

• 构建自主生态系统：随着国产AI芯片技术的进步努力构建自己的生态系统。一方面吸引更多的软件开发商基于国产AI芯片进行软件层面的应用和开发，例如开发适合国产芯片架构的操作系统、开发框架等。另一方面促进不同使用芯片的企业之间或者使用芯片企业与研发企业相互合作共同探索创新应用模式和商业运营模式。例如创建类似芯片开发者和使用者的统一的交流合作平台，在平台上可以分享使用国产芯片的经验，还有面对困难如何协同解决同时也可以挖掘潜在的合作商业机会等。最终形成一个涵盖硬件、软件、应用企业和研发机构等多方参与、协同发展的国产AI芯片生态格局 。

国内外AI芯片技术的对比

• 计算资源与能效比的对比

• 终端芯片能效比较：国外的AI芯片在计算能力以及能效比较高。以NVIDIA的GPU芯片为例，在深度学习的计算任务当中可以充分利用其大规模并行计算能力，GPU比传统的CPU在深度学习算法的运算上能够提高几十倍的效率。在长期的技术研发和优化过程当中，国外企业在硬件架构层面可以做到精细化的设计从而在进行AI计算任务时能够以更低的能耗获取更高的计算性能。例如，在一些数据中心大规模部署GPU进行深度神经网络训练和推理工作可以在保证运算速度的同时控制电力成本在合理范围。国内的AI芯片在能效比方面与国外仍有差距，例如国内一些AI芯片初创企业在产品推向市场时在处理同量级的数据运算任务时可能面临能耗过高的情况。这主要是由于国内企业可能在架构设计的先进性、生产工艺的精度等方面存在一些短板，另外在算法和硬件的优化结合上也缺乏一些技术沉淀 。

• 服务器端芯片计算资源对比：在全球服务器CPU市场被Intel和AMD所垄断，国内CPU厂商在性能方面仍与国际领先水平存在差距。国际厂商在面向服务器端的AI芯片在数据读取、缓存处理以及多核多线程协同处理大规模数据的计算资源能力方面往往具备更为先进的技术。如Intel的服务器CPU芯片产品在处理复杂的企业级应用人工智能任务场景下可以高效地保证数据在不同内核、缓存和内存之间的快速交换和处理。国内的服务器CPU厂商虽然也在积极追赶如推出了一些支持AI计算加速的技术方案，但整体而言计算资源方面如对大规模数据处理的能力和速度目前相比国际厂商还是有差距的 。

• 软件生态系统的对比

• 生态构建成熟度差异：以NVIDIA的CUDA生态系统为代表，在全球人工智能和高性能计算领域的AI芯片使用中占据主导地位。它为软件开发者提供了一整套完整的开发工具包、驱动支持以及大量的开源代码资源。这使得全球范围内的软件开发者、研究人员等能够方便地基于CUDA进行软件应用程序的开发并且可以有效地在NVIDIA的各种GPU芯片上部署运行。这些软件资源又进一步吸引更多的用户采用NVIDIA的芯片，形成一种硬件和软件生态互相促进良性循环的积极状态。相对来说，国产AI芯片目前在生态构建方面处于刚刚起步和探索阶段。例如国产的一些GPGPU企业虽然尝试建立自己的生态使用比如OpenCL进行生态建设，但缺乏足够的软件开发者支持，同时在开发工具丰富性、代码库资源等方面难以与国际巨头相比。在AI开发框架、模型库以及各类AI引擎与国产芯片的适配融合方面比较滞后，往往使得国产芯片在应用推广时面临软件环境不足的尴尬局面 。

• 生态的开放性和兼容性对比：国外的部分先进AI芯片在兼容性方面表现优秀，例如AMD的一些AI芯片不仅可以支持自己的软件生态体系而且还兼容如NVIDIA CUDA部分功能生态，能够在多种硬件设备和软件环境下比较稳定地工作，这大大增加了其产品的应用场景广度和用户群体。而目前国产AI芯片在生态兼容性方面多数还处于完善自身封闭生态体系的阶段，很难做到和国外主流的生态兼容，导致难以吸引到国外广大的使用者和开发者群体，从而限制了国产芯片在全球舞台上的影响力和竞争力，也不利于产业的长远发展和走向国际化 。

国产AI芯片技术的优势和不足

• 优势

• 广阔的国内市场和政策支持：中国作为全球最大的AI市场，在国内具有庞大的市场应用需求，这为国产AI芯片企业提供了丰富的试验和商业机会。例如我国不断增长的安防需求、蓬勃发展的智能家居市场以及快速兴起的无人驾驶探索等领域都急切需要可以适配并且性价比高的AI芯片。与此同时国家高度重视人工智能和芯片产业。国家层面出台了如《新一代人工智能发展规划》提出到2030年我国新一代人工智能发展目标，十四五规划也明确提出推动AI等技术与各产业深度融合。同时也会出台系列的优惠政策鼓励企业加大研发投入推动国产AI芯片创新发展。例如在资金补贴、税收优惠等政策方面积极扶持国内芯片企业的发展，这在企业成长初期的关键阶段可以给予极大的助力保障企业在残酷的市场竞争中有机会存活下来并且实现技术的逐步迭代成长 。

• 应用场景拓展机会和定制化潜力：由于国内市场应用场景丰富多样，国内AI芯片企业相较国外企业在应用场景拓展上有着更多的机会。能够针对一些细分领域快速进行研发、调整和定制化开发。比如AI视觉芯片在于安防领域的应用中，国科微凭借对国内安防市场独特需求（例如环境多样性、高性价比要求等）的深入理解进而在芯片的ISP技术等核心技术上进行优化从而推出符合市场期待的芯片产品。在消费类IoT市场也是同样，根据不同消费类设备对成本、功能等多维度的需求差异，国内芯片企业可以比国际企业更为灵活地调整产品设计理念、技术参数等满足具体市场需求，并且这种定制化能力也有助于在特定市场建立独特的竞争优势 。

• 不足

• 高端技术研发瓶颈：目前国产AI芯片在高端制程工艺、高性能计算架构以及前沿的AI算法融合等高端技术研发方面面临着多重瓶颈。诸如前面提到的在高端AI芯片依赖外部晶圆代工厂的情况如7nm制程工艺的台积电断供影响下，国内自身高端的制程工艺研发进展缓慢而且产能不足，难以满足企业高端芯片研发和生产需求，导致在高端AI芯片产品线上和国外企业差距难以短时间内补足。虽然积极投入研发费用，但研发资源的分布分散，难以像国际头部企业集中优势力量进行技术攻关。同时在高性能计算架构和前沿AI算法结合优化能力方面也弱于国际先进企业方面，使得产品在极端性能方面难以与他国竞争经常处于追赶者身份 。

• 国际竞争与生态构建艰难：在国际市场面临激烈的竞争，国际芯片巨头的品牌影响力、技术全球领先以及强大的市场垄断地位等不良因素对国产AI芯片走向全球市场带来重重阻碍。市场份额被严重挤压的情况下难以获得足够的利润进行再投入研发改良产品。此外在构建自身生态系统上也举步维艰。像NVIDIA的CUDA生态系统一旦形成垄断后很难打破，国内企业试图构建新生态过程中缺乏吸引全球开发者、使用者的足够优势。从技术生态而言，如开发框架的认可度低、代码库资源不够丰富；从市场推广生态而言，缺乏全球范围内的销售和服务网络，导致国际影响力和市场份额难以提升 。

芯片封装清洗介绍

合明科技研发的水基清洗剂配合合适的清洗工艺能为芯片封装前提供洁净的界面条件。

水基清洗的工艺和设备配置选择对清洗精密器件尤其重要，一旦选定，就会作为一个长期的使用和运行方式。水基清洗剂必须满足清洗、漂洗、干燥的全工艺流程。

 污染物有多种，可归纳为离子型和非离子型两大类。离子型污染物接触到环境中的湿气，通电后发生电化学迁移，形成树枝状结构体，造成低电阻通路，破坏了电路板功能。非离子型污染物可穿透PC B 的绝缘层，在PCB板表层下生长枝晶。除了离子型和非离子型污染物，还有粒状污染物，例如焊料球、焊料槽内的浮点、灰尘、尘埃等，这些污染物会导致焊点质量降低、焊接时焊点拉尖、产生气孔、短路等等多种不良现象。

 这么多污染物，到底哪些才是最备受关注的呢？助焊剂或锡膏普遍应用于回流焊和波峰焊工艺中，它们主要由溶剂、润湿剂、树脂、缓蚀剂和活化剂等多种成分，焊后必然存在热改性生成物，这些物质在所有污染物中的占据主导，从产品失效情况来而言，焊后残余物是影响产品质量最主要的影响因素，离子型残留物易引起电迁移使绝缘电阻下降，松香树脂残留物易吸附灰尘或杂质引发接触电阻增大，严重者导致开路失效，因此焊后必须进行严格的清洗，才能保障电路板的质量。

合明科技运用自身原创的产品技术，满足芯片封装工艺制程清洗的高难度技术要求，打破国外厂商在行业中的垄断地位，为芯片封装材料全面国产自主提供强有力的支持。