Chiplet-汽车-芯片-激光雷达分析

参考文献链接

https://mp.weixin.qq.com/s/BhDdtTfR9E3EKh4iPFA8lQ

摩尔定律已死，未来属于Chiplet！

戈登·摩尔博士在1965年4月19日的《电子学》杂志上发表了论文《在集成电路上塞入更多的元件》，当时他还是仙童公司的研发总监。在这篇文章发表后，加州理工学院的Carver Mead博士宣布摩尔博士的预测为“摩尔定律”。

很少有人了解摩尔定律的本质，也很少有人知道摩尔博士在这篇相对较短的论文中所做的无数切线投影；其中包括家用电脑、汽车自动控制装置、个人便携式通信设备以及许多其他在当时可能对某些读者来说似乎是科幻小说的创新。

摩尔博士对集成电路(ICs)的预测是:“到1975年，经济可能会决定在一个硅芯片上压缩多达65,000个元件。”它比预期的时间长了几年，但第一个64Kb DRAM(动态随机存取存储器)在1977年发布，“单个硅芯片”上有65,536个晶体管。自从摩尔博士的论文发表五年之后，1970年第一个商用DRAM问世以来，这是一个了不起的预测。

摩尔定律的本质

虽然摩尔定律中包含许多预测并且几乎所有预测都达到了合理的程度，但有两个预测是摩尔定律的“本质”。如果我们做一些数学运算，我们可以为这些投影添加一些颜色。以下是 1965 年原始文章的两个引述以及我对预测的推断。

“最低组件成本的复杂性以每年大约两倍的速度增加。当然，如果不增加的话，这个比率在短期内可以预期会继续下去。从长远来看，增长率有点不确定，尽管没有理由相信它至少在 10 年内不会保持几乎不变。” 这表明在接下来的十年中，我们将看到晶体管（组件）密度增加约 1,024 倍。

“在 1970 年，每个组件的制造成本预计仅为目前成本的十分之一。” 这表明虽然晶体管（组件）密度每年将翻一番，但每个组件的成本将以每年约 37% 的速度下降。理解这一点很重要，所以让我们花点时间来计算一下。组件密度每翻一番，制造成本就会更高，但摩尔博士正确地预测，这些更高的成本将远远超过密度每年翻一番的抵消。结果是每个晶体管（组件）的净复合成本降低了 37%，这导致五年内成本降低了 90%，十年内成本降低了 99%。

在到 1975 年的十年运行之后，在大多数方面与摩尔定律的预测非常相似，摩尔博士重新设定了晶体管密度每 18 到 24 个月比每年翻一番的预期。由于这一显著进步，如果你生活在发达国家的中产阶级或以上，你很有可能成为“晶体管亿万富翁”——拥有所有电子产品，你拥有超过一万亿美元晶体管。

我们走了多远——案例研究

当我在 1976 年进入半导体行业时，占主导地位的 DRAM 设备是 16Kb (16K x 1) Mostek MK4116 1（英特尔有 2116，但 Mostek 是领先的供应商）。它的功耗（活动状态）约为 0.432 瓦 (432mW)。由于 1976 年使用的大封装尺寸，每平方英寸印刷电路板 (PCB) 面积只能容纳大约 1.5 个器件。据我所知，MK4116 的产量约为 10 美元（1976 美元）。

（1）虽然 64Kb DRAM 于 1977 年发布，但其每比特成本一直高于 16Kb DRAM，直到 1980 年左右。

如果我们推断这些数据，我们可以看到，当今消费类 PC 中使用的典型 16GB (16Gb x 8) 内存仅用于内存芯片的成本约为 8000 万美元（2021 年为 4 亿美元），需要大约 37,000 平方英尺的 PCB尺寸（大于中央车站 35,000 平方英尺的大厅），将消耗约 3,500,000 瓦的电力。以每千瓦时 0.10 美元的价格为这个内存板供电，每月将花费超过 250,000 美元。

（2）为简单起见，所有计算仅基于提供 16GB 内存所需的 8,000,000 MK4116 DRAM。除此之外，还需要大量额外的无源和有源组件。这些组件不包括在任何计算中。

今天，您可以在零售店以大约 40 美元（约合 1975 年 8 美元）的价格为笔记本电脑购买 16GB DRAM 模块，该模块与您的食指大小差不多，功耗不到 3 瓦。这很容易由笔记本电脑电池供电，但每千瓦时 0.10 美元，每月成本将略高于 0.20 美元。

显然，从许多方面（成本、散热、尺寸和可靠性等等）来看，在 1976 年制造 16GB DRAM 内存板不仅不切实际，而且实际上是不可能的。当然，无论如何它都不会有什么用处——1976 年可用的微处理器只能处理 64KB 的内存。然而，自从我加入这个行业以来，摩尔定律推动的进步只是一个案例研究，说明了这个行业已经走了多远。

如果我们根据通货膨胀进行调整，我们的数据告诉我们，摩尔定律预测的进步已经导致成本降低了99.9999995%（即 45 年每年复合 30%）和功耗降低了99.9999993%。而且，当您将这些进步与所需面积的更大减少相结合时，您可以更好地理解摩尔定律不仅使之成为可能，而且更重要的是，实用且负担得起。

虽然推断半导体制造的进步已将 DRAM 的每比特成本降低了约 1000 万倍，但推断处理器的改进却更加乏味。比我聪明得多的行业名人曾表示，当您考虑摩尔定律所促成的计算架构的进步时，处理器 IC 的经济效率自 1971 年推出 4004 以来已提高了超过 10 亿倍.

虽然很难用数字来可视化和量化这些改进，但很容易证实，即使是今天的普通智能手机也比 1969 年阿波罗 11 号任务将宇航员送上月球时美国宇航局的所有计算能力都强得多。下次你问Siri、Alexa或谷歌问题的时候，想想看……

晶体管经济学

你可以用各种花哨的词来描述各种商业模式，但我喜欢让事情尽可能简单。在任何商业模式中，您都可以在“固定”（资本）和“可变”（边际）之间划分成本。如果该模型对可变费用的权重很大，则几乎没有缩放（杠杆），并且盈利能力与数量呈相当线性的关系。但是，如果模型对固定成本的权重很大，那么模型会随着数量的增长而扩展（通常是显着的）并且盈利能力会急剧增加。

例如，如果您要钻探石油，则必须建造钻井平台并进行石油钻探所需的所有相关资本投资（固定成本），但一旦建成并且石油开始流动，成本维持流量（可变成本）非常低。在这种商业模式中，高昂的固定成本通过抽出的石油桶分摊。显而易见的结论是，生产的石油桶越多，每桶的总成本就越低（固定成本在更多桶石油中摊销）。

不太明显的结论是生产“下一个”桶的“边际成本”非常低。由于边际（可变）成本代表多生产一个单位（桶）的总成本增加，并且不需要额外的固定成本，因此只计算可变成本。显然，鉴于这些数据，在以高固定成本和低可变成本运营的商业模式中，数量非常重要。

这个高固定/低可变成本商业模式的经典例子或多或少与我们在经典半导体商业模式中看到的一致。开设一条领先的半导体生产线（目前以数百亿美元计）要花费巨额资金，而为领先的制造工艺（5nm）设计一个相对复杂的 IC 可能很容易花费 50 亿美元。然而，一旦制造厂投入运营并且 IC 投入生产，制造下一个硅晶片的边际成本相对于这些固定成本来说是很小的。

与石油行业相比，半导体行业有一个巨大的优势。与最终供应（已发现储量）有限的石油不同，相对便宜的硅（大多数半导体晶圆的基础材料）几乎是无穷无尽的，这意味着有充分的理由不断压低价格以刺激更多需求，并产生更多的音量。

这种现象在数据中得到了证明。1947 年，贝尔实验室在其实验室中只生产了一个晶体管，并且需要数年时间才能生产出少数用于有限应用的晶体管。仅在 75 年后的 2022 年，半导体行业将为地球上的每个男人、女人和儿童生产数千亿甚至数万亿个晶体管，并以微不足道的一美分的价格以 IC 的形式出售。

这种惊人的增长趋势是如何引发的，背后可能有许多故事，但我最喜欢的故事之一是乔治·吉尔德在他的书《微观世界》中讲述的。

正如 George 所说的那样，Fairchild Semiconductor 以每个 150 美元的价格向军事客户销售数量相对较少的晶体管（部件号 1211）。Fairchild 以大约 100 美元的成本获得了可观的利润。然而，鉴于严格的军用规格，它留下了不符合客户要求的报废零件。

为了找到这些晶体管的归宿，最近被提升为仙童公司消费者营销团队负责人的Jerry Sanders 的任务是寻找愿意为这些不合格品支付 5 美元的买家。他找到了一些愿意购买的买家，但在 1963 年，当 FCC 要求所有新电视都包括 UHF 接收功能时，一个巨大的新市场机会打开了。

（3） Jerry Sanders 后来离开仙童，创办了 Advanced Micro Devices (AMD)

这里的问题是，即使是 5 美元，消费者版 1211 也无法与 RCA 的创新金属外壳真空管竞争，该真空管称为 Nuvistor，它以 1.05 美元的价格提供给电视制造商。Sanders 尝试了他能做的每一个角度来绕过 3.95 美元的价格差异——消费版1211 可以直接焊接到 PCB 上，避免使用 Nuvistor 的插座，晶体管显然更可靠。然而，他根本无法完成交易。

鉴于 1963 年电视的市场潜力约为每年 1000 万台；Sanders前往位于山景城的仙童总部，并在他位于洛斯阿尔托斯山的家中会见了Robert Noyce博士。起初，他犹豫要不要以 1.05 美元的价格完成交易，但一旦Sanders描述了这个机会，Noyce博士就从容地接受了这个要求，经过短暂的考虑后，批准了。

Sanders 回到 Zenith 并以 1.05 美元的价格预订了第一个消费者 1211 订单。为降低成本，Fairchild 在香港开设了其第一家海外工厂，旨在处理预期的产量，并为此开发了其首个用于订单的塑料包装 (TO-92)。在此之前，所有 1211 都像当时大多数晶体管一样封装在密封（玻璃到金属密封）金属罐 (TO-5) 中。

一旦 Fairchild 投入生产，它就能将价格降至 0.50 美元，并在两年内（1965 年）实现了 UHF 调谐器 90% 的市场份额，新的塑料 1211 产生了公司总利润的 10%。1965 年恰好也是摩尔博士撰写这篇文章的年份，该文章后来被认为是“摩尔定律”。

1211 晶体管关于如何有效利用低边际成本来推动销量的教训与 Moore 博士的论文相切。然而，再加上摩尔定律的预言正确地预测了集成电路上每个晶体管的成本将随着制造技术的进步而迅速下降，半导体商业模式的模具已经铸就，资本自由地流入了这个行业。

摩尔定律在处理器中的进步

1968 年，在“摩尔定律”发表三年后，摩尔博士和诺伊斯博士因在 1959 年发明了平面集成电路 (IC) 而受到赞誉，他们离开飞兆半导体创立了英特尔。安迪·格罗夫博士很快加入了他们的行列，他拥有化学工程背景，在英特尔从事制造业务。继诺伊斯博士和摩尔博士之后，格鲁夫博士于 1987 年被任命为英特尔的第三任 CEO。

英特尔开始为大型计算机制造静态随机存取存储器 (SRAM) 设备（半导体存储器是摩尔定律预测的一部分），但很快开发了用于手表和计算器的 IC，并从那里转向通用处理器。为了优化连续性，我将在本节中主要关注英特尔处理器的发展。

英特尔的第一款处理器 4 位 4004 于 1971 年发布。它采用 10,000nm 制造技术制造，在 12平方毫米芯片上有 2,250 个晶体管（每平方毫米有187.5 个晶体管）。一年后，英特尔推出了第一款 8 位处理器 8008。它使用与 4004 相同的工艺技术，但布局和布线更好，它在 14平方毫米芯片上有 3,500 个晶体管（每平方毫米有250 个晶体管） .

英特尔于 1978 年发布了其第一个 16 位处理器 8086，它向世界介绍了 x86 架构，该架构今天继续主导个人计算和数据中心应用程序。

一年后，英特尔发布了 8088，它与 8086 几乎相同，但使用了外部 8 位数据总线，这使其在第一台 IBM PC 中使用更具成本效益。8086 和 8088 都使用 3,000nm 工艺制造，并且在 33平方毫米芯片上都有 29,000 个晶体管（每平方毫米有879 个晶体管）。没有广为人知或赞赏的是 8086 和 8088 在 PC 市场之外开发了如此庞大的设计基础，以至于英特尔在 1998 年之前生产了这两种 IC。

英特尔于 1985 年发布了 32 位 80386，它采用 1,500nm 工艺制造，具有 275,000 个晶体管和 104平方毫米裸片尺寸（每平方毫米 2,644 个晶体管），它远远超过了之前的所有产品。这标志着我第一次读到华尔街关于摩尔定律已死的预测。几年后，我意识到华尔街对半导体行业的看法几乎总是错误的，但这又是另一个故事了……

随着岁月的流逝，摩尔定律的节奏仍在继续。有时比其他人更有效地运行，但从长远来看具有一致性。为了更容易跟踪摩尔定律的进展，下表显示了从 1989 年到 2015 年在 1,000nm 到 14nm 的各种工艺上制造的 PC 处理器。由于我没有可靠的英特尔 14nm 以外的数据来源，只能停在这里。

这张表和上面的数据显示，英特尔在从其第一款处理器 (4004) 到 Core i7 Broadwell 的 44 年中，晶体管密度（每平方毫米的晶体管数）增加了惊人的 76,190 倍。

当我们考虑服务器 IC（而不仅仅是上表中的 PC 处理器）时，我们可以看到明显更高的晶体管数量以及更大的芯片尺寸。

英特尔于 2010 年发布了其首款 20 亿晶体管处理器，即 64 位四核 Itanium Tukwilla，使用其 65nm 工艺。使用大型高速缓存，裸片尺寸为 699平方毫米（每平方毫米 286 万个晶体管）。

英特尔在 2012 年凭借专用 Xeon Phi 继续打破 50 亿晶体管的壁垒。它是使用 22nm 工艺在巨大的 720平方毫米芯片上制造的（每平方毫米有690 万个晶体管）。这是我能找到的英特尔处理器的最大裸片尺寸。

Xeon Phi 是我发现的仅有的三个使用大于 700平方毫米的裸片尺寸的单片处理器之一。另外两个是 2017 年采用 20nm 工艺4制造的 Fujitsu SPARC VII ，它使用了一个巨大的 795平方毫米裸片（每平方毫米有690 万个晶体管），以及采用 14nm 工艺制造的 AMD (AMD) Epyc，使用了稍小的 768平方毫米芯片，但制造工艺更小，晶体管密度更高（每平方毫米2500 万个晶体管）。Oracle (ORCL) SPARC M7 可能比 Fujitsu SPARC VII 大，但我找不到 Oracle 处理器的芯片尺寸数据。

长期以来，英特尔一直更保守地说明其制造工艺节点，这解释了为什么其 22nm 的晶体管密度与富士通的 20nm SPARC 处理器的晶体管密度大致相同。

虽然微处理器芯片接近邮票大小的日子已经一去不复返了，但制造技术的进步继续使晶体管密度越来越高。我今天可以量化的处理器的最高密度是 Apple (AAPL) M1-Max，它在其 432平方毫米裸片上有 570 亿个晶体管（每平方毫米有 1.319 亿个晶体管），并使用台积电 (TSM) 5nm 技术制造。

Apple M1-Max 的晶体管密度比英特尔首款 4004 处理器高出 700,000 多倍，从技术角度来看，这告诉我们摩尔定律对晶体管密度翻倍的预测仍然有效；尽管速度比以前慢。然而，虽然晶体管密度将继续增加，但在制造技术的最新进展中发生了两件事，这点很重要。

首先，我的联系人告诉我，50 多年来一直是摩尔定律的经济驱动力的每晶体管成本越来越低的曲线在 10 纳米制造节点之后开始趋于平缓。这意味着使用更便宜的晶体管来抵消快速增长的设计固定成本并将新 IC 投入生产的日子即使没有消失，也至少已经屈指可数了。这意味着，如果摩尔定律的主要经济驱动力没有消亡，它就处于生命支持之中。

其次，数据告诉我们，处理器制造商已经摆脱了 2012 年至 2017 年间推出的大规模芯片尺寸，甚至像 AMD 和英特尔这样的领先处理器制造商也采用了 Chiplet 策略。以 Intel Ponte Vecchio 为例，该设计包括 47 个使用各种制造技术的小芯片。

The king is dead, long live the king!

给定制造工艺的缺陷密度 (D0 ) 定义为每个硅晶片的缺陷数量除以晶片面积，这些缺陷大到足以被归类为目标制造工艺的“致命”缺陷。问题是，随着制造过程（制造节点）尺寸的缩小，被确定为“杀手”缺陷的尺寸也在缩小。

通常，致命缺陷被定义为占制造节点尺寸 20% 的缺陷。例如，小于 9nm 的缺陷对于 45nm 制造节点可能是可接受的，但大于 2.8nm 的缺陷将被定义为 14nm 制造节点的“杀手”缺陷。对于 5nm 制造节点，仅测量 1nm 的缺陷可能是一个杀手。

这是使用领先的制造工艺技术5生产大型单片 IC（以芯片面积衡量）变得越来越困难的主要原因之一。我们可以在上面的数据中看到这一点的证据，这些数据显示处理器的裸片尺寸在 2012 年至 2017 年的六年期间达到顶峰，当时最先进的技术从 22 纳米转移到 14 纳米。

存储设备、FPGA、GPU 和一些专门的机器学习 (ML) IC 面临同样的良率挑战。但是，在这些 IC 中，您会发现数十亿个完全相同的单元（功能块），它们实际上彼此完全相同。为了优化良率，这些仍然使用巨大裸片尺寸的 IC 通常设计有冗余单元，这些冗余单元可以被屏蔽或编程以替换没有良率的单元。目前尚不清楚这种趋势是否会持续下去。

关于缺陷密度何时成为一个不可克服的问题，有多种观点。然而，从我读到的内容来看，它似乎已经进入了 22nm 到 14nm 窗口中的方程，而在 14nm 以下的数据表明它变得很重要，而且从这个角度来看，这个问题只会变得更糟。

鉴于大芯片尺寸 IC 比小芯片尺寸更容易在其边界内出现缺陷；芯片尺寸和良率之间存在反比关系，随着制造技术向越来越小的节点发展，这一趋势将变得更加令人烦恼。

台积电在 2020 年第二季度为其新的 5nm 制造节点运行测试晶圆时强调了这个问题。在这些测试之后，台积电表示其 18平方毫米芯片的平均良率约为 80%，但 100平方毫米芯片的良率急剧下降至仅 32% 。与摩尔定律统治期间的情况一样，自这些早期测试以来，TSM 已经提高了其良率，但尽管如此，我确信 5nm 的良率仍然不如更大制造节点的良率，而且趋势正在发展前进是明确的；大型单片模具的时代已经过去。

在台积电发布其 5nm 工艺的早期数据的几年前，AMD 首席执行官 Lisa Su 博士在 2017 年 IEEE 国际电子器件会议 ( IDEM) 上以非常简单的图表展示了缺陷密度问题。该图显示了随着 AMD 从 45nm 向更小的制造节点发展，250平方毫米裸片尺寸的单位产量平方毫米成本增加。低调的结论是增加裸片尺寸会在经济上产生问题，一旦低于 14/16nm，成品成本就会急剧增加。

缺陷密度并不是一个新问题——它从第一天就已经存在。然而，吸取的经验教训总是将其推向超越当前制造节点的能力，并且在当前节点解决良率问题的能力是推动摩尔定律 50 多年的原因。尽管您可以放心，我们会继续努力降低缺陷密度对前沿制造节点的影响，但有五个原因表明 Chiplet 趋势不仅会持续下去，而且还有望迅速扩展并实现新的市场机会。

(1) 对 Chiplets 进行了大量投资，以降低组装成本和优化性能。虽然当您将设计从单芯片单片硅片上移开时，会存在固有的成本和性能损失，但随着 Chiplet 技术的充分利用，性能损失将被最小化，成本损失将被抵消。

(2) Universal Chiplet Interconnect Express (UCIe) 联盟指定了 die-to-die 互连标准，以建立开放的 Chiplet 生态系统。该联盟的创始成员包括： ASE、AMD、Arm、谷歌云、英特尔、Meta、微软、高通、三星和台积电。UCIe 类似于标准化计算接口的 PCIe 规范。然而，与 PCIe 相比，UCIe 提供高达 100 倍的带宽、低 10 倍的延迟和高 10 倍的电源效率。有了这个标准，我相信我们会看到大量新的 Chiplets 进入市场。

(3) 随着2017 年通用异构集成和知识产权重用策略 (CHIPS) 计划的发布，美国国防高级研究计划局 (DARPA) 领先于 Chiplet 曲线。CHIPS 的目标是为商业和军事应用开发大量第三方 Chiplet 目录，DARPA 预测这将使新设计的成本和周转时间降低 70%。DARPA CHIPS计划不仅利用了整合异质制造节点的优势，还将异质材料整合到 Chiplet 设计中。

(4) 摩尔定律的神奇之处在于，随着制造技术的进步，每个晶体管的制造成本下降幅度将远远超过固定成本增加的幅度。我无法找到量化这一点的数据，但我可以找到广泛的共识，即制造成本下降曲线在 10nm 附近趋于平缓，并且正朝着不利的方向发展。由于先进的制造成本正在增加，Chiplet 策略使 IC 架构师能够将前沿（昂贵）制造节点仅针对绝对需要最高性能的 Chiplet 设计部分，并将 Chiplet 设计的其他部分针对针对优化的制造工艺低功率和/或低成本。

(5) 小芯片设计可以加快上市时间，降低固定成本，降低给定设计的总制造成本，并利用可以随时间扩展和/或更改的架构。换句话说，Chiplet 设计提供了独特的灵活性，这在单片设计中是不经济的。随着我们看到新的符合 UCIe 标准的小芯片的推出，这一趋势将变得更加明显并加速。

制造商不仅面临与裸片尺寸直接相关的缺陷密度良率挑战，如下图所示，与设计和将新的复杂单片 IC 投入生产相关的固定成本随着制造技术的进步而飙升技术。换句话说，数据表明我们已经达到了一个临界点，而 Chiplet 就是答案。不仅要面临良率和更高成本的挑战，也使半导体行业打开新的市场机遇。

虽然我在本文中的重点是处理器 IC（为了保持连续性，主要是英特尔处理器），但固定成本的增加以及良率与芯片尺寸之间的反比关系也在影响片上系统 (SoC) 设计。已经有证据表明，联发科将在其智能手机应用处理器 (AP) 中与台积电一起采用 3nm 的 Chiplet 设计，我敢打赌，高通公司正在酝酿一款尚未公开的 Chiplet 设计。

借助 UCIe 标准化和 DARPA CHIPS 计划，面向智能手机 AP 以外的广泛市场的 SoC 制造商将采用 Chiplet 设计来降低成本、缩短开发周期并提高灵活性。这将为支持芯片制造商和种类繁多的IP公司开辟新的机遇。

我相信我们还将看到 IP 公司通过利用新的 UCIe 规范将其 IP “硬化”为已知良好芯片 (KGD) 并有效地将其 IP 作为硬件芯片直接出售给半导体制造商和 IC 制造公司，从而扩展其传统市场方法。以及开发自己的特定应用小芯片的 OEM 客户。

我认为 Chiplets 将实现的更有趣的事情之一是 SoC 用于没有数量或过于分散而无法推动对单片 IC 设计进行数亿美元投资的新市场。其中包括各种物联网、人工智能和机器学习 (ML) 机会，其中 FPGA 技术可用于加速器，可以快速适应不断变化的算法并提供扩展市场范围和 SoC 生命周期所需的设计灵活性。

小芯片还可以通过提供可扩展的处理器解决方案和其他客户特定选项（添加更多处理器内核、添加加速器、添加更多内存，甚至更改/更新 RF 部分以适应新标准等），为新市场和现有市场启用 SoC 解决方案。对于单片 IC 设计，这些变化和灵活性几乎是不可能的。

底线：如果没有降低可变成本（每个晶体管的制造成本降低）来抵消急剧增加的固定成本和缺陷密度增加的复杂性，摩尔定律已经结束，正如我们所知。然而，正如过去一样，半导体生态系统正在适应，随着 Chiplet 技术的发展，随着我们的前进，我们很可能会看到一个加速创新和新市场机会的时期。

这里的重点（如果你愿意的话，是临界点）是 Chiplets 为创造力和技术在我们生活和工作方式中的持续扩展打开了新的大门。我们已经到了这样一个地步，我们不再需要只考虑单片 IC 设计的意义，因为单片 IC 设计受到超高固定成本和痛苦的超长交货时间的阻碍；我们现在可以专注于利用新的开放标准来优化设计的异构 Chiplet，以实现由用例决定的最终成本和性能。

当您将这些新优势与 UCIe 和 DARPA CHIPS 计划的标准化相结合时，就有巨大的潜力打开新市场和新用例。

一半以上零部件面临重构！未来汽车新物种变革下，哪些没落？哪些崛起？

由纯电动和智能网联构成的汽车产业的上下半场正加速传统供应链的变革。

有关方面预计，到2030年，我国电动汽车产销将达到1500万辆，保有量达到8000万辆，新车不同级别的自动驾驶达到70%。中国电动汽车百人会理事长陈清泰指出，上述预测如果变成现实，将涉及到能源结构的调整、智能电网的建设、交通基础设施的升级、新一代移动通信的支持、高新技术的助力、产业链的调整改造、标准法规的建立和调整等。

“汽车属性和定义的变化是传统汽车零部件体系的50%以上，正在面临重构。”陈清泰说。

诚然，汽车产业革命性的变革带来的首先就是供应链的转变——传统零部件“没落”，新兴零部件崛起。

不得不说，传统汽车的核心部件——发动机和变速器的声量在近两年变小了很多。一是厂家宣传的新车型很多都是纯电动车，无需再配备发动机和变速器。二是传统零部件的关注度确实在变小，消费者的兴趣点更多瞄准了智能化水平。

当然，对于一些传统燃油车和电动车都需要的零部件来说，产业变革并未给其带来“生死存亡”的影响，依然风生水起，并且迎来了崭新的变化。

比如汽车玻璃：电动化、智能化趋势下，越来越多新技术集成到汽车玻璃中，汽车玻璃朝着“安全舒适、节能环保、美观时尚、智能集成”方向发展。诸如越来越流行的智能全景天幕玻璃、抬头显示玻璃、调光玻璃、加热玻璃等高附加值产品占比在不断提升，汽车玻璃的行业升级带来了新的机遇。

再比如汽车车身：由于提升续航的迫切需求，新能源车的车身轻量化也在提速。例如，特斯拉带火的一体化压铸技术被更多的电动车型采用。一体化压铸应用部件将由后底板逐步延伸至前车身下部、中底板、车门框架、副车架、下车体总成、A柱及B柱、座椅骨架及整个白车身。有业内人士表示，在汽车轻量化背景下，一体化压铸将成主流，有望替代传统冲压焊装工艺。

特别值得关注的是，在这些迭代升级的“传统”零部件以外，电动化、智能化和网联化带来的新兴零部件逐步从幕后走向前台，其中有些甚至在传统燃油车时期从未出现，它们是构建智能网联汽车生态的重要基石，其重要性在日益凸显。

跟着小编一起来看下吧。

01电池：

电池相之于新能源车，相当于发动机之于燃油车，是整车最核心的零部件之一。对于纯电汽车来说，电池成本是整车成本最大的一部分，数据显示约占整车成本的40％。而在电池成本构成中，70%-80%是直接材料，上游涉及锂、镍、铝、铜等。

02电机：新能源电机也属于新能源汽车三大件之一，俗称“马达”，是电动车性能表现的重要代表。03电控：在新能源汽车中，电控系统控制整个车辆的运行与动力输出。电机控制系统主要由逆变器、逆变驱动器、电源模块、中央控制模块、软起动模块、保护模块、散热系统信号检测模块等组成。IGBT应用于逆变器中，占整个控制器成本的40%-50%左右。04自动驾驶芯片：自动驾驶芯片正处爆发边缘，也是自主芯片弯道超车的重要领域。大算力芯片是实现自动驾驶的基础，目前芯片厂商在自动驾驶芯片上进行算力PK，将基础硬件提升到新的高度。05计算平台：车载计算基础平台侧重于系统可靠、运行实时、分布弹性、高算力等特点，实现感知、规划、控制、网联、云控等功能，最终完成安全、实时、可扩展的多等级自动驾驶核心功能。06视觉传感器：视觉传感器是自动驾驶感知系统中的重要组成部分，相当于人类驾驶员的眼睛。在智能汽车的感知系统中，视觉传感器结合其它传感器的感知信息，完成车辆对所处环境的识别。07激光雷达：目前的高级自动驾驶技术路线中，大部分都采用了激光雷达作为关键传感器之一。不过，成本仍然是激光雷达上车的挑战之一，目前，激光雷达仍是传感器中最贵的那一个。08域控制器：在汽车几大域中，智能座舱域控制器及自动驾驶域控制器发展势头最猛，无论是整车厂、自动驾驶初创公司还是科技巨头，都在域控制器领域发力。与自动驾驶逐步迭代的技术路线相似，域控制器也在通过产品迭代实现逐步上量。09高精地图：高精地图是一种专门为无人驾驶服务的地图，能够提供车道级别的导航信息。车载传感器很难感知到远处的障碍物、车道线信息。而定位+高精度地图的配合是可以提供诸如车道线、路沿和可通行空间这些信息的，增加系统的信息冗余。10互联网通信：车辆通信技术发展是实现更高的自动驾驶水平的重要推动因素。以5G技术为例，进一步让多路通信协同以及高精度定位能力同时可以实现，在很大程度上加强单车智能的感知、决策、控制。11云控平台：对自动驾驶车辆来说，车端的计算单元可以与云控平台相互协同。车载计算单元受限于算力、功耗、尺寸等因素，未必能支撑海量数据计算，因此可以将部分算力在云控平台上进行布局，节省车端计算压力。12车用操作系统：要实现汽车从功能产品向智能产品的转换，车用操作系统是其中的关键。车控操作系统支撑和保障着智能驾驶功能集中运行时的性能和安全。全国政协经济委员会副主任、工业和信息化部原部长苗圩前不久在公开场合直指车用操作系统是比芯片“更迫切、更致命”的问题。

汽车行业正在迎来新的技术革命，如果说革命的上半场由电动化拉开序幕，智能化、网联化则是汽车革命下半场的主题。

正如陈清泰所说，汽车强国的底层是零部件强国。未来汽车的新物种使零部件的概念和范畴发生了很大变化，并且当前这个产业链还在建设之中，壁垒尚未形成，因此我们必须超常规地重视这次难得的供应链重构的机会，改变以往我国在汽车产业核心竞争中的空心化局面，实现真正的汽车强国。

CPU和GPGPU市场现状及发展趋势

信创“2+8+N”稳步推进，芯片是整个产业的核心，国产替代需求旺盛。信创产业主要由基础硬件、基础软件、应用软件、信息安全组成，芯片是整个产业的核心。经过信创元年的集中爆发，2021 年信创产业逐步走向应用落地阶段，“适配生态”、“竞标中标”、“产品迭代”等关键词凸显了信创产业在“2+8”行业应用中的良好态势。

八大重点行业中，金融行业信创首当其冲，推进速度最快，电信紧随其后，之后是能源、交通、航空航天，教育、医疗也在逐步进行政策推进和试点。

1、CPU：服务器需求稳健增长，x86 依旧为当前主流

CPU 是计算机的控制核心，主要包括控制单元、运算单元和运算单元。CPU 是计算机的运算和控制核心，是信息处理、程序运行的最终执行单元，是计算机的核心组成部件。

CPU 的本质是超大规模集成电路，用于解释计算机指令和处理计算机软件中的数据，并负责控制、调配计算机的所有软硬件资源。CPU 主要包括控制单元、运算单元和运算单元，控制单元从存储单元中获取可执行的代码，通过指令译码将其转换为可执行的指令，进而运算单元基于获取的指令对存储单元中的数据进行运算。

CPU 指令集可以分为复杂指令集（CISC）和精简指令集（RISC）两大类。计算机的程序最终需要转化为“指令”才能在 CPU 上运行，所以采用的指令集对于 CPU 的设计尤为重要。复杂指令集架构与精简指令集架构是基于两种不同的指令集思路进行设计，这两种架构有着各自不同的特点：复杂指令集指令丰富、寻址方式灵活，以微程序控制器为核心，指令长度可变，功能强大，复杂程序执行效率高；精简指令集指令结构简单、易于设计，具有较高的执行能效比。

其中，x86 架构是复杂指令集的代表，而 ARM 架构、MIPS 架构和 Alpha 架构等是精简指令集的代表。

CPU 可以广泛应用在各类设备中，海光 CPU 主要应用于服务器和工作站等场景。CPU 可以应用在服务器、工作站、个人计算机（台式机、笔记本电脑）、移动终端和嵌入式设备等不同设备上，根据应用领域的不同，其架构、功能、性能、可靠性、能效比等技术指标也存在一定差异。

服务器具有高速的数据处理能力、强大的 I/O 数据吞吐能力、良好的可扩展性，并需要长时间可靠运行，其 CPU 芯片在性能、可靠性、可扩展性和可维护性等方面要求较为苛刻。因此，服务器处理器是数据处理能力最强、设计工艺最复杂、可靠性最高的处理器。服务器的应用领域包括实时分析、 5G 应用、人工智能、机器学习、金融、大数据和云计算等领域。

x86 在服务器市场市占率超九成，依旧是当前市场的绝对主流。由于 x86 处理器起步较早，生态环境较其他处理器具有明显优势，因此，应用 x86 处理器的服务器销售额占全部服务器销售额的比例约为 91%，销售量占比超过 97%，处于显著领先的地位。

根据 IDC 数据显示，2020 年全球 x86 服务器市场销售额为 826.5 亿美元，较 2019 年增长 3.31%；全球 x86 服务器市场销售量为 1,180.2 万台，较 2019 年增长 1.82%。预计到 25 年中国 x86 服务器芯片出货量将达到 1066 万颗。

2、GPGPU：高算力场景不断涌现，协处理器市场快速爆发

GPGPU 是一种协处理器，辅助 CPU 进行非图形相关的运算工作。GPGPU （General-purpose graphics processing unit），也叫做通用 GPU，可以通俗的将 GPGPU 理解为辅助 CPU 的工具，它能够帮助 CPU 进行非图形相关程序的运算。GPU（Graphics processing unit）最初的设计目标是为了提升计算机对图形、图像、视频等数据的处理性能，解决 CPU 在图形图像领域处理效率低的难题。

随着 GPU 在并行计算方面性能优势的逐步显现以及并行计算应用范围的逐步拓展，GPU 逐渐分化成两条分支：

(1) GPU 方向：延续专门用于图形图像处理用途，内置了视频编解码加速引擎、 2D 加速引擎、3D 加速引擎、图像渲染等专用运算模块；

(2) 通用 GPU 方向：GPGPU 作为运算协处理器，并针对不同应用领域的需求，增加了专用向量、张量、矩阵运算指令，提升了浮点运算的精度和性能，以满足不同计算场景的需要。

GPGPU 是当前人工智能最主要的协处理器方案，当前已广泛用于商业计算和大数据处理。目前，GPGPU 已经广泛用于商业计算和大数据处理，如天气预报、工业设计、基因工程、药物发现、金融工程等。

在人工智能领域，使用 GPGPU 在云端运行模型训练算法，可以显著缩短海量训练数据的训练时长，减少能源消耗，从而进一步降低人工智能的应用成本。与此同时，GPGPU 能够提供完善的软件生态系统，便于各种已有应用程序的移植和新算法的开发，因此全球人工智能相关处理器解决方案仍然是以 GPGPU 为主。因此，GPGPU 是人工智能领域最主要的协处理器解决方案，占据人工智能 90%以上的市场份额，在智能工厂、无人驾驶、智慧城市等领域具有广泛的市场空间。

根据 Cisco 的预计，2021 年全球数据中心负载任务量将超过 2016 年的两倍，从 2016 年的不到 250 万个负载任务量增长到 2021 年的近 570 万个负载任务量随着云计算的不断发展，全球范围内云数据中心、超级数据中心的建设速度不断加快，Cisco 预计到 2021 年，计算能力更强的超级数据中心将达到 628 座，占数据中心总量的 53%。

GPGPU 未来的技术演变方向。随着 GPGPU 在大数据处理、人工智能、商业计算领域的广泛应用，呈现了以下发展趋势。

(1) 高算力运算需求不断涌现：进一步提升工艺制程、增加运算核心数量、采用更高带宽的片上存储器、提高存储器的带宽和容量，持续提升 GPGPU 产品性能；另一方面，高带宽、低延时的片间互连总线结构也是未来产品优化提升的方向之一，以此来满足不断涌现的大数据量、多任务应用的需求；

(2) GPGPU 将成为运算协处理器的主流：运算协处理器存在多条技术路线，包括 GPGPU、ASIC、FPGA 等，综合考虑性能、能效比和编程灵活性等方面的因素， GPGPU 在协处理器应用领域具有非常明显的优势；

(3) CPU 与 GPGPU 的异构计算：CPU 和 GPGPU 的结构特点不同，适用于不同的应用场景，把两者结合起来可以充分发挥各自优势，CPU 处理复杂的逻辑控制并进行运算管理，GPGPU 用于对各种大规模并行计算进行加速。CPU+GPGPU 的异构运算架构可以让系统具有更大灵活性，满足复杂场景的不同需求，能够较大幅度地提升单独使用 CPU 或 GPGPU 的任务执行效率。此外，CPU 和 GPGPU 之间还可以通过内存共享等方式进行数据交互，发挥异构计算的优势。

巨头狂跌2022

QUICK FactSet的统计显示，世界主要半导体相关企业（40家）的总市值截至7月1日为3万亿美元。与2021年底相比减少了近1.8万亿美元，下降约40%。降幅居前列的企业有中国台湾的联发科技、美国英伟达、功率半导体厂商德国英飞凌科技、制造设备厂商美国应用材料公司和日本的东京电子。

从9月21日到9月27日，AMD下跌了12.83%。9月26日，AMD收66.50美元，创2020年7月28日以来收盘新低。目前AMD的股价不足52周高点（164.46）的二分之一。在费城半导体指数30支成分股中跌幅仅次于碳化硅材料领导厂商Wolfspeed。

如果以年为单位，各半导体公司的跌幅更加惊人。

从上图中可以看到，一年之内英特尔的股价一年下跌50.2%，创2015年9月1日最低股价，显卡巨头英伟达下跌40.03%。处理器三巨头中AMD算是表现最好的一个，但也下跌了33.84%之多。而股价下跌不止困扰着设计公司，即使是这两年最抢手的半导体代工巨头台积电股价也下跌了25%。

从大环境来说，芯片行业具有很强的周期型，其命运和经济息息相关，随着经济进入艰难时期，市场对半导体行业很难保持乐观。世界半导体贸易统计组织（WSTS）的数据显示，2022年7月全球出货额32个月来首次低于上年同月。全球前15家半导体供应商2022年第二季度的收入与整体市场结果相符，总体较2022年第一季度下降1%。

巨头为何也跌？

家家有本难念的经，具体来看，不同的半导体公司面临着不一样的问题。

一部分公司面对着高昂的成本。英伟达在2022年第二季度中，收入为67.04亿美元，同比增长3%，环比下降19%；净利润为6.56亿美元，同比下降72%，环比下降59%。英伟达的毛利率暴跌，从最近几个季度的约65%跌至43.5%。英伟达面临的困难从供应短缺转变为未售产品库存快速膨胀。除了需要面对材料和产品制造预付款问题，由于市场需求下降，英伟达的芯片库存还在不断攀升。在2022年第二季度，英伟达库存为38.9亿美元，几乎比去年同期的21.1亿美元高出一倍。库存采购和长期供应义务总额为92.2亿美元，也几乎是一年前的两倍。

近期英伟达CEO黄仁勋称，继续沿着摩尔定律的价格性能曲线前进的机会已经结束，他再次指出，成本问题已经成为英伟达面临的主要问题。

成本问题不仅会困扰设计公司，作为英伟达的上游，台积电的股价也因为成本受到影响。扩产、研发等大动作让台积电也面临高昂的成本费用，为了分摊这部分成本，台积电原订明年涨价6%的计划。这一提议遭到最大客户苹果拒绝，英伟达也要求相同待遇。台积电是当前少数可保持成长动能的半导体企业，但显然市场恶化程度超乎预期，如果主要客户下调订单量，台积电无法分摊的成本，会堵住整个产业供应链。

一部分半导体公司则是受到了竞争对手的冲击。高通和英特尔是两家有代表性的受到挑战者冲击的巨头。英特尔二季度营收153亿美元，同比下降17%，创下1999年来最大降幅，远低于市场预计的176.6亿美元。英特尔第二季度净亏损5亿美元，去年同期为盈利51亿美元，由盈转亏。除了整体都在下跌的PC业务，数据中心和人工智能事业部门营收金额为46亿美元，二季度同比下滑16%。Pat Gelsinger表示，至少在2023年之前，公司预计还将继续失去数据中心的市场份额，按照他的说法，这主要是因为“竞争对手势头太猛，但英特尔执行得不够好。因此我们确实预计会继续丢去份额，我们也跟不上总体 TAM 增长”。

高通是另一家业绩下跌半导体巨头。高通在2022 Q2营收109.36亿美元，同比增长36%；净利润37.3亿美元，同比增长84%。但环比来看，营收下滑约2%，具体到不同的业务来看，高通的手机业务在第二季度收入为61.5亿美元，环比下降2.8%；射频前端芯片收入10.5亿美元，环比下降9.8%。根据市场调研机构 Counterpoint 最新报告，2022年Q2智能手机芯片出货量最多的是联发科，在全球市场占有率为 39%。联发科凭借着中低端芯片大量出货，占据 39% 的市场份额；而高通以29%的市占率排行第二。高通首席执行官Cristiano Amon承认，低价手机销量下滑很大。

营收强势增长的那些公司

股价不能完全说明一家公司的价值，一些半导体公司的股价虽然跌幅不小，但是业绩一直保持亮眼。

台积电下跌34.9%，但一直保持营收的增长。台积电第二季度财报，公司营收为181.6亿美元，同比增长36.6%；净利润为85.04亿美元，同比增长76.4%。

AMD 在服务器方面的季度收益已创造了公司2017年以来历史数据中看到的最大的季度收益。2022年第二季度，AMD营收为65.5亿美元，同比增长70%，环比增长11.3%。这是AMD季度营收首次突破60亿美元大关，同时已连续八个季度创下单季营收新高。

德州仪器第二季度营业收入为52.1亿美元，同比增长14%，净利润为22.9 亿美元，同比增长19%。营收连续六个季度以两位数百分比增长。得益于德州仪器在模拟芯片广泛的产品布局，公司首席财务官Rafael Lizardi表示，虽然用于消费品的芯片的表现没那么好了但用于工业机械和车辆的芯片在二季度实现了强劲增长。

处于供应链更上游的半导体设备公司业绩实现了稳定增长。应用材料2022年Q2收入65.2亿美元，同比增长5%；ASML二季度销售收入为54.3亿欧元，相比2021 年同期的40亿欧元增长约35.75%；净利润为14.1亿欧元，相比去年同期的10.4亿欧元增长约35.58%。日本半导体制造装置协会（SEAJ）统计数据显示，8月日本半导体设备销售额同比增长38.5%至3473.56亿日元，连续第20个月实现增长，创下单月历史新高。SEMI 预测全球前端设施的晶圆厂设备支出预计将在 2022 年同比增长约 9%，达到 990 亿美元的历史新高。

在下行的市场中，有人抓住了新机遇，有人冻死在风中。面对喜忧参半的市场，巨头们开始求变。

巨头们怎么办？

处于产业链顶端的大公司如何应对市场低迷？

一部分公司的应对方法是缩减投资、调整价格。

最容易被需求影响的存储芯片厂商美光选择了这种方式应对。美光准备降低DRAM产量来稳住价格，为可能面临的挑战做准备。虽然未提供任何具体数字，但美光表示将从2022年9月起减少芯片制造支出。

联发科也选择了调整价格应对。联发科第2季毛利率下滑至49.3%，下滑1%。消息人士称，联发科的安卓智能手机客户订单下降，可能无法实现2022年20%的同比收入增长目标。因此联发科正在考虑提高其3G和4G移动芯片价格，旨在减轻5G芯片销售低于预期对其今年业绩的影响。

为了公司未来能更稳定的增长，也有半导体公司选择调整公司的营业模式，进而提升公司在未来的盈利能力。

擅长断尾求生的英特尔表示为了聚焦在公司核心竞争力领域——逻辑芯片，英特尔可能会在未来退出更多业务，如他们四十年前退出内存业务的时候那么果断。今年7月英特尔宣布彻底退出傲腾业务，代价是损失37亿美元。同时英特尔也宣布，自2023年起将放弃赛扬和奔腾两个品牌，进而简化英特尔的产品系列。坚定支持摩尔定律的英特尔押注IDM2.0。英特尔表示公司正致力于制造进步，例如新的光刻技术和 RibbonFET架构。

高通、英伟达等巨头不约而同地转向汽车业务。9月23日，高通举办了首届汽车投资者大会，表示骁龙数字底盘解决方案在汽车行业颇受欢迎，其汽车订单总估值已增长至300亿美元。高通预计，到2030年，公司汽车业务的潜在市场规模预计将增长至1000亿美元。英伟达在 "2022 GTC" 中发布了下一代 SoC 系统，也就是当前大热的 Orin 系统的接任者—— NVIDIA DRIVE Thor。英伟达表示可以通过Thor一块芯片控制所有车载功能，帮助汽车制造商生产软件定义的自动驾驶汽车，而且可以持续进行在线升级。

ICinsights预测未来汽车 IC 市场份额有望上升至 10%。汽车市场在 2021-2026 年的任何主要最终用途领域的复合年增长率最高，达到13.4%。押注汽车的还有模拟巨头德州仪器，该公司表示希望拥有更多的内部生产以避免其他依赖外包制造的芯片制造商在疫情期间一直在努力应对短缺问题的困境。对于未来业务，德州仪器表示将继续投资于工业和汽车产品，不受外部环境影响。

不景气之后再次稳定的半导体市场会变成怎样的格局？随着应用越来越广，越来越深，半导体市场会迎来更多的新增长。巨头狂跌的2022，也是巨头狂奔的2022。

激光传感器是如何工作的？浅析常用的三角测量法

工业生产中，经常需要对物体表面的相对距离和方位进行测量，主要有两种方式：接触式和非接触式。最常见的为非接触式激光传感器，它是利用激光技术进行测量的传感器。它的优点是能实现无接触远距离测量，速度快，精度高，量程大，抗干扰能力强等。

传感器中激光发射器通过镜头将可见激光射向被测物体表面，经物体反射的激光通过接收器镜头，被内部的CCD线性相机接收，根据不同的距离，CCD线性相机可以在不同的角度下“看见”这个光点。根据这个角度及已知的激光和相机之间的距离，数字信号处理器就能计算出传感器和被测物体之间的距离。

半导体激光器1被镜片2聚焦到被测物体6上。反射光被镜片3收集，投射到CMOS阵列4上；信号处理器5通过三角函数计算阵列4上的光点位置得到距物体的距离。

常见的激光三角测量法：

常用的激光传感器测距则会用到激光三角测量法，其中最为常见的有倾斜式激光三角测距法和直射式激光三角测距法，下面我们分别做介绍：

倾斜式激光三角测距法

由上图可知入射光AO与基线AB的夹角为α，AB为激光器中心与CCD中心的距离，BF为透镜的焦距f，D为被测物体距离基线无穷远处时反射光线在光敏单元上成像的极限位置。DE为光斑在光敏单元上偏离极限位置的位移，记为x。当系统的光路确定后，α、AB与f均为已知参数。由光路图中的几何关系可知△ABO∽△DEB，则有边长关系：