ZD至顶网服务器频道 03月22日 新闻消息:有半导体行业市场观察家预测,基于目前宏观经济低迷、疲软的内存定价以及缺乏“杀手级”应用推动芯片消耗量,今年半导体行业将会呈现萎缩态势。
Semico Research Corp.最近调整了2016年半导体销售预期。这家总部在凤凰城的市场研究公司认为,今年半导体行业将会出现1/3的萎缩。去年Semico曾预测今年半导体行业的收入将增长3%-4%。
“这个预测略有下降,但肯定是低于去年年底时我们的预期,”Semico总裁Jim Feldhan这样表示。
根据世界半导体贸易统计组织(WSTS)的预测,2015年半导体销售额相比2014年将会减少0.2%。如果Semico对于2016年的预测是基于金额的,那么这将会是半导体行业自2008年和2009年连续两年销售额下滑以来,首次出现下滑,但是全球正在从金融危机的影响中逐渐复苏。
该组织和其他市场研究公司预测2016年半导体行业仍然会有小幅增长。WSTS预测今年的增幅为0.3%,而市场分析公司IC Insights Inc.预测的增幅是2%。
这些预测结果的差距并不大。例如,WSTS和Semico的预测结果之间的差距还不到1%,至少从心理上讲,差距并不显著。2008年到2009年半导体行业的萎缩是该行业历史上唯一一次连续两年销售额下滑。7年之后,这个情况再次发生,可能标志着半导体行业进入到了一个新的成熟阶段。
据Feldhan表示,最根本的问题是缺乏令人信服的推动力,去促使半导体消费量增长。他指出,在PC市场停滞之前,PC是半导体行业几十年来的主要推动力。iPhone的问世让智能手机真正腾飞起来,智能手机多年来一直是半导体行业实现增长的引擎,但是智能手机的销售额最近也趋于平稳。平板电脑的销售也推动着半导体的消费,已经多年实现强劲增长,但是从去年开始出现下滑。
“我从高通总裁那里听到一个有趣的说法,那就是现在全球的智能手机数量比厕所还要多了,”Feldhan表示。“我认为这里说的关键点是,半导体市场已经相当饱和了。我们正在寻求新应用,去推一把那些等待升级手机和需要升级的人们。”
Feldhan补充说,过去几年,智能手机和平板电脑的双位数增长让半导体行业一直在储存容量。现在,这些产品的出货量增长开始放缓,半导体行业也随之面临着最终会拉低平均销售价格的库存问题,他说。
半导体行业最近一次实现近双位数的增长是在2014年,当时半导体行业增长了近10%。Feldhan表示,2014年的增长主要是受到了内存芯片短缺的推动。内存收入的增长,以及内存芯片定价的增长,是当年半导体行业增长的主要原因,而由于竞争激烈,逻辑芯片的销售只有小幅增长。
“今天,基带处理器和应用处理器仍然是一个竞争非常激烈的市场,内存价格恢复到每个季度下滑的历史趋势,”Feldhan表示。
作为Semico的竞争对手,IC Insights预测由于过去一年DRAM平均销售价格降低了11%,因此2016年DRAM收入将下滑8%。这项预测导致IC Insights将半导体行业总体预测增幅从4%调低到2%。
Feldhan还将Semico调整预测归结为中国的增幅放缓。事实上,他表示有迹象表明几乎每个国家的GDP都要比上一年有小幅放缓,印度和韩国除外。
“当你将所有这些因素放在一起,其实是很难预测半导体行业今年的整体增幅情况,”Feldhan表示。
Feldhan表示,从长远来看,Semico看好半导体行业在物联网和汽车芯片领域的机会。“但是至于能媲美当年智能手机增长的趋势,”Feldhan表示。“希望有人拿出一个特别酷的、大家都想要的、可能需要10纳米处理器和更多内存的计算应用。”
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。