企业定下雄心勃勃的发展计划后,要怎么把思路传达给整个市场?英特尔的答案就是在Hot Chips主题演讲中强调再强调。
在此次线上会议中,英特尔公司CEO Pat Gelsinger大胆做出预测,称到2030年芯片的封装容量将提升十倍。
“目前,单一封装上约包含1000亿个晶体管,预计到这个十年末封装容量将达到1万亿个晶体管。”在放出豪言的同时,他也借机宣传了一波英特尔最新技术,解释如何逐步达成这一重磅目标。
根据他的介绍,达成这个目标离不开三项创新:RibbonFET、PowerVia和高数值孔径(NA)极紫外(EUV)光刻技术。
RibbonFET就是英特尔打造的全栅极晶体管结构,包含与周围半导体通道的栅极触点,并将从多个方面实现持续扩展。PowerVia是一种新的背板供电架构,高NA极紫外技术则是下一代芯片的光刻制造基础。
英特尔此前曾宣布,计划从荷兰阿斯麦尔(ASML)处采购全球首台0.55高NA极紫外光刻机。
Gelsinger解释道,“借助极紫外高NA光刻技术,我们似乎为这个十年的后半段找到了一条不错的突破之路。而且通过将2.5D与3D封装[即在同一封装内包含多个集成电路的方法]相结合,我们能够在保持芯片最佳尺寸与适当降低封装制程工艺之间取得平衡点。于是乎,RibbonFET、下一代高NA极紫外光刻技术、2.5D/3D封装再加上背板供电,四大技术共同支撑起我们在这个十年末实现单片万亿极晶体管的发展目标。”
Pat Gelsinger
Gelsinger发表的这番言论,恰逢英特尔公司经历发展的动荡期。芯片巨头计划在明年左右以数亿美元购买阿斯麦尔的第一台高NA极紫外光刻机,但今年第二季度的收入较上年同期却出现两位数的下滑。
与此同时,英特尔公司还计划投资200亿美元在俄亥俄州建造两处新的芯片代工厂,也就是Gelsinger所谓“硅中心地带”的开端。
拜登总统在今年8月签署总值500亿美元的《2022年芯片与科学法案》时,Gelsinger就在华盛顿特区现场,见证了这个支持美国国内高科技产业发展的重要时刻。
他表示,“我认为这是自二战以来,我们制定了最为重要的产业政策立法,意味着美国政府将全力支持半导体行业。这是一项与芯片和科学紧密相关的立法,代表着有史以来规模最大的半导体制造业投入。国家半导体技术中心的建立,也是近几十年来规模最大的政府性科研资助举措。”
根据白宫的情况说明书,国家科学基金会还将为此划拨专项资金,用于在基金会内建立起技术、创新与合作伙伴关系理事会,专注于推动半导体与先进计算、先进通信技术、先进能源技术、量子信息技术以及生物技术等领域的发展。
Gelsinger提到,“对于整个半导体行业来说,美国政府此次做出的投资、支持承诺以及优先考量表态,都代表着极为重要的时刻。很明显,全社会开始意识到这个世界是运行在半导体之上。从COVID危机与芯片短缺等现实问题中凝练出的这一教训,推动这项立法跨越各方成为了共识。”
“但要真正推动半导体的发展,还是要依托于超级大国的全力支撑。没错,这一切的背后不再是民族国家,而是技术超级大国。”
他将超级大国的具体定性指标划分为“计算、连接、基础设施与AI”,并认为只有这四大支柱皆强者才有资格被称为超级大国。而这四大支柱之间又会相互放大、协同增强,进而产生指数级的影响。
出于技术出身的习惯,他随后又详尽罗列了以上观点的论据:
Gelsinger又补充道,“但我们也看到,晶圆代工时代的思维也逐渐走到了系统代工这一步。回顾过去,我们会发现机架正在成为一种系统,其中承载着包含多个芯片/小芯片的高级封装。这样的系统,就是未来先进封装技术的雏形。”
“所以我有信心,面对如火如荼的发展前景和市场体量,我们一定还有更多酷炫强大的成果可用、更多值得期待的方向可以探索。”
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
SEALQA是维吉尼亚理工大学研究团队开发的新型基准测试,旨在评估搜索增强型语言模型在面对矛盾、嘈杂或无用搜索结果时的推理能力。它包含三种测试:SEAL-0(极具挑战性的核心问题集)、SEAL-HARD(更广泛的困难问题集)和LONGSEAL(测试长上下文多文档推理)。研究发现,即使是前沿模型在这些测试中表现也很差,增加测试时计算资源往往不能带来可靠的性能提升,高级推理模型对嘈杂搜索结果特别敏感,模型在识别大量干扰文档中的相关信息时仍然困难重重。
这篇论文提出了"计划与预算"框架,解决大型语言模型在推理任务中的效率问题。研究者发现模型存在"推理失调"现象——简单问题上过度思考,复杂问题上思考不足。他们开发了贝叶斯预算分配模型(BBAM)作为理论基础,将推理分解为子问题并根据不确定性分配计算资源。实验表明,该方法在不同任务上显著提高推理效率,令牌使用减少39%,E?指标提升187.5%,且能使小型模型达到大型模型的效率水平。