x86巨头表示,将根据“市场需求”调整对德国及美国俄亥俄州工厂的投入。
英特尔公司表示,尽管全球经济正在萎缩,但在西方世界建设芯片制造工厂的计划不会动摇。芯片巨头认定半导体需求必将反弹,因此实现供应链多元化和扩大产能将非常重要。
英特尔全球运营负责人Keyvan Esfarjani在周一发表的社论当中,还重申了其在美国及欧洲投入数十亿美元扩张芯片制造设施的承诺。
虽然Esfarjani未做明确表态,但这篇社论似乎是在针对怀疑论者的质疑:既然全球电子产品需求已经降温、芯片正由严重短缺转为供过于求,为什么英特尔还坚持要在美国俄亥俄州及德国兴建大型晶圆厂。
毕竟,英特尔在俄亥俄州和德国建厂,肯定能从美国、欧盟乃至各地方政府手中拿到可观的政府补贴。再结合最新季度的收入暴跌,人们确实有理由怀疑英特尔这是不是想借建晶圆厂之名强敛财政补贴。
Esfarjani在文中写道,“自我们公布在德国和俄亥俄州建设新半导体工厂的计划以来,情况确实出现了很大变化:地缘政治挑战愈演愈烈,半导体的市场需求下降,通货膨胀与经济衰退的压力正肆虐全球。”
作为英特尔扩张计划的主要发言人,Esfarjani也承认虽然产能扩张工作仍在继续,但“环境也确实出现了剧烈变化”。
至于英特尔坚持扩大制造能力的重要意义,他给出了两点理由。其一,半导体行业需要将生产能力从亚洲转移到西方世界,借此实现芯片供应链的多元化、摆脱尖端芯片对亚洲产能的高度依赖。
“这不是一朝一夕就能解决的挑战,甚至不可能在几年之内就顺利转移。一流的半导体设施或者说晶圆厂,往往需要三到五年时间才能建成。这还得是土地、施工团队和地方政府全力配合,齐头并进的理想情况。但我们相信欧洲和美国有能力支持,也必将受益于这种更强大的地区半导体生态建设。”
英特尔还认为,经济必将在适当时反弹,届时芯片的市场需求将再度上扬。为了打好提前量,当下扩张晶圆代工产能就是正确的选择。
Esfarjani引用了半导体行业协会最近发布的一份报告,其中提到从当下到2030年,半导体需求将每年稳定增长5%。报告认为,到这个十年末,半导体行业的潜在市场总额将再翻一番、达到1万亿美元。
Esfarjani还明确指出,英特尔在德国和俄亥俄州的晶圆厂建设进度也会视经济态势而有所调整,并表示公司将“安排大笔预算以满足市场需求”。(但英特尔之前也曾提到,其俄亥俄州新建晶圆厂的「规模和建设速度」在很大程度上「取决于CHIPS与科学法案的补贴力度」。)
不过总体来看,即使对新代工厂规模做了些许调整,英特尔对接下来市场需求的大幅回升仍持乐观态度。芯片巨头还专门强调了这笔巨额支出的合理性:
我们不能等到市场需求恢复之后,再投资未来需要的产能。根据英特尔的智能资本战略,我们将继续投资未来,并根据需求、技术和产品准确等里程碑指标推动设备投入。立足当下规划未来,我们才能在经济复苏时走得更远。
Thrias Research首席分析师Kevin Krewell则认为,英特尔之所以努力扩大在西方各国的晶圆生产规模,就是意识到芯片制造商必须预测未来三到四年的需求,再提前为此做好准备。
在他看来,“当下规划的产能才是未来指望得上的资源。”
英特尔的扩张计划也反映出其勃勃野心,特别是坚信将重振合同芯片制造、推进芯片代工服务的鲜明立场。但有趣的是,代工部门上周刚刚经历了一轮重组,英特尔表示部门负责人将于明年初离职。
Krewell认为,“英特尔肯定希望代工业务能赢得更多客户,在内部制造订单之外再拿下一笔进项。”
但英特尔和其他芯片制造商着力建设的新晶圆厂可能会导致产能过剩。Krewell表示,所以英特尔才决定在经济放缓时谨慎控制新工厂和芯片制造设备方面的支出。
他总结道,“扩张计划应该不会经历全盘调整。但如果经济形势进一步恶化,英特尔肯定得重新考量这些投资。”
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。