不断增长的算力驱动着数字化时代的创新,同时,作为提供算力的“基石”,世界对半导体的需求将长期、持续增长,预计到2030年,芯片行业的销售额将达到1万亿美元。
对正致力于重获半导体行业全球领先地位的英特尔而言,这代表着前所未有的机遇。英特尔CEO 帕特·基辛格在2021年宣布了“IDM 2.0”战略,其重要一环就是将英特尔代工服务打造为世界一流的代工服务,以满足全球对先进芯片产能日益增长的需求。
在过去两年,英特尔代工服务已经取得了长足的进展。近日,英特尔公司高级副总裁兼英特尔代工服务事业部总经理Stuart Pann介绍了英特尔代工服务的发展理念和优势所在。“背靠英特尔领先的制造能力、富于韧性的供应链以及强大的合作伙伴生态系统,英特尔代工服务有信心实现在2030年成为全球第二大晶圆代工厂的目标”,Stuart Pann表示。
“系统级代工”的差异化优势
英特尔推动代工业务增长的方式之一,是超越传统的晶圆代工服务,为客户带来开放的系统级代工(systems foundry)服务,引领行业由标准单片式系统级芯片(system-on-chip)向单个封装内的“芯片系统”(systems of chips)过渡。具体而言,系统级代工服务由晶圆制造、封装、芯粒和软件四部分组成,让英特尔能够发挥其在芯片设计和制造方面的专长,助力客户打造成功的产品。
其中,英特尔的先进封装技术是英特尔代工服务的关键差异化优势之一,让客户能够在保持相同成本、功耗和物理尺寸的情况下,在每一代新产品中集成更多功能单元。目前,亚马逊、思科等英特尔代工服务的大客户都采用了英特尔的封装解决方案。
坚持“客户至上”理念
对代工业务而言,服务客户高于一切。为更好地支持代工客户,英特尔开发了全新的能力组合和运营模式,以推动企业文化向“客户至上”转型。同时,英特尔代工服务也致力于在整个设计和制造过程中与客户保持深入合作。
作为企业文化转型的一部分,英特尔对外部代工客户和内部业务部门一视同仁,保护知识产权(IP)和机密,英特尔的制造厂也会为客户提供专门的产能。为此,英特尔正在实施内部代工模式(internal foundry model),在业务部门与设计和制造团队之间建立起一致的流程、系统和保护机制。这使得外部代工客户与内部产品团队处于平等地位,客户可以信任英特尔代工服务能够为他们提供签约时所求的卓越技术、创新能力和产能。
此外,英特尔还构建了一个完整的生态系统,涵盖一流的EDA(电子设计自动化)、芯片IP、设计服务和云服务公司,帮助英特尔代工服务的客户将他们的芯片产品变为现实。通过英特尔代工服务加速器(IFS Accelerator)项目,这一生态系统可与英特尔制程技术无缝对接,加速客户在英特尔代工服务制造平台上的创新。
迈向未来之路
未来,在不断打造、拓展代工服务的过程中,英特尔期待战略生态系统合作伙伴的持续支持,也欢迎芯片设计企业利用英特尔的力量,推动半导体创新迈向下一个阶段。
英特尔代工服务将始终致力于优先履行在服务、技术支持和产能方面对代工客户的承诺。英特尔将继续贯彻IDM2.0战略,不断夯实能力,打造全新的世界一流代工服务。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。