上周,英特尔举办一场投资者网络研讨会,深入了解释了该公司IDM 2.0芯片代工模式、以及英特尔代工服务(IFS)将如何融入这套模式。会上发布的核心信息是,英特尔已经将其技术开发(TD)、代工制造和IFS部门组合起来,并要求该部门自负盈亏。这一举措与英特尔此前技术开发和制造部门的工作模式形成了鲜明对比,当时芯片巨头是将100%的运营成本分配给四个业务部门(BU),分别为:代工服务、客户计算部门(CCG)、数据中心与人工智能(DCAI)和网络与边缘部门(NEX)。在之前的业务模式下,各业务部门对自身行为缺乏成本敏感度。他们可以加快订单执行速度,并可随意重新调整设计,不会过多顾虑由此引发的财务负担。新的IDM 2.0模式要求各业务部门直接对其制造决策的成本负责,这种关系更接近第三方代工厂与不具备晶圆制造能力的半导体厂商。

英特尔CEO Pat Gelsinger此举,是为了让部门中的每位成员对自己的行为更加负责。英特尔执行副总裁兼CFO David Zinsner表示,这项变动对于英特尔未来的发展战略至关重要。凭借一系列改革,英特尔有信心在2023年内将制造成本削减30亿美元,到2025年改革结束时实现80亿至100亿美元的制造成本节约。Zinsner还提到,英特尔今年之内30亿美元的削减目标问题不大,其中包括20亿美元运营支出削减,以及10亿美元销售成本压缩。关于此次改革的更多细节,将随英特尔公司7月发布的第二季度收益报告一同公开。
由于技术开发和制造部门将向业务部门收取服务费用,因此英特尔正在采取类似半导体代工厂与外包半导体组装及测试(OAST)供应商间的行业执行基准,为包括IFS在内的四大业务部门制定标准化定价策略。这意味着英特尔的技术开发和制造部门将与外部厂商处于更加平等的地位。理论上,如果业务部门认为外部供应商提供的条件更优,则可以在英特尔之外寻求其他代工和OSAT服务。这些安排也符合Gelsinger希望英特尔恢复往日优势地位的愿景。Zinsner简要阐述了英特尔过往的问题:
“具体来讲,我们的制造、技术开发和IFS团队约占公司员工总数的40%、运营支出的25%和资本支出的90%以上。但是,我们对成果有效性开展基准测试,以及跟踪分配成本模型的能力一直有所欠缺且不够透明,难以确定投资究竟被花在了哪里。我们的重点是为制造业建立自己的损益表,这也是实现成本削减的重要前提。新的运营模式将增加业务透明度与可比较性,更直接地将我们团队与同行间的财务绩效做出对比,进而提示部门的真实经济状况。在加强决策和成本间关联性的同时,此番改革也将推动问责制的实践落地。”
英特尔副总裁兼集团规模部门总经理Jason Grebe也参加了本次电话会议,并具体介绍了推动这些变化的一大重要因素:
“……随着时间推移,我们意识到无论是在工程方面还是早期开发方面,抑或是批量制造方面,我们都在工厂中投入了过量人力,希望加急送入物料并加快制造流程。但这最终反而降低了工厂效率,延缓了我们整体完整工具集的实现。因此,我们希望从流程、问责制和可追溯性等角度着手,立即解决这个问题。”
英特尔还为各业务部门制定了财务激励措施,强调以更积极的物料加急手段解决这个问题,保证业务部门有能力快速处理确需加急的订单。此举旨在尽量减少加急情形,甚至尽可能在晶圆帮层面消除这类状况。另外,新政策还会跟踪服务的加急请求和相应计费,让制造团队与英特尔的业务部门之间建立起更为合理的客户/供应商关系。
尽管这波变革将显著影响英特尔旗下各业务部门的固有习惯,但通过将制造决策的成本直接归入其责任范畴,新政将有望帮助制造部门降低成本并保持更强的行业竞争力。当然这一切还只是估计,未来实际影响仍然有待观察。另外,新政可能会影响技术开发部门在开发新工艺节点时的思路,而英特尔在工艺节点上已经处于落后。Zinsner专门对此做出了澄清:
“……因为我们会一视同仁,单纯考虑内外部代工厂的损益指标,因此制造部门将有充足的动力提升自身盈利能力,积极增加收入以维持自己的代工设施能够持续运转。他们将不遗余力地为此奋斗。”
事实的确如此。如果英特尔的代工制造业务不能着力关注运营成本和运营效率,将无法与外部半导体代工厂开展竞争,部门的损益表现将受到影响。而如果英特尔的技术开发部门无法开发出能够满足或超过其他竞争对手的先进工艺节点和业务订单,其损益表现同样会受到影响。最后,如果IFS不积极为代工业务争取外部客户,其损益表现也将受到影响。
Gelsinger表示在Andy Grove精神的感召下,他希望把强烈的责任感重新带回英特尔。他目前所解决的,是Grove早已预见到可能在公司内出现的问题:“成功会滋生自满情绪,自满会导致失败。只有偏执狂才能生存下来。”
也许Gelsinger不像自己的前辈、同样曾任英特尔CEO的Grove那般偏执,但他似乎很清楚该如何站在Grove的立场上审视公司的命运。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。