玻璃基板有助于克服有机材料的局限性,使未来数据中心和人工智能产品所需的设计规则得到数量级的改进。
英特尔宣布在业内率先推出用于下一代先进封装的玻璃基板,计划在2020年代后半段面向市场提供。这一突破性进展将使单个封装内的晶体管数量不断增加,继续推动摩尔定律,满足以数据为中心的应用的算力需求。
英特尔公司高级副总裁兼组装与测试技术开发总经理Babak Sabi表示;“经过十年的研究,英特尔已经领先业界实现了用于先进封装的玻璃基板。我们期待着提供先进技术,使我们的主要合作伙伴和代工客户在未来数十年内受益。“

组装好的英特尔玻璃基板测试芯片的球栅阵列(ball grid array)侧
与目前采用的有机基板相比,玻璃具有独特的性能,如超低平面度(flatness)、更好的热稳定性和机械稳定性,从而能够大幅提高基板上的互连密度。这些优势将使芯片架构师能够为AI等数据密集型工作负载打造高密度、高性能的芯片封装。英特尔有望在2020年代后半段向市场提供完整的玻璃基板解决方案,从而使整个行业在2030年之后继续推进摩尔定律。
到2020年代末期,半导体行业在使用有机材料的硅封装中微缩晶体管的能力可能将达到极限,因为有机材料耗电量更大,而且存在收缩和翘曲等限制。晶体管微缩对半导体行业的进步和发展而言至关重要,因此,采用玻璃基板是迈向下一代半导体可行且必要的一步。

组装好的英特尔玻璃基板测试芯片的裸片装配(multi die assembly)侧
随着对更强大算力的需求不断增长,以及半导体行业进入在封装中集成多个芯粒的异构时代,封装基板在信号传输速度、供电、设计规则和稳定性方面的改进变得至关重要。与目前使用的有机基板相比,玻璃基板具有卓越的机械、物理和光学特性,可以在封装中连接更多晶体管,提供更高质量的微缩,并支持构建更大的芯片组(即“系统级封装”)。芯片架构师将有能力在一个封装中以更小的尺寸封装更多的芯粒模块,同时以更灵活、总体成本和功耗更低的方式实现性能和密度的提升。

玻璃基板测试单元
在用途方面,玻璃基板最先将被用于其更能发挥优势的地方,即需要更大尺寸封装和更快计算速度的应用和工作负载,包括数据中心、AI、图形计算等。
玻璃基板可耐受更高的温度,将变形(pattern distortion)减少50%,并具有极低的平面度,可改善光刻的聚焦深度(depth of focus),还达到了实现极紧密的层间互连叠加所需的尺寸稳定性。由于这些独特的性能,玻璃基板上的互连密度有望提升10倍。此外,玻璃机械性能的改进实现了非常高的超大尺寸封装良率。
玻璃基板对更高温度的耐受性,也让芯片架构师能够更灵活地设置电源传输和信号路由设计规则,因为它在更高温度下的工作流程中,提供了无缝集成光互连器件和将电感器和电容器嵌入玻璃的能力。因此,采用玻璃基板可以达成更好的功率传输解决方案,同时以更低的功耗实现所需的高速信号传输,有助于让整个行业更接近2030年在单个封装内集成1万亿个晶体管的目标。

测试用玻璃芯基板
此次技术突破,源于英特尔十余年来对玻璃基板作为有机基板替代品的可靠性的持续研究和评估。在实现用于下一代封装的技术创新方面,英特尔有着悠久的历史,在20世纪90年代引领了业界从陶瓷封装向有机封装的过渡,率先实现了无卤素和无铅封装,并发明了先进的嵌入式芯片封装技术和业界领先的主动式3D封装技术。因此,从设备、化学品和材料供应商到基板制造商,英特尔能够围绕这些技术建立起一个完整的生态系统。
英特尔在业界率先推出用于先进封装的玻璃基板,延续了近期PowerVia和RibbonFET等技术突破的良好势头,展现了英特尔对Intel 18A制程节点之后的下一个计算时代的预先关注和展望。英特尔正朝着 2030 年在单个封装上集成 1 万亿个晶体管的目标前进,而包括玻璃基板在内的先进封装技术的持续创新将有助于实现这一目标。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。