作者:IEEE电子器件与固态电路深圳联合分会首任主席,安徽工程大学教授林信南
时代特征
人类的历史时代是由生产工具定义的,如今我们正处于信息化(或数字化)向智能化时代过渡的阶段。
我们从石器、青铜器、铁器,到机械化、电气化,再到如今的信息化和智能化时代,人类社会的发展以指数速度增长。从石器时代的几万年没什么变化,到千年、百年变化不大,到现在几十年就有翻天覆地的变革,到以后每十年甚至五年就可能出现巨大变化,正是源于我们用来改造世界的生产工具的不断变强。
集成电路(IC)的出现,推动了计算机、通信、网络等技术飞速发展,使全世界信息化(数字化)成为可能,并以指数发展速度推动人类社会快速通过信息化(数字化)进入智能化时代。
集成电路是时代的基础
在智能化时代,数据的计算、传输和存储能力既推动又制约着人类的发展。自人类有史以来直至2000年,产生的数据之和还不到3泽字节(ZB),然而在仅仅2023年,我们就将创造超过100 ZB的数据,这是其30多倍。要处理指数增长的数据,计算、传输和存储的能力必须呈指数级增长,同时每个比特的功耗则必须呈指数级下降,否则处理这些数据所需要的时间和能源都将不是人类所能承受的。

集成电路以摩尔定理指数发展正是过去几十年人类科技高速发展的核心驱动力,也是未来几十年人类从信息化(数字化)过渡到智能化时代的基础。未来无论是智慧城市、自动交通、人工智能创作、个性化定制生产,还是元宇宙、科研(AI for Science)、网络、智能家居、健康监测与机器看护等,都需要信息数据化、算力、网络、存储的支持,这些也都需要更多清洁能源的发电、储能和并网来提供能量,而以上这一切都需要集成电路(含集成电路工艺制备的半导体器件)的支撑。
以自主创新迎接挑战
智能技术有望大幅减少每个人以及每个工作岗位对人类劳动力的需求,这使得目前中国社会所面临的一系列问题,大部分可以通过智能技术来解决。然而,由于全球经济环境、地缘政治带来的不确定性,智能技术所需要的高端算力和通信芯片供应链和生产链也面临诸多风险,我们必须采取措施来应对这一挑战,推动自主创新。为此,我们可以发挥中国独特的巨大需求优势,以在各个领域具有国际竞争力的龙头企业为核心,共同进行需求前沿布局,从而推动技术链和产业链相关企业构建产业生态链。除此之外,我们还可以在各个战略产业领域以此模式推广构建产业生态全链条,进一步提升自主可控的大国核心竞争力。

人才缺口与大学使命
产业发展首先依靠人才,而半导体行业正面临着人才短缺的挑战。根据德勤的报告,2022年全球半导体行业从业者约为200万人,预计到2030年将达到300万人,需要新增100万人。根据中国半导体协会的预测,到2024年,中国行业人才总规模将达到79万左右,人才缺口达到23万人左右。在这种情况下,工科大学应该在满足时代需求的过程中,深度融入地方发展,助力地方经济腾飞,赢得更多的口碑。

我们应该培养什么样的人才?
答案是工程师而不是科学家,科学和工程之间有着本质的区别。正如国际科学史研究院通讯院士吴国盛所言:“科学家重在发现规律,工程师重在创造世界。” 科学探寻的是"为什么",而工程则致力于解决问题。对工程技术而言,解决问题是唯一目标,创新只是方案之一,不能为了“创新”而“创新”,不能像理科那样以推动科学发展为目标。中国的工科大学应该与行业龙头企业、专精特新企业等共建现代产业学院,根据产业界的需求共同制定培养方案、共建课程体系,打造项目式、场景式教学。同时,根据培养需求,招聘来自企业的全职和兼职教师,以提高教学效果,也能更好地指导学生团队参加大学生竞赛或实施创新创业项目。
在这个过程中,大企业需要更多站出来承担这个社会责任。华为“智能基座”、“优才”“众智”等计划对国内ICT人才培养具有重要推动作用。希望国家支持华为、讯飞、中芯国际等龙头企业打造面向全国的通用课程模块、网络平台和标准培训软硬件设备,并进行师资培训,形成易于复制推广的课程模块体系,这对发展我国战略产业至关重要,因为除了顶级头部高校,承担绝大多数工程师培养任务的高校本身师资能力相对欠缺,这种模式可以把顶级的工程视野和前沿技术传播到每个工科高校,培养军团级别的工程师,支撑我国战略新兴产业发展。
当前时代潮流下,集成电路的发展对中国社会乃至全球都具有重要意义。我们应以全新的视角看待工程技术,并认识到它对社会发展的巨大推动作用,助力中国走向更繁荣的未来。这正是我们借助集成电路技术在时代大潮中的应有之责!
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。