10月27日,英特尔公布了公司2023年第三季度的财报,其中,英特尔代工服务收入达3.11亿美元,同比增长4倍,环比增长34%。英特尔表示,这主要得益于封装收入的增长和IMS工具销量的增加,IMS是英特尔旗下开发先进EUV(极紫外光刻)所需的多波束掩模写入工具的行业领导者。
作为英特尔“IDM 2.0”转型战略的重要一环,英特尔代工服务的抢眼表现支持了英特尔公司首席执行官帕特·基辛格近日所言,“我仍然认为‘IDM 2.0’是完全正确的,毫无疑问”。在上任后不久的2021年3月,帕特·基辛格便提出了这一战略,主要由以下三部分组成:强化英特尔用于大规模制造的全球化内部工厂网络,扩大采用第三方代工产能和打造世界一流的代工业务。
“越来越有效”的“IDM 2.0”战略
帕特·基辛格认为,技术的发展变革加强了“IDM 2.0”的有效性。英特尔提出了“芯经济”(Siliconomy)的概念,即“在芯片和软件的推动下,正在不断增长的经济形态”。AI推动着“芯经济”发展,而“芯经济”是以芯片为基础的,因此,英特尔需要继续为其产品部门以及其它客户进行大规模生产。
另一方面,多样化、定制化的算力需求让半导体行业正在走向“芯粒”(Chiplet)时代,未来的芯片将由来自不同制造商,基于不同制程节点的芯粒,在先进的3D架构中集成在一起。因为拥有EMIB、Foveros等先进封装技术,帕特·基辛格相信英特尔在这一领域大有可为,可以向客户提供封装后的产品。
此外,从芯片制造商的类型来看,英特尔因其规模无法走细分路线,而只能朝着顶级大型制造商的目标前行。因此,英特尔必须在技术上不断寻求突破,帕特·基辛格表示,在半导体行业,技术和制造规模密不可分,英特尔每一天都需要在晶圆厂内不断进行创新,为下一代制程和技术打下基础。
以“内部代工模式”提高制造部门执行力
在“IDM 2.0”战略下,为了提高制造部门的生产能力并降低成本,英特尔创建了同时为外部代工客户和英特尔产品部门服务的内部代工模式(internal foundry model)。在这一模式下,英特尔制造部门的损益将单独核算,需要在性能和价格上参与竞争,英特尔的各产品业务部门则将能够自主选择是否与第三方代工厂进行合作。
帕特·基辛格介绍,英特尔产品部门过去常要求制造部门进行流片生产,成本很高,但无法计算,损害了制造效率。采用内部代工模式后,产品部门要为流片生产付费,因此会变得更加谨慎,不会把每个设计都送到工厂,而是通过仔细验证来确保产品设计过关。内部代工模式带来了一种新的纪律模式,让英特尔工厂的运作更加高效。
内部代工模式同样有助于提高客户对英特尔代工服务的信任。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。
“系统级代工”的竞争力
在竞争激烈的晶圆代工行业,英特尔代工服务如何脱颖而出?帕特·基辛格介绍,有别于传统的晶圆代工服务,英特尔能够为客户提供由晶圆制造、封装、芯粒和软件四部分组成的开放、全面的系统级代工(systems foundry)服务,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。
尤其是英特尔的先进封装服务,随着AI和高性能计算应用的兴起,许多领先的AI芯片公司都对此兴趣浓厚。在2023年第三季度,在先进封装方面,英特尔代工服务新增了两家AI芯片设计客户,另外还有六家客户正在积极洽谈中,预计到年底还会有几家与英特尔达成合作。“随着英特尔快速提升产能,先进封装将助力英特尔代工服务的加速发展和客户数量的大幅提升”,帕特·基辛格表示。
英特尔代工服务在今年第三季度的重大进展印证了“系统级代工”的差异化优势,一家重要客户承诺采用Intel 18A和Intel 3,并支付了预付款,该客户发现英特尔代工服务为其设计生产的芯片,在功耗、性能和面积效率等方面表现优异。此外,英特尔还宣布与两家将采用Intel 18A制程节点的高性能计算客户签约,与下一个重要客户的合作也取得了实质性进展,有望于年底前完成商业合同谈判。在代工生态方面,英特尔与新思科技达成了战略合作协议,为英特尔内部和外部代工客户开发基于Intel 3和Intel 18A制程节点的IP。
在“IDM 2.0”的蓝图中,英特尔希望在2030年成为全球第二大晶圆代工厂,可以看到,自帕特·基辛格上任以来,公司在制造领域不断加码,投入甚巨。从制程、封装等领域的底层技术创新,到在全球范围内提升产能,英特尔正在全方位积累优势,坚定地朝着加强制造领先性的目标前进。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。