半导体市场已经变天,特别是数据中心芯片市场格局变化已成定局
看下近期各个半导体企业的财报:
NVIDIA发布2024财年第四季度及全年财务报告,季度收入创下221亿美元的纪录,较第三季度增长22%,较去年同期增长265%;数据中心季度收入创下184亿美元的纪录,较第三季度增长27%,较去年同期增长409%;全年收入创下609亿美元的纪录,增长126%。
英特尔发布2023年第四季度财报。财报显示,英特尔第四季度营收154.1亿美元,同比增长10%;英特尔四季度数据中心营收为40亿美元,同比下滑10%。
AMD公布2023年第四季度营业额达62亿美元,2023年全年,AMD营业额为227亿美元;2023年,AMD数据中心事业部营业额为65亿美元,与2022年相比增长7%。
这样的数据对比,对于英特尔来说是巨大的压力。为了扭转颓势,英特尔代工(Intel Foundry)似乎成了英特尔的一种尝试。
英特尔代工衍生于几年前英特尔首席执行官帕特·基辛格的IDM 2.0策略,虽然英特尔在极力改变现有的市场现状,但是变革来临,谁也无法置身事外。
英特尔的业务单元表现差强人意,为了激活自身的活力,业务单元独立化是英特尔采取的策略之一,比如PSG(FPGA业务,Altera)独立化运营,而代工业务也是如此。
业界不怀疑英特尔的能力,特别是在代工方面,因为业界也需要除了台积电之外,多一个选择。显然英特尔代工成了这种期待的结果。
最新的消息是微软计划采用Intel 18A制程节点生产其设计的一款芯片。同时,Synopsys、Cadence、Siemens和Ansys等IP和EDA供应商也确认支持英特尔制程和封装技术。
英特尔预计将于2025年通过Intel 18A制程节点重获制程领先性。采用Intel 18A工艺的Clearwater Forest至强处理器已流片。该处理器还采用Intel 3作为其基础芯片的制程工艺,并采用EMIB、Foveros Direct先进封装技术。
在笔者看来,当前的芯片市场是结构化变革,也就是芯片需求是持续增加的,但是品类不像早前那样单一,比如CPU、GPU、FPGA等。
如今不管是AI还是汽车,芯片的需求是巨大的,但是这种需求是不同于以往的产品需求,需要芯片厂商转变产品思路,比如从CPU到GPU。
所以对于英特尔而言,原有的优势已经不复存在,需要在新的客户需求和产业变化下重新建立自己的护城河,这是巨大的挑战。毕竟对于英特尔这样体量的企业而言,这种的转型需要从技术、组织、产品等多个维度进行变化。
其实,我觉得代工是一个很好的突破点,在代工下,很多竞争对手成了朋友,比如英特尔与NVIDA、Arm建立了代工关系,这在此前是不可想的。
当下,产业和企业的边界在消失,竞合关系也在变化,英特尔通过代工业务增加了产业链的协同能力,而不是此前的一体化闭环体系。
截止目前,英特尔已经拥有了Mobileye、PSG、Intel Foundry等独立业务单元,这些领域是具有潜力的,这是英特尔自身变革的尝试,至于后续发展如何,我不敢断言,但是迈出了这一步总比固步自封要好很多。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。