AI算力需求持续攀升，让半导体产业开始面临越来越现实的问题，尤其是制程微缩受限后，先进封装、特色工艺、系统集成和智能制造等环节，正在成为产业竞争中不可忽视的变量。
这种变化，也在重新定义芯片设计与制造之间的关系。一颗芯片从架构规划、设计实现到晶圆制造、封装集成，任何一个环节的技术约束，都可能影响最终的性能、良率与成本。设计端需要更早理解制造条件，制造端也需要更深入地理解芯片应用，产业链协同由此从项目对接走向更深层次的工程合作。
10月14日上午的2026湾芯展现场，由半导体行业观察承办的半导体设计与制造协同创新高端论坛正式举行。论坛以“技术协同・工艺适配・合作共赢”为主线，汇聚AI芯片、特色工艺、先进封装、数字孪生、工业软件及车规芯片等领域的产业代表，围绕设计与制造协同中的关键问题展开分享。
从推理芯片到Token生态：
AI产业竞争走向全链条协同
AI算力的发展，正在从训练阶段的大规模集中投入，延伸至持续、高频、贴近业务场景的推理需求。对于芯片企业而言，这意味着市场对算力的评价标准也在发生变化：除了峰值性能，单位成本下能够生成多少有效Token、系统能否稳定承接业务负载，同样成为重要指标。
围绕这一变化，深圳云天励飞技术股份有限公司生态合作总监赵治平带来了“从推理芯片到Token生态——协同创造AI产业新价值”主题演讲。演讲从推理需求的增长切入，指出随着AI应用由回答问题走向执行复杂任务，推理工作负载正在呈现更加明显的分层特征，不同任务对于计算密度、显存带宽、响应时延和吞吐能力的要求并不相同。
赵治平援引的数据显示，OpenRouter平台模型周均Token调用量从2025年5月的2.29万亿增长至2026年8月的93.4万亿；麦肯锡相关预测则显示，全球AI推理功率需求将由2025年的20.9GW增至2030年的93.3GW，复合年增长率达到35%，高于训练负载的22%。随着推理成为更持续的算力需求，AI基础设施也需要从面向单一模型的计算供给，转向能够适配不同任务的系统化能力。
对于云天励飞这样的推理芯片企业，这一变化直接影响产品架构和技术路线。赵治平介绍了公司从DeepEye系列到DeepEdge系列的NPU演进，并分享了正在研发的第五代GPNPU方向。该架构尝试结合GPGPU的通用编程能力与NPU的计算效率，同时引入3D堆叠存储架构，以提升带宽、降低访存延迟，并支持算力纵向扩展。
系统层面的协同同样重要。针对Agent、AI代码生成和长文档在线推理等场景，演讲介绍了Prefill与Decode分离的异构混推方案：前者侧重高密度计算，后者更关注高带宽与访存效率。通过将不同阶段的工作负载分配给更适合的硬件资源，可以改善集群利用率与整体性价比。
赵治平进一步提出，Token的价值不仅取决于生成速度，还与交付质量和实际应用场景有关。芯片设计、EDA/IP、先进存储、制造、先进封装、基础设施与软件栈，需要围绕真实业务需求形成协同。云天励飞提出的“1001计划”，正是希望以Token生产效率为共同目标，推动产业链共同探索更具性价比的AI推理生态。
从芯片到系统，再到应用反馈，AI推理时代的竞争正在超出单一芯片的性能边界。对于设计与制造协同而言，应用侧需求越具体，上游芯片架构、工艺选择、存储带宽和封装方案之间的配合就越需要前置。
特色工艺驱动智慧芯时代：
积塔半导体回应AI时代的制造需求
AI芯片的快速发展，容易让行业将注意力集中在先进制程与高性能计算芯片上。但在完整的AI基础设施中，电源管理、功率器件、模拟芯片和各类控制器同样不可或缺。随着算力基础设施扩张，芯片需求正从GPU、HBM等核心部件，逐步延伸至供电、散热、互联和能源管理等多个环节。
上海积塔半导体有限公司市场部总经理助理李书恒以“聚势创新，特色工艺驱动智慧芯时代”为题，分享了积塔对AI时代半导体产业趋势的判断及自身的产业实践。他指出，半导体产业正在从传统周期逻辑转向由AI需求与供应瓶颈共同驱动的结构性变化。不同产品类别的供需关系并不一致，AI带来的增长也不会平均分配到所有芯片品类。
在这一背景下，特色工艺的价值正在进一步显现。积塔半导体长期布局功率器件、BCD、逻辑、模拟及相关特色工艺平台，覆盖汽车、工业、光伏、物联网和AI等应用领域。演讲介绍，公司已开发125个工艺平台，当前总产能约为每月30万片（折合8英寸），并持续推进12英寸产线建设。其产品制造能力不仅服务于汽车电子，也在向AI基础设施所需的电源管理与功率器件等方向延伸。
李书恒特别关注了AI数据中心不断攀升的电力需求。随着AI机架功率密度提高，供电架构正从传统的48V、54V向更高电压等级演进，800V高压直流也逐渐进入产业讨论。相应地，SiC MOSFET、GaN、DrMOS、高压IGBT和集成电源模块等器件的重要性随之提升。AI算力增长带来的不仅是计算芯片需求，也在推动供电系统和功率半导体技术共同升级。
积塔的工艺布局与这些需求存在直接联系。从车规级MOSFET、IGBT、SiC器件，到高压BCD及其他特色工艺，制造平台需要适配不同电压、功耗、可靠性和应用条件。尤其在汽车电子领域，工艺平台还需要满足车规质量体系与产品可靠性的严格要求。演讲展示的工艺路线，体现出特色工艺制造需要在技术积累、产品验证与市场需求之间建立长期联系。
李书恒进一步提出，AI时代的产业竞争正在从单颗芯片延伸至系统级协同。芯片设计阶段需要同步考虑计算、存储、封装、光互联、供电和散热等因素；制造端则需要提供相匹配的工艺能力与稳定交付。积塔将继续发挥特色工艺平台的作用，对接汽车电子、储能与光伏、AI服务器电源、工业自动化及机器人等不同产业链需求。
当先进制程之外的系统配套需求不断增长，特色工艺的价值也有了更广阔的发挥空间。制造能力能否真正形成竞争力，既取决于工艺本身，也取决于能否准确识别应用需求，并与设计端共同完成产品定义和工程适配。
“九重”三维集成架构：
天成先进探索后摩尔时代的集成路径
如果说特色工艺为不同应用提供了差异化的制造基础，那么先进封装则正在改变芯片组合与系统集成的方式。当AI算力需求增长速度持续超过单芯片性能提升速度，依靠晶体管微缩获得性能增长的传统路径面临越来越多的约束，如何通过更高密度的互连和异构集成释放系统性能，成为后摩尔时代的重要课题。
珠海天成先进半导体科技有限公司市场总监薛宇航围绕“天成先进：‘九重’三维集成架构——AI算力时代的超维引擎”展开分享，重点介绍了Chiplet与三维异质异构集成技术的发展趋势。Chiplet将不同功能模块拆分为多个芯粒，再通过先进封装将其集成为完整系统，使不同芯粒能够根据功能需求选择合适的工艺节点，减少对单一制程路线的依赖。
在这一过程中，互连能力成为决定集成效果的重要因素。演讲介绍了TSV硅通孔技术，以及2.5D集成、3D集成等主要技术路线。通过硅转接板、有机转接板、重布线层、微凸点和混合键合等技术，多个芯粒可以实现更高密度的连接，进而满足高带宽、小尺寸和复杂系统集成的需求。
从产业发展来看，先进封装已不再只是芯片制造完成后的后端环节，而是逐渐影响芯片架构和系统设计。不同芯粒采用不同工艺节点，可以在性能、成本和良率之间进行更灵活的权衡；与此同时，封装结构、互连密度和热管理能力也必须在设计阶段提前考虑。设计、制造与封装之间的协同因此变得更加紧密。
围绕这些需求，天成先进提出了“九重”三维集成技术体系，并将其归纳为“纵横”“洞天”“方圆”三个技术方向。其中，“纵横”聚焦2.5D系统集成，“洞天”面向3D立体集成，“方圆”则覆盖高端封装与微组装。公司提供从封装设计、仿真到加工和测试的一站式服务，面向AI算力、高性能计算、自动驾驶、传感成像和射频通信等应用。
在具体工艺能力上，天成先进布局12英寸TSV立体集成、2.5D硅转接板与无硅集成、3D TSV以及高端微组装等方向。演讲材料显示，公司一期规划年产24万片立体集成产品，二期建成后规划提升至年产60万片，并持续推进更高密度互连和混合键合等技术能力建设。
先进封装的发展，意味着芯片性能的提升越来越依赖系统级工程。单颗芯片的制程优势，需要与芯粒划分、互连设计、封装工艺和系统验证相匹配。对于AI芯片而言，这种协同关系尤其重要：当算力、带宽和功耗约束同时存在，封装技术已经成为影响系统性能与产品落地的重要变量。
数字孪生与人工智能：
鼎泰匠芯将智能制造带入真实产线
芯片设计与制造之间的协同，体现在晶圆厂的日常运行中。对于一座12英寸晶圆厂而言，生产涉及大量工序、设备与工艺参数，任何局部变化都可能影响后续流程。如何在复杂生产环境中提高调度效率、减少异常损失，并让工厂具备更强的预测和决策能力，正在成为半导体制造数字化的重要方向。
上海鼎泰匠芯科技有限公司IT总监童浩峰以“数字孪生×人工智能，重构中国芯的智造范式”为主题，介绍了公司在数字孪生、工业软件和AI应用方面的实践。鼎泰匠芯将数字孪生作为连接真实产线与虚拟模型的核心平台，尝试在虚拟环境中模拟工厂布局、设备运行、物料搬送和生产调度，再将仿真结果用于真实生产系统的优化。
据介绍，鼎泰匠芯于2020年成立并落地上海临港，建设12英寸车规级功率半导体晶圆制造中心，产品覆盖Power MOSFET、IGBT、Power IC、模拟逻辑及BCD等方向。公司持续推进自动化生产与制造软件建设，并联合赛美特研发实时调度系统RTD和全自动控制系统Fully Auto，希望在真实制造环境中逐步形成自主可控的工业软件能力。
数字孪生的价值，首先体现在对复杂生产流程的提前验证。通过对机台、搬送系统和生产流程进行三维建模，工厂可以在建设和运营过程中模拟布局方案、预测产能、验证调度策略，并识别可能出现的拥堵与效率损失。演讲材料显示，相关应用已覆盖自动搬送、生产仿真、实时排工逻辑验证、产能潜力提升、3D可视化门户、产品组合优化和财务预测等场景。
在生产运营中，数字孪生还可以成为连接数据与决策的基础。鼎泰匠芯介绍，其战情中心能够实时映射洁净室、机台、OHT搬送系统及在制品状态，并对关键指标进行集中展示和异常追溯。项目实践数据显示，相关系统应用后，物料搬运时间下降10%，光刻环节设备综合效率（OEE）提升17%，现场人员减少7%，月度成本核算提速1小时。
在此基础上，AI开始从辅助分析工具向生产决策环节延伸。针对晶圆厂每天产生的大量缺陷图像，鼎泰匠芯通过缺陷自动分类模型，将人工处理流程与模型推理结合，材料显示其模型准确率约为92%，缺陷分类人力投入减少87%，单片缺陷分类时间由15分钟缩短至2分钟，检测覆盖扩大12.5倍。对于光刻机和离子注入机等关键设备，公司也开展AI预测预警应用，以便更早发现潜在异常，减少突发停机和备件消耗。
童浩峰进一步介绍了面向半导体产线的大模型接口和AI智能体探索。通过MCP协议连接大模型与制造系统，并结合质量分析、设备监控和业务流程，AI有望逐步参与数据分析、异常研判与任务执行。公司还提出以数字员工承接部分完整业务流程，让系统不仅能展示数据和发出告警，还能够完成分析、生成报告并沉淀案例。
对于半导体制造而言，数字孪生和AI的意义并不止于提高单个环节的自动化程度。更重要的是，它们能够帮助工厂把生产数据、工艺经验和设备状态连接起来，让决策建立在更完整的信息基础之上。当数字模型能够持续接受真实产线反馈，制造系统便有机会从被动记录走向主动预测，并为工艺优化与稳定量产提供新的支撑。
从读懂数据到交付结果：
智现未来探索半导体工业Agent落地
随着AI进入制造现场，工业软件也在经历新的变化。过去，MES、SPC、设备监控等系统主要承担数据记录、状态监控和异常告警功能；遇到复杂问题时，工程师仍然需要跨系统查找数据、分析工艺路径、判断可能的根因，再组织后续处置。对于工序繁多、数据体量庞大的晶圆厂而言，这一过程既耗时，也高度依赖工程师的个人经验。
深圳智现未来工业软件有限公司副总裁朱军以“半导体制造的Agentic Services时代：从‘读懂数据’走向‘结果即服务’”为题，分享了工业AI从数据分析走向业务闭环的实践思路。他指出，企业AI的价值正在从提供单一软件功能，转向整合模型、数据、工具、权限和业务流程，持续交付可验证的业务结果。对于半导体工厂而言，Agent需要跨越多个系统完成任务，才能真正进入工程工作流。
晶圆制造的复杂性，让这一转变更具挑战。朱军指出，12英寸晶圆制造涉及1000道以上工序，生产周期长、数据量大，设备与工艺状态之间存在复杂关联。微小缺陷可能在后续工序中被放大，在线检测、离线检测和缺陷档案等数据又往往分散在不同系统中，根因定位因此需要工程师投入大量时间进行交叉排查。
针对这些问题，朱军介绍了AIIM工业智能体方案，强调多模态数据融合、小样本学习、因果机理推理与自然语言交互等能力。与传统依靠固定规则进行判断的方案相比，AIIM尝试在工艺变化和未知缺陷出现时持续学习，并结合半导体垂直领域大模型“灵犀”，帮助工程师通过自然语言与产线数据进行多轮分析，形成更具针对性的专业报告。
工业Agent进入晶圆厂，还必须满足真实生产环境对可靠性和安全性的要求。朱军将其归纳为四道门槛：能够读懂设备、工艺和多模态数据；分析结论具备可追溯的证据链；关键操作具备明确的权限与人工确认机制；系统能够在不干扰现有量产流程的前提下持续运行。对于关键工艺参数调整、设备控制和产品放行等高风险操作，仍需要工程师确认后执行。
在更进一步的应用层面，智现未来关注跨工序协同与Physical AI的发展。单独优化某一道工序，未必能够带来整条产线的最优结果，因为前道工序状态可能影响后道补偿策略。演讲提出，可以先打通设备、晶圆和工艺状态数据，再通过影子模式进行在线仿真，在验证充分后逐步输出受控建议，最终在明确的安全边界内扩大AI自主协同范围。
从数据理解到结果交付，工业软件的变化不只是增加一个AI交互界面，而是重新组织制造现场的问题处理方式。对于半导体工厂而言，真正有价值的Agent，需要能够沿着证据链完成分析、给出可执行建议，并在反馈中不断积累工艺知识。只有将模型能力嵌入生产流程，同时建立权限、责任和验证机制，AI才有机会从演示走向长期稳定运行。
22nm RRAM工艺赋能RISC-V车规MCU：
国芯科技推动设计与制造深度协同
论坛最后，讨论回到了芯片本身。无论是AI推理系统、特色工艺、先进封装，还是智能制造与工业软件，最终都需要落到具体产品和应用场景。对于车规芯片而言，这一过程还涉及功能安全、信息安全、长期可靠性和复杂汽车电子系统的适配，设计与制造之间的协同尤其重要。
苏州国芯科技股份有限公司技术经理朱保超围绕“设计与制造深度协同：22nm RRAM工艺赋能RISC-V车规MCU CCRC4系列”展开分享，介绍了公司面向汽车电子的MCU与DSP产品路线，以及基于22nm RRAM工艺的CCRC4系列跨域控制与智能驾驶MCU。随着汽车电子架构持续演进，车身控制、动力总成、电池管理、网络通信与域控制等场景，对芯片的计算能力、接口数量和安全机制提出了更高要求。
国芯科技的产品布局覆盖从传统车身控制MCU到多核高性能车规芯片，并延伸至座舱音频DSP等应用。CCRC4系列采用RISC-V架构，面向跨域控制和智能驾驶等场景，产品覆盖不同内核数量与存储配置，最高主频可达500MHz。演讲材料显示，该系列支持功能安全ASIL-D，并具备AEC-Q100车规可靠性设计、硬件安全模块及丰富的汽车通信接口，旨在满足复杂汽车电子系统对实时控制和可靠运行的需求。
其中，22nm RRAM工艺是本次演讲的重要技术切入点。相较传统Flash存储器需要先擦除、再编程的操作机制，RRAM可支持直接覆盖式二次编程。根据演讲材料，在6MB空间的编程测试中，传统Flash的擦除与编程总耗时约为13328毫秒，RRAM编程耗时约为1032至5161毫秒。存储技术的差异，会进一步影响芯片的写入效率与软件更新相关流程，也体现出工艺特性需要与芯片架构及应用需求相结合。
在处理器与系统架构方面，CCRC4旗舰配置采用多核RISC-V设计，并集成硬件虚拟化、浮点运算、DSP加速和NPU等能力。系列产品还支持CGDMA硬件路由子系统，可在不依赖CPU搬运报文的情况下完成CAN与以太网之间的转发。测试数据显示，硬件路由转发20万帧CAN报文时，CPU空闲占比达到99.98%，CPU负载约为0.02%，体现出硬件卸载在降低处理器通信负担方面的作用。
汽车电子的安全要求也在向更广的范围延伸。除了功能安全与传统信息安全，CCRC4系列还在硬件安全模块中引入后量子密码相关能力，演讲材料列出了ML-KEM和ML-DSA等算法支持方向。与此同时，国芯科技围绕AUTOSAR软件架构、底层驱动、功能安全库和主流开发工具链开展生态适配，力求让芯片硬件能力能够更顺畅地进入汽车电子开发流程。
从22nm RRAM工艺到多核RISC-V架构，从硬件网络路由到车规软件生态，CCRC4系列呈现了设计与制造协同在具体产品中的多个落点。对于车规MCU而言，芯片性能只是产品能力的一部分，工艺适配、功能安全、软件支持和量产可靠性同样决定其能否进入真实汽车应用。设计端与制造端越早围绕这些要求共同推进，越有机会减少开发过程中的反复验证，并提升产品走向量产的效率。
让协同从技术议题走向产业实践
回看这六场演讲，可以看到设计与制造协同已经延伸至半导体产业的多个层面。
AI推理需求变化，推动芯片架构与算力系统重新匹配；特色工艺承接汽车电子、功率器件与AI基础设施的多样化需求；先进封装通过高密度互连拓展系统集成能力；数字孪生和工业AI尝试改善晶圆厂的生产效率与决策方式；工业Agent进一步探索跨系统的问题分析和业务闭环；而车规MCU则把工艺、架构、安全与软件生态的协同，落实到具体产品之中。
这些方向看似不同，却共同指向一个事实：半导体产业的复杂度正在提高，单个环节的技术突破，需要与上下游的工程能力相匹配。设计阶段没有充分考虑工艺约束，可能增加后续验证成本；封装方案未能与芯片架构协同，可能限制系统性能；制造系统即使积累了大量数据，如果无法形成可执行的判断，也难以充分释放数字化价值。
因此，设计与制造协同需要更早介入产品开发，也需要更深入地进入工程现场。工艺平台、设计工具、先进封装、工业软件与终端应用之间的连接越紧密，企业就越有机会把问题解决在流片和量产之前。
作为本次论坛的承办方，半导体行业观察将来自芯片设计、晶圆制造、先进封装与工业软件等不同环节的产业实践汇聚在同一场交流中，让技术讨论不止于单点性能和路线选择，也进一步触及工艺适配、量产效率与产业协作。
芯片从设计图纸走向生产线，考验的从来不只是某一项技术的先进程度。真正决定产品能走多远的，是设计、制造与应用能否围绕同一个目标形成合力。当产业竞争进入系统协同阶段，打通关键链路，正在成为半导体技术走向规模化应用的重要基础。
点这里👆加关注，锁定更多原创内容
*免责声明：文章内容系作者个人观点，半导体芯闻转载仅为了传达一种不同的观点，不代表半导体芯闻对该观点赞同或支持，如果有任何异议，欢迎联系我们。
推荐阅读
喜欢我们的内容就点“在看”分享给小伙伴哦~
