AI正在改变芯片制造

过去几十年，半导体产业谈论技术进步，最常见的关键词是晶体管微缩。从FinFET到GAA，从7nm到3nm、2nm，先进制程一直是衡量芯片制造能力的重要标尺。

但AI的出现，正在改变这一逻辑。

随着大模型规模持续扩大，AI计算系统对算力、内存带宽和数据传输能力的需求迅速增长。芯片制造商面临的挑战，已经不再只是如何在更小的面积内塞进更多晶体管，而是如何解决整个系统的供电、互连、封装和制造问题。

SemiEngineering近日刊发的一篇文章，便从Intel Foundry的视角讨论了这一变化。文章指出，AI规模化发展正在推动半导体产业进入多维度扩展阶段，供电、连接、先进封装以及供应链韧性，正逐渐成为制约AI系统继续扩展的重要因素。

这种变化首先来自AI工作负载本身。

传统计算任务相对明确，芯片执行的指令和数据流通常具有较强的可预测性。但Agentic AI带来了多步骤推理和自主执行任务，工作负载变得更加复杂，也更难预测。这对芯片的供电能力和高速互连提出了新的要求。

与此同时，Physical AI正在将智能计算带入机器人、汽车及其他边缘设备，推动AI从数据中心向现实世界延伸。不同应用场景对芯片的功耗、性能和可靠性提出了差异化要求。

另一个值得关注的变化是Sovereign AI，即主权AI。随着各国更加重视AI基础设施和数据安全，半导体制造的地理分布、供应链安全以及产能韧性，也开始成为客户选择制造伙伴时需要考虑的因素。

这意味着，未来AI芯片的竞争，不仅是设计和制造工艺的竞争，也是整个半导体供应链的竞争。

在芯片架构层面，这种变化已经十分明显。

过去，行业主要采用SoC模式，将尽可能多的功能集成在一颗芯片中。但随着先进制程成本不断上升，单纯依靠晶体管微缩来提升性能，已经面临越来越大的经济和技术压力。

Chiplet因此成为重要方向。

通过将不同功能拆分到多个裸片上，再利用先进封装将它们组合在一起，设计人员可以根据不同功能的需求选择合适的制造工艺。例如，计算核心采用先进制程，I/O模块采用成熟工艺，存储则通过HBM等方式进行集成。

这种方式不仅提高了设计灵活性，也有助于缩短产品开发周期。

但Chiplet并不是简单地把几颗芯片放在一起。多个裸片之间需要实现高速、低延迟的数据交换，同时还要解决供电、散热和封装可靠性问题。

这也是为什么UCIe等互连标准越来越受到关注。UCIe为不同Chiplet之间提供标准化的高速互连接口，有助于降低多裸片系统集成的复杂度，让不同功能模块能够更加灵活地组合。

供电同样是AI芯片面临的一大挑战。

随着芯片功耗不断提高，传统正面供电网络需要与信号布线共享芯片内部的金属互连资源，供电路径上的电阻、电压降和噪声问题也越来越突出。

英特尔在18A制程中引入了PowerVia背面供电技术，将供电网络转移到晶圆背面，使供电与信号布线分离，从而改善供电效率和电源完整性。

根据英特尔公布的数据，PowerVia可使单元利用率提高最高10%，在相同功耗条件下带来约4%的性能改善。英特尔还表示，Intel 18A相较Intel 3可实现约18%的每瓦性能提升。

与此同时，Intel 18A采用RibbonFET全环绕栅极晶体管技术，通过改善栅极对沟道的控制能力，进一步推动晶体管微缩。

值得注意的是，英特尔并没有把这些技术孤立起来，而是将晶体管结构、背面供电和先进封装视为一个整体。

在先进封装方面，英特尔重点布局了EMIB-T、Foveros和Foveros Direct等技术。

其中，EMIB-T在桥接结构中引入供电能力，能够改善多裸片AI系统的供电效率，并降低电源瞬态变化带来的电压波动。与采用完整硅中介层的方案相比，这种结构在部分应用中还能够减少封装材料需求。

Foveros Direct则采用混合键合技术实现3D集成，让先进制程计算裸片能够直接堆叠在经过优化的基础裸片上。通过这种方式，不同功能可以分别采用最适合自身需求的工艺，再通过垂直互连实现集成。

从某种意义上说，AI芯片的性能竞争，正在从单颗芯片的晶体管数量，转向计算、存储、供电和互连的整体效率。

不过，这篇文章还有一个更值得关注的部分：AI不仅在改变芯片设计，也正在进入半导体制造本身。

先进制程的研发涉及大量工艺参数和设计选择。如何在功耗、性能和面积之间找到最优平衡，往往需要工程师进行大量仿真和实验。

英特尔将AI和机器学习应用于设计技术协同优化（DTCO），利用算法帮助工程师更高效地探索不同设计方案，寻找更合适的工艺与设计组合。

在制造环节，AI的作用更加直接。

据英特尔介绍，其工厂每周采集的图像接近10亿张，产生的数据达到PB级。机器学习系统能够分析这些图像，识别制造缺陷、分类失效模式，并提前发现潜在良率风险。

这些数据不仅用于发现已经发生的问题，还可以反过来帮助设计人员改进设计规则。

例如，针对Intel 18A，设计人员能够更早识别潜在的布局问题，在产品进入生产之前进行修正，从而减少后续制造风险。

与此同时，神经网络、集成决策树等机器学习技术也被用于分析缺陷产生的根本原因，加快问题定位和解决速度。

半导体制造设备的预测性维护同样开始引入AI。通过数字孪生和预测性维护系统，工厂能够持续监控设备运行状态，在设备真正出现故障之前识别潜在问题，减少意外停机。

对于一座需要全天候运行的先进晶圆厂而言，设备稼动率和生产稳定性直接影响产能和成本。AI在这里发挥的作用，并不只是提高自动化程度，而是帮助制造企业缩短工艺学习周期，让新制程的良率爬坡更加可控。

这实际上揭示了AI与半导体产业之间正在形成的另一种关系：AI既是推动先进芯片需求增长的力量，也是帮助半导体企业提高研发和制造效率的工具。

当然，英特尔此次介绍的技术和应用，更多是其自身的技术路线与实践，不能简单等同于整个行业已经达到的水平。但从中可以看到，先进制程竞争的评价维度正在发生变化。

过去，企业比拼的是谁能够率先进入更先进的工艺节点；如今，除了晶体管本身，供电网络、Chiplet互连、先进封装以及制造良率，都在影响最终产品的竞争力。

尤其是在AI时代，单纯追求晶体管微缩已经不足以解决所有问题。如何把计算、内存、互连和供电组织成一个高效的系统，如何利用AI改善设计与制造流程，正在成为半导体企业必须回答的新问题。

未来的半导体竞争，或许不再只是先进制程之间的竞争，而是从芯片设计到晶圆制造，再到先进封装的全链条竞争。

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。