在2018年的春天，Aspencore旗下《電子工程專輯》、《電子技術設計》、《國際電子商情》三大媒體聯合在上海舉辦2018年中國IC領袖峰會。峰會以「中國IC業之世界格局」為主題，特邀產業最受關注的領袖人物，與數百位資深設計工程師、管理精英和技術決策者共同探討產業的成長和突破之道。

Aspencore全球發行人兼執行董事高志煒(Victor Gao)在歡迎致辭中表示，2017年由人工智慧大潮引領的新一輪技術創新，迅速帶動全球半導體創新加速。中國IC設計公司迎來了與海外IC設計公司同步起飛的時代機遇。同時，由中國率先提出並倡導的「一帶一路」戰略，迅速成為全球經濟和科技發展的新亮點與新看點。

在可預測的未來，全球半導體行業將呈現高速發展趨勢。歐洲以德國、法國、英國為代表，仍將持續關注智能製造、智慧城市、區塊鏈等熱門技術；而在北美的矽谷、波士頓，不僅見證著初創企業的蓬勃發展，生命科學、環境科學、航天科學等學科也突飛猛進；作為全球最具活力的市場，亞太區對CPU、GPU和存儲器的需求尤其旺盛。而當前全球最重要的發展熱點來自AI和物聯網，人與機器達到了空前的融合，物聯網正演變為「我聯網」，這需要雲端、電信端和終端的密切配合。

「上知天文，下知地理，文經武律，以立其身」。憑藉高科技資本、技術人才和全球最佳市場的優勢，中國IC業者近些年創造出了一系列令人矚目的成就，例如中國自主研發的CPU已經運行在國產超級計算機中，長江存儲3D NAND存儲晶元量產在即，清華大學推出的可重構計算處理器，兆易創新的非易失性存儲晶元都已成為明星產品。那麼，中國IC廠商如何在「一帶一路」的利好政策下，走向全球市場、佔領IC時代巔峰？在AI時代，中國IC廠商是否能夠和國際對手處於同一起跑線？本次峰會將為您一一解開心中的疑惑。

AspenCore 亞太區總經理及總分析師張毓波主持了峰會

物聯網、5G和人工智慧市場下的中國IC機遇

華為公司一直是物聯網產業的倡導者和主要參與者。但在華為技術有限公司半導體業務戰略與業務發展總監夏硯秋看來，過去物聯網的發展實際上是不盡人意的。

「回顧歷史，IoT這個概念提出近20年，商業化嘗試也有10年，但現在既有的物聯網連接只有10億個，根本問題出在哪裡？」夏硯秋分析認為，技術上來看，最重要的就是原有的物聯網技術過於簡單，無法在全球範圍內實現普遍覆蓋，從而導致商業化的不成功。 而物聯網的新時代在於低功耗廣域物聯網的誕生和標準的確立，使得全球範圍內的覆蓋成為可能，運營商擁有大規模的服務提供能力，可以形成真正可持續的盈利模式，把垂直行業應用融合起來，把智能生活帶給每個人，每個家庭。

在物聯網新舊時代轉換的過程中，各國政府和運營商在其中起到了主導作用，一個定標準，一個修路。可以看到，物聯網的產業鏈條複雜多樣，但晶元產業佔比非常低，單獨從晶元本身也看不到賺大錢的機會，全球只有少數玩家參與。但反觀人工智慧這一波產業浪潮中，晶元技術在其中發揮的驅動力和商業機會則大不一樣。

上圖是2017年Gartner技術成熟度曲線圖。與2011年物聯網概念第一次出現在觸發期，且被認為還需要5-10年的時間才能成熟不同的是，物聯網已經變成了物聯網平台，成熟的時間也變成了2-5年，但仍然處於技術發展的早期。物聯網晶元當然是不可或缺的，但驅動力更多的是來自於產業各方如何達成共識。但反觀人工智慧相關的技術卻一下子多了起來，綠框中，無論是還處於早期的強化學習、神經擬態硬體，還是處於炒作巔峰的深度學習、機器學習、自動駕駛、認知計算都和AI晶元強相關，無論是在學術界和產業界，我們都可以深切地感受到晶元對於人工智慧相關技術的關鍵推動力量。

那麼人工智慧晶元市場到底有多大呢？JP Morgan認為未來5年將保持60%的年化增長速度，從2017年的30億美元到2022年的330億美元；Nvidia更加激進，認為在2020年這個市場就會達到300億美元，其中訓練市場110億美元，推理市場150億美元，高性能計算市場40億美元；Intel把數據中心的CPU、GPU、Memory、網路、光晶元全放在一起，認為2021年要到650億美元；IDC和Gartner給出的數據是5年後大概100億-150億美元的新增AI晶元市場。

也就是說，無論按照誰的標準，這塊市場的增長都遠遠超過了IC產業的平均增速，而這樣一塊新市場的誕生，在過去十幾年半導體產業發展的過程中是非常不同尋常的，所以不僅吸引了老牌的IC廠商廣泛參加，也吸引了非常多的創業公司參加，可以說對於AI晶元市場比較樂觀的一個判斷，幾乎成了產業界的共識。

對於未來的樂觀預測不是拍腦袋想出來的。根據2017年全球伺服器和GPU的出貨量來看，伺服器出貨量達1100萬台，其中雲計算廠商大概佔到了40%，Nvidia數據中心GPU出貨量32萬塊，按照一台伺服器配4個GPU來估計，去年具備AI加速能力的伺服器出貨量只有7萬台，和總得出貨量相比，滲透率不足1%。

夏硯秋強調說，這個數字很重要。從一個角度來看，可以理解為數據中心的GPU市場仍然是一個利基市場，很多伺服器並不需要AI功能。但如果換一個角度來思考，那就是數據中心的AI晶元市場還遠遠沒有到頂，如果誰能提供價格合適、性能強大的AI晶元，客戶沒有理由不買。

如果從利潤的角度來看，機會就更加明顯了。左圖曲線是Nvidia GPU的每瓦性能提升趨勢曲線，斜率還是比較穩定的；右圖是GPU的售價和性能的曲線，從斜率來看，這個性價比是越來越差的，但這也是Nvidia的利潤源泉。

2017年，Nvidia的毛利率達到了62%，而5年前只有52%，考慮到數據中心業務在Nvidia總收入中佔比只有20%，所以毛利率應該更高；而老對手AMD近5年來毛利率也就是在30%上下。因此，如果誰能夠挑戰Nvidia現在的霸主地位，不僅市場規模會做到很大，利潤方面也將遠遠超越一般的半導體廠商。

AI晶元最大的挑戰來自於市場定位，如何平衡性能與靈活性？是贏者通吃還是深耕長尾？這是夏硯秋在現場對行業提出的問題。這其實代表了AI晶元的兩種商業選擇，換句話說，由於晶元產業的歸一化標準，大家實際上只有兩個選擇：在數據中心市場擊敗Nvidia，或者是構建垂直領域的端到端護城河

贏者通吃的代表是來自英國的Graphcore公司，它在2017年10月底公開宣布其IPU達到了之前的設定目標，相比於其它AI加速處理器性能提高10x-100x，在訓練和推理都表現出色，最大程度地支撐開發者的創新模型和演算法，實現其它硬體架構無法實現的任務。

而以下數據則告訴我們深耕長尾的價值：

• 數據中心：30億美元

• 安防監控：1億攝像頭出貨量，傳統監控晶元市場規模20億美元

• 自動駕駛：9000萬汽車出貨量，未來ADAS市場10億美元，L2/L3市場20億美元，L4/L5市場50億美元

• 智慧家庭：智能音箱（2017年數千萬出貨）、智能攝像頭、遊戲機

• 智能手機：15億出貨量，AP市場規模400億美元，美顏相機，AR和語音助手

• AI醫療：醫學影像診療，高性能計算

• 機器人/無人機：數百萬出貨量

但夏硯秋認為，目前的AI晶元還不能解決安防領域遇到的所有問題，而在自動駕駛領域又恰恰相反，是AI晶元運算性能過剩，例如當前的GPU已經能夠具備支持L5自動駕駛的性能，人們探討更多的是如何將可靠性從99.9%提升到99.9999%，這需要從更高的系統層面進行思考。深耕長尾的價值在於垂直整合解決實際商業問題，而在這一波浪潮中，中國IC廠商將首次和國際對手處於同一起跑線。

權利的遊戲

北京芯願景有限公司總經理張軍援引知名美劇《權力的遊戲》的主題，從規則、攻略和裝備三方面闡述了三大法律法規、如何建立有效的攻防體系以及兩種時效性非常強的專利工具。

他強調稱，與集成電路行業相關的包括專利權、布圖設計權和商業秘密權。在布圖設計權中，保護「思想的表達」而非「思想」本身，也就是說，按照《條例》第五條的規定： 「布圖設計的保護，不延及思想、處理方法、操作方法或者數學概念等。」；如果按照《條例》第四條：「受保護的布圖設計應當具有獨創性，即該布圖設計是創作者自己的智力勞動成果，並且在其創作時該布圖設計在布圖設計創作者和集成電路製造者中不是公認的常規設計。」，那麼，保護布圖設計中的獨創性部分，而非其它；第三點，按照《條例》第七條：該法規保護「集成電路布圖設計、含有該布圖設計的集成電路或者含有該集成電路的物品。」 ，闡明了布圖設計保護的三個層次。

而根據獨立創作性要求，布圖設計只要求獨立完成，並不要求首創；不排斥兩個獨立完成的內容相近甚至相同的布圖設計；布圖設計侵權鑒定時，不能僅憑相似度來判定侵權，還需要確定雙方是否獨立完成—「接觸+相似」的判定原理。而在創造性概念中，布圖設計的工業產權屬性，決定受保護客體需要一定的創造性；布圖設計的作品屬性，決定受保護客體不僅要有「個性」，還要有一定的「質量」；布圖設計的創作性略高於著作權，遠低於專利權。

而專利戰略的目的，是為了自身的長遠利益和發展，運用專利制度提供的法律保護，在技術競爭和市場競爭中謀取最大經濟利益、並保持自己競爭優勢的整體性戰略觀念與謀略戰術的集成總和體。

在運用專利戰略攻擊時，既可以使用專利無效訴訟(即利用現有技術進行創新性否定)或 技術壟斷訴訟(通過訴壟斷而得到免費專利授權)，也可以使用產品侵權訴訟，包括侵權訴訟(自有專利訴競爭對手產品侵權)、專利購買(購買專利訴競爭對手產品侵權)、聯合專利池(通過企業之間合作建立共同的專利池)和NPE策略(利用「非關聯」企業進行訴訟)。而文獻公開、宣告無效、外圍專利、設計侵權規避和共享專利池則形成了專利防禦體系。

而反向工程在證據鏈中的作用體現在使用公開：即通過反向工程查找公開銷售產品中的公知技術、以及通過反向工程查找產品中的侵權證據。具體到集成電路行業，則包括系統專利侵權分析、封裝專利侵權分析、製造工藝侵權分析、MEMS器件侵權分析、數字演算法侵權分析、嵌入式軟體侵權分析、FPGA代碼侵權分析等等。

專利概要分析報告IPreportor是芯願景公司推出的兩種「遊戲裝備」之一，主要跟蹤通信、MEMS等幾大領域的晶元產品，力求晶元產品面世兩周內推出概要分析報告，可以按照領域以會員制方式進行服務。

而IPsense系統則是芯願景研發的專利查詢和挖掘系統。在IPsense系統的雲端包含有超過42,000個晶元的海量數據資料。在任意的客戶端通過瀏覽器連接IPsense服務，可以快速查詢晶元的各種數據信息並通過瀏覽器呈現給客戶。通過IPsense獨有的智能匹配演算法，能夠利用客戶指定的專利內容在資料庫中進行挖掘和匹配，並將和專利相關聯的晶元細節信息呈現給客戶。

目前，憑藉高智能的自主研發的專利同電路的匹配軟體系統，芯願景已經能夠實現自主分析重點領域關鍵晶元(主要關注國際前10大設計公司)，建立了三層次晶元電路信息庫，做到同國家專利局專利信息同步更新，實時為客戶提供所需的侵權證據。

人工智慧和EDA的互相促進和發展

Cadence中國區總經理徐昀在演講中表示，EDA發展的歷史就是晶元設計方法學發展的歷史—從物理層設計，到電路層設計，再到系統層設計—工程師們逐步擺脫了繁雜的細節，可以更專註於高層次的設計。那麼，EDA工具的下一步，該走向何方？

「我們是否真正需要AI晶元呢？」徐昀對當前幾種最為流行的處理器進行了點評。在她看來，ASIC晶元儘管缺乏靈活度但卻具有非常高的性能；集成了FPGA/ASIC特性的混合型產品實現了靈活度和性能的平衡選擇；GPU雖然具備高性能但能效比偏低，且價格昂貴；傳統的CPU具備高靈活性但卻是低性能。

既然人工智慧晶元的主要目的是獲得更高的性能，那一個重要的課題就是，如何在設計的每一個環節不斷提升性能，爭取達到能實現的極限。這裡所說的性能，主要包括了兩個方面，也是人工智慧晶元最關注的兩個方面：能效(Power Efficiency)和吞吐量(Throughput)。

徐昀表示，人工智慧晶元重計算的特點，決定了它將會是一個耗能大戶。深度神經網路海量的參數加上訓練樣本，會在晶元上產生頻繁的數據運算和數據交換。衡量人工智慧晶元的能效，關鍵在於「效率」，一定要同時考慮功耗和算力兩個因素。單單看功耗是沒有意義的。所以衡量的指標是：在一定的功耗下晶元能提供的算力，通常表示為FLOPS/W。比如1TFLOPS/15W，意義是在晶元功耗15W的情況下，能夠進行每秒1萬億次浮點運算。

提高能效主要從神經網路運算的特點開始著手，業界已經提出了多種可行的方法。最有效的一定是從演算法層面的優化，比如：a）降低精度、b) 發掘稀疏性、c) 壓縮。以上3點主要是演算法和前端架構上需要考慮的設計方法，對晶元的後端實現沒有直接的影響。

對後端有影響的是另外幾種重要的方法。比如：片上存儲及其優化、片外存儲器(如DDR等)具有容量大的優勢，然而在ASIC和FPGA設計中，DRAM的使用常存在兩個問題，一是帶寬不足，二是功耗過大。由於需要高頻驅動IO，DRAM的訪問能耗通常是單位運算的200倍以上，DRAM訪問與其它操作的能耗對比如圖所示。

為了解決帶寬和能耗問題，通常採用兩種方式：1. 合理使用存儲單元，包括片上緩存和臨近存儲；2. 增加吞吐量包括兩點，一是計算單元的數量，二是數據存儲和訪問的效率。兩點缺一不可。

「算力決定一切」也許不準確，但算力的確是人工智慧晶元之所以存在的首要任務。目前，針對AI晶元能效和吞吐量的巨大挑戰，Cadence數字後端工具提供了大量方法幫助客戶更快收斂到預期的目標。如前所述，AI晶元大致對後端工具提出了4個類型的挑戰：Power，Floorplan，Capacity，Interconnect，而Cadence的應對之道：Innovus、Tempus和Voltus能夠提供包括強大、完整的Floorplan解決方案；Bus routing和buffering、Concurrent Macro Place、SDP/Structured Data Path等在內的強大功能。

徐昀指出，在IC設計領域，EDA工具最近十年基本上是原地踏步。一個數字IC設計工程師，他可以使用10年甚至是15年前的方法和知識來做事情，毫無違和感。晶元規模是變大了，晶元工藝線寬是變小了，但是設計方法學的本質沒有任何變化。從VerilogHDL、Verilog2001，到SystemVerilog、SystemC、C，語言在不斷向前進化，但是可被綜合的行為描述還是停留在Verilog時代。

因此，在大數據驅動的人工智慧新型計算方式下，EDA也可以進入新的時代。新的設計方式，不停的針對大數據的模型學習所產生的參數，來作為設計的新輸入。可是我們都知道，在半導體設計中，可被拿來做訓練的數據不可能像圖像的應用那樣巨大。怎麼樣從有限的數據中快速的訓練出高效的模型，也是對EDA的另一個挑戰。

人工智慧在EDA的哪些點上可以有新的突破？

在實際狀況中，很多東西和參數本來就無法進行精確建模。使用不精確的模型，也就無法得到好的設計結果。隨著設計和製程的演進，各種參數的波動，製程的不一致性，使得建模的困難性更大。在這種情況下，通過有效的經驗積累，從經驗中體會出怎麼來做相對應的設計，反而能解決很多無法通過數學和理論解決的問題。同時在複雜的環境下，非線性模型的計算複雜性使得軟體的模擬運行時間非常長。通過機器學習，可以幫助把非線性模型變得簡單化，讓EDA的運行速度成倍的減少。

設計效率如何提高是永遠的主題。如果使用過去的成功經驗來幫助工程師進行設計水平的提高是個很大的幫助。做設計的時候，可以根據設計信息，從過往設計中找出最合適經驗供實時參考，並給出對最後設計的性能預估，從而達到實時的What-IF設計方法。當然這種復用很多時候不是簡單的Copy-paste，要通過人工智慧的分析來取得合理的方式。人工智慧也可以幫助在眾多複雜的記錄文件中快速搜索以往的經驗，快速分析bug的根本原因，甚至給出修復bug的建議。

「EDA的傳統商業模式是賣license同時提供技術支持，這個模式在這個新的時代是否可以持續，是我們需要思考的。」徐昀指出，EDA軟體工具IP本身有技術壁壘和商業價值。但未來更大的價值，可能在於以大數據為基礎，給客戶帶來高效率高質量最終設計。EDA公司相應的需要考慮是否要從license供應的模式轉變為服務供應，在雲平台上提供無時無刻的接入服務和數據服務。

更多現場圖片：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！