本文由半導體産業縱橫（ID：ICVIEWS）編譯自technologyreview
未來的晶片是什麼樣子？誰将制造它們以及它們将解鎖哪些新技術？
由于人工智能的蓬勃發展，晶片世界正處于巨大潮流轉變的風口浪尖。人們對晶片的需求不斷增加，這些晶片可以更快地訓練人工智能模型，并從智能手機和衛星等裝置上對它們進行操作，使我們能夠在不洩露私人資料的情況下使用這些模型。各國政府、科技巨頭和初創企業都競相在不斷增長的半導體市場中分得一杯羹。
以下是未來一年需要關注的四個趨勢，它們将定義未來的晶片是什麼樣子、誰将制造它們以及它們将解鎖哪些新技術。
CHIPS 在世界各地開展活動
全球最大的兩家晶片制造商台積電和英特爾正在競相在沙漠中建設園區，他們希望這些園區能夠成為美國晶片制造實力的所在地。這些努力的一個共同點是資金：3 月份，喬·拜登總統宣布為英特爾在全國範圍内的擴張提供 85 億美元的直接聯邦資金和 110 億美元的貸款。幾周後，台積電又宣布獲得 66 億美元的投資。
這些獎項隻是美國通過 2022 年簽署的 2800 億美元晶片和科學法案湧入晶片行業的補貼的一部分。這筆資金意味着任何涉足半導體生态系統的公司都在分析如何重組其供應鍊以受益。雖然大部分資金旨在促進美國晶片制造，但其他參與者仍有申請的空間。
美國并不是唯一一個試圖将部分晶片制造供應鍊本土化的國家。日本自己花費了 130 億美元，相當于《晶片法案》，歐洲将花費超過 470 億美元，今年早些時候，印度宣布斥資 150 億美元建設本地晶片工廠。塔夫茨大學教授、 《晶片戰争：争奪世界最關鍵技術之戰》一書的作者 Chris Miller 表示，這一趨勢的根源可以追溯到 2014 年。從那時起，中國開始向其晶片制造商提供巨額補貼。
“這造成了一種動态，其他政府得出結論，他們别無選擇，隻能提供激勵措施或看到企業将制造業轉移到中國，”他說。這種威脅，加上人工智能的激增，導緻西方政府為替代方案提供資金。
Miller表示，這筆資金不太可能催生全新的晶片競争對手，也不太可能通過重組成為最大的晶片廠商。相反，它将主要激勵像台積電這樣的主導企業在多個國家紮根。但光靠資金還不足以迅速做到這一點——台積電在亞利桑那州建廠的努力陷入了錯過最後期限和勞資糾紛的泥潭，而英特爾也同樣未能滿足其承諾的最後期限。目前尚不清楚，無論何時這些工廠投産，其裝置和勞動力是否能夠達到這些公司在國外的先進晶片制造水準。
Miller表示：“供應鍊隻會在數年甚至數十年内緩慢轉變。但情況正在發生變化。”
更多邊緣人工智能
目前，我們與 ChatGPT 等 AI 模型的大部分互動都是通過雲完成的。依賴雲有一些缺點：一方面，它需要網際網路通路，而且還意味着您的一些資料會與模型制作者共享。
這就是為什麼人們對人工智能邊緣計算産生了很大的興趣和投資，其中人工智能模型的過程直接發生在您的裝置上，例如筆記本電腦或智能手機。随着行業越來越緻力于人工智能模型，幫助我們了解很多的未來，而這一切需要更快的“邊緣”晶片，使得可以在不共享私人資料的情況下運作模型。這些晶片面臨着與資料中心晶片不同的限制：它們通常必須更小、更便宜、更節能。
美國國防部正在資助大量針對快速、私有邊緣計算的研究。今年 3 月，其研究部門國防進階研究計劃局 (DARPA) 宣布與晶片制造商 EnCharge AI 合作，打造一款用于人工智能推理的超強大邊緣計算晶片。EnCharge AI 正在緻力于制造一款能夠增強隐私性但運作功耗極低的晶片。這将使其适用于衛星和離網監視裝置等軍事應用。該公司預計将于 2025 年發貨這些晶片。
人工智能模型将始終依賴雲來實作某些應用程式，但新的投資和對改進邊緣計算的興趣可以為我們的日常裝置帶來更快的晶片，進而帶來更多的人工智能。如果邊緣晶片變得足夠小且足夠便宜，我們可能會在家庭和工作場所看到更多人工智能驅動的“智能裝置”。如今，人工智能模型主要局限于資料中心。
EnCharge AI 聯合創始人 Naveen Verma 表示：“我們在資料中心遇到的許多挑戰都将得到克服。我預計人們會重點關注邊緣領域。我認為這對于大規模實作人工智能至關重要。”
大型科技公司加入晶片制造領域
公司正在支付高昂的計算成本來為其業務建立和訓練人工智能模型。例如，員工可以用來掃描和彙總文檔的模型，以及虛拟代理等面向外部的技術。這意味着對雲計算來訓練這些模型的需求正在急劇增加。
提供大部分計算能力的公司是亞馬遜、微軟和谷歌。多年來，這些科技巨頭一直夢想通過為自己的資料中心制造晶片來提高利潤率，而不是從像英偉達這樣的公司購買晶片。亞馬遜于 2015 年開始努力，收購了初創公司 Annapurna Labs。谷歌在 2018 年推出了自己的晶片 TPU。微軟于 11 月推出了首款人工智能晶片，Meta 于 4 月推出了新版本的自家人工智能訓練晶片。
這種趨勢可能會讓英偉達失去優勢。但在大型科技公司眼中，英偉達不僅扮演着競争對手的角色：無論雲巨頭自己的内部努力如何，他們的資料中心仍然需要其晶片。部分原因是他們自己的晶片制造工作無法滿足他們的所有需求，但也是因為他們的客戶希望能夠使用頂級的 Nvidia 晶片。
“這實際上是為了給客戶提供選擇，”微軟 Azure 硬體工作負責人 Rani Borkar 說。她表示，她無法想象微軟為其雲服務提供所有晶片的未來：“我們将繼續保持強有力的合作夥伴關系，并部署來自與我們合作的所有晶片合作夥伴的晶片。”
當雲計算巨頭試圖從晶片制造商手中奪取一些市場佔有率時，英偉達也在嘗試相反的做法。去年，該公司推出了自己的雲服務，這樣客戶就可以繞過亞馬遜、谷歌或微軟。随着市場佔有率争奪戰的展開，未來的一年将關乎客戶是否将大型科技公司的晶片視為類似于英偉達最先進的晶片。
英偉達與初創公司的較量
盡管英偉達占據主導地位，但仍有一波投資流向初創公司，這些初創公司旨在未來晶片市場的某些領域超越英偉達。這些初創公司都承諾提供更快的人工智能訓練，但對于哪種計算技術能夠實作這一目标，從量子到光子學再到可逆計算，他們有不同的想法。
許多公司，例如 SambaNova、Cerebras 和 Graphcore，都在嘗試改變晶片的底層架構。想象一下人工智能加速器晶片需要不斷地在不同區域之間來回移動資料：一條資訊存儲在記憶體區域中，但必須移動到處理區域，在那裡進行計算，然後存儲回記憶體區進行保管。這一切都需要時間和精力。
提高這一過程的效率将為客戶提供更快、更便宜的人工智能教育訓練，但前提是晶片制造商擁有足夠好的軟體來允許人工智能教育訓練公司無縫過渡到新晶片。如果軟體轉型過于笨拙，OpenAI、Anthropic 和 Mistral 等模型制造商可能會堅持使用大型晶片制造商。這意味着采用這種方法的公司（如 SambaNova）不僅将大量時間花在晶片設計上但在軟體設計上也是如此。
晶片初創公司Eva創始人Onen 提議進行更深層次的改變。他沒有使用傳統半導體，幾十年來，傳統半導體通過變得越來越小而提供了更高的效率，而是使用了一種稱為質子門控半導體的新元件，他說 Eva 是專門為人工智能訓練的需求而設計的。它允許裝置在同一位置存儲和處理資料，進而節省時間和計算能源。使用此類元件進行人工智能推理的想法可以追溯到 20 世紀 60 年代，但研究人員永遠無法弄清楚如何将其用于人工智能訓練，部分原因是材料障礙——它需要一種材料，除其他品質外，能夠精确地控制室溫下的電導率。
有一天，在實驗室，“通過優化這些數字，并且非常幸運，我們得到了我們想要的材料。” Onen說。經過幾個月的努力确認資料正确後，他創立了 Eva，該成果發表在《科學》雜志上。
但在這個領域，許多創始人都承諾要推翻領先晶片制造商的主導地位，但都失敗了，Onen坦言，他還需要數年時間才能知道設計是否按預期工作以及制造商是否會同意生産它。
*聲明：本文系原作者創作。文章内容系其個人觀點，我方轉載僅為分享與讨論，不代表我方贊成或認同，如有異議，請聯系背景。