“产业应用会驱动底层技术的创新，在大模型出现之前，AI的发展本身就推动了很多底层技术，比如HBM高带宽的存储技术，算力从传统计算到AI计算产生。大模型相比于之前的AI计算，它对算力、存储、带宽的需求又往上提升了比较大的台阶。我们认为它会催生更多的底层技术的创新，包括硬件、软件等。”7月6日，曦智科技创始人兼CEO沈亦晨在2023世界人工智能大会芯片主题论坛发言称。

ChatGPT催化下，芯片领域迎来下行周期中少有的细分利好市况，带动高算力芯片需求显著增长。随着ChatGPT引领的AI大模型热潮兴起，以GPU厂商英伟达为代表的芯片公司成为最大的受益者，计算资源近期被热抢。

但这一市场现状并不为所有人满意，AI算力“僧多粥少”，价格昂贵且面临技术瓶颈和地缘政治风险，产业上下游需积极寻找解决方案，但这一进度并不令人满意。沈亦晨认为，从当前市场形势来看，一方面英伟达独自推进解决AI计算的存储、带宽、计算解决方案，在整体效果上远超市场其他玩家。另一方面，在非英伟达生态中，存储、带宽、计算作为IT基础设施的三大问题，通常由不同厂商各自解决，难以形成合力。

(资料图)

“如何让多个不同厂商，不同技术能够共享一个语言，共同遵循一个通讯协议，这样才能够更好地把总体算力解放出来。”沈亦晨称。

软件端，英伟达地技术能力依然一骑绝尘。目前，在GPU领域，英伟达占据主导地位。英伟达在GPU领域的垄断地位主要通过CUDA平台上的软件生态实现。国内GPU/GPGPU创业公司的产品大多兼容CUDA，以确保用惯了英伟达产品的客户在迁移时没有障碍。中国GPU初创公司沐曦联合创始人兼CTO兼首席软件架构师杨建表示，由于英伟达在软件端几乎没有对手，推动应用生态迁移将是一个循序渐进的过程，沐曦将会从小的市场尝试切入。

沐曦作为GPU企业，深感行业在大模型火热下的瓶颈。杨建称，大模型对计算精度要求极高，学术界对如何用低精度实现令人满意的推理仍有难度，“精度降低之后，成本自然就降低了，这个问题在学术界现在也没有给出一个很好的答案。”

此外，行业普遍关注到HBM（高带宽内存芯片）供应对GPU出货的限制。杨建称，目前所有大模型推理用的GPU芯片都需要HBM，“HBM很贵，差不多1GB要20美元，卖到最终用户差不多1GB要60美元，能不能把HBM成本给下降？其实是更大的挑战。”他设想，全球应出现第三家HBM供应商，打破现有仅有两家公司提供HBM芯片的格局。

GPU短缺情况下，针对大模型需求，产业上下游尝试多种新型技术方向。曦智科技从事硅光芯片开发，后者被认为是AI计算的一大潜在技术方向。光子作为电中性粒子，相互之间可交叉行进而不会相互作用，因此可在光纤中处理同步数据信号，且不产生热量，最终硅光芯片在处理数据时可减少耗电。沈亦晨认为，光电混合技术将是催生下一代大模型发展的底层技术之一，因为它能够提供更高的带宽，更低的功耗，让更多的计算节点更有效的联合起来，去完成更大规模的计算。

然而，该技术亦有自身难点。杨建即提及，将硅芯片的电子和光子整合为硅光芯片的过程中，如何实现不同芯片架构的异构封装，将是一大挑战，“光对于温度要求是很严苛的，但是硅不严苛（105或108摄氏度），但是光需要工作在50摄氏度左右。”

“过去绝大部分应用创新都来自于软件，现在越来越多的看到软件跟硬件结合的创新，不管AIOT还是车网融合，硬件跟软件会深度耦合。”奇异摩尔产品及解决方案副总裁祝俊东称，硬件无论是开发成本和开发周期都远远的跟不上应用跟软件的发展。过去大家以功能来定义硬件，后来以算法或者需求来定义。

奇异摩尔从事Chiplet通用产品解决方案，随着硬件变得越来越复杂，进一步推动架构和制程创新已经很不容易。而Chiplet能够通过硬件的组合来降低硬件创新门槛。能够更好的实现软硬件相互之间的协同。

与CPU（中央处理器）一样，由于对算力要求较高，GPU也需要使用最先进的工艺，处于风口当中的Chiplet技术，也是被不少业内人士视为摩尔定律放缓之后、中国半导体企业弯道超车的机会。

Chiplet即“小芯片”或“芯粒”，是芯片制造领域近年备受热议的技术路线，通过把不同芯片的能力模块化，利用新的设计、互联、封装等技术，在一个封装的产品中使用来自不同技术、不同制程甚至不同工厂的芯片。

然而，Chiplet是系统工程，涉及到芯片设计、晶圆制造、封装、测试等多个环节。具体到封测上，郑力认为，整体来看，与全球领先厂商相较，大陆企业在先进封装领域差距较小，但在先进的晶圆级封装，全球范围内仍由台积电、三星和英特尔主导，这和半导体工业的整体水平有关。