「不負春光不負卿」，2018中國IC領袖峰會紀實報道（上）

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

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。

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。

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，整體來看是自下而上，從物理層設計，到電路層設計，再到系統層設計，接下來是人工智慧來怎樣幫助設計的下一步發展。那麼，EDA工具的下一步，該走向何方？

過去一年我們看到了人工智慧的快速發展，尤其是中國已經成為了人工智慧的全球第二大市場，市場的發展也驅動了人工智慧專用晶元的需求。在需求上來看，最重要的兩個方面，是怎樣在靈活度和性能中達到最優的結果。

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：能效比(Power Efficiency)和吞吐量(Throughput)。

與數字後端設計相關的優化有兩個方面， 要同時考慮功耗和算力兩個因素。而對數字後端有影響的則是以下幾種重要的方法：1. 合理使用存儲單元，包括片上緩存和臨近存儲，從而提高能效比；2. 增加吞吐量包括兩點，一是算力，計算單元的絕對數量，二是數據存儲和訪問的效率。從這樣的前提來看，我們看到了對數據流處理的需求。

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和Interconnect，而Cadence的應對之道：針對大規模結構化晶元有很多匯流排需要布線，我們的Bus routing和Buffering能夠提供最佳的方案。另外SDP/Structured Data Path可以針對Data flow的設計。

另外一個方向，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，不僅是工具輔助，而且對以往數據的挖掘和訓練，作為設計的輸入，可以對快速收斂作為更好的輸出。

人工智慧在EDA的哪些點上可以有新的突破？徐昀給出的方向包括：在實際狀況中，很多東西和參數是非線性的模型，無法進行精確建模，通過機器學習，可以幫助把非線性模型變得簡單化；或者考慮對以往成功經驗進行復用，從而達到實時的What-IF設計方法。

在我們提出這個概念之後，得到了很多的關注和討論。其中最重要的就是我們怎樣利用大數據。通過摸索，我們得出的方向，客戶可以自己挖掘大數據，而我們提供訓練模型及與EDA工具的介面。這是目前現有的狀態下，EDA向人工智慧發展的大前提。

以數字實現後端來看一下人工智慧在EDA工具中的進展。用戶面臨著各種挑戰，比如隨著各種工藝日趨先進，新需求的產生，導致晶元設計日趨複雜，使得對CPU計算能力的要求呈現指數級增長。而在數字布線方面，設計規則越來越多，已經從40nm的20餘項發展到20nm/16nm階段的120餘項，相信10nm及以下會更多。以前只有考慮兩個物體之間的spacing，現在要考慮context-based multi rules，甚至negative rules；從single patterning mask到double patterning甚至更多。從電阻計算上，現在需要考慮布線長度、布局拓撲、層和VIA等許多因素，過孔也會產生非常大的影響。而在矽片差異化建模方面，基於完整統計的傳統OCV建模方式已經消失，取而代之的是統計OCV建模方式；在差異化電源元件方面，動態功耗變為主導，實現過程中要考慮動態功耗優化；另外在全流程上要考慮IR壓降和EM因素；此外，時鐘樹已經向邏輯一樣複雜，帶來很多不確定性和複雜性。

在過去一年中， Cadence在Innovus上開發了具有機器學習功能的智能設計，數字顯示，針對一個普通的10nm設計，Cadence方案能夠實現12%的性能提升，以及3-8%的面積和功耗降低。這是基於對已有數據的深度挖掘，輸入到Innovus中進行訓練。今年4月，Cadence將推出一個Beta Testing的版本，Cadence的頂級合作夥伴將會首先使用，基於機器學習的EDA工具將會繼續加強我們的市場地位，相信明年完全成熟的商用版本預計很快推出。

在Innovus上，應用機器學習的智能設計會帶來哪些機會？徐昀表示，Routing、時鐘樹、Placement、Floorplanning、Design Expert Flow等領域將會因此受益,達到最佳的PPA。她同時透露說，Cadence在公司內部使用機器學習版的Innovus展開了一場「人機大戰」，結果，最有經驗的PE得到的設計結果也會出現10%左右的性能跌幅。這也是我們以上數據優化的有效印證。

除了Innovus外，Cadence在模擬設計中也應用了機器學習，例如在實時電容參數提取方面，基於機器學習的建模方式使得提取成為可能。另外在電驅動的後端設計方面，台積電因此把設計速度提升了40MHz。除此之外，我們還在驗證方面提供了很好的解決方案，在coverage和能效比上有卓越的表現。另外針對機器視覺和自然語言的兩個方向，我們的Tensilica DSP為廣大客戶提供了視頻、音頻和神經網路處理上，都提供了成功的方案。

特別鳴謝

主辦方特別感謝華為、Cadence，中天微，Mentor, A Simens Business，華大九天，芯願景軟體，Imagination， 思普達SAP360八家公司對本次峰會活動的大力贊助。

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！