AI 助力化合物半导体行业新发展
2024/4/3 9:31:15 材料来源：ACT化合物半导体
生成式AI最近在科技行业掀起了一股热潮，ChatGPT和EinsteinGPT等标志性产品吸引了开发者、企业和消费者的目光。这些AI应用能够生成类似人类的文本、理解上下文，并以惊人的准确性执行翻译、总结等任务。其实早在1997年，IBM‘深蓝’计算机战胜国际象棋冠军加里·卡斯帕罗夫。2016年，Google旗下的DeepMind公司团队开发的AlphaGo以4:1的总比分战胜了围棋世界冠军李世石，就在全球范围引起巨大关注，各大科技巨头就纷纷入局AI。
AI是计算机科学的分支领域，专注在创建拥有人类智能行为的系统或机器，其目标为模拟人类的各种认知功能，包含学习、推理、解决问题、感知、语言理解等。AI涵盖了各种技术领域，如机器学习、自然语言处理、计算机视觉等。AI的历史可追溯到1956年，John McCarthy联合神经网络计算机发明者Marvin Minsky、信息论创始人Claude Shannon等人，在达特茅斯大学举行了一个研讨会，会议提案中首次提出了“AI”的概念。按照技术的维度可将AI产业划分为基础层、技术层、应用层�；〔阒饕ㄋ惴ā⑺懔�、数据等，是AI的软硬件基础。算法有大家熟知的机器学习和强化学习等算法；算力有英伟达的GPU、谷歌的TPU以及国内寒武纪研发的AI芯片。技术层主要包括语音/视频识别、文本识别等，其中语音识别已延展到语义识别层面，图像/视频识别包括人脸、手势和指纹识别等，目前各类大模型就属于该层级。应用层主要包括垂直应用和行业应用。垂直应用包括智能机器人、无人驾驶等能够进入到大众消费的市场。行业应用包括智能金融、智能医疗、智能安防、智能搜索、智能教育、智能制造系统及智能人居等。
AI的支撑技术是半导体，固然在基础层面的AI芯片及相应的高端存储都是硅基的，不过在电源技术、通信技术及应用层面还是离不开化合物半导体的，他们之间是相互依赖，相互成就的关系。
一、化合物半导体助力AI算力能耗降低
大模型训练成本60%是电费，机器学习就意味着高功率能量的付出，AI就意味着高品质能量的堆叠。据说ChatGPT训练一次，相当于6万辆特斯拉都跑1万英里；训练GPT-3消耗的能量，相当于一个普通美国家庭数百年能耗；GPT-3是目前大模型第一大“电老虎”，耗电量高达1287兆瓦时，那GPT-4或5就成为了“电恐龙”了。随着AI广泛应用于各领域，电力消耗量激增，全球数据中心2030年电力消耗量将达6700亿千瓦时。服务器消耗电量较大，如何节能成为产业发展的关键。碳化硅、氮化镓等宽禁带半导体高功率、高频率和高效率电源技术就量身定做般的切合了这一需求，使得AI算力成本大幅降低，助力AI应用的低成本化。
二、化合物半导体助力AI应用中高速通信需求
传统的计算机芯片属于冯·诺依曼架构，AI芯片则仿造大脑的结构设计，试图突破通过总线交换信息的瓶颈，故属于信息处理领域，而在信息通信领域的技术是延续不变的。很多AI算法或大模型平台都在云端服务器上，用户使用必须通过网络访问平台来实现；另外很多AI应用都涉及到高速的实时数据通信，如智能交通、智能家居和智能港口等，基于砷化镓/磷化铟体系的光通信及微波通信，以及基于氮化镓的毫米波通信和可见光通信都将会大有用武之地，是很好的增量市场。
三、AI助力化合物半导体研究高效开展
“AI for science”是指以机器学习、深度学习等AI技术分析处理多维度、多模态、多场景下的模拟和真实数据，解决复杂推演计算问题，加快基础科学和应用科学的发现、验证、应用，打造下一代科学范式。目前英伟达开发的cuLitho计算光刻库已经获国际半导体设备、半导体制造厂等应用，加速2纳米制程的芯片设计和生产开发；上海集成电路材料研究院在抛光材料计算、光刻胶底层配套材料设计以及滤波器掺杂材料选择等方面已经使用AI加快工艺设计，提升研发效率。因此AI在数据分析、机器学习等方面的强大能力，能够加速化合物半导体新材料的筛选和设计过程，从而显著降低研发周期和成本，也将助力已有化合物半导体材料制备工艺研发创新。
四、AI助力化合物半导体产业智能化升级
“AI for industry”包括AI流水线和AI大模型两个范式，即将行业发展积累下来的海量数据进行直接的模型训练，然后用于解决实际问题。对于传统化合物半导体企业而言，生产的智能化是时代改变赋予化合物半导体制造企业升级产业的机遇与任务，适时地选择智能化转型升级将有助于提升化合物半导体企业的长远竞争力。通过大数据分析，提高生产作业环节中的流程安排与能源利用率。AI也可以应用于目前化合物半导体生产活动中对人的健康与安全不利的工作（如湿法化学制程、特气更换等）改由机器人从事。另外也可以使用AI来增强化合物半导体企业内部的运营与管理、客户服务、办公流程优化等。
【近期会议】
| 上一篇：微射流激光技术基于大尺... | 下一篇：改进氮化镓衬底减薄技术... |
粤公网安备 44030402004706号