過去幾十年，半導體業界談技術進步，最常見嘅關鍵詞係電晶體微縮。由FinFET到GAA，由7nm到3nm、2nm，先進製程一直係量度晶片製造能力嘅重要標尺。

但AI嘅出現，正正在改變呢一套邏輯。

隨住大模型規模持續擴大，AI運算系統對算力、記憶體頻寬同數據傳輸能力嘅需求急速增長。晶片製造商面對嘅挑戰，已經唔再只係點樣喺更細嘅面積入面塞入更多電晶體，而係點樣解決成個系統嘅供電、互連、封裝同製造問題。

SemiEngineering近日刊出一篇文章，就由Intel Foundry嘅視角討論咗呢個轉變。文章指出，AI規模化發展正推動半導體產業進入多維度擴展階段，供電、連接、先進封裝以及供應鏈韌性，正逐漸成為制約AI系統繼續擴展嘅重要因素。

呢種轉變首先嚟自AI工作負載本身。

傳統運算任務相對明確，晶片執行嘅指令同數據流通常有較強嘅可預測性。但Agentic AI帶嚟多步驟推理同自主執行任務，工作負載變得更複雜，亦更難預測。呢個對晶片嘅供電能力同高速互連提出咗新要求。

與此同時，Physical AI正將智能運算帶入機械人、汽車同其他邊緣設備，推動AI由數據中心向現實世界延伸。唔同應用場景對晶片嘅功耗、性能同可靠性提出咗差異化要求。

另一個值得留意嘅變化係Sovereign AI，即主權AI。隨住各國更加重視AI基礎設施同數據安全，半導體製造嘅地理分佈、供應鏈安全以及產能韌性，都開始成為客戶揀製造夥伴時要考慮嘅因素。

呢個意味住，未來AI晶片嘅競爭，唔單止係設計同製造工藝嘅競爭，仲係成條半導體供應鏈嘅競爭。

喺晶片架構層面，呢種變化已經好明顯。

過去，業界主要採用SoC模式，將盡可能多嘅功能整合喺一顆晶片入面。但隨住先進製程成本不斷上升，單靠電晶體微縮嚟提升性能，已經面對越嚟越大嘅經濟同技術壓力。

Chiplet因此成為重要方向。

透過將唔同功能拆分到多個裸片，再用先進封裝將佢哋組合埋一齊，設計人員可以根據唔同功能嘅需求揀啱嘅製造工藝。例如，運算核心採用先進製程，I/O模組採用成熟工藝，記憶體就透過HBM等方式整合。

呢種做法唔單止提升設計靈活性，亦有助縮短產品開發周期。

不過，Chiplet並唔係簡單咁將幾顆晶片擺埋一齊。多個裸片之間需要實現高速、低延遲嘅數據交換，同時仲要解決供電、散熱同封裝可靠性問題。

呢個亦係點解UCIe等互連標準越嚟越受關注。UCIe為唔同Chiplet之間提供標準化嘅高速互連接口，有助降低多裸片系統整合嘅複雜度，令唔同功能模組可以更加靈活咁組合。

供電同樣係AI晶片面對嘅一大挑戰。

隨住晶片功耗不斷提高，傳統正面供電網絡需要同訊號佈線共用晶片內部嘅金屬互連資源，供電路徑上嘅電阻、電壓降同噪聲問題亦越嚟越突出。

英特爾喺18A製程引入咗PowerVia背面供電技術，將供電網絡轉移到晶圓背面，令供電同訊號佈線分離，從而改善供電效率同電源完整性。

根據英特爾公佈嘅數據，PowerVia可以令單元利用率提升最多10%，喺相同功耗條件下帶嚟大約4%嘅性能改善。英特爾仲表示，Intel 18A相比Intel 3可以實現大約18%嘅每瓦性能提升。

與此同時，Intel 18A採用RibbonFET全環繞閘極電晶體技術，透過改善閘極對溝道嘅控制能力，進一步推動電晶體微縮。

值得留意嘅係，英特爾並冇將呢啲技術孤立處理，而係將電晶體結構、背面供電同先進封裝視為一個整體。

喺先進封裝方面，英特爾重點布局咗EMIB-T、Foveros同Foveros Direct等技術。

其中，EMIB-T喺橋接結構入面引入供電能力，能夠改善多裸片AI系統嘅供電效率，並降低電源瞬態變化帶嚟嘅電壓波動。同採用完整矽中介層嘅方案相比，呢種結構喺部分應用入面仲可以減少封裝材料需求。

Foveros Direct就採用混合鍵合技術實現3D整合，令先進製程運算裸片可以直接堆疊喺經過優化嘅基礎裸片上面。透過呢種方式，唔同功能可以分別採用最啱自身需求嘅工藝，再透過垂直互連實現整合。

某程度上講，AI晶片嘅性能競爭，正由單顆晶片嘅電晶體數量，轉向運算、記憶體、供電同互連嘅整體效率。

不過，呢篇文章仲有一個更值得留意嘅部分：AI唔單止改變緊晶片設計，仲開始進入半導體製造本身。

先進製程嘅研發涉及大量工藝參數同設計選擇。點樣喺功耗、性能同面積之間搵到最優平衡，往往需要工程師做大量模擬同實驗。

英特爾將AI同機器學習應用喺設計技術協同優化（DTCO），利用演算法幫工程師更高效咁探索唔同設計方案，搵出更合適嘅工藝同設計組合。

喺製造環節，AI嘅作用更加直接。

據英特爾介紹，佢嘅工廠每個星期採集嘅影像接近10億張，產生嘅數據達到PB級。機器學習系統能夠分析呢啲影像，識別製造缺陷、分類失效模式，並提前發現潛在良率風險。

呢啲數據唔單止用嚟發現已經發生咗嘅問題，仲可以反過嚟幫設計人員改善設計規則。

例如，針對Intel 18A，設計人員能夠更早識別潛在嘅佈局問題，喺產品進入生產之前作出修正，從而減少後續製造風險。

與此同時，神經網絡、整合決策樹等機器學習技術亦被用嚟分析缺陷產生嘅根本原因，加快問題定位同解決速度。

半導體製造設備嘅預測性維護同樣開始引入AI。透過數碼孿生同預測性維護系統，工廠能夠持續監控設備運行狀態，喺設備真正發生故障之前識別潛在問題，減少意外停機。

對於一座需要全天候運作嘅先進晶圓廠嚟講，設備稼動率同生產穩定性直接影響產能同成本。AI喺呢度發揮嘅作用，唔單止係提升自動化程度，而係幫製造企業縮短工藝學習周期，令新製程嘅良率爬坡更加可控。

呢個實際上揭示咗AI同半導體產業之間正形成嘅另一種關係：AI既係推動先進晶片需求增長嘅力量，亦係幫半導體企業提升研發同製造效率嘅工具。

當然，英特爾今次介紹嘅技術同應用，更多係佢自身嘅技術路線同實踐，唔可以簡單等同於成個行業已經達到嘅水平。但從入面可以見到，先進製程競爭嘅評價維度正在改變。

過去，企業鬥嘅係邊個能夠率先進入更先進嘅工藝節點；而家，除咗電晶體本身，供電網絡、Chiplet互連、先進封裝以及製造良率，都喺度影響最終產品嘅競爭力。

尤其喺AI時代，單純追求電晶體微縮已經不足以解決所有問題。點樣將運算、記憶體、互連同供電組織成一個高效嘅系統，點樣利用AI改善設計同製造流程，正成為半導體企業必須回答嘅新問題。

未來嘅半導體競爭，或者唔再只係先進製程之間嘅競爭，而係由晶片設計到晶圓製造，再到先進封裝嘅全鏈條競爭。