大A股：“AI芯片”最强寡头，国内自研技术NO.1，国产替代最优解|amd|低功耗|光刻|大a股|硅片|自研技术

AI芯片技术创新最新消息

制程进展：

业界领先的芯片制造商，包括苹果、高通、联发科、英伟达、AMD和英特尔等，正陆续采用台积电的先进N3E/N3P制程技术。这一转变标志着AI芯片行业正迈向3纳米制程时代。这一趋势预计将显著提升台积电在今年的第四季度以及来年的营收。

目前，已基于台积电3nm制程技术推出的具备端侧AI功能的芯片有苹果的M4、A18系列，英特尔的Lunar Lake，以及联发科的天玑9400等。即将面市的芯片，如高通的骁龙8 Gen4、英特尔的Arrow Lake、AMD的MI350系列及Zen5 CPU、苹果的A19系列等，也计划采用台积电的N3P制程。

具体来说，联发科的天玑9400是业内首个具备旗舰级5G智能体AI功能的处理器，采用了台积电第二代3nm工艺制造。高通的骁龙8 Gen4将采用台积电N3E工艺，并且CPU架构将采用专门定制的"Phoenix"核心，升级为"2+6"的全大核方案。AMD的MI350系列预计将于2025年上市，采用台积电3nm工艺，具有高达288 GB的HBM3E内存，AI推理性能将提高35倍。

这些芯片的推出不仅展示了台积电在3nm制程技术上的领先地位，也预示着AI芯片行业将迎来更高效能和更低功耗的新时代。

性能突破：

AMD推出的Instinct MI325X AI芯片确实采用了与上一代MI300X相同的CDNA架构，但具体是CDNA 3架构而非CDNA 4。该芯片首次采用了HBM3E高带宽内存技术，提供了256GB的HBM3E显存和6TB/s的显存带宽。然而，关于AI峰值算力达到21PFLOPS的说法在我搜索到的资料中并未找到直接支持。

在性能方面，Instinct MI325X在多个指标上直接挑战了英伟达去年11月发布的AI芯片H200 GPU。具体来说，MI325X在内存容量、内存带宽以及FP16和FP8峰值理论算力方面实现了显著提升。例如，MI325X的内存容量为256GB，而H200为141GB；MI325X的内存带宽为6TB/s，而H200为4.8TB/s。此外，MI325X的FP16性能达到1.3PFLOPS，而FP8性能则达到2.6PFLOPS。

AMD Instinct MI325X AI芯片在多个关键性能指标上确实对英伟达的H200 GPU构成了直接挑战，但关于其AI峰值算力达到21PFLOPS的说法在我搜索到的资料中没有找到直接支持。

AI芯片产业链分析

一、上游领域：

基础材料

1、硅片：硅片是集成电路的核心材料，用于构建电路结构。其尺寸通常达到或超过200mm（8英寸），是芯片制造的基础。

2、光刻胶：光刻胶用于在硅片上精确形成电路图案，是制造过程中重要的材料之一。

3、溅射靶材：溅射靶材如铜靶、钽靶、铝靶等，主要应用于半导体制造过程中的金属溅射环节，用于生产薄膜等材料。

4、高纯度稀土金属：高纯稀土金属对芯片的性能和制造成本有显著影响，广泛应用于现代科技中的功能材料。

生产工具

1、单晶炉：用于制造硅片，是硅片制造过程中的关键设备。

2、光刻设备：光刻设备的精度和效率直接影响芯片的制造质量，是芯片制造过程中的重要工具。

3、PVD设备：PVD（物理气相沉积）设备用于薄膜沉积，是晶圆制造的重要设备之一。

4、检测设备：用于芯片制造过程中的质量检测，确保芯片的性能和可靠性。

5、电子设计自动化（EDA）工具：EDA工具在芯片设计阶段至关重要，用于构建芯片的逻辑电路并优化布局。EDA工具涵盖了从芯片设计、电路板设计到封装测试等环节。

这些基础材料和生产工具共同构成了AI芯片制造的完整流程，确保了芯片的高性能和可靠性。

二、中游环节：

AI芯片的制造过程可以分为设计阶段、制造阶段和封装与测试阶段。设计阶段是整个制造过程的核心，它决定了芯片的架构、功能及其能耗。设计团队需根据具体应用需求，创造出既高效又低功耗的芯片架构。

设计阶段

在设计阶段，AI芯片的设计是整个制造过程的核心。设计团队需要根据具体的应用需求，明确芯片的用途、规格和性能表现。设计过程通常包括以下几个关键步骤：

需求分析：确定应用场景和功能需求，包括性能指标、功耗要求等。
规格定义：确定芯片的市场定位、性能与功能目标，即设计规格参数。
系统级设计：进行架构与算法设计，任务划分，并购买IP（知识产权）。
前端设计：包括RTL编码与功能验证，即RTL仿真。
后端设计：涉及版图设计、综合、仿真等环节。

制造阶段

AI芯片的制造涉及多个复杂步骤，这些步骤对设备和工艺控制的要求极高。制造过程主要包括以下几个步骤：

晶圆制备：从一粒沙子开始，经过切割和处理形成硅片。

2.氧化：在硅片表面形成一层氧化层。

3.光刻：将掩膜版上的图形转移到硅片表面的光刻胶上，然后通过曝光、显影等过程形成特定的图案。

4.蚀刻：去除未覆盖区域以留下所需的图形结构。

5.离子注入：将离子注入到硅片中以改变其电学特性。

6.薄膜沉积：在硅片表面沉积一层薄膜，用于后续的互连和保护。

7.互连：通过金属化工艺将不同的电路层连接起来。

8.测试：对制造完成的芯片进行性能评估，确保其符合设计标准。

封装与测试

封装是将制造完成的芯片转化为可用模块或组件的关键步骤。封装后的芯片需要进行测试，以确保其性能符合设计标准。这一环节对芯片的可靠性和稳定性至关重要：

1.封装：将芯片组装到封装器中，包括物理包装和安装在外壳上。

2.测试与验收：对封装后的芯片进行功能性测试及后续检查，确认其是否满足所有标准和规范的要求。

AI芯片的制造过程是一个复杂且严谨的过程，涉及从设计到制造再到封装与测试的多个环节。每个环节都需要精确控制和高质量的工艺来确保最终产品的性能和可靠性。

三、下游应用领域

应用领域

AI芯片在多个领域得到了广泛应用，包括自动驾驶、智能手机、物联网、智能家居、医疗健康以及云计算等。这些领域对AI芯片的需求持续上升，进而促进了AI芯片产业的迅猛发展。

在自动驾驶领域，AI芯片通过快速处理信号并作出即时反应，确保汽车的安全和精准行驶。新一代AI芯片提供更强大的计算能力和实时数据处理能力，提升自动驾驶系统的感知、决策和控制能力。此外，AI芯片在自动驾驶中的应用还包括多模态感知融合，结合更多类型的传感器，实现更全面的环境感知。

在物联网领域，AI芯片具有高效的计算能力和低功耗的特点，适用于物联网设备，能够实现高效的信息传递和交换。物联网常见的资源受限设备上运行高级AI和ML算法的行业黄金标准是TensorFlow Lite，这表明AI芯片在物联网中的应用正在不断深化。

智能家居方面，AI芯片作为核心技术，可以实现家居设备的智能化决策和自主运行，提高家居设备的智能化程度。例如，用户可以通过手机APP或语音助手远程控制家中的灯光、空调等设备。

在医疗健康领域，人工智能被用于改善医疗诊断，例如高血压的诊断标准。AI芯片在医疗健康行业的应用有助于推动该领域的进步。

云计算方面，AI芯片为人工智能算法提供了高效的处理能力，与云计算共同推动了数字化转型。云端AI芯片主要用于支持大规模的深度学习训练和推理。

随着人工智能技术的不断发展和普及，AI芯片的需求将持续增长，应用场景也将不断扩大。预计到2025年，全球AI芯片市场规模有望进一步扩大，达到919.6亿美元至920亿美元。在中国，预计2024年市场规模有望突破1000亿元，并在2027年达到2881.9亿元。AI芯片在多个领域的广泛应用和需求增长，推动了其产业的迅猛发展。