11月6日,兆易创新公布5.81亿元收购苏州赛芯电子70%股份的交易、以及附条件继续收购剩余30%股份的公告。
兆易创新在公告中表示,此次收购苏州赛芯是推动公司模拟芯片战略的重要举措。
苏州赛芯专注于模拟IC设计。其在锂电池管理系统(BMS)领域,尤其在电池保护管理、充电管理等模块中有显著优势。
锂电池管理芯片对于电动汽车、电池储能系统等产业至关重要。其产品广泛应用于各类消费电子、智能硬件、家电、光伏储能等设备。
这次收购,无疑是兆易向模拟继续进军的标志。
对于此次收购赛芯,兆易创新资金较为充沛。截至今年前三季度,兆易创新账面上的货币资金余额高达92.66亿元,流动负债总额为19.69亿元。
回顾近几年半导体市场行情,2021年市场火热。得益于各产品线营业收入的大幅增长,兆易当年的总营收达到85.06亿元,同比增长89.2%;综合毛利率也得到大幅提升,达到46.56%。
但从2022年起,半导体行业开始由热转凉,到2023年彻底步入寒冬。
覆巢之下安有完卵,身处其中的兆易创新自然不能幸免。2023年各产品线营业收入大幅下降,当年的总营收仅为57.6亿元,比2022年下降29.14%,比2021年更是下降32.28%;综合毛利率也降至34.42%。
2024年,在经历了两年左右市场需求低迷和逐步去库存化后,半导体行业开始出现转暖迹象。
但面向下一阶段,竞争态势开始急转,尤其是鱼龙混杂的MCU市场,不仅有一众老牌高手,还涌入了一大批携重资本进军的新势力,红海趋势明显。
如何从狠狠咬住成本线的主机厂客户口中拿下更多利润,同时与友商形成区分,是考验所有选手的重要问题。
值得注意的是,通过自研、收购和合作,兆易创新正在逐渐形成覆盖 MCU、模拟芯片、存储芯片、功率器件的完整供应链,有意向为客户提供完整方案和全方位服务伸出触角。
无独有偶,下文所述的纳芯微,也在从相反的方向靠拢过来。
11月21日,纳芯微宣布联合芯弦半导体(ChipSine),推出NS800RT系列实时控制MCU。
芯弦半导体专注于“汽车与能源”电控专用“嵌入式处理器”的集成电路设计,核心团队源自于华为海思、瑞萨等,有纯粹而聚焦的MCU基因,以及车规的MCU量产经验。
此时的纳芯微,正处于成本控制、推出差异化创新产品、摆脱价格战影响的阶段。
2024年第三季度报告显示,纳芯微前三季度实现营业收入13.66亿元,同比增长36.49%;归母净利润亏损4.08亿元,23年同期亏损2.51亿元;扣非净利润亏损4.41亿元,23年同期亏损3.14亿元。
前三季度,毛利率为33.21%,同比下降7.86%;净利率为-29.85%,较上年同期下降4.78%。
增收不增利的一个很大原因在于盈利空间被大幅挤压,尚需要一个更加高效、集成度更高的产品生态系统换取客户端的高粘性。
MCU产品背后,实际上是在以客户为中心的市场策略下,与模拟芯片能力一道为客户提供系统级的解决方案。
两者的跨界布局存在共通性。
其一是围绕新能源汽车做了更广的布局,前者和光伏逆变器、储能变流器一同成为当前的三大增量市场。未来电动汽车也需要车载充电器和汽车充电桩。
其二是集中于打造“MCU+模拟IC+功率器件”的一体式解决方案,这一点相对此前的模块更加完整。
这意味着,既懂MCU、又懂模拟IC,才能针对用户侧的需求,给出最好的解决方案。
下游客户需求正在明显从MCU产品转向综合类的集成方案。如今市面上主流的电机驱动MCU产品没有明显的性能代差,未来产品竞争将更聚焦于集成化的应用方案上。MCU通过ADC和DAC实现对传感器输出的模拟信号进行采集和处理,从而实现对系统的精确控制。
实际上,这不仅能够提升自身的产品竞争力,也能为客户做减法,尽可能减少硬件层面的改动,降低开发时间,减少开发投入。
当前半导体行业的竞争十分极致,价格战、价值战混杂一体。但超出的身位和超额的利润必须要以技术特异性为基础,于是,“MCU+模拟IC+功率器件”的新公式应运而生。
当下,MCU的集成化程度越来越高。尤其在国产率不足5%的车规级MCU领域,对MCU性能和稳定性的要求愈发增强。
中低端产品红海争斗之下,市场迫切需要一款良好性能和功耗控制的MCU产品契合需求,集成化、一体化方案正在带动新一轮的良性竞争。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。