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
Captions公司研究团队开发的Mirage模型实现了从音频直接生成说话视频的突破。该技术能准确生成与声音匹配的面部表情、唇型同步、手势动作和环境背景,甚至可仅从音频推测说话者外貌特征。基于统一的Diffusion Transformer架构,Mirage避免了传统方法的复杂专用模块设计,展现出卓越的情感表达和细节还原能力,为内容创作、教育培训和无障碍技术等领域开辟了新的应用可能。
牛津大学研究发现,尽管大语言模型在医学考试中表现出色,但在实际应用中效果大打折扣。研究显示,LLM直接测试时能94.9%准确识别病症,但人类使用LLM诊断时准确率仅34.5%,甚至低于不使用AI的对照组。问题源于用户提供信息不完整、LLM理解偏差等人机交互问题。专家指出,仅凭非交互式基准测试评估LLM存在误导性,需要真实的人机交互测试才能准确评估AI系统的实际性能。
NAVER和KAIST研究团队发现,先进AI模型在数学题自我修正方面存在严重缺陷。他们创建的MMRefine基准测试揭示,即使是GPT-4O等顶级模型也只能成功修正约23%的错误答案,而且经常将正确答案改错。研究发现不同模型在处理六种错误类型时表现差异巨大,特别是小型模型在空间推理修正上竟然超越了大型模型,颠覆了"越大越好"的认知。