Cadence设计系统公司在系统芯粒方面取得重大进展,这可能进一步加速半导体行业向不断发展的芯粒架构迁移。该公司详细介绍了其系统芯粒架构成功流片的情况,这是更广泛芯粒生态系统愿景的基石,旨在推动模块化硅平台向前发展。
我今年早些时候首次报道了Cadence的系统芯粒。如果您错过了那篇文章,Cadence的系统芯粒本质上是一个单一设备,包含了管理多芯粒片上系统所有必要的管道和功能。Cadence设计的芯粒配备了系统处理器、安全管理处理器、各种控制器、片上网络以及用于LPDDR5内存的Cadence PHY IP,所有这些都通过UCIe(通用芯粒互连接口)相互连接。
基于芯粒的设计已成为过去几年半导体行业最重要的转变之一。Cadence的系统芯粒可以有效地充当骨干,将异构芯粒设计组装成一个连贯的平台。该公司报告称,成功在芯粒间以9,600 MT/s的速度初始化LPDDR5X内存——考虑到时序、信号完整性和同步挑战,这是一项令人印象深刻的成就——甚至在某些压力条件下将速度推至十几MT/s的中段。同样重要的是UCIe的验证,这一跨行业芯片到芯片连接标准,Cadence在25毫米链路上展示了32 Gb/s的速度。稳定启动、内存训练和芯粒间系统发现都在真实硅片中实现,而非仅在仿真中。
系统芯粒的重要意义
随着摩尔定律放缓和先进制造技术成本上升,构建超过一定规模的单片系统芯片变得越来越复杂。许多现代系统需要多样化的功能和加速器,这些无法完美映射到单一工艺节点上。芯粒通过允许设计师混合搭配节点、功能和架构来应对这些挑战,同时改善良率和上市时间。
Cadence的工作硅片验证了该公司最近的努力,并表明其系统芯粒可以作为下一代嵌入式和边缘AI系统的基础。通过利用UCIe,Cadence也与可能成为多供应商芯粒互操作性行业标准的技术保持一致。通过展示跨芯粒的高速LPDDR内存操作,该公司证明其内存接口IP是强大且健康的。
这在物理AI应用中特别相关。这些市场需要大量计算资源以及内存带宽和容量,但在严格的功耗、热管理、外形因子和环境可靠性约束下运行。模块化架构让系统设计师能够在最佳工艺节点上构建所需资源,并独立优化每个组件,而不是承诺制造昂贵的大型单片系统芯片。
Cadence系统芯粒的市场影响:具有现实潜力但需理性预期
更广泛的行业影响是重大的,尽管我们仍处于早期阶段。对于探索多芯片解决方案的半导体开发商,Cadence现在提供了一些全新的东西:一个硅片验证的参考点,可以缩短设计周期、降低风险,并在客户投资数百万美元于新架构之前帮助验证工程假设。
这一发展可能会加速更广泛生态系统的采用。无论是专用AI加速器、定制I/O芯粒还是特定领域处理器,主要EDA和IP提供商提供工作系统芯粒来连接所有这些组件的概念,将对广泛的潜在客户具有吸引力。
不过,更大的商业回报将取决于几个因素。芯粒正变得越来越普遍,但先进封装和互连也增加了成本和供应链复杂性。互连、热管理和异构集成仍需要仔细的设计和验证,特别是在边缘或物理AI领域,芯片必须长期可靠运行并在严格的热和物理约束内工作。在竞争方面,Cadence也不是唯一构建芯粒策略的厂商;差异化将取决于生态系统动力、合作伙伴支持和客户成功。
系统芯粒的未来前景
最终,Cadence的公告最好被视为推进公司芯粒愿景的成熟里程碑。Cadence现在正在提供一个经过验证的系统芯粒平台,直接瞄准了一系列有望显著增长的市场,包括边缘和物理AI,其中包括自动驾驶系统。对于Cadence的客户和合作伙伴来说,这可能会加速为特定领域芯片量身定制的模块化架构的开发。
真正的问题将是这个参考平台被采用的广度、有多少生产系统在商业上利用它,以及经济效益是否有利。如果Cadence能够将其新硅片转化为多个客户合作、扩大其芯粒IP和封装合作伙伴关系、帮助设计团队更好地应对集成挑战,同时加速上市时间,那么这一公告确实可能标志着另一个重要拐点。
Q&A
Q1:什么是Cadence的系统芯粒?它有什么特殊功能?
A:Cadence的系统芯粒是一个单一设备,包含了管理多芯粒片上系统的所有必要管道和功能。它配备了系统处理器、安全管理处理器、各种控制器、片上网络以及用于LPDDR5内存的PHY IP,所有组件都通过UCIe通用芯粒互连接口相互连接。
Q2:为什么芯粒架构对半导体行业如此重要?
A:随着摩尔定律放缓和先进制造技术成本上升,构建大型单片系统芯片变得越来越复杂和昂贵。芯粒架构允许设计师混合搭配不同的工艺节点、功能和架构,既能改善良率和上市时间,又能在最佳工艺节点上独立优化每个组件。
Q3:Cadence系统芯粒在物理AI应用中有什么优势?
A:物理AI应用需要大量计算资源和内存带宽,但在功耗、热管理、外形因子等方面有严格约束。模块化芯粒架构让系统设计师能够在最佳工艺节点上构建所需资源,独立优化每个组件,避免了制造昂贵大型单片芯片的需要。
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
南洋理工大学研究团队开发出Puffin统一模型,首次将AI的图像理解和生成能力融合。通过创新的"用相机思考"方法,将相机参数转换为摄影术语,让AI像摄影师一样理解空间关系。基于400万样本数据集训练,模型在相机角度理解和可控图像生成上均超越专业化模型,并支持空间想象、摄影指导等多元应用,为空间智能AI发展开辟新路径。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
KAIST研究团队开发出MPO多模态提示优化框架,首次实现同时优化文字和视觉提示,让AI能够像人类一样接收多种信息类型。该技术在10个数据集上平均性能提升6.8%,同时节省42%评估成本,为医疗影像、自动驾驶、药物研发等领域提供了新的AI交互方式,标志着从纯文字交流向多模态交流的重大突破。