从汽车到机器人，物理AI为何走向技术复用？

在 AI 和高性能计算（HPC）的推动下，由半导体技术赋能的医疗设备、电动汽车和人形机器人有望在未来改变人们的生活方式。为了实现这一目标，工程师们正尝试在不同应用之间寻找共性，以实现跨行业的规模经济，并推动 Chiplet 的商业化落地。

随着技术复用（portability）的需求不断增加，企业之间的协同开发（co-development）正迈向新的阶段，以共同应对 2nm 以下先进工艺带来的挑战。这一点在先进光刻领域体现得尤为明显。

晶圆尺寸不断扩大，推动掩模拼接技术进一步发展

通过大量工程优化，现有工具往往能够用于解决全新的问题。

例如，光刻曝光区域受到掩模尺寸（26×33mm）的限制，而芯片尺寸对于片上系统 (SoC) 而言尤为重要。目前的主流解决方案是采用 Chiplet 架构，将 SoC 拆分为多个较小的芯粒来实现功能划分。

另一种方案，则是在两个相邻曝光区域之间进行拼接，使图形跨越掩模边界，从而在两个曝光区域上形成一颗完整芯片。

Synopsys 产品管理高级总监 Germain Fenger 表示：“拼接涉及大量技术复杂性，因为它会在芯片上的图形之间引入新的边界。曝光场边缘会产生明显的畸变，从而影响成像质量。过去这些问题通常可以忽略，因为它们位于芯片边缘；但现在，这个边缘已经出现在芯片中心。因此，我们需要修改设计，对跨越不同曝光区域的布线布局进行优化。”

目前，领先的芯片制造商已经在 5nm 及更先进工艺的重要曝光层采用逆向光刻技术（ILT）和光学邻近效应校正（OPC）。

ILT 是一种计算量极大的工艺，需要较长的掩模写入时间，并会在掩模上生成弯曲图形，以补偿光学系统及工艺变化带来的畸变，最终使晶圆上形成笔直的线路。

Fenger 表示：“必要时，我们还会对局部设计规则进行修改。本质上，这是 OPC 与 ILT 的结合，从而实现最佳的光刻性能。借助 imec，我们能够验证工具是否能够应对这一复杂的图形挑战。同时，imec 也是一个鼓励跳出传统思维的环境，我们不仅可以思考如何把现有流程做得更好，还可以探索是否能够通过改变工艺流程本身来解决这一挑战。”

汽车行业通过垂直整合实现转型

汽车行业最重要的发展趋势之一，是芯片正逐步从成熟制程转向先进制程，尤其是在高级驾驶辅助系统（ADAS）和自动驾驶功能方面。

Rivian负责电气硬件的高级副总裁Vidya Rajagopalan表示：“汽车中使用的半导体种类非常丰富。我们既有高性能应用处理器，也有对实时性要求极高、必须避免时延抖动的实时处理器，还有蜂窝通信调制解调器、射频性能、全球导航卫星系统（GNSS）模块，以及机电产品、显示器、音频系统和扬声器等。”

图 1：垂直整合将电子元件简化为仅需少量 PCB 板。来源：Rivian

Rivian第一代自研自动驾驶处理器RAP1是一款由台积电采用5nm工艺定制的SoC，并集成了三组HBM（高带宽存储器）堆栈。值得注意的是，该公司几乎能够将同一套硬件平台，拆分为三至五块区域控制PCB，应用于旗下所有车型，包括车辆、皮卡以及送货车。

Rajagopalan表示：“到2030年，汽车物料成本（BOM）中约50%将来自电子系统，这也反映出现代汽车软件复杂度正不断提升。”

Rivian 采用垂直整合的电动汽车设计模式，简化了电子元件的组成。Rajagopalan表示：“直到最近，大多数汽车制造商 (OEM) 都只是从一级供应商采购零部件进行集成，而一级供应商又各自专注于不同的领域。因此，每辆车都包含40至100个电子控制单元（ECU）。我们有机会从零开始重新设计整套系统，因此把整辆车视作一台大型网络计算机。绝大多数电子系统都由我们自主设计，因此架构更加简单。目前，在西半球只有两家公司采用了这种方式，在中国已有一些企业开始这样做。”

图 2：MCM 内部搭载了领先的 SoC，周围环绕着 HBM。来源：Rivian

这种情况很可能会改变。Rajagopalan表示：“你会看到汽车领域出现更精密的封装，更复杂的多芯片模块——包括内存、SoC 和电源管理。很多人谈论物理AI的确定性和低延迟，我们认为自动驾驶汽车也具备这些能力。”该公司第三代技术平台及新车型将于今年晚些时候上市。

利用协同开发，更上一层楼。

协同开发在业内并非新概念，但为了满足5纳米以下器件和芯片封装的严苛性能要求，这种模式正被提升到新的高度。Brewer Science高级技术专家Douglas Guerrero表示：“在先进制程节点，性能已不再由单一工艺步骤决定，而是取决于键合、减薄、化学机械抛光（CMP）以及封装等多个工艺之间的协同作用。借助imec及其合作伙伴的平台，各类材料能够在完整的工艺流程中进行测试，而不是仅针对某一个工艺环节进行独立验证，从而进一步提升工艺的稳定性。”

例如，imec与布鲁尔公司科学家的一项合作，开发出一种可商用的材料平台，该平台满足更严格的热稳定性、粘合性和超净去键合（ultraclean debond）性能要求，并降低了工艺变异性，所有这些都加快了其在制造业中的应用。“如果没有imec的帮助，由于难以获得集成工艺流程和跨行业反馈，该项目可能需要更长时间才能完成。”

一项基础技术，覆盖数十种应用

多个实例展示了如何将基础技术应用于多种用途，例如在CMOS图像传感器上沉积光学滤波器，从而实现高光谱成像。高光谱成像可用于多种用途，例如在手术中保护健康组织、确保食品新鲜度、优化农田用水、在犯罪现场检测血液或火药，以及分离塑料以进行自动化回收等等。

高光谱成像技术能够近距离捕捉材料的特征信息，例如用于识别古代油画的层次。在远距离，可以将小型相机安装在无人机上，用于从战争到精确确定哪些作物需要浇水等各种用途。

这项成像技术基于商用CMOS图像传感器。imec研发工程师Tina Babu Shylaja介绍道：“滤波器由大量平整的薄膜层组成，这些薄膜层共同形成不同的透射峰，因此能够实现我们设计好的光谱响应。通过选择不同材料以及调整各层厚度，我们可以模拟最终的整体透射特性。”许多滤波器可以集成到单个像素上，并以光刻精度对准间距约为5微米的像素。湿法刻蚀在像素阵列上形成阶梯状结构，使得每个阶梯都可作为独立的光学滤波器，而透明腔的厚度则决定了滤波器的中心波长。

医疗器械迎来突破

imec研究人员正在开发多种新型医疗器械，希望替代目前风险更高的传统治疗方式。imec研发工程师Milind Pandit表示：“我们正致力于利用神经调节植入物来解决特发性震颤或抑郁症等慢性疾病。我们专注于使用超声波进行迷走神经刺激或深部脑刺激。我们之所以使用超声波而非探针进行电刺激，是因为超声波在将波引导至大脑特定区域方面更加灵活。这一点至关重要，因为脑部研究仍处于起步阶段，这意味着人们对产生特定结果的机制和刺激区域尚未完全了解。此外，由于并未真正穿透脑组织，因此不会形成疤痕组织。它仅作用于脑组织表面，因此也不会产生由于超声波经颅骨反射而引起的躯体感觉异常等问题。”

高光谱成像在医疗领域的另一项应用已经获得美国食品药品监督管理局（FDA）批准，可用于开放式及微创外科手术。Hypervision Surgical公司技术负责人Josh Gibson表示：“外科医生希望切除所有病变组织，同时尽可能保留健康组织。更关键的是，切除位置必须保证仍具有充足的血液供应，这样缝合后才能确保连接部位保持良好的血流，从而促进伤口愈合。”高光谱相机可以检测组织中的氧饱和度，有助于识别易受缺血影响的组织，从而最大限度地保护健康组织。

另一个令人兴奋的领域是视网膜高光谱成像，它可用于早期诊断包括阿尔茨海默病、帕金森病和亨廷顿病在内的脑部疾病的特征信号。由于这些疾病通常在发病后才被诊断出来，因此这种成像技术的目的是在症状出现之前，以一种非侵入性的方式识别每种疾病的特征信号。

有趣的是，即使不引入任何新技术或新仪器，人工智能在医学领域的应用也能带来突破性的进展。“令人惊讶的是，大多数健康测量数据都会经过某种形式的波形压缩。我们之所以压缩数据，是为了符合人类的感知方式，或者为了方便医生阅读。但正因为这种压缩，我们会丢失一些真正具有医学价值的信息，”盖茨基金会全球健康加速器项目主任Dan Wattendorf 表示。“当我们仅基于心电图波形来观察最初的机器学习和基于Transformer的人工智能学习模型时，我们开始看到一些临床医生或心脏病专家无法看到的惊人信息。在这些数据中，我们可以看到某人十年前是否患有房颤。我们甚至可以在心电图信号中看到一些只能通过超声检查才能发现的结构性心脏缺陷。”

Dan Wattendorf 解释说，在全血细胞计数（CBC）结果中，数据压缩更为严重，900万个数据点被压缩成医生看到的约20个数字。Mass General Brigham医院对12000名健康患者进行了长达20年的追踪研究，结果表明，即使所有检测指标都处于正常范围内，不同个体的数据分布和基线水平依然存在明显差异，因此许多相对于个人基线已经发生的重要变化，并不会被传统检测方法识别出来。“任何数据科学家都会明白这一点，但前提是我们必须能够获取这些原始数据。对于这些医疗波形背后未经压缩的数据，我们甚至还没有真正开始研究。”

类人机器人

即使对于类人机器人这样全新的应用领域，也有观点认为，已有技术同样可以得到复用。AMD自适应与嵌入式计算事业部高级副总裁兼总经理Salil Raje表示：“在与类人机器人开发者交流时，他们反复强调的一点是，他们无法为每一款机器人重新开发一套计算平台。对于物理AI架构而言，真正重要的是确定性（determinism）、开放性（openness）和可扩展性（scalability），而不是峰值TOPS算力。” 他介绍，人形机器人的系统架构通常由三个部分组成。“这样的系统拥有一个大脑，负责感知、规划和决策，并运行着大型语言模型。中间的脊柱是一个同步网络，连接着大部分节点。这通常运行在时间敏感型网络上。它拥有一个全局时钟，能够将所有节点的延迟控制在微秒级以内。然后是身体部分——数百个传感器将来自视觉、音频、电机以及力和惯性的数据融合在一起。肢体控制器负责控制动作的松弛和安全动作，而关节和电机控制器则负责扭矩和驱动。”

Raje表示，为了满足延迟要求，实现实时响应需要将数据保存在本地。“你对数据进行编码、过滤和调整大小，然后只将洞察信息、令牌和元数据发送到中央处理器，这样就能将数据流量降低两到三个数量级。”

效率和可靠性是物理 AI 的关键

感知数据在物理人工智能中至关重要，但必须节能。“我们可以利用生物启发式技术来提升边缘人工智能的效率，”Texas Instruments 首席技术官Ahmed Bahai 表示，“例如，我们的大脑处理数据的方式截然不同，效率远高于现有设备。有人认为人脑拥有10¹⁶FLOPS的计算能力，也有人认为是10¹⁵ FLOPS，但这些数字其实并不是重点。真正重要的是，人脑的效率比目前我们制造出的任何计算设备高约一万倍。而且它使用的不是语言模型 (LLM)，而是感知语言模型 (SLM)。即使是婴儿也能从几个单词开始学习语言，然后凭借直觉构建词汇量。因此，在功耗方面，我们可以学到很多东西，因为如今的设备更多地受限于功耗而非晶体管数量。”

对能源效率的这种核心关注对于生成式 AI和物理 AI 的接受度至关重要，尤其是在普通民众中。

汽车领域的进步为自主系统的发展奠定了基础

在国际技术论坛 (ITF) 上，imec 宣布将自主边缘 chiplet 计划 (AECP) 更名为汽车chiplet 计划 (ACP)。AECP 以 2024 年启动的 ACP 的基础专业知识和技术方法为基础。迄今为止，ACP 已汇集了 24 个成员，包括整车厂 (OEM)、一级供应商、集成电路制造商、EDA 企业和 OSAT 。另一个项目促进了 CHASSIS（基于Chiplet的软件定义汽车硬件架构）的诞生，CHASSIS 是由博世牵头的一个欧洲联合项目，源于 ACP。

AECP业务发展总监 Dieter Hoffend 说，“我们刚刚在德国海尔布隆（Heilbronn）开设了新的基地，这是一个 chiplet 加速中心，旨在弥合研究与产业化之间的差距。该中心的目标只有一个——真正专注于原型设计（prototyping）——推动合规性，并降低Chiplet在汽车产业中实现产业化所面临的风险。”

图 3：ACP 是一个全球性组织，汇集了原始设备制造商 (OEM)、一级供应商、半导体制造商、EDA 企业和 OSAT 。来源：imec

他表示，将CHASSIS软硬件参考平台的成果迁移到其他类似平台，也是AECP的重要目标之一。“Chiplet 内部存在一种通用的架构 DNA，可以跨多个行业扩展，” Hoffend说道。“这与计算、人工智能、安全、内存和可扩展性有关。我们在 ACP 中解决的所有挑战同样适用于 AECP。当然，不同之处在于各个垂直领域的规范，因此你可能会看到不同的 I/O接口、不同的传感应用等等。但我们始终认为，我们在汽车领域构建的核心架构可以扩展到其他领域。架构复用将降低成本并加快产品上市速度。”

Hoffend 强调了这种共享专业知识的重要性。尽管2025年汽车产量将达到9640万辆，但与消费电子产品相比，单辆汽车的产量每年都相对平稳。他说，“从半导体的角度来看，汽车市场相对较小。那么，我们如何才能将指数级增长的计算需求与线性市场经济相协调呢？imec认为，chiplet 是答案。”

图 4：基于chiplet的物理 AI 参考设计将借鉴 ACP 的基础学习成果，并为类人机器人、无人机和工业自动化构建架构基础。来源：imec 

该组织设定了12个月的期限，旨在构建一个面向边缘应用的参考平台，优先考虑来自多家供应商的 chiplet 之间的互操作性以及软硬件协同设计。Hoffend 还补充说，汽车芯片组计划并非仅限于欧盟成员国，imec正与日本汽车先进SoC研究中心（ASRA）合作，协调汽车应用chiplet 架构的标准化。双方已同意共同探索和推广共享架构规范。

结论

尽管存在诸多变革，但重要的是要记住，技术方面取得的许多进展都是建立在过去行之有效的现有平台、方法和技术之上的。这包括imec、Fraunhofer 研究所和CEA-Leti等公司与供应商、芯片制造商和终端客户之间的合作开发协议。

诸如实现跨光罩区域的拼接，或使芯片平台与不同供应商的产品兼容等重大挑战，需要最紧密的合作和协同思考。我们需要多种解决方案，没有任何一家公司能够独自解决2纳米以下工艺和先进封装的难题。