德州仪器CTO谈AI芯片竞赛：数据中心正在把半导体技术推向极限
“我认为，人类历史上没有哪一种技术像半导体这样具有创造力和创新性。”
当地时间9月23日，自动化行业媒体Automated发布了对德州仪器首席技术官艾哈迈德·巴哈伊的访谈。近50分钟的对话从贝尔实验室谈到半导体产业，又延伸至AI数据中心、算法效率、自动驾驶和人形机器人。长期从事半导体研发的巴哈伊重点谈到了支撑AI和机器人发展的技术，以及一家芯片公司面对十年以后几乎无法预测的市场时所采取的研发思路。
1. 今天已经很难再复制一个贝尔实验室
博士毕业时，巴哈伊曾在高校、企业和贝尔实验室之间作出选择，最终进入贝尔实验室，并在那里工作了四五年。按照他的回忆，当年的贝尔实验室聚集了大量顶尖研究人员和诺贝尔奖获得者，研究范围从理论物理、材料科学、电子学一直延伸到信息论。在那里，只要研究人员能够说服技术负责人某个课题值得研究，就有机会继续探索，这种人才密度和研究自由度给他留下了很深的印象。
进入贝尔实验室以后，巴哈伊主要研究无线通信和卫星通信，也参与了非常早期的无线局域网技术研究。他后来出版过关于多载波OFDM系统的著作，而OFDM后来成为WiFi、LTE和5G等通信系统的重要技术基础。对一个刚刚博士毕业的研究人员来说，能够和这些领域的开创者共同工作，也成为他此后职业生涯的重要起点。
贝尔实验室给巴哈伊留下的另一个影响，是基础研究与产业应用之间的联系。研究人员一方面接触理论和前沿技术，另一方面又与实际应用保持联系，能够了解研究成果从实验室走向现实产品的过程。他后来在德州仪器Kilby Labs延续了这种思路，只是今天的产业环境已经发生很大变化。全球科技竞争更加激烈，大公司需要考虑研发效率、预算和市场竞争，也很难再长期供养一个拥有数千名顶尖科学家的研究机构。
在此种情况下，巴哈伊提出了“虚拟贝尔实验室”的思路。企业内部的研究力量、大学和外部研究机构可以共同承担不同工作，再由企业把这些资源连接起来，将先进研究与制造、产品和实际应用衔接起来。
2. 十年后的市场无法预测，但长期技术变化可以提前判断
长期技术研发面临的一个现实问题，是即使一家公司愿意为十年、十五年以后投资，也无法保证今天押注的路线最终能够胜出。全球范围内同时存在大量研究团队和竞争技术，五年以后完全可能出现另一种更有吸引力的方案，这与贝尔实验室当年拥有巨大人才和技术集中度的环境已经很不一样。
对于研发人员来说，已经在一个方向上投入多年，也不足以说明这条路线必须继续走下去。巴哈伊特别提到，研究人员很容易爱上自己的想法。一项技术已经研究五年以后，人往往更愿意继续证明它能够成功，但外部市场和竞争技术可能已经发生变化，原来的研究方向有时只需要调整一点，有时则要重新考虑。
这种思路也贯穿他对德州仪器研发策略的解释。十年前很难准确判断生成式AI、人形机器人或者某一种具体终端产品的出现时间，但计算量持续增加、功率密度不断上升、通信带宽扩大、时钟精度要求提高，以及铜互连逐步遇到带宽限制，这些变化已经持续很多年。德州仪器无法据此锁定十年后可能爆发的具体市场，但这些长期变化足以影响公司今天的研发资源投向。
3. 半导体已经成为现代技术创新的重要基础
过去几十年，半导体产业通过材料、制造、设备、光刻、晶圆以及器件技术的共同进步，使芯片效率提高了数百万倍，同时保持了大规模制造能力。巴哈伊因此把半导体称为人类历史上极具创造力和创新性的技术之一。在他看来，这种发展来自材料、制造、设备、光刻和器件等多个领域的共同推进。
人工智能概念已经存在几十年，随着计算能力、数据和算法逐渐发展到新的阶段，大规模AI计算对半导体的依赖也更加突出。巴哈伊把AI、量子计算、自动化以及人们身边各种智能设备都放在这个背景下理解，认为半导体已经成为大量现代技术继续发展的基础。
在汽车行业，电子系统已经成为技术创新的重要来源。巴哈伊提到，他曾与一家大型汽车公司交流，对方告诉他，目前这家公司超过90%的创新来自汽车电子系统；随着高级驾驶辅助、安全系统、通信、雷达以及其他电子功能不断增加，汽车使用的芯片数量也随之增长。
4. 一颗很小的芯片，可能让整辆汽车无法交付
半导体对现代汽车的重要性，在疫情期间的芯片短缺中表现得尤其明显。巴哈伊把汽车里那些不可缺少的小型芯片称作“黄金螺丝”，一辆汽车可能已经基本制造完成，却因为缺少其中一颗芯片无法交付。随着辅助驾驶、安全、通信和雷达等功能增加，汽车搭载的芯片也越来越多。
疫情也进一步强化了德州仪器对制造能力和供应链的重视。巴哈伊表示，疫情结束后，公司投入数十亿美元扩大制造能力，而且几乎全部新增投资都放在美国。问题在于，半导体行业具有明显的周期性，而一座晶圆厂从建设到形成产能往往需要四五年，公司如果希望赶上下一轮市场上行，就必须在市场低谷时开始投资。
这种时间差也会给企业带来压力。市场处于低谷时，大规模扩产最容易受到质疑，但等到市场需求已经起来再启动建设，新增产能又来不及形成。巴哈伊认为，半导体需求还会继续增长，企业只有提前准备制造能力、供应链和具有竞争力的制造技术，才能在新的需求出现时作出响应。
5. 德州仪器没有提前预测到生成式AI，它判断的是长期技术趋势
德州仪器过去十到十五年的准备，主要围绕长期技术变化展开。按照巴哈伊的解释，具体市场的出现时间很难判断，但支撑这些市场的技术变化往往能够提前很多年观察到。
大型GPU和其他处理器需要越来越多的电力，计算规模提高以后，功率密度随之上升，电源转换和供电系统承受的压力也越来越大。数据量持续增加又带来了另一个变化，不同芯片、服务器和系统之间需要交换越来越多的数据，铜互连迟早会遇到带宽限制，光通信的重要性也会随之提高。设备运行速度提高以后，时钟和同步精度同样会面临更高要求。
功率密度、带宽和时钟精度这些变化已经存在很多年，只是在AI数据中心出现以后明显加快。德州仪器围绕这些方向持续投入，等到大型AI数据中心开始快速建设时，过去积累的电源、通信和时钟等技术也有了新的应用场景。
6. AI数据中心正在把供电系统推向极限
随着大型AI芯片的计算规模不断增加，数据中心的技术约束已经从晶体管数量进一步延伸到芯片供电。巴哈伊提到，现在讨论的已经是单颗芯片数千瓦级别的功耗，功率密度仍在继续提高。从芯片附近的供电到整个数据中心的电源系统，都需要应对越来越高的功率需求。
这种变化也不会只停留在大型数据中心。随着更多计算进入终端，未来手机、智能手表等便携设备也可能搭载一定规模的AI处理能力，机器人和其他自主系统同样需要进行本地计算。从便携设备一直到数据中心，计算增加都会继续带动功率需求上升。
巴哈伊大约十年前曾用“多个指数的汇合”描述这种现象。计算规模、功率、带宽和无线连接都在增长，只是各自增长速度不同，由此不断产生新的技术缺口。AI数据中心目前正在加快这一过程，也迫使半导体行业在电源管理、互连、集成和器件等方面继续提高性能。
为了满足这些需求，德州仪器正在参与更高效的电源输送、3D集成、CMOS之外的新器件，以及从铜互连向光纤发展的相关技术。巴哈伊还提到，光连接未来可能进一步从板级靠近芯片。超大规模数据中心正在把这些技术推向更高水平，而一旦相关方案得到验证，汽车等其他市场也可能采用。
7. 未来五到十年，AI算法效率可能成为重要创新方向
AI对计算和电力的巨大需求也促使行业重新研究算法效率。巴哈伊认为，未来五到十年，更少依赖计算资源的算法可能成为很有活力的创新领域。他在访谈中提到推理模型、大语言模型和小语言模型，目前已经有很多研究在探索不同模型的资源效率，以及模型参数增加后的实际收益。
在解释这一方向时，巴哈伊把AI与人脑进行了类比。语言、推理和其他任务在人脑中的处理方式并不完全相同，不同功能具有各自适应的处理机制。沿着这种思路继续发展，未来AI也可能针对不同任务使用更加优化的算法，减少对同一种规模庞大模型的依赖。
目前的大语言模型仍然需要投入巨大的计算资源，算法本身还有相当大的优化空间。巴哈伊认为，未来AI效率的继续提高，除了来自芯片和硬件进步，也可能来自算法创新。
8. 一项技术最早为智能电网开发，后来去了电动汽车，现在又进入数据中心
德州仪器覆盖消费电子、数据中心、医疗、工业和汽车等多个市场，这种业务范围使一些技术能够在不同应用之间使用。巴哈伊举出的例子是高压技术，同一种器件或基础技术可以服务于数据中心，也可以用于电动汽车等其他市场，各个市场又会提出自己的具体要求。
高压器件的发展经历更能说明这种研发方式。德州仪器最初启动相关项目时，目标市场是智能电网。随着电动汽车发展，600伏和800伏系统对高压器件产生新的需求；此后数据中心功率不断上升，这些技术又找到了新的应用场景。最初针对一个市场开发的技术，后来可能在完全不同的市场获得更大的用途。
这种情况也决定了半导体研发必须提前进行。巴哈伊提到，一种新的器件通常需要五六年才能开发出来。企业如果等到AI或其他新市场已经大规模出现以后才启动研究，就会落在市场需求后面。企业很难提前判断一项技术未来的主要应用市场，但可以沿着高压、功率、带宽等长期变化提前准备。
9. 自动驾驶和机器人的落地往往慢于早期预期
很多重大技术进入市场的时间都比最初预测更长，其中一个原因，是最终产品往往依赖多种技术同时成熟。巴哈伊用智能手机作了说明。今天人们已经习惯触摸屏、无线通信和强大的移动计算能力，但形成智能手机的显示、触摸、连接、玻璃等技术都分别经历了很长时间的发展，早期也曾有人尝试制造类似产品，只是当时各项技术还没有达到足够成熟的程度。
自动驾驶也经历了类似过程。巴哈伊回忆，大约十年前，他曾和一些汽车企业参加讨论，当时有人认为几年之内就会进入完全自动驾驶阶段。十多年过去，这项技术仍在继续发展，一些地区已经出现更多应用，但距离广泛普及还有距离。自动驾驶依赖传感器、计算能力、控制技术、可靠性、安全性以及大量细节共同成熟，整个过程也因此比早期预测花费更长时间。
机器人面临的情况同样复杂。这个概念已经存在几十年，机器人走向更广泛应用，还依赖电机驱动、传感、分析、可靠性和重复精度等条件逐步成熟。巴哈伊把这些技术的发展形容为不同方向各自推进，最终在某个时间汇合，智能手机、自动驾驶和数据中心的发展都具有这种特点。
10. 工程师经常能够绕过过去认为无法跨越的限制
几十年的半导体研发经历还让巴哈伊形成了另一个判断。科学家有时会依据物理规律判断某种技术已经接近极限，但工程师可能找到其他实现方法，继续推动性能提高。他回忆，十到十五年前曾有知名物理学家认为芯片尺寸无法继续缩小到某个程度，而现在半导体工艺已经进入2纳米。
巴哈伊把这种情况与AI的发展联系起来。目前AI的发展同时依赖大规模计算、数据和算法，这三个方向都还在继续变化。特别是在AI这样高度跨学科的领域，大量研究人员仍在不断寻找新的技术路径，因此十年以后的技术面貌很可能与今天有很大不同，目前还无法准确描述届时的具体形态。
11. 生成式AI正在同时推动计算、存储和电源系统升级
生成式AI出现以后，大语言模型带来的大量参数和数据处理需求首先增加了计算量。随着计算规模扩大，存储容量、存储带宽和系统供电也随之承受更大压力。
这些需求最终会影响多个半导体环节。计算、存储、供电和互连相互关联，一项新的AI算法大规模应用以后，对硬件的要求也会随之变化。德州仪器因此同时推进新的器件、技术、电路和制造能力，以便在新的计算需求出现以后能够提供相应的基础技术。
12. 人形机器人需要的远远不只是一个“大脑”
过去的工业机器人通常被放在围栏里面，从一个位置移动到另一个位置，执行高度重复的工作。这类机器人对周围环境缺乏足够感知能力，而且自身重量和力量都很大，因此需要与人员隔离。随着协作机器人开始与人一起工作，机器人需要具备更多环境感知和判断能力。
当机器人能够在周围有人活动的环境中移动以后，传感器、AI和本地计算的重要性都会提高。巴哈伊特别提到，一些情况要求机器人迅速作出反应，无法把数据全部发送到云端，等待服务器分析以后再把结果传回来，因此机器人必须具备本地推理和处理能力。与此同时，传感系统也要更加可靠，对周围环境保持更充分的感知。
移动机器人还面临固定工业机器人没有的另一项约束。过去的大型机器人可以连接电源工作，而移动机器人、无人机以及其他自主系统需要依靠电池运行，这对电机效率、功耗、本地计算和成本都提出了新的要求。德州仪器目前也在围绕传感、电机驱动、本地处理和功率管理等方向开展工作，使这些技术能够满足机器人、无人机和其他自主系统的计算、功耗和成本要求。
巴哈伊在整场访谈中反复谈到，具体市场很难提前十年预测，支撑这些市场的长期技术变化则往往更早显现。企业很难提前判断生成式AI的爆发时间，也很难准确判断人形机器人进入更大规模应用的时间，但功率密度持续提高、通信带宽继续增长、本地计算增加、传感要求上升，这些变化已经持续很多年。
德州仪器最初为智能电网开发的高压技术后来进入电动汽车，现在又被用于数据中心，正好体现了巴哈伊所谈到的这种研发思路。企业未必能够提前判断下一轮市场的主流产品形态，但相关技术需要五六年才能完成开发，在市场出现以前提前准备，也就成为半导体研发中长期存在的现实要求。