ZD至顶网CIO与应用频道 11月22日 人物访谈(文/王聪彬):天府之城成都,既有对待生活的巴适,又有川味十足的菜肴,用“成都·都成”来形容恰到好处,它兼容并包,海纳百川。
成都也是中国发展最均衡的城市之一,在2005年英特尔就在成都落户了芯片封装测试工厂,在这里已经封装测试并运送出了超过17亿颗芯片。
不仅如此,在过去的12年里英特尔成都工厂正在产生1:10:100放大的蝴蝶效应,即每投入1元,就能拉动第二产业圈层10元的效益,拉动第三产业圈层100元的效益,包括原材料供应,下游应用的产出,到第四圈层的服务业效应则更加可观。并且随着高端测试技术(Advanced Test Technology)的投产也必将带动英特尔成都全新价值链的提升。
英特尔成都工厂外景
飞驰在成都的“骏马”
2014年12月英特尔宣布将在未来15年内投资16亿美元,称为骏马项目,即对英特尔成都工厂的晶圆预处理、封装及测试业务进行全面升级,并引进“高端测试技术”。
2年后的11月18日,英特尔全球副总裁兼技术与制造事业部总经理安凯乐(Ann B. Kelleher)宣布高端测试正式量产,高端测试不仅让英特尔效率进一步提升,还帮助整个供应链得到进一步优化和调整,在灵活生产、产品交付上进一步提升。
英特尔全球副总裁兼技术与制造事业部总经理安凯乐(Ann B. Kelleher)
电子信息产业是成都高新区经济发展的主导产业,成都高新区党工委书记范毅谈到,英特尔入驻成都促进了一批集成电路设计和制造上下游配套企业在成都的落户和聚集,形成了设计、晶圆、封装、模组、终端、服务的完整产业链。
很多人对于英特尔成都工厂的业务范围有一些模糊,认为只有封装和测试,其主要有四大业务包括:晶圆预处理、封装、测试、高端测试。可以看到在高端测试投产后,传统的测试业务并没有消失,英特尔技术与制造副总裁暨英特尔产品(成都)有限公司总经理卞成刚解释到,我们具体会以流程工艺的不同来区分产品是否需要使用高端测试技术。
英特尔技术与制造副总裁暨英特尔产品(成都)有限公司总经理卞成刚
未来高端测试将搭载在英特尔最先进、最复杂的芯片和产品上,未来4年计划让更多产品使用高端测试技术,当然测试和高端测试也将逐渐融合。
进驻智能互联的所有细分市场
“成都是英特尔重要的战略市场。” 英特尔公司全球副总裁,封装测试制造业务总经理Robin A. Martin(罗宾·马丁)说,政策倾斜、深耕西部和人才是英特尔对成都持续投资的重要因素,成都有一个正确的发展导向。
英特尔公司全球副总裁,封装测试制造业务总经理Robin A. Martin(罗宾·马丁)
据悉16亿美金的投入将在未来15年陆续到位,之后也将持续公布发展计划,其中高端测试的投产将目标锚定在互联市场。
英特尔的战略是进入智能互联的所有细分市场,尤其围绕云计算、物联网、人工智能、无人机、5G生态圈,为数以亿计的各类智能设备、互联设施、云数据中心提供优质的半导体产品。
高端测试技术可以对英特尔的半导体产业进行细分覆盖更大规模的测试领域,并且缩短生产周期,提高产品质量。
卞成刚经常和团队讲“兵马未动,粮草先行”,将整体生产能力、技术充分准备好,等进入所有细分市场时才有能力进行供应。
工厂参观
大家都听说过沙子变成芯片的故事,但由于成都工厂在无尘环境下生产,我们也无法一睹真容,只能在工厂的公共楼道区域参观。
在参观得当天还赶上“老板服务日”,顺便体验一把英特尔的企业文化。英特尔成都目前拥有近2000名员工,其中90%以上是80后、90后新生代员工,除了体验到丰富的活动外还有各种志愿者项目。
上百万美金价值的芯片墙(已报废)
英特尔成都工厂大事时间表
2003年8月,响应中国政府“西部大开发”的战略号召,英特尔宣布投资成都、建立芯片封装测试工厂。
2004年,工厂开工建设,一期投资3.75亿美元。
2005年3月,英特尔增资建设工厂二期工程,投资总额累计达到5.25亿美元。
2009年,英特尔第三次向成都工厂追加投资7500万美元,用于扩大其生产能力,从而使得英特尔在成都的总投资额达到6亿美元。
2014年,英特尔宣布将进一步在未来15年内投资16亿美元,对英特尔成都工厂的晶圆预处理、封装及测试业务进行全面升级,并将英特尔最新的“高端测试技术”引入中国。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。