軟體吞噬硬體的 AI 時代，晶片跟不上演算法的進化要怎麼辦？

作者 品玩 | 發布日期 2021 年 02 月 23 日 8:00 |

身為 AI 時代的幕後英雄，晶片業正經歷漸進持續的變化。

2008 年之後，深度學習演算法逐漸興起，各種神經網絡滲透到手機、App 和物聯網。同時摩爾定律卻逐漸放緩。摩爾定律雖然叫定律，但不是物理定律或自然定律，而是半導體業發展的觀察或預測，內容為：單晶片整合度（積體電路中晶體管的密度）每 2 年（也有 18 個月之說）翻倍，帶來性能每 2 年提高 1 倍。

保證摩爾定律的前提，是晶片製程進步。經常能在新聞看到的 28 奈米、14 奈米、7 奈米、5 奈米，指的就是製程，數字越小製程越先進。隨著製程的演進，特別進入10 奈米後，逐漸逼近物理極限，難度越發增加，晶片全流程設計成本大幅增加，每代較上一代至少增加 30%~50%。

這就導致 AI 對算力需求的增長速度，遠超過通用處理器算力的增長速度。據 OpenAI 測算，從 2012 年開始，全球 AI 所用的演算量呈現等比級數增長，平均每 3.4 個月便會翻 1 倍，通用處理器算力每 18 個月至 2 年才翻 1 倍。

當通用處理器算力跟不上 AI 演算法發展，針對 AI 演算的專用處理器便誕生了，也就是常說的「AI 晶片」。目前 AI 晶片的技術內涵豐富，從架構創新到先進封裝，再到模擬大腦，都影響 AI 晶片走向。這些變化的背後，都有共同主題：以更低功耗，產生更高性能。

更靈活

2017 年圖靈獎頒給電腦架構兩位先驅 David Petterson 和 John Hennessy。2018 年圖靈獎演講時，他們聚焦於架構創新主題，指出演算體系結構正迎來新的黃金 10 年。正如他們所判斷，AI 晶片不斷出現新架構，比如英國 Graphcore 的 IPU──迥異於 CPU 和 GPU 的 AI 專用智慧處理器，已逐漸被業界認可，並 Graphcore 也獲得微軟和三星的戰略投資支援。

名為 CGRA 的架構在學界和工業界正受到越來越多關注。CGRA 全稱 Coarse Grained Reconfigurable Array（粗顆粒可重構陣列），是「可重構計算」理念的落地產物。

據《可重構計算：軟體可定義的計算引擎》一文介紹，理念最早出現在 1960 年代，由加州大學洛杉磯分校的 Estrin 提出。由於太過超前時代，直到 40 年後才獲得系統性研究。加州大學柏克萊分校的 DeHon 等將可重構計算定義為具以下特徵的體系結構：製造後晶片功能仍可客製，形成加速特定任務的硬體功能；演算功能的實現，主要依靠任務到晶片的空間映射。

簡言之，可重構晶片強調靈活性，製造後仍可透過程式語言調整，適應新演算法。形成高度對比的是 ASIC（application-specific integrated circuit，專用積體電路）。ASIC 晶片雖然性能高，卻缺乏靈活性，往往是針對單一應用或演算法設計，難以相容新演算法。

2017 年，美國國防部高級研究計劃局（Defence Advanced Research Projects Agency，DARPA）提出電子產業復興計劃（Electronics Resurgence Initiative，ERI），任務之一就是「軟體定義晶片」，打造接近 ASIC 性能、同時不犧牲靈活性。

照重構時的顆粒分別，可重構晶片可分為 CGRA 和 FPGA（field-programmable gate array，現場可程式語言邏輯門陣列）。FPGA 在業界有一定規模應用，如微軟將 FPGA 晶片帶入大型資料中心，用於加速 Bing 搜索引擎，驗證 FPGA 靈活性和演算法可更新性。但 FPGA 有局限性，不僅性能和 ASIC 有較大差距，且重程式語言門檻比較高。

CGRA 由於實現原理差異，比 FPGA 能做到更底層程式的重新設計，面積效率、能量效率和重構時間都更有優勢。可說 CGRA 同時整合通用處理器的靈活性和 ASIC 的高性能。

隨著 AI 演算逐漸從雲端下放到邊緣端和 IoT 設備，不僅演算法多樣性日益增強，晶片更零碎化，且保證低功耗的同時，也要求高性能。在這種場景下，高能效高靈活性的 CGRA 大有用武之地。

由於結構不統一、程式語言和編譯工具不成熟、易用性不夠友善，CGRA 未被業界廣泛使用，但已可看到一些嘗試。早在 2016 年，英特爾便將 CGRA 納入 Xeon 處理器。三星也曾嘗試將 CGRA 整合到 8K 電視和 Exynos 晶片。

中國清微智慧 2019 年 6 月量產全球首款 CGRA 語音晶片 TX210，同年 9 月又發表全球首款 CGRA 多模態晶片 TX510。這家公司脫胎於清華大學魏少軍教授起頭的可重構計算研究團隊，從 2006 年起就進行相關研究。據芯東西 2020 年 11 月報導，語音晶片 TX210 已出貨數百萬顆，多模組晶片 TX510 在 11 月也出貨 10 萬顆以上，主要客戶為智慧門鎖、安防和臉部支付相關廠商。

先進封裝上位

如開篇提到，由於製程逼近物理極限，摩爾定​​律逐漸放緩。同時 AI 演算法的進步，對算力需求增長迅猛，逼迫晶片業在先進製程之外探索新方向，之一便是先進封裝。

「在大數據和認知計算時代，先進封裝技術正在發揮比以往更大的作用。AI 發展對高效能、高吞吐量互連的需求，正透過先進封裝技術加速發展來滿足。 」世界第三大晶圓代工廠格羅方德平台首席技術專家 John Pellerin 聲明表示。

先進封裝是相對於傳統封裝的技術。封裝是晶片製造的最後一步：將製作好的晶片器件放入外殼，並與外界器件相連。傳統封裝的封裝效率低，有很大改良空間，而先進封裝技術致力提高整合密度。

先進封裝有很多技術分支，其中 Chiplet（小晶片／芯粒）是最近 2 年的大熱門。所謂「小晶片」，是相對傳統晶片製造方法而言。傳統晶片製造方法，是在同一塊矽晶片上，用同一種製程打造晶片。Chiplet 是將一塊完整晶片的複雜功能分解，儲存、計算和訊號處理等功能模組化成裸晶片（Die）。這些裸晶片可用不同製程製造，甚至可是不同公司提供。透過連接介面相接後，就形成一個 Chiplet 晶片網路。

據壁仞科技研究院唐杉分析，Chiplet 歷史更久且更準確的技術詞彙應該是異構整合（Heterogeneous Integration）。總體來說，此技術趨勢較清晰明確，且第一階段 Chiplet 形態技術較成熟，除了成本較高，很多高端晶片已經在用。

如 HBM 儲存器成為 Chiplet 技術早期成功應用的典型代表。AMD 在 Zen2 架構晶片使用 Chiplet 思路，CPU 用的是 7 奈米製程，I/O 使用 14 奈米製程，與完全由 7 奈米打造的晶片相比成本約低 50%。英特爾也推出基於 Chiplet 技術的 Agilex FPGA 系列產品。

不過，Chiplet 技術仍面臨諸多挑戰，最重要之一是互連介面標準。互連介面重要嗎？如果是在大公司內部，比如英特爾或 AMD，有專用協議和封閉系統，在不同裸晶片間連接問題不大。但不同公司和系統互連，同時保證高頻寬、低延遲和每比特低功耗，互連介面就非常重要了。

2017 年，DARPA 推出 CHIPS 戰略計劃（通用異構整合和 IP 重用戰略），試圖打造開放連接協議。但 DARPA 的缺點是，側重國防相關計畫，晶片數量不大，與真正商用場景有差距。因此一些晶片業公司成立組織「ODSA（開放領域特定架構）工作組」，透過制定開放的互連介面，為 Chiplet 的發展掃清障礙。

另闢蹊徑

除了在現有框架內做架構和製造創新，還有研究人員試圖跳出電腦現行的范紐曼型架構，開發真正模擬人腦的計算模式。

范紐曼架構，數據計算和儲存分開進行。RAM 存取速度往往嚴重落後處理器的計算速度，造成「記憶體牆」問題。且傳統電腦需要透過總線，連續在處理器和儲存器之間更新，導致晶片大部分功耗都消耗於讀寫數據，不是算術邏輯單元，又衍生出「功耗牆」問題。人腦則沒有「記憶體牆」和「功耗牆」問題，處理訊息和儲存一體，計算和記憶可同時進行。

另一方面，推動 AI 發展的深度神經網路，雖然名稱有「神經網路」四字，但實際上跟人腦神經網路運作機制相差甚遠。1,000 億個神經元，透過 100 萬億個神經突觸連接，使人腦能以非常低功耗（約 20 瓦）同步記憶、演算、推理和計算。相比之下，目前的深度神經網路，不僅需大規模資料訓練，運行時還要消耗極大能量。

因此如何讓 AI 像人腦一樣工作，一直是學界和業界積極探索的課題。1980 年代後期，加州理工學院教授卡弗·米德（Carver Mead）提出神經形態工程學的概念。經過多年發展，業界和學界對神經形態晶片的摸索逐漸成形。

軟體方面，稱為第三代人工神經網路的「脈衝神經網路」（Spike Neural Network，SNN）應運而生。這種網路以脈衝信號為載體，更接近人腦的運作方式。硬體方面，大型機構和公司研發相應的脈衝神經網路處理器。

早在 2008 年，DARPA 就發起計畫──神經形態自適應塑膠可擴展電子系統（Systems of Neuromorphic Adaptive Plastic Sc​​alable Electronics，簡稱 SyNAPSE，正好是「突觸」之意），希望開發出低功耗的電子神經形態電腦。

IBM Research 成為 SyNAPSE 計畫的合作方之一。2014 年發表論文展示最新成果──TrueNorth。這個類腦計算晶片擁有 100 萬個神經元，能以每秒 30 幀的速度輸入 400×240pixel 的影片，功耗僅 63 毫瓦，比范紐曼架構電腦有質的飛躍。

英特爾 2017 年展示名為 Loihi 的神經形態晶片，包含超過 20 億個晶體管、13 萬個人工神經元和 1.3 億個突觸，比一般訓練系統所需的通用計算效率高 1 千倍。2020 年 3 月，研究人員甚至在 Loihi 做到嗅覺辨識。這成果可應用於診斷疾病、檢測武器和爆炸物及立即發現麻醉劑、煙霧和一氧化碳氣味等場景。

中國清華大學類腦計算研究中心的施路平教授團隊，開發針對人工通用智慧的「天機」晶片，同時支持脈衝神經網路和深度神經網路。2019 年 8 月 1 日，天機成為中國第一款登上《Nature》雜誌封面的晶片。

儘管已有零星研究成果，但總體來說，脈衝神經網路和處理器仍是研究領域的方向之一，沒有在業界大規模應用，主要是因為基礎演算法還沒有關鍵性突破，達不到業界標準，且成本較高。

附圖：▲ 不同製程節點的晶片設計製造成本。（Source：ICBank）
▲ 可重構計算架構與現有主流計算架構在能量效率和靈活性對比。（Source：中國科學）
▲ 異構整合成示意動畫。（Source：IC 智庫）
▲ 通用處理器的典型操作耗能。（Source：中國科學）

資料來源：https://technews.tw/2021/02/23/what-to-do-if-the-chip-cannot-keep-up-with-the-evolution-of-the-algorithm/?fbclid=IwAR0Z-nVQb96jnhAFWuGGXNyUMt2sdgmyum8VVp8eD_aDOYrn2qCr7nxxn6I

【抽獎贈書活動】《#極速解決工作難題的心智圖大全》x2本
你想改善自己的職涯發展嗎？你想掌握高績效的職場能力嗎？你想找到翻轉人生的關鍵因素嗎？今天想跟你分享的就是一個能夠用來「整合思維」的好用工具，不僅能夠加深你對事情的理解、釐清腦中紛亂的想法，還能幫助你制定更有條理的策略。這個工具就是「#心智圖」。
部落格圖文版 https://readingoutpost.com/mindmap-book/
.
【為什麼我想讀這本書？】
.
我第一次認真動手畫出「心智圖」，是在讀了「樊登讀書」創辦人樊登的著作《讀懂一本書》之後。在這本書中，樊登說明了他之所以那麼會「說書」，有很大的功勞來自於他善用心智圖來整理讀書心得。所以跟著他的腳步，我也試著畫了很多張讀後心得的心智圖。

畫心智圖這件事情，我採取的是「先行動、後思考」的策略，在累積了一些實作經驗之後，我才接著問自己：「你真的知道心智圖是什麼東西嗎？」為了解答自己的這個問題，我決定求助最熟悉的朋友：「書」。很幸運地，我讀到了一本實用性非常高的書。
.
【這本書在說什麼？】
.
《極速解決工作難題的心智圖大全》這本書的作者是被譽為「心智圖天后」的台灣學習力訓練師胡雅茹（Monica Hu），她寫過許多本心智圖相關的著作，包含如何做深度筆記、增進閱讀吸收、加強考試記憶力，甚至能用來解決職場難題。

我曾經以為，心智圖只是一種寫筆記的方式，但是在這本書裡我卻學到了：「心智圖不是單純的塗鴉或筆記法，而是一種『思考工具』，也是正確使用大腦的方法。」這個工具只要用到熟能生巧、融會貫通，就能激發大腦的思考，幫我們解決生活和工作上任何問題。

在這本書裡，雅茹用了精簡的篇幅介紹了心智圖的好處、功能、畫法、注意事項，然後用大量的實際案例展示了心智圖的用法。書中共有43種常見的應用題，包含探索人生方向、打造競爭優勢、激發創意靈感、維護人際關係、掌握管理要領、減輕心理壓力、規劃下班之後的生活。
.
【心智圖是什麼？】
.
心智圖（Mindmap）是被譽為「大腦先生」的英國心理學家的東尼．博贊（Tony Buzan）於1970年代提出，當時被認為是一種「圖像式輔助思考」的工具。這個方法是在一個平面上，針對一個特定主題出發，用「放射狀」、「分類法」和「條列式」的綜合方法畫出所有相關聯的對象。

由於這種表現的方式，比起單純的文字更加接近人類思考時的「空間性想像」，所以越來越為大家用於創造性思維過程中。雅茹對心智圖的中文有另一種詮釋：「心」代表情緒與感性；「智」代表邏輯與理性。畫心智圖的過程就是一種融合了感性與理性的思考方式。當我們把思考的內容畫下來之後，更容易讓我們聚焦目標、瞭解困難、激發靈感，這就是所謂的「思考的可視化」。
.
【心智圖的功能有哪些？】
.
如何讓自己腦中飄渺不定的思考內容，可以紮紮實實地被記錄下來，甚至加以應用？使用心智圖畫下腦中的想法，就是最簡單有效的方式。當我們看到自己「思考的內容」被呈現在平面的紙張上面，會產生異想不到的六種奇特功能：

1. 整理大腦：快速將雜亂的思緒分類與歸納。
2. 延伸想法：幫助腦中剛萌芽的想法延伸和落實。
3. 聚焦思考：能讓我們看遠、看近，從宏觀聚焦到細節。
4. 找出盲點：檢查思考的過程之中是否有疏漏。
5. 優化想法：把粗糙的原始想法打磨成精美的鑽石。
6. 洞悉慣性：打破無意識的自動駕駛，打破舊的慣性。
.
【畫心智圖的六個步驟？】
.
雅茹給心智圖的定義是：「利用線條與色彩，把關鍵字詞的邏輯關係呈現出來的圖像」，畫一張心智圖具體的六個步驟是：

1. 拿一張白紙，準備三種顏色以上的筆。
2. 把紙張橫放在眼前，在正中央寫下你想探討的「主題」。
3. 換另一個顏色的筆，從右上角寫下第一個「主要關鍵字」，然後從主題處畫出一條線連接到主關鍵字的下方。
4. 用同樣顏色的筆，在主要關鍵字後方，逐一寫下相關的「次要關鍵字」。同一種主要關鍵字的脈絡下，使用同一種顏色。
5. 用順時鐘的方式，換另一個顏色的筆，寫下第二個主要關鍵字，再接著寫次要關鍵字。
6. 鄰近的兩條關鍵字脈絡，避免用同一種顏色的筆。順著這個邏輯，把主題周圍逐漸畫滿。

這個畫法跟我之前常用的「單色」心智圖不同，雅茹建議把「色彩」也考慮進去，可以讓思考更有層次。我練習畫了許多張心智圖之後，最後還是決定使用單色筆。一來是我總是崇尚極簡風格，二來是我的空間概念還不錯，不至於搞混淆不同脈絡的內容，三來是樊登也是用單色的（喂）。
.
【畫心智圖的注意事項】
.
我之前自己在畫心智圖的時候，總是喜歡把關鍵字都「圈起來」，然後才開始連線。但是雅茹卻強烈地建議「千萬不要把關鍵字圈起來，因為會限制了你的想像」。我回頭檢視了自己畫過的圖，再拿出樊登在《讀懂一本書》展示的讀書筆記心智圖，才恍然大悟原來連樊登也沒有把關鍵字圈起來。這或許是一個很小的細節，但是我後來試著不畫圈之後，的確對靈感的發想有起到正面的幫助。

另外，一般而言心智圖是畫給自己看的，是用來跟自己腦袋「對話」的工具，重點不在於精美的畫圖，而是要達到實質的功效。我最近剛好在讀萬維鋼老師的新書《高手學習》，在書中他專門為了心智圖寫了一個段落來探討，他認為：「心智圖，本質上就是思維的草稿圖。更高端的用法則是用心智圖做決策和判斷。」

他進一步說明，大腦的記憶力是有限的，而心智圖就像是大腦的「延伸記憶體」。平常你只能想著四個東西，但是思考某個主題卻要同時考慮八個東西。這時候最好的方法就是把這八個東西都寫下來，擺在眼前輔助思考。

萬維鋼還認為，有時候你不一定要完全照著「條列」和「分類」的規則，你可以偶爾跳脫規矩，把不同區域的關鍵字連結起來，更有助於刺激思考。他總結道：「花俏的裝飾和美觀的外型未必實用，真正的武器身上應該有創傷，有錯誤，有煙硝的味道。」實際畫過就會知道，真正對自己有幫助的心智圖必然是潦草亂的，不求花俏，要求功效。
.
【這本書讓我印象深刻的地方】
.
我除了平常會以心智圖紀錄讀完一本書的收穫之外，反而很少用在其他生活的領域。但是雅茹這本書給了我許多靈感，讓我認識到原來心智圖還可以用在那麼多不同的地方。

像是這本書主打的「解決工作上的難題」，雅茹就用了各種實際的應用案例，讓不同職場階段的讀者都會有所收穫：(1) 小職員，可以用心智圖定位自己的職場技能、盤點競爭優勢、優化工作流程。(2) 管理者，可以用心智圖加強對上級和下屬的溝通、如何避免流程疏漏、如何培育不同特質員工。

另外，讓我耳目一新的是心智圖還可以用來「解決心情上的難題」。例如在工作上遭遇委屈，你可以用「受害者心態」先大肆抒發、宣洩情緒性的字眼寫在紙上，然後再以「旁觀者心態」站在第三人稱的角度，把你遭遇的事情重新寫一遍。使用「前後兩張心智圖」的方式，有助於釐清自己的思緒，分清楚哪些是情緒性字眼、哪些是理性的判斷。書中給出的43種案例，相信能幫到身處不同境遇的讀者們。
.
【後記：值得推廣的思考工具】
.
讀完了《極速解決工作難題的心智圖大全》之後，我重新檢視了自己畫心智圖的方法，也對這個工具有了更多元的認識。如同雅茹引用日本企業講師高橋政史的一句話：「一個人一生之中只要有一到兩種思考框架，將它運用到熟能生巧、融會貫通，就足以處理所有工作上的事物。」

雖然聽起來有點誇張，但是我實際畫過了許多心智圖之後，也漸漸地產生認同，心智圖就是一個這樣的「萬用工具」。無論是基本的筆記和回想功能，或者是中階的思考內容整理，到最進階的輔助決策和判斷，心智圖都能夠釋放腦中原本的束縛，讓思緒飛躍於紙上。

最後，分享給你一句我從書裡讀到的話，引述自美國神經學家詹姆斯．奧斯汀的「凱特琳法則」：「運氣偏好那些採取行動的人，當你廣泛涉獵、積極行動，就會出現各種事件，形成『快樂的意外』。」我想，開始學畫心智圖這件事，就是我這幾個月來，遇到最快樂的意外。
.
【抽獎辦法】感謝 采實文化 心智圖天后 胡雅茹
１、抽出「2本」《極速解決工作難題的心智圖大全》送給閱讀前哨站的讀者們！有興趣的朋友請在底下「按讚留言」，「公開分享」本則動態參加抽獎。
２、留言請寫下：你覺得心智圖有用嗎？你為什麼會想學心智圖？例如：「我認為有用，我想瞭解心智圖可以用在哪些情境」
３、活動時間：即日起至2021/3/3(三)晚上十點截止，隔天在留言中公布名單，隨機抽出2名正取，2名備取。
４、請正取得獎者於2021/3/4(四)晚上十點前，私訊回覆寄件姓名、地址、電話，超過期限未認領由備取遞補，寄送僅限台澎金馬。

到了這種地步, Intel高層有任何選擇嗎? 開放到TSMC下單是不得已而為之的最後解決方法. Intel身為一家上市公司, 對股東有盈利的義務, 但盈利不代表一定要靠自己生產晶片, 就像Jordan打籃球再神也不能只靠自己得分, 有時候關鍵時刻也要分球給Steve Kerr (結果多年後金州勇士隊就在他的教導下崛起了).

Part 2

Intel為什麼會找上台積電代工? 這不是一個突然的決定, 一切都是有跡可循的, 冰凍三尺非一日之寒.

要先說清楚, 找台積電代工有兩種情況, 一種是當初買進來的單位(像英飛凌無線部門) 本來就有一些採用較舊的台積電28nm製程的RF電路, 這種純粹屬於計畫需要, 沒有必要為了轉單而轉單.

而另外一種情況才是Intel本身造成的問題. 要知道產能的規劃是長期的, 環環相扣, 一個環節出問題就會對未來造成影響 - 建廠, 備料, 培訓人員, 調整機台, 等TD (technology development) 把製程配方調出來了, 開始小量試產, 一邊調整良率, 另一方面design team提早一兩年開始設計, 最後在雙方約定好的時間, 設計團隊把藍圖交給晶圓廠, 開始一層一層的光罩慢慢做, 幾週後生產, 封裝, 測試, 然後交貨.

理想的狀況下, Intel 10nm製程開發順暢, 14nm廠一邊量產, 10nm廠一邊慢慢熱身準備就緒, 等到良率達標, 可以開始接大單了, design team在10nm上也差不多設計好了, 然後10nm大門一開, 誰先上? GT先上, 因為GT (Graphic) 圖形處理的架構比較一致, 設計週期比較短, 可以比較快擠出設計藍圖. 然後CPU老大, Server老二陸續進去, 然後10nm產量持續增加, 14nm慢慢騰出產能. 接下來呢?

要知道 Intel 10萬大軍扣掉TMG/CPU/Server, 還有很多鬆散的外圍組織也需要晶片. 這些單位很多都是前CEO BK揮霍老本買進來的敗家收藏, 像是原本還算有點名氣但逐漸被人遺忘的FPGA公司Altera (改名PSG), 為了重返手機市場榮耀買進來的英飛凌無線部門(改名iCDG), 趕流行被當冤大頭買貴了的人工智慧Nervana(改名AIPG), 自動駕駛Mobileye. 扣掉這些大型裝飾, 還有一些基礎IP, IO, 記憶體, 還有小號CPU Atom. 最後就是一些量不大, 一台公車(MPW Shuttle)就可以打發的單位, 像是純做研究/發paper/出新聞稿的Intel Labs, 幫TMG做測試晶片的AD (Advanced Design). 總之, 山頭林立, 無奇不有.

更有甚者, 還有一些不知什麼原因默默地在Intel裡載浮載沉討生活的浪人group, 我認識的一位業內老前輩統稱這些group是後娘養的, 沒人疼的孩子. 這些浪人group其實曾經也是有頭有臉隸屬於正規組織的, 但是這些正規組織被解散了 (像英特爾一時興起的晶圓代工, Intel Custom Foundry), 設計部門的頭目為了手下武士的生計, 只好在Intel裡面幫人打工, 譬如Server部門要做什麼記憶體控制IC, 人手不夠, 就暫時讓浪人group來接這個活. 如果面臨太多競爭, 像是遇到印度班加洛用人海戰術又愛誇口一切沒問題把活搶走了, 或是遇到馬來西亞濱城幹起活來不要命的華人工程師, 那只能摸摸鼻子, 去接一些別人撿剩的朝不保夕的活, 像是幫大陸的廠商做chip, 每天看著川普的臉色等著project被cancel. 看過動物星球頻道的就知道飢餓的時候是沒有選擇的餘地的. Intel內部就是這樣一個弱肉強食的世界.

總之, 這些各式各樣的單位, 就按照對公司的獲利貢獻的重要程度, 來決定要不要排進去10nm或繼續用14nm的多餘產能.

結果世事難料, 10nm delay, Fab空轉, 最重要的CPU/Server/GT怎麼辦? 只好繼續佔用14nm的產能. 最慘的情況來了, TD本來就處在工程師過勞的極限狀態, 以前14nm弄好了, 主力就移師10nm, 留下一小批人力維護14nm, 然後再分出一小隊精銳先鋒去7nm. 現在14nm要繼續搞, 還要搞14nm+, 14nm++, 14nm+++(所謂的擠牙膏), 那分給10nm人數就少了, 7nm就更少了. 硬生生地就讓自己越陷越深.

現在14nm產能都給了公司的命脈CPU/Server, 那其他剩下的單位怎麼辦? 日子還是要過, IC還是要出貨, 為了求生路, 大家就紛紛發難, 勢力相對大一點的iCDG就跳出來說, 我們在英飛凌時代就是用台積電, 合作愉快, 讓我們繼續用吧. AIPG說我們的AI chip不能等, 有多少的data等著我們train, Nvidia都甩過我們好幾條街了, 所以我們一定要用最好的製程, 沒有Intel 10nm就給我TSMC 7nm. 竟然連一些幫Server系統做周邊chip的小咖說話都大聲起來, 不給我們出去, Server也出不了貨, 大家要死一起死!

到了這種地步, Intel高層有任何選擇嗎? 開放到TSMC下單是不得已而為之的最後解決方法. Intel身為一家上市公司, 對股東有盈利的義務, 但盈利不代表一定要靠自己生產晶片.