據(jù)報道，臺積電在推出3D SoIC后端服務后，還開發(fā)了主要用于超級計算AI芯片的InFO_SoW（晶圓上系統(tǒng)）技術，并有望在兩年內(nèi)以InFO（集成式扇出封裝技術）衍生的工藝開始量產(chǎn)。此前，臺積電已與Cerebras達成合作，InFO衍生的工藝開始量產(chǎn)意味著臺積電可能在兩年內(nèi)開始商業(yè)化生產(chǎn)專用于超級計算機的AI芯片。

這款從去年推出就備受矚目的超級AI芯片若進入商業(yè)化，機器學習或將邁入新臺階。

制造“超級”AI芯片，面臨互連難題

此次臺積電計劃生產(chǎn)的AI芯片，其實是由一家初創(chuàng)人工智能公司Cerebras Systems在去年推出的世界上最大的半導體芯片，該芯片擁有1.2萬億個晶體管，40萬個核心，面積為46225平方毫米，片上內(nèi)存18G，是目前面積最大芯片英偉達GPU的56.7倍，并多78個計算內(nèi)核。

根據(jù)Cerebras的說法，該芯片是目前唯一的萬億級晶體管晶圓級處理器，基于該芯片推出的CS-1系統(tǒng)可以提供比其他系統(tǒng)更少的空間和功耗的計算性能，相當于標準數(shù)據(jù)中心機架的三分之一，同時取代對數(shù)十萬個GPU的需求。

Cerebras之所以推出這款AI芯片，主要是針對深度學習的工作負載。當今人工智能的發(fā)展受訓練模型所需花費時間的限制，如何縮短訓練時間是整個行業(yè)共同面臨的問題。目前大多數(shù)芯片都是在12英寸的硅晶圓上制成的芯片的集合，并在芯片工廠批量加工，但Cerebras芯片卻是采用互連的方法將所有內(nèi)核放在同一塊硅晶圓上，使得數(shù)據(jù)移動快速且低功耗。

另一方面，Cerebras將所需的數(shù)據(jù)存儲在處理器芯片上而非單獨的存儲芯片上，這也就意味著，該款芯片能將原本需要幾個月的訓練縮短到幾分鐘，推理能力也更強。

所有這些改進，都指向制造出盡可能大的芯片。但芯片越大，可能出現(xiàn)的缺陷也就越多。這就要求在制造該款芯片的過程中，盡可能解決一些難題。例如，光刻工具是旨在將其特定的圖案一遍又一遍地投射到較小的矩形框內(nèi)，由于在晶圓的不同位置刻蝕不同圖案的成本和難度，限制了在同一個晶圓上構建不同的系統(tǒng)。

對于這款超級計算芯片而言，最大的挑戰(zhàn)在于芯片互連。這要求芯片制造商能夠在每個芯片周圍留下空白硅的窄邊，這一窄邊稱為劃線?；谶@一難題，Cerebras與臺積電展開了合作。

臺積電先進封裝技術有望實現(xiàn)“超級”AI芯片量產(chǎn)

在臺積電與Cerebras的合作中，其集成式扇出封裝技術（InFO）發(fā)揮著重要作用。

集成式扇出封裝技術到底是什么呢？

從技術特點來看，先進的晶圓封裝技術分為扇入型（Fat-in）和扇出型（Fan-out）兩種，傳統(tǒng)的晶圓級封裝多采用扇入型結構，完成再布線并形成與外部互連的焊球，主要應用于I/O引腳數(shù)量較少的集成電路芯片。但隨著終端用戶對產(chǎn)品性能的要求日趨增多，摩爾定律下工藝節(jié)點不斷推進，滿足要求的芯片需要更多的I/O引腳，傳統(tǒng)扇入型封裝已不符合要求，扇出型晶圓級封裝方式應運而生。

扇出型封裝突破I/O引出端數(shù)目的限制，通過晶圓重構增加單個封裝體面積，之后應用晶圓級封裝的先進制造工藝完成多層再布線和凸點制備，切割分離后得到能夠與外部帶性能互連的封裝體。

不同廠商的技術各有差異，就臺積電而言，在扇出型晶圓封裝領域開發(fā)出了集成式扇出封裝技術（InFO），并于2014年宣布量產(chǎn)。臺積電采用的扇出型封裝技術，舍棄了原本扇入型封裝所使用的印刷電路版，直接將NAND、邏輯IC、RF射頻等器件嵌入晶圓，這就意味著，依靠扇出型封裝技術所得到的芯片厚度和成本都減少。

根據(jù)臺積電的說法，其扇出型封裝技術使芯片厚度減少20%，成本降低30%，同時互連功耗降低15%。以較小的功耗實現(xiàn)巨大的連接性，這正是超級計算AI芯片所需解決的問題。

盡管扇出型封裝技術比扇入型封裝先進，但考慮到安全性等因素，目前市場上只有手機應用處理器使用扇出型封裝，CPU和邏輯IC等依然使用扇入型封裝?；谄涑杀九c厚度優(yōu)勢，未來，可能會有越來越多的芯片采用扇出型封裝技術。此次臺積電與Cerebras的合作，也為扇出型封裝技術開拓了新市場。

小結

預計Cerebras晶圓的成本為200萬美元，價格昂貴，這一AI芯片就算實現(xiàn)量產(chǎn)也無法在短時間內(nèi)大量普及，但其學習能力和推理能力確實值得我們期待，這似乎是賽博時代機器走向人類的一大步，如同我們對5G世界的想象一樣，當機器學習變得更加容易，我們的世界將會是什么樣子？
責任編輯：tzh