اخبار صنعت: ادغام‌ها و اکتساب‌های صنعت نیمه‌هادی جهانی دوباره در حال افزایش است

MCU+AI: روندی اجتناب‌ناپذیر

STMicroelectronics با تمرکز بر هوش مصنوعی لبه‌ای، Deeplite را تصاحب کرد

در آوریل امسال، شرکت STMicroelectronics (ST) استارتاپ هوش مصنوعی کانادایی Deeplite را خریداری کرد که توجه صنعت را به خود جلب کرد. همانطور که همه ما می‌دانیم، چالش اصلی پیش روی مدل‌های یادگیری عمیق در استقرار تجاری، مقیاس عملیاتی، الزامات پردازنده و شدت مصرف برق آنهاست. Deeplite با ارائه یک موتور نرم‌افزاری خودکار برای بهینه‌سازی مدل‌های DNN (شبکه عصبی عمیق) این مشکل را حل می‌کند و به هوش مصنوعی این امکان را می‌دهد که محاسبات لبه‌ای را روی هر دستگاهی انجام دهد.

شرکت دیپلایت که در سال ۲۰۱۷ تأسیس شد، به خاطر راهکار هوش مصنوعی لبه‌ای خود، DeepSeek، که بر بهینه‌سازی، کوانتیزاسیون و فشرده‌سازی مدل‌های هوش مصنوعی تمرکز دارد، شناخته می‌شود. بهینه‌ساز نوآورانه مبتنی بر هوش مصنوعی آن، Neutrino، می‌تواند مدل‌های بزرگ یادگیری عمیق را به یک دهم اندازه اصلی خود فشرده کند و در عین حال دقت بیش از ۹۸٪ را حفظ کند. از طریق سه فناوری کلیدی - هرس وزن (حذف پارامترهای اضافی)، کوانتیزاسیون (کاهش الزامات دقت محاسباتی) و پراکندگی (افزایش نسبت وزن‌های با مقدار صفر)، مدل‌های بزرگ هوش مصنوعی می‌توانند سریع‌تر، کوچک‌تر و با بهره‌وری انرژی بیشتر در دستگاه‌های لبه‌ای اجرا شوند. برنامه‌هایی که قبلاً به قابلیت‌های محاسبات ابری نیاز داشتند، اکنون می‌توانند به راحتی روی دستگاه‌های لبه‌ای مانند دوربین‌های گوشی‌های هوشمند و حسگرهای صنعتی اجرا شوند.

دیپ‌لایت در روزهای اولیه فعالیت خود توجه زیادی را به خود جلب کرده و توسط گارتنر، فوربس، اینساید ای‌آی و آرم ای‌آی به عنوان یک نوآور پیشرو در حوزه هوش مصنوعی معرفی شده است. این خرید ارتباط نزدیکی با تحول استراتژیک STMicroelectronics به سمت هوش مصنوعی لبه‌ای دارد که سخت‌افزار و نرم‌افزار را به شیوه‌ای "مارپیچ دوگانه" ترکیب می‌کند. فناوری بهینه‌سازی مدل دیپ‌لایت عمیقاً با MCUهای سری STM32 و NPUهای اختصاصی STMicroelectronics ادغام شده است تا از ساخت راه‌حل‌های هوش مصنوعی سرتاسری پشتیبانی کند. به عنوان مثال، در سناریوهای کارخانه هوشمند، دوربین‌های مجهز به تراشه‌های STMicroelectronics می‌توانند مستقیماً بدون بارگذاری داده‌ها در فضای ابری، نقص‌ها را تشخیص دهند و سرعت پاسخ‌دهی 40 برابر افزایش می‌یابد.

از سوی دیگر، دیپ‌لایت یک تیم جهانی از مهندسان الگوریتم هوش مصنوعی دارد که از طریق آنها، ST بیش از ۲۰۰ ابزار توسعه هوش مصنوعی لبه‌ای را برای تشکیل یک اکوسیستم توسعه یکپارچه از «کتابخانه مدل-بهینه‌ساز-پلتفرم سخت‌افزار» ادغام خواهد کرد. به طور خلاصه، خرید دیپ‌لایت نه تنها آخرین قطعه پازل ST را در سطح نرم‌افزار هوش مصنوعی تکمیل می‌کند، بلکه نشان‌دهنده تغییر پارادایم صنعت نیمه‌هادی از «ساخت تراشه» به «ساخت مغز» نیز هست.

NXP شرکت Kinara، تولیدکننده NPU، را برای تغییر جایگاه لبه هوشمند خریداری می‌کند.

در فوریه امسال، NXP از خرید استارتاپ آمریکایی Kinara در حوزه تراشه‌های هوش مصنوعی لبه‌ای با مبلغ 307 میلیون دلار پول نقد خبر داد. Kinara در سال 2013 تأسیس شد و در ابتدا Core Viz نام داشت، بعداً به Deep Vision تغییر نام داد و در سال 2022 به Kinara تغییر نام داد. NPU گسسته Kinara (شامل Ara-1 و Ara-2) در عملکرد و بهره‌وری انرژی پیشرو در صنعت است و آن را به راهکار ترجیحی برای برنامه‌های نوظهور هوش مصنوعی که مبتنی بر بینایی، صدا، اشاره و سایر پیاده‌سازی‌های مختلف هوش مصنوعی مولد هستند، تبدیل می‌کند و قابلیت برنامه‌ریزی آن تضمین می‌کند که می‌تواند با الگوریتم‌های هوش مصنوعی در حال تکامل سازگار شود.

NXP اعلام کرد که این خرید، NPU مستقل Kinara را با پردازنده، اتصال و مجموعه نرم‌افزارهای امنیتی خود ترکیب خواهد کرد که به ارائه یک پلتفرم هوش مصنوعی کامل و مقیاس‌پذیر از TinyML گرفته تا هوش مصنوعی مولد برای پاسخگویی به نیازهای رو به رشد هوش مصنوعی در بازارهای صنعتی و خودرو کمک خواهد کرد. این امر به ایجاد سیستم‌های جدید مبتنی بر هوش مصنوعی در حوزه‌های صنعتی و اینترنت اشیا کمک می‌کند، به مشتریان در ساده‌سازی پیچیدگی‌ها، تسریع زمان عرضه به بازار و افزایش قابلیت‌های فنی در حوزه‌هایی مانند خودروهای هوشمند کمک می‌کند و به سمت حوزه‌های با ارزش افزوده بالا حرکت می‌کند.

هوش مصنوعی لبه‌ای: میدان نبردی برای تولیدکنندگان MCU

مدت‌هاست که در حوزه هوش مصنوعی این تصور غلط وجود دارد که «مقیاس، قدرت است». اگرچه مدل‌های بزرگ عملکرد عالی دارند، اما در استقرار واقعی با چالش‌هایی روبرو هستند - مصرف بالای انرژی آنها برخلاف الزامات سبک وزن در سمت لبه است. کارشناسان صنعت بارها به محدودیت‌های ذاتی سناریوهای کاربرد مدل‌های بزرگ اشاره کرده‌اند: از یک سو، آموزش و اجرای مدل‌های بزرگ به منابع محاسباتی عظیم نیاز دارد؛ از سوی دیگر، حوزه‌های کلیدی برای ارتقای صنعتی‌سازی هوش مصنوعی دقیقاً محاسبات لبه و دستگاه‌های ترمینال هستند که نسبت به مصرف برق و تأخیر حساس‌ترند.

درک این نکته دشوار نیست که موارد فوق نشان می‌دهد میدان اصلی نبرد MCU در حال تغییر به محاسبات هوش مصنوعی لبه‌ای است. انتظار می‌رود تا سال ۲۰۲۵، ۷۵٪ از داده‌ها در لبه پردازش شوند که پتانسیل عظیم بازار MCU هوش مصنوعی لبه‌ای را برجسته می‌کند. این نشان می‌دهد که تقاضا برای محاسبات هوش مصنوعی لبه‌ای به سرعت در حال رشد است و MCU، به عنوان جزء اصلی دستگاه‌های لبه‌ای، نقش کلیدی در این روند ایفا خواهد کرد.

در آینده، MCUها دیگر محدود به عملکردهای کنترل سنتی نخواهند بود، بلکه به تدریج قابلیت‌های استدلال هوش مصنوعی را ادغام کرده و در سناریوهایی مانند تشخیص تصویر، پردازش صدا و نگهداری پیش‌بینی‌کننده تجهیزات به کار خواهند رفت. MCUهایی با قابلیت محاسبات لبه‌ای با مصرف برق کم، راندمان بالا و پاسخ فوری خود، به حامل مهمی از قدرت محاسبات لبه‌ای تبدیل می‌شوند و پشتیبانی قوی‌تری را برای دستگاه‌ها و سیستم‌های هوشمند فراهم می‌کنند.

سایر تولیدکنندگان بزرگ میکروکنترلر نیز به طور فعال در حال خرید و رقابت در این زمینه هستند، مانند خرید Reality AI توسط Renesas Electronics، خرید Imagimob سوئد توسط Infineon و راه‌اندازی نرم‌افزار یادگیری ماشین eIQ و زنجیره ابزار هوش مصنوعی NANO توسط NXP.

می‌توان نتیجه گرفت که هوش مصنوعی لبه‌ای (edge ​​AI) در چند سال آینده به یک میدان نبرد کلیدی برای MCUها تبدیل خواهد شد.

الکترونیک خودرو: کانون رقابت سرمایه

اخیراً، ادغام‌ها و اکتساب‌های نیمه‌هادی مرتبط با کاربردهای خودرو به طور مکرر ظاهر شده‌اند. علاوه بر قدرت محاسباتی، تکامل سیستم انتقال قدرت خودرو، اتصال شبکه درون خودرو، سیستم صوتی درون خودرو و سایر فناوری‌ها نیز باعث تکرار و به‌روزرسانی فناوری نیمه‌هادی شده و شرکت‌های مرتبط را بر آن داشته است تا از طریق ادغام‌ها و اکتساب‌ها، طرح فناوری خود را تکمیل کنند.

صنعت نیمه‌هادی‌ها یک صنعت معمول مبتنی بر فناوری و سرمایه است. با نگاهی به چند دهه گذشته، ادغام و یکپارچه‌سازی به یک روند اجتناب‌ناپذیر در توسعه این صنعت تبدیل شده است.

غول‌های هوش مصنوعی اغلب در تلاش برای بهبود طرح فناوری خود و ایجاد یک مزیت کامل از "تراشه + سیستم + اکوسیستم" اقدام به خرید شرکت‌های دیگر می‌کنند. تولیدکنندگان اصلی MCU به تدریج در حال تبدیل شدن به هوش مصنوعی لبه‌ای هستند و سعی می‌کنند بازار ترمینال هوشمند را با مصرف برق کم و انعطاف‌پذیری بالا به دست گیرند. در حوزه خودرو، محاسبات درون خودرو، رانندگی خودکار و اتصال داده‌ها به حوزه‌های کلیدی رقابت سرمایه تبدیل شده‌اند. در عین حال، صنعت EDA از ارائه ابزار به ساخت یک اکوسیستم در حال تغییر است. غول‌ها فرآیندهای مالکیت فکری و طراحی را ادغام می‌کنند و از طریق معماری "معماری ابزار استاندارد" تسلط بر بازار را ایجاد می‌کنند.

در این موج ادغام و اکتساب، همکاری در فناوری، گسترش بازار و تسلط بر اکوسیستم به منطق اصلی تبدیل شده است. شرکت‌ها باید در بحبوحه هجوم سرمایه، بین ادغام کوتاه‌مدت و تحقیق و توسعه بلندمدت تعادل برقرار کنند. با توجه به موانع فناوری و ماهیت سرمایه‌بر صنعت نیمه‌رساناها، این تحول یک «راه میان‌بر» نیست، بلکه یک «ماراتن» است که نیاز به سرمایه‌گذاری بلندمدت دارد.