半导体行业经历了一系列根本性发展，重点在于突破传统设计的极限。近期的一项技术评述揭示了芯片设计、制造和测试方式的深刻变革，其中人工智能和异构系统的作用日益凸显。
向异构设计和小芯片的转型
随着行业转向基于小芯片（Chiplets）的设计，来自 Siemens 的专家强调，“系统技术协同优化”（STCO）和多物理场分析（Multiphysics analysis）已成为当务之急。这一趋势旨在解决异构设计所带来的散热、能耗和集成挑战等瓶颈。
在此背景下，Amkor 的专家指出，高性能处理器不再是单一的芯片，而是本身就成为了集成系统，这需要更复杂的封装和设计策略。
物理人工智能与自动设计的挑战
“物理人工智能”（Physical AI）的概念正成为最重要的核心领域之一；Synopsys 的专家认为，这类系统需要一种新的工程方法，使用兼顾物理定律的综合方法将硅片、传感器、软件、机械和能源融为一体。
然而，在设计生成过程中（如生成 RTL 或提出修改建议）越来越多地依赖人工智能，这也给验证阶段带来了新的挑战。Cadence 指出，核心问题不再是人工智能是否有能力进行设计，而是自动生成的设计在多大程度上能够满足严格的要求和标准，这给验证（Verification）流程带来了更大的负担。
制造与网络互联创新
在制造方面，Lam Research 展示了诸如自对准 CFET 工艺序列等技术，以改善小型工艺节点下的存储器（SRAM）和逻辑性能。Intel Foundry 的专家还讨论了集成稳压器在降低电流密度和提高能效方面的作用。
在网络互联领域，Keysight 强调，“张量并行”（Tensor parallelism）是任何扩展架构（Scale-up fabric）都必须掌握的第一个也是最基本的维度——无论是依赖 NVLink 还是 Ethernet——以确保人工智能系统中数据传输的高效性。
实际发生了哪些变化？
这种转变意味着芯片工程不再局限于优化晶体管尺寸，而是转向了系统级整体优化。对于工程师和制造商而言，这要求做到以下几点：
- 从单一设计转向分布式设计：依赖小芯片需要能够预测不同部件之间热电相互作用的仿真工具。
- 重新定义验证：随着人工智能进入设计流程，验证（Validation）工具将成为确保自动设计质量的第一道防线。
- 物理与软件的融合：硬件设计再也不能与软件和机械行为割裂开来，在物理人工智能应用中尤其如此。