5G相对于4G网络，就像中国的高铁相对于传统的普通铁路一样，高速率、低延迟和大容量是5G网络的显著特点。3GPP定义了5G的三大技术及应用场景，即：增强的移动宽带(eMBB)，主要针对3D/超高清视频，VR/AR等应用；海量机器通信(mMTC)，主要面向智能可穿戴、智能家居、智慧城市、车联网和行业物联网等物联网应用；高可靠低时延(uRLLC)，主要针对自动驾驶、工业自动化和移动医疗等高可靠性关键应用。5G技术的日益成熟和5G网络的大规模商用部署将驱动AI、大数据和云计算等技术在新兴的视频游戏、VR/AR、AIoT、自动驾驶、智慧城市、工业4.0和医疗成像等应用领域的发展和普及。
2020年5G进入大规模商用阶段，将 首先带动5G手机、无线基站和通信网络系统用芯片和电子元器件的快速发展、技术创新和大批量出货，其中包括：5G手机用Modem和基带芯片、应用处理器、GPU和AI加速器、RF器件和滤波器、图像传感器/摄像头，以及天线等其它组件；由于5G网络工作于更高的频率(sub-6GHz)，5G基站信号衰减快和传输距离短的缺点迫使运营商部署安装至少3倍于4G基站的数量才能实现全覆盖，这会带动基带数字信号处理器件、RF器件、功放器件、天线，以及 电源管理器件(5G基站功耗是4G的2-3倍)的需求增长。
5G网络的高速和低延时特性正好可以解决VR/AR的“用户体验差”痛点，《电子工程专辑》预测这将带动新一轮VR/AR/MR的热潮，Facebook将投入巨资开发头戴设备，甚至收购芯片公司来开发自己的一体化硬件平台；电力和制造行业等巡检操作将会部署AR应用，配合5G网络可以更好地提供远程信息交互及支援；超过30%的展览展示类场景将会提供VR/AR设备、软件、内容和服务；高校和培训机构也将更多采用VR/AR进行课程培训。
5G技术也可以针对制造企业单独组网，助推工业4.0、工业物联网和工业大数据的发展，同时保证企业数据的安全性。此外，5G也将驱动车联网和ADAS/自动驾驶的加速落地，并为远程医疗和医疗成像等新兴应用提供高速、稳定和安全的数据传输。
物联网应用场景的分散和碎片化给传输网络带宽和云端计算能力带来了很大的压力，迫使IoT终端设备具备就地处理数据的能力，这一需求驱动了边缘计算的兴起，也提高了处于边缘设备核心的微处理器的性能，相应地AI处理能力也得以增强。边缘计算可以在物联网设备上收集和分析数据，进行快速推理（或决策），然后只将少量有用的数据传送到云端。这样其延迟时间、带宽消耗和成本将会降低，并且可以根据数据分析快速做出决策。即使系统处于离线状态，边缘计算也可以持续运行，即时进行数据处理并确定应将哪些数据传送到云端做进一步分析。
作为IoT边缘或终端设备的心脏，系统级芯片(SoC)不但要有更好的性能，而且功耗和占用面积都要尽可能低，即需要达到最佳PPA。传统的通用型 MCU/MPU/CPU已经难以满足不同应用场景和PPA要求，边缘计算领域的技术和商用模式创新才能释放AI和算力的潜能。此外，不同应用场景对软件和AI算法的要求各异，虽然在边缘侧增加AI推理功能在技术上已经可行，但还需要定制化的芯片才能实现具有AI增强性能的处理器。中小企业和初创公司更多专注于应用软件和AI算法方面，而大中型企业则更注重边缘计算的生态建设，比如 华为参与或主导行业标准协议制定和软硬件开发环境。
在物联网通信协议方面，全球电信运营商都在力推NB-IoT，特别是中国市场。LoRa、Zigbee、蓝牙和其它通信协议也有各自的发展之道和主要应用领域，但多种标准和协议并存将是未来IoT市场的现状。SoC设计 工程师和微处理器开发商必须考虑多种协议的兼容和支持。
高性能CPU、 智能手机AP、GPU和FPGA一直是14nm以下最先进工艺节点的“尝鲜者”，TSMC的7nm工艺是当前最先进的量产技术，预计2020年5nm工艺将取而代之成为最高端工艺。在这一比建造航母还昂贵的工艺竞赛中，全世界只有TSMC、 三星和 英特尔三家公司在角逐了。接下来是3nm、2nm和1nm节点吗？即便有足够的钱投入研发，摩尔定律的物理极限也已经看到了尽头，那么半导体制造的未来出路在哪里？
2.5D和3D堆叠封装技术已经成为晶圆代工厂、IDM和封测厂商普遍认可的“异构集成”解决方案，因为它可以集成不同工艺节点的裸片，能够满足高、中、低端市场的各种器件的要求。硅通孔(TSV)是最早的堆叠技术之一，目前从TSV到晶圆级堆叠的封装技术竞争主要集中在“TSV”和“TSV-less”之间。针对高性能器件，最流行的2.5D和3D集成技术是3D堆叠存储TSV，以及异构堆叠TSV中介层。TSMC、UMC和格芯等晶圆代工厂商在主导这方面的技术发展，IDM厂商英特尔开发的Foveros技术是一种基于“有源”TSV中介层和3D SoC技术。存储“三巨头”三星、SK海力士和美光则主导3D堆叠存储的竞争和发展。
这些通过堆叠封装被“异构集成”在一个芯片里的裸片实现的功能各异，采用的工艺节点也不一样，但如果采用统一的接口标准进行数据通信和传输，就可以大大简化芯片设计、制造和封装。于是，chiplet(芯粒)概念应运而生，而且开始被半导体业界所接受。美国DARPA专门设立一个CHIPS（通用异构集成和IP复用策略）项目推进chiplet的研发，Intel还开放其AIB(高级接口总线)接口以支持广泛的 Chiplet生态系统。TSMC与Arm合作开发出采用Chip-on-Wafer-on-Substrate (CoWoS)封装技术的7nm chiplet系统，由两个chiplet组成，每个chiplet包含4个Arm Cortex A72处理器和一个片上互联总线。随着晶圆制造和封装异构集成的发展，chiplet有可能从概念演变为一种通用技术和裸片形式，甚至成为后摩尔时代的新型IP。
谷歌的TPU是2017年图灵奖得主John Hennessy和David Patterson倡导的“特定域架构(Domain-Specific Architecture)”的具体体现，它是谷歌针对其云平台的特殊需求，以软件、算法和应用为主导的AI芯片开发范例。从通用型CPU、GPU和FPGA转向专用的SoC和AI加速器芯片是为了应对各种新兴应用的海量数据处理挑战，包括数据中心高性能计算、物联网广泛而零散的应用场景，以及自动驾驶和工业4.0等要求实时处理并决策等。
不光是谷歌、亚马逊和阿里等互联网巨头和hypescaler云计算服务商开始开发自己的专用芯片，特斯拉也在开发自己的“完全自驾(FSD)”芯片。这些非标准、非售卖的芯片是为了满足这些公司特定的应用需求而定制开发的，因为他们无法从传统芯片厂商那里买到想要的芯片。就连传统的FPGA大厂赛灵思也开始转型，从芯片往平台型公司转变，其重心将转向高性能的数据中心和对计算有严格且灵活性要求的特定应用领域，所提供的产品也从FPGA芯片扩展到软件、AI算力和平台服务。
VC对半导体行业的投资从2017开始迅猛增长，AI芯片初创企业最受VC青睐。不过未来2-3年，这些获得巨额 融资的AI独角兽们就要拿着芯片到处找应用场景了。融资额高达6亿美元的地平线开始在自动驾驶和AIoT领域深耕，而倡导计算图(graphs，代表的是知识模型和应用，所有机器学习模型都用graph的形式来表达)理念的Graphcore则在其投资者Dell EMC和微软那里找到了其IPU的用武之地。还有很多其它AI芯片初创公司正在寻找着自己的"sweet spot"。
从计算机指令集架构(ISA)的角度来看，x86和Arm是历史的选择，但接下来将是加大伯克利Patterson教授宣称的“计算机架构的黄金十年”。支配集成电路发展多年的摩尔定律正在走向终结，支持计算机发展多年的冯诺依曼架构也开始凸显其局限性，通用型CPU、GPU、FPGA和ASIC都有各自的专长和局限，异构计算在此基础上又增加了计算的复杂性，要应对新兴应用提出的这些挑战就要从根本上进行架构创新。
RISC-V掀起了开源硬件和开放芯片设计的热潮，现已得到全球很多大中企业、科研机构和初创公司的支持，围绕RISC-V成长起来的生态和社区也发展迅猛，从基础RISC-V ISA、内核IP到开发环境和软件工具，以及风险投资都在推动RISC-V生态的进一步扩大。在中美科技冷战的大背景下，中国芯片设计行业的发展迫切需要自主和开放的计算架构，RSIC-V正好迎合了这一需求，在中国短短两年的快速发展似乎已经证明。
如果说PC/服务器造就了x86，智能手机成就了Arm，那么接下来的AIoT将支持RISC-V成为主流的计算架构，甚至主流的芯片设计开发潮流。Arm已经感受到压力，开始做出改变，比如开放定制化指令，以及在IoT和自动驾驶领域更为开放地与业界合作伙伴协作开发。在Arm营地被RISC-V抢食的同时，Arm也开始进入PC服务器市场，我们将看到更多来自亚马逊、华为和 高通等公司的 Arm处理器往PC电脑和服务器等传统x86领地渗透。
TSMC与Cadence、Synopsys、Mentor、亚马逊AWS和微软Azure协作建立起基于云平台的虚拟设计环境(OIP VDE)，成功为SiFive流片第一个在云端设计的64位多核RISC-V CPU，并在 AMD EPYC 处理器上短短10 小時內完成 7 nm芯片的实体验证。Arm也与EDA厂商合作，为其生态合作伙伴提供最新Arm处理器的云端设计平台，现已可以支持TSMC 7nm工艺节点。EDA走向云端已经是大势所趋，并将从根本上改变芯片设计流程和模式。
将机器学习应用于芯片设计已经取得重大进展，从信号完整性和电源完整性，到将产品组合划分为系统分析、芯片布局及可信的平台设计，AI可以在EDA工具中设置几十种选项，协助加速自动化过程。Cadence在AI应用的第一阶段利用数据分析为寄生参数撷取创建机器学习模型，以加速长时间的计算。将AI导入EDA工具的下一阶段将瞄准布局与布线工具，使AI可以向人类设计师学习，并推荐可加速运行时间的优化方案。EDA行业存在着许多使用机器学习技术实现自动化决策和优化整体设计流程的机会。
Mentor被西门子收购也标志着EDA从芯片设计往系统设计领域扩展的开始，互联网巨头和系统厂商购买EDA工具自己设计芯片和系统也加速着这一扩展趋势。随着数字孪生(Digital Twin)和虚拟物理系统(CPS)从概念逐渐落地，传统EDA工具也逐渐成为智能制造整个产品生命周期管理的一个有机组成部分，设计范畴涵盖电子、电气、机械和热特性。与此同时，信号和电源完整性、功能和信息安全性、验证与综合，以及可制造性(DFM)都在从系统端(最右端)往左移动(shift-left)，使得日益复杂的系统设计更加协调一致，很多设计缺陷得以及早发现和弥补，产品设计周期和开发成本也大大降低。
传感器/MEMS在连接模拟与数字世界的过程中扮演着关键角色，其对周围环境的感知和数据采集让我们对各种设备和系统的正常运行有客观而全面的了解。随着AI在物联网的渗透和边缘计算能力的增强，以及传感器/MEMS在更多关键应用中的普及，其未来发展趋势将遵循六大“黄金法则”：更高精度、更低功耗、更小尺寸、更高可靠性、更高能效及更智能。
推动传感器/MEMS市场和技术发展的三大趋势是：智慧出行、电源和能源管理，以及包括工业物联网(IIoT)在内的泛物联网(IoT)。据Yole Développement统计，2018年全球MEMS市场达到116亿美元，预计从现在到2024年将以8.2%的年复合增长率(CAGR)持续增长。其中消费类应用将占MEMS市场的60%，汽车应用则占20%，其余的20%包括电信、医疗、工业和航空等应用。
根据市场规模和未来增长潜力，MEMS/传感器可以归为三类。市场规模超过10亿美元但增长率不到5%CAGR的为第一类，包括惯性MEMS、喷墨打印头、光学MEMS、传统麦克风及压力传感器等。目前市场规模低于10亿美元但增长率为5-10%CAGR的为第二类，包括环境监测MEMS、微流体、微测辐射热计、热电堆和 射频(RF) MEMS等。5G可望推动智能手机新的芯片需求，RF MEMS也将广泛应用于新的基站部署和边缘运算设备中。第三类是增长率超过15% CAGR的未来成长之星，比如新型麦克风、超声波指纹识别，以及示波器测量等。
传感器融合(Sensor Fusion)在构建以数字呈现来感知世界的复杂系统中意义重大，其关键在于强调系统不仅取决于一个传感器，而是依赖多个传感器输入。无论是智能手机、自动驾驶车、智慧城市、未来工厂还是医疗保健，其中的传感子系统通常包含各种传感器类型，需要测量温度、压力、接近度和位置等参数，以及各种化学物质和气体的指标，以实现追踪、解释和反馈相关信息的闭环系统。以自动驾驶车为例，为了绝对保障安全，就需要摄像头视觉和雷达成像传感器的融合，这样才能为驾乘人员提供足够的信心。
氮化镓(GaN)是一种宽禁带(WBG)半导体材料，比传统的硅半导体材料更能够承受高电压、高频率和高温工作条件。5G通信对射频前端有着高频和高效率的严格要求，这正是氮化镓(GaN)的用武之地。据市场调研公司Yole Development预测，全球GaN RF器件的市场规模到2024年将超过20亿美元，其中无线通信将占据一大部分。另外，汽车电动化和便携式电子产品快速而高效的充电需求也将驱动氮化镓(GaN)功率器件走向大众市场，逐渐替代传统的硅功率器件。
在5G移动通信系统中，基站和手机终端的数据传输速率比4G更快，调制技术的频谱利用率更高，这对RF前端器件和模块提出了更高的要求，目前主流的硅基LDMOS器件和砷化镓(GaAs)器件在高频特性上不如氮化镓(GaN)。因此，无论是硅衬底还是碳化硅(SiC)衬底，氮化镓(GaN)都将在5G的带动下获得快速发展。虽然氮化镓(GaN)的成本仍然偏高，但一些公司正在将低成本的GaN-on-Si应用在RF器件上，随着 制造工艺的提升和成本的下降，氮化镓将逐渐取代砷化镓和LDMOS。
在电源管理应用上，氮化镓具有如下优势：传导损耗小、能效高、功率密度大，以及可以支持更高的开关频率等。根据IHS市场调研报告预测，GaN功率器件的市场每年增长超过30% ，预计到2027市场规模将超过10 亿美元。除5G通信市场外，汽车和工业市场也是氮化镓(GaN)功率器件的主要增长领域。即便在价格敏感的消费电子市场，氮化镓(GaN)也开始进入并快速渗透，比如低功率的快充充电头，以及无线充电等。
存储芯片具有高度标准化和供需周期性特点，2019年的市场下滑趋于平缓，存储厂商看好2020年的复苏前景，都试图通过加大新技术工艺的研发和推进力度，以新旧产品交替的策略在下一轮市场竞争中占据有利地位。美光、三星、SK海力士和英特尔都发力在新的存储工艺技术上，国内的长江存储和合肥长鑫也紧紧跟随。
NAND闪存的3D堆叠是存储大厂的研发重点，三星提供的主流3D NAND产品目前为64层，其第六代超过100层的3D NAND 闪存也已经量产。 美光科技已经成功流片128层的3D NAND，2020年有望量产商用，可以大大降低每比特成本。SK海力士目前的主流3D NAND闪存为72层，下一代堆叠层数将超过90层，再下一个阶段为128层，到2021年将会超过140层。长江存储采用Xtacking架构的64层3D NAND也已经量产。
DRAM比较难堆叠层数，厂商只能以减少电路间距的方式来提高性能和效率，目前的竞争焦点是在10 纳米工艺上。10纳米级的DRAM工艺分为1代(1x)、2代(1y)和3代(1z)，SK海力士推出第二代10纳米级工艺(1y nm)之后又宣布成功开发出第三代(1z nm)的16G DDR4 DRAM。三星电子的1z工艺DRAM也已实现量产，美光也已经开始量产1z nm的16Gb DDR4，密度比上一代更高，功耗降低了40%。合肥长鑫也宣布DRAM内存芯片投产，其8Gb DDR4芯片采用19nm(1x)工艺，和国际主流DRAM工艺基本保持同步。
美光科技推出基于3D XPoint技术的超高速SSD硬盘X100，是面向数据中心的存储和内存密集型应用的解决方案。据称3D XPoint技术在内存到存储的层次结构中引入新的层级，具有比DRAM更大的容量和更好的持久性，以及比NAND更高的耐用度和更强性能。 三星则重点发展新一代嵌入式非易失性存储器eMRAM技术，已经量产第一款可商用的eMRAM产品，并将采用FD-SOI 28nm工艺生产1G容量的eMRAM测试芯片。
车辆电气化的整体趋势是电子元器件和电气组件的比重越来越大，随着ADAS普及率持续上升并最终过渡到完全自动驾驶，汽车交通行业对半导体的需求量持续增长，预计2022年汽车半导体市场规模将达到480亿美元，其中模拟射频类产品占比高达69%。汽车模拟射频大致分为两大类：无线连接及车载雷达。车载雷达系统几乎已成为当今中高档车的标准配置，未来每辆车将配置多达7-12个雷达系统。而5G网络的普及也将提升联网车辆的数据传输速率，相应的无线连接器件和模块需求也会随着上升。一些“特色工艺”晶圆代工厂商（比如TowerJazz和华虹宏力）和半导体器件设计公司正在针对 汽车电子化这一趋势做出技术开发和制造工艺调整。
基于移动互联网和IoT技术的医疗物联网（IoMT）生态系统将包含数以百万计的低能耗和高性能医疗健康监测设备、临床可穿戴设备和远程传感器等。医生依靠这些仪器能够实时不断的采集病人的数据指标，如生命体征、身体活动等信息，有效地管理或调整治疗方案。普通人也可以利用小型便携式和智能化的医用设备、健康管理设备来监测运动、心律、血压、血糖、睡眠等生命体征指标，以帮助检测自己的饮食和健身状况，预防疾病的发生。
在医疗成像领域的电子设计中，一般采用模拟数据采集前端进行信号调理，并将原始成像数据转换到数字域，这对数据转换器(ADC和DAC)的动态范围、分辨率、精度、线性度和噪声指标提出了极为严苛的要求。基于各种高性能传感器的模拟信号链产品在医疗设备和系统中发挥着越来越关键的作用，高性能模拟技术在医疗行业也迎来更为广阔的发展空间。
服务热线
15900563155
