杏彩体育app:富士康子公司因税务被罚!理想芯片团队超160人；对
集微网消息，12月16日，以“重组创变，整合致胜”为主题，由半导体投资联盟、爱集微共同举办的“2024半导体投资年会暨IC风云榜颁奖典礼”将在京举行。日前，大会组委会累计收到众硅电子、为旌科技、元视芯、星曜半导体、瀚巍创芯、海松资本、永鑫方舟等超200家企业/投资机构报名资料，群芯荟萃、星光闪耀！
本届“IC风云榜”重磅推出35大奖项。其中，新增年度最佳“专精特新”投资机构奖、年度最佳国资投资机构奖、年度最佳地方政府投资机构奖、年度最佳行业投资机构奖（新能源）、年度最佳行业投资机构奖（人工智能）、最佳行业投资人奖（汽车电子）、集成电路园区综合实力“TOP30”、科创板知识产权创新奖、芯力量知识产权创新奖、科技成果知识产权创新奖等奖项；同时，聚焦汽车智能化时代下的汽车电子发展创新趋势和风向，打造车规芯片类系列奖项。值得一提的是，仅“年度中国半导体投资机构TOP100”报名单位日前就已突破500家！
围绕35大奖项，产业链相关单位展开激烈竞逐，并以惊人的速度推进。到底有多快？自10月启动以来，本届风云榜报名单位在11月3日超100家；而从100家到突破200家，仅用时18天，明显提速！
“IC风云榜”自2020年启动以来，迄今已成功举办四届，吸引国内外知名半导体企业与投资机构参评，涵盖上市公司、行业翘楚、投资机构/投资人、产业园区、政府引导基金、知识产权等领域，深受市场认可、青睐。此时此刻，距离奖项发布已不足一个月，“花落谁家”充满想象！
即将过去的一年中，“并购重组”这一关键词在业界频繁显现，企业感受深刻的同时，投资机构也深度介入，共同促进产业整合、扩大市场空间，帮助企业实现资源、产品与市场的优势互补，加速半导体业务市场占有率。目之所及，半导体行业并购整合的时代隐隐来临。
沧海横流显砥柱，万山磅礴看主峰。当前，报名单位以惊人的速度突破200家，是奖项竞逐愈发激烈的体现。随着大会定档12月16日，接下来的时间里将迎来更多伙伴，拾起“火种”、高举“火把”，照亮产业前途的同时，也辉映携手共进的同路人。
为保证大会的权威性和严肃性，本届“IC风云榜”评选由半导体投资联盟超100家会员单位，及500多位半导体行业CEO共同担任评委，依据市场、学研、资方、品牌等度权威数据，秉持公正公开、范围广泛原则，通过公开征集、自愿申报、专家评选等程序，严格遴选行业年度“优秀人物、机构、企业、园区与品牌”，旨在鼓励和表彰过去一年中，在半导体技术创新和产品设计制造、行业资本管理及运作、产业链上下游集群建设、企业财务表现等方面，作出突出贡献，取得优异成绩的对象，树立新标杆。
“重组创变，整合致胜”这一主题不仅蕴含着产业风向的总结与前瞻，更是一次跨越山海的携手相扶，也是来年相邀共进的美好冀望，折射产业曲折前行背景下的旺盛之景。
集微网报道 去年年底开始，以ChatGPT为代表的生成式AI浪潮席卷全球。活跃用户数5天破百万，2个月破亿，成为历史上增长最快的消费端应用程序，其背后隐含和衍生的意义有着无限的想象空间，可以说是下一个工业的到来。
大模型时代对于算力、存储、网络的要求是性的，随着全球公司正在从通用计算向加速计算和生成式AI过渡，一个全新的计算时代已经开始。
面对繁重的数据场景和日益增长的成本压力，以CPU、GPU为代表的传统计算架构和形式越来越显得力不从心，对于新的计算形态和基础设施的呼声也愈发强烈，深度思考算力和数据的关系是其中关键。其中，以数据为核心，围绕数据进行算力部署，成为计算架构变革、降本增效的发展方向。
著名科学家谷歌DeepMind的创始人兼首席AGI科学家Shane Legg曾经对通用人工智能（AGI）预测，随着全球数据量呈指数增长，机器的计算能力需要在未来几十年内呈指数增长。
“当计算和数据量都呈指数增长时，高度可扩展算法的价值才会不断提高，因为这些算法可以更有效地利用计算和数据。其次，通过可扩展算法的发现、模型的训练，未来模型的数据规模将远远超过人类一生中所经历的数据量。”
今年2月份后，国内开始感受到大模型的汹涌澎湃。以互联网厂商为代表，利用半开源的大模型进行研发迭代，结合自身的数据资源，推出相应针对不同场景的大模型产品，“百模大战”成为热词。
当前，对于算力的追逐，成为大模型竞争和掘金的胜负手。而在传统计算架构下，先进GPU的数量，决定了大模型企业能力的上限，围绕A100/H100、A800/H800已经展开了一场不断升级的“军备竞赛”，目前拥有这把钥匙的行业“卖铲人”英伟达因此一骑绝尘，同时谁能买到这些GPU几乎成了AGI行业的门槛，而且成为限制国产通用人工智能发展的筹码。
但相较于百花齐放，令人眼花缭乱的大模型产品，需要什么样的算力架构和数据结构予以支持，外界却还来不及太多关注。实际上，作为上游产业和基础设施，新的计算与数据之间的关系也在发生变革，这才是支撑大模型发展的关键所在，既要做到比现有GPU架构更加高效，又要降低计算成本，谁能够掌握这些，等于拥有打开下一个工业既AGI时代的金钥匙。
巨头企业疯狂砸钱，中小企业望而却步，面对大模型的机遇，企业却面对沉重的成本压力，同时也被拉开了巨大的差距。降低大模型的进入门槛，硬件和算力层面的降本增效变得至关重要，成为未来巨大的机会。
现在的语言大模型不像人类拥有情景记忆，人类的记忆可以简单分为：工作记忆，即最近发生的事情；皮层记忆存在于大脑皮层中，负责长期记忆。另外在两者之间还有一个系统，即情景记忆，由海马体负责。
情景记忆在帮助我们建立个人经历和学习新信息方面起着重要作用，可以帮助人类拥有非常高的样本效率，可以从较少的样本中学到更多的信息。然而目前AI大模型并不具备这样的功能，只是通过增加上下文窗口的长度（更像是工作记忆）来弥补情景记忆的缺陷。
关于AI的情景记忆的缺陷问题，DeepMind的创始人兼首席AGI科学家Shane Legg认为这涉及到了模型的架构问题。对于大型语言模型而言，在实际的模型训练时，它们会经历一个漫长的过程，处理数万亿个标记的数据，以更全面地学习语言的结构和规律。
在深存科技创始人&CEO袁静丰看来，“这对于计算架构有更高的需求，也就是如何在短时间内高效计算庞大数据量的内容，而这也使传统的以CPU为基础，并通过网络互联的计算和存储分离的架构遇到前所未有的挑战。”
结合之前的GPU短缺和高昂成本的问题，微软、OpenAI、特斯拉、谷歌、亚马逊、Meta六大科技公司纷纷开始研发自家的AI芯片，以GPU为代表的通用型芯片在大模型计算成本和效率上带来的挑战，正逐渐被更多企业所关注，而且这些英伟达的大客户们更是首当其冲，显然不愿把鸡蛋装进一个篮子里。
“算力基础设施是生产算力的场所和设施，可以提供数据服务、算力服务和智能服务等。大模型时代，数据是能源，算力是发动机，都是新时代的生产资料。以数据中心为主要载体的算力基础设施也是新基建中最具代表性的领域之一。”在深存科技创始人&CEO袁静丰看来，目前通用的GPU并非大模型时代算力的唯一最优解。
“有别于通用计算GPU往往要兼容数千个算子，大模型对于基础算子的要求并不多，只有数百个。大模型对于计算并非一定要追求通用性，而是更追求效率和成本方面进一步提升。”袁静丰说。现在业界的普遍挑战是如何开发更高效的算力和数据平台，并针对特定用例进行优化，从芯片到系统。
此次GPT引发的大模型浪潮，袁静丰认为将是下一次工业的开始，类似20几年前世界打开互联网的大门之时，因被视为抢占流量的入口，各种浏览器和互联网站百花齐放，具有通用人工智能的大模型也将成为链接万物的入口。
以此为参考，袁静丰认为，需要系统性的思考，就应用层面：一方面，利用公开数据集的通用大模型，最终将同浏览器一样逐渐走向归一。多模态趋势下，会进化成少数在不同的语言区域的超级智能中心或智能体。这可能需要5-10年的时间，而且给到互联网巨头或OpenAI这样的公司的机会更多。另一方面，对于行业垂类大模型而言，特点是数据相对封闭，在工业、医疗等众多行业领域场景前景广阔，留给行业企业的机会更多。
“互联网厂商自研芯片，既有目前GPU短缺和价格高昂问题，也有效率不足的原因，是不得已而为之。最终会面临通用性、投入产出比、以及产能到成本优势转换、供应链、硬件迭代能力等诸多挑战，芯片的研发需要高额的投入和长时间的积累，更需要长期大规模量产来摊销和降低成本。就长远来讲，这些硬件产品最后还是会回归到选择第三方独立硬件厂商的道路上来。”袁静丰说。
“大模型时代，对于算力和数据的需求急剧增长，为芯片公司带来新的命题，人工智能工作负载需要新的处理器设计，解决大数据量造成的系统性问题。”袁静丰说。
一方面，模型算力增长脱离摩尔定律，大模型的算力需求每两年增长750倍，而硬件的算力供给每两年仅增长3倍。
另一方面，数据量也变得越来越高，大模型数据量也在呈现指数级增长的趋势。数据在网络中的传输速度非常慢，只有尽可能少地传输数据，减少将数据从存储节点传送到CPU处理器，然后再让CPU或GPU处理器进行运算，最后将结果传送回来的冗余工作。同时它非常并行，可以分散在各个数据节点附近。
在这样的趋势面前，传统的冯诺依曼体系下的计算架构变得难以应对，导致高昂的计算成本，也难以实现高效率计算。
相比以往对于数据容量和通量的关注，如今的算力架构更加强调响应时间和数据处理的实时性，这种被称作“快数据”的需求，这也可以理解为数据引力，由高通量数据需求和低延时应用引起的，正促使计算资源向数据进一步靠近，以数据为核心的计算（Data Centric Computing）成为行业界继基于GPU的计算加速，DPU/IPU的网络互联加速之后的重要趋势。
“因此，大模型时代，需要重新考虑如何优化AI计算架构和方式，从而使计算加速，解决数据繁重场景下的数据计算问题。围绕“数据湖”展开数据加速和算力部署的以数据为核心计算将会是未来业界的主要工作。”袁静丰提到。
比尔·盖茨在11月9日发表一篇博客称：个人化的AI Agent将彻底改变人们使用计算机的方式。文中提出，计算机领域将在五年内颠覆，迈向下一个互联网。其中AGI的数据结构会是什么样子? 我们需要一种新型数据库,可以捕获你的所有兴趣和关系的细微差别并快速检索这些信息,同时保护你的隐私。我们已经看到了储存由机器学习模型生成的数据的新方法,比如向量数据库,这可能更适合存储AI Agent数据。
袁静丰认为，新的大模型时代，是时候重新考虑计算和数据之间的关系。传统计算或通用型计算可以做计算密集型的工作，但数据量基本上是围绕内存来考虑。但如今新的数据中心基本采用了分布式架构，形成计算节点、存储节点跟网络节点三大技术模块或集群，这种被抽象成“东西流量”的形式需要考虑的是，面对大量应用数据在计算和存储节点之间的搬运，如训练数据、大模型向量数据库、应用和业务数据（互联网数据、短视频、碎片化文件）等等，带来的整体计算效率如何提升的挑战。
因此，随着大模型AI发展迅速，算力和数据供需矛盾更加突出，从计算密集场景到数据繁重场景，数据侧的算力部。
