“一种芯片适应所有场景”的神话已经破灭。2024年，全球出现了超过200种不同类型的AI加速芯片，每种都针对特定场景优化：

自动驾驶芯片需要：

确定性的低延迟(<100毫秒)

功能安全等级(ASIL-D)

多传感器实时融合能力

大语言模型芯片则追求：

超大规模参数支持(>万亿)

高带宽内存(>1TB/s)

分布式训练效率

开源硬件的崛起

RISC-V架构正在改变游戏规则。与x86和ARM的封闭生态不同，开源指令集允许深度定制：

阿里巴巴平头哥：添加了矩阵运算扩展

英伟达：开发了AI专用RISC-V核心

学术界：可以自由实验新颖架构

开源不仅降低了成本，更加速了创新周期。传统芯片设计需要2-3年，而基于开源生态的快速迭代可将周期缩短至12-18个月。

三维集成的垂直革命

当平面扩展遇到瓶颈，芯片开始向上生长。台积电的3D Fabric技术实现了：

顶层：逻辑芯片(CPU/GPU核心)

中间层：缓存和内存堆叠

底层：基础IO和电源管理

通过硅通孔(TSV)垂直互联

这种三维集成带来了多重好处：

互连密度提升100倍

信号延迟降低至1/10

能效提高30-50%

软硬件协同的黄金时代

芯片与算法的协同进化正在创造新的可能性。最典型的例子是稀疏计算：

算法层面：剪枝、量化、知识蒸馏

硬件层面：支持稀疏矩阵的专用单元

协同效果：某些模型效率提升10倍

Google的Pathways系统展示了未来方向——根据任务动态分配计算资源，不同芯片各司其职，形成一个有机的计算整体。

训练一个大型AI模型的碳排放，可能相当于五辆汽车整个生命周期的排放。当算力需求如脱缰野马般增长，AI的“智能”正站在一个能效悬崖之上。芯片，作为算力的基石，其能耗问题已从技术挑战升级为关乎行业可持续发展的生存命题。

一、困局：算力增长的“能源阴影”

摩尔定律的放缓与AI算力需求的指数级增长，形成了一道残酷的剪刀差。我们正面临三重挑战：

“内存墙”困境：数据在处理器和内存之间的搬运所消耗的能量，远高于计算本身。这如同让一位博学的学者(处理器)不断奔波于图书馆(内存)之间查资料，而非将资料放在手边，大部分精力浪费在了路上。

“散热天花板”：芯片单位面积产生的热量已逼近物理极限。再强大的芯片，如果无法有效散热，性能也会被迫“降频”，如同被套上了枷锁。

“规模不经济”：单纯堆砌晶体管和扩大芯片面积，带来的性能提升已无法抵消成本和功耗的飙升。

二、破局：多维度节能“黑科技”

行业正在从微观到宏观，发起一场全方位的能效革命。

1. 微观层面：晶体管与电路的智慧

创新器件：如环栅晶体管(GAA)，通过更好的栅极控制，在更小的尺寸下实现更低的漏电和更高的性能。

近似计算：在某些对绝对精度不敏感的场景(如图像处理)，允许细微的计算误差，以换取功耗的显著降低。这体现了“够好即用”的实用主义智慧。

2. 架构层面：让数据“少跑路”

稀疏化计算：利用AI模型权重本身的稀疏性(很多值为零)，智能跳过无效计算。这就像读书时跳过空白页，直接阅读有内容的部分。

数据流架构：根据任务动态组织计算单元和数据流动，实现“数据在哪里，计算就在哪里”，最大限度减少冗余数据移动。

3. 系统层面：从“大力出奇迹”到“精准调配”

DSA(领域专用架构)：放弃通用性的“万金油”，针对AI工作负载的特点进行从硬件到软件的垂直优化，实现“专用工具干专业活”的极致效率。

动态电压频率缩放(DVFS)：让芯片像一位智慧的长跑运动员，根据任务负荷实时调整自己的“呼吸”和“心跳”(电压与频率)，在闲时深度休眠。

三、衡量：超越TOPS的绿色标尺

业界正在形成共识：评价AI芯片不能只看算力峰值(TOPS)，而需综合考量：

能效比：每瓦特功耗所能提供的算力(TOPS/W)。这是芯片的“智商税”。

有效算力：在实际应用负载下可持续输出的算力，而非实验室理想条件下的峰值。

全生命周期碳足迹：涵盖从制造、运行到废弃回收的所有环节。

AI芯片的能效之战，是一场没有退路的攻坚战。它驱动着从物理材料到系统设计的全面创新。未来的胜出者，未必是算力最强的芯片，但一定是能效最优的芯片。因为只有在绿色可持续的轨道上，人工智能的星辰大海才真正可及。

探索与揭秘，带有一丝技术浪漫主义

当传统的CPU(中央处理器)仍在兢兢业业地扮演“全能管家”，按部就班地处理一条条指令时，AI芯片已经悄然化身“预言家”，专注于预判和加速一种特定的计算模式。这不仅是硬件的升级，更是一场从“如何计算”到“为何计算”的思维范式转变。

一、核心革命：从“流水线”到“计算画布”

传统芯片架构像一条精密的工业流水线，而现代AI芯片，尤其是神经拟态芯片和存算一体芯片，则更像一张允许信息自由流淌、并行作画的“计算画布”。

神经拟态芯片：其灵感直接来源于大脑。它用脉冲(Spike)而非连续数据来传递信息，并让“神经元”(计算单元)和“突触”(存储连接)紧密耦合。这就像用摩斯密码而非长篇大论来沟通，事件驱动的特性使得它在处理视觉、听觉等感官信号时，能效极高。英特尔的Loihi芯片便是此中先锋，它在动态场景识别上的低功耗表现，让人工智能在终端设备的长期“待机思考”成为可能。

存算一体架构：这是对“冯·诺依曼瓶颈”的正面突破。传统计算中，数据需要在处理器和内存间疲于奔命，耗费大量时间和能量。存算一体技术直接在存储单元内完成运算，如同在书架上直接对书籍进行分类整理，而非搬来搬去。这种架构能将能效比提升1-2个数量级，特别适合处理AI中常见的海量并行乘加运算。

二、百花齐放的芯片“物种”

没有一种芯片能解决所有问题，AI芯片的世界是一个多元共生的生态系统。

芯片“物种”核心特征比喻优势领域典型代表与思考

GPU(图形处理器)超级多核军团。擅长同时发动成千上万个简单计算。AI模型训练、高性能计算NVIDIA的CUDA生态已成行业基石，但其通用性也带来一定的能效妥协。

ASIC(专用集成电路)奥运专项冠军。为特定任务(如矩阵乘法)定制，追求极致能效。云端推理、特定算法固化谷歌TPU是典范，它在搜索、翻译等服务中表现卓越，但灵活性是其代价。

FPGA(现场可编程门阵列)可重构乐高大师。硬件逻辑可被反复编程定义。算法快速原型验证、边缘适配在自动驾驶、通信基站等需要快速迭代的领域不可或缺，但编程门槛较高。

NPU(神经网络处理器)AI原生思考者。从设计之初就为神经网络优化。手机、物联网等终端侧AI苹果A系列芯片、华为麒麟芯片中的NPU，让我们享受到了实时滤镜、语音助手的流畅体验。

三、未来架构：走向“群体智能”与“环境感知”

未来的AI芯片将不再是孤岛。两个关键趋势正在浮现：

Chiplet(芯粒)与异构集成：如同搭建乐高，将不同工艺、不同功能的芯片粒(如CPU、NPU、内存)通过先进封装技术集成在一起。这实现了在成本、性能和灵活性之间的黄金平衡，或许将成为后摩尔时代的主流。

感知-计算一体化：未来的传感器可能直接输出语义化的信息，而非原始数据流。想象一下，摄像头芯片直接识别“一只奔跑的猫”，并将这个结果而非数百万像素数据传递给处理器。这将从根本上减少数据冗余，实现终极能效。

AI芯片的架构演进，是一场从“模仿计算”到“模拟智能”的漫长征程。它没有唯一的终点，而是在追求效率、灵活与生物启发的多条道路上并行探索。理解这些芯片的“思考方式”，正是理解人工智能未来形态的一把钥匙。

人形机器人近年来引发广泛关注和热潮，尤其是春晚宇树机器人的歌舞表演轰动了全国，这也让我想探究一下，机器人有没有必要做成人形，以及这里面的方方面面。(部分内容资料AI辅助查找生成)

宇树科技在人形机器人领域快速崛起，其实他本身就是全球四足机器人市场的领军企业。宇树通过设计优化、模块化生产及供应链整合，将四足机器人价格从早期40万元降至万元级(如Go2售价不足1万元)，人形机器人G1定价仅9.9万元，远低于特斯拉Optimus等竞品。宇树在全球四足机器人市场占有率近70%，年出货量超1000台，规模化生产进一步摊薄成本。宇树将四足机器人积累的运动控制算法与硬件架构直接迁移至人形机器人，缩短了研发周期，形成技术协同。

人形机器人的需求主要来自以下几个地方：

– 老龄化与劳动力短缺：日本、欧洲等地区面临严重的老龄化问题，人形机器人被视为填补护理、家政等服务领域劳动力缺口的重要工具。

– 高危场景替代人类：在救灾、核电站维护、太空探索等危险环境中，人形机器人可以替代人类执行任务，降低风险。

– 情感陪伴需求：具备拟人化交互能力的机器人(如日本Pepper、波士顿动力Atlas的社交版本)在养老、儿童教育等领域提供情感价值。

相比工业机械臂或专用机器人，人形机器人因形态接近人类，理论上能适应人类环境中的多样化任务(如开门、使用工具)，具备成为“通用平台”的可能。

另一方面，我们受到科幻作品的长期影响，从《变形金刚》到《西部世界》，人形机器人承载了人类对未来的想象，科技公司通过产品强化“未来已来”的叙事。人形机器人的“火爆”本质上是技术成熟度、社会需求紧迫性和资本叙事共同作用的结果。尽管短期内可能面临商业化落地挑战，但其作为AI与物理世界交互的终极载体，长期来看有望深刻改变人类生产生活方式。

将机器人设计成人形并非绝对必要，但这一选择背后存在复杂的技术逻辑、社会心理和场景适配考量。是否“需要”取决于具体应用场景、技术可行性与人类需求之间的平衡。

为何人形可能具有优势?

1. 对人类环境的天然适配性

– 人类社会的物理环境(楼梯、门把手、工具尺寸等)是基于人体工程学设计的。人形机器人无需改造环境即可直接使用现有设施，例如：

– 使用标准工具(螺丝刀、键盘)

– 乘坐电梯、驾驶汽车(无需改造座椅和踏板)

– 在狭窄空间(如家庭走廊)灵活移动

– 案例：特斯拉Optimus演示的“工厂巡检”场景中，人形形态可直接替代人类工人操作现有设备。

2. 交互亲和力与心理接受度

– 拟人化设计符合人类社交本能，更容易建立信任感，尤其在服务、医疗、教育等需要情感连接的场景：

– 日本PARO海豹机器人(非人形但拟动物化)通过圆润外形提升老年患者的接受度;

– 人形机器人Pepper通过表情和肢体语言增强沟通效果。

3. 技术通用性的探索

– 人形是“通用机器人”的潜在载体：双足行走、多关节手臂、立体视觉等设计，理论上可覆盖更广泛的任务(从搬运到精密操作)。

– 对比：工业机械臂效率高但功能单一，人形机器人可能通过模块化设计实现“一机多用”。

人形设计也存在很多局限与争议：

1. 工程效率的妥协

– 人类身体结构并非“最优解”，而是生物演化的结果。人形机器人可能牺牲性能：

– 双足行走能耗远高于轮式或履带(波士顿动力Atlas续航仅1小时);

– 手部关节复杂度高，抓握稳定性可能不如专用夹具。

2. 过度拟人化的伦理风险

– 人形机器人可能引发“恐怖谷效应”(过于逼真但非人类时引发不适);

– 赋予类人外形可能导致情感依赖或道德争议(如性爱机器人、军事机器人的人形化)。

3. 场景错配与成本问题

– 在明确场景下，专用机器人更具性价比：

– 物流仓库中，Amazon的轮式机器人Kiva效率远超人形;

– 手术机器人达芬奇通过多臂设计实现精密操作，无需模仿人体。

因此，机器人选择人形是选项，而非必然。是否需要人形机器人，取决于“人类环境适配成本”与“工程优化成本”之间的博弈：

– 若改造环境成本高(如家庭、城市)，人形是合理选择;

– 若任务高度专业化(如工厂、手术)，非人形方案更优。

核心逻辑：机器人形态应服务于功能需求，而非盲目追求拟人。人形机器人的价值在于其作为“通用性载体”的潜力，但这一潜力能否兑现，仍取决于技术突破与商业落地的平衡。

说起人形机器人，有朋友聊天的时候问了个有趣的问题：

“我对人形机器人有个疑问，大学生不就是所谓的廉价又复杂的机器人?男人工作到60岁退休，而人形机器人的使用寿命能不能达到60年?”

人类劳动力成本表面上看似“廉价”(如实习生月薪数千元)，但实际隐性成本极高，机器人成本初期采购费用高，但边际成本递减(规模化生产后)。不过其“廉价”仅限于重复性劳动，无法覆盖人类的多维能力。

当前AI技术迭代周期为2-3年，10年后的算法可能完全无法适配旧硬件(例如2010年的智能手机已无法运行最新APP)，机器人若需持续使用60年，需不断升级软件、传感器甚至主控芯片，成本远超直接更换新机型。 技术进步带来的效率提升(如能耗降低50%、算力提升百倍)会使旧机器人迅速丧失竞争力。

人形机器人的目标不应是模仿人类的“工作时长”，而是在特定场景中创造不可替代的价值。与其追求60年使用寿命，不如关注如何让人机系统更高效地服务社会——毕竟，人类需要的不是另一个“廉价劳动力”，而是解放自身潜能的工具。

上升到哲学和道德层面，我对人形机器人也存在一些疑惑。

人和周围的非人世界共享着一些东西，比如存在。在这个世界上，人和动物可能还是最亲密的。他们共同享有生命、欲望乃至情感。人与动物是可以有某种相互交流的。尤其在感受性方面，从它们也有痛苦的感受，可以引申出许多东西。动物没有人的语言，但人可以通过它们的肢体动作和发声感觉到它们的一些情感和要求的反馈。即便如此，它们也都各有自己的感受和活动方式，人与它们的共享和沟通是很有限的。

智能机器似乎离人最近，却离人最远。它是人制造来为自己服务的，但它没有人和动物共有的碳基生命。智能机器在缺乏感受性的意义上，甚至不如动物，在有机生命方面也不如植物。它就像“石头”一样，无感受、无生命，但这又不是一块普通的“石头”，它拥有与人类似甚至可能超越人的智能，它具有行动的能力。

我们如何“为机器立心”，让其善解人意?我们与动物还有一种共同的感受性，与智能机器却没有这种感受性。我们与动物之间还可以有一种情感上的互动，人对“机器宠物”的感情却实际只是单方面的。我们与智能机器也许只能勉为其难地设规则，但这规则在它如果获得一种我们也不知晓的“自主意识”之后也将遭到无视。人们将人与人之同的围棋博弈也称作“手谈”，一个围棋国手可以与异域的对手结成一种特别的友谊，但如何能够与战胜他的机器“阿尔法”进行思想与感情上的对谈呢?

在全球AI算力竞赛白热化的背景下，AI芯片作为核心战略资源，国产替代已成为产业发展的必然趋势。国内政策密集落地与本地化需求爆发形成双重驱动力，推动国产AI芯片企业从技术突破向商业化落地跨越，在国际巨头主导的市场中开辟突围路径。

政策扶持构建良好产业生态，为国产替代提供坚实保障。国内持续出台专项政策支持高端芯片研发与产业化，从研发资金补贴、税收优惠到产能保障，形成全链条扶持体系。中芯国际7nm产能的持续扩增，有效缓解了本土芯片设计企业的产能瓶颈，为华为、寒武纪等企业的产品量产提供支撑。同时，政策引导下的国产化替代清单落地，推动金融、政务、国企等关键领域优先采用国产AI芯片，为本土企业提供稳定的应用场景，加速技术迭代与产品成熟。

需求结构变化为国产芯片创造差异化机会。当前全球AI芯片竞争重心从模型训练环节转向推理环节，多元推理工作负载开辟新竞争领域，这一趋势与国内企业的技术优势高度契合。国产厂商无需在高端训练芯片领域与国际巨头正面抗衡，可聚焦推理场景深耕，凭借成本控制、快速响应及本地化服务优势，抢占市场份额。华为Ascend系列芯片通过优化推理性能，已在国内大模型厂商实现规模化落地;寒武纪在特定行业推理场景形成技术壁垒，通过定制化解决方案满足差异化需求;壁仞科技则聚焦通用GPU推理领域，逐步缩小与国际产品的性能差距。

技术创新与生态构建成为国产芯片突围的核心抓手。国内企业在芯片架构设计、制程工艺适配、软件生态优化等方面持续突破，华为昇腾架构通过自主研发实现核心技术自主可控，寒武纪思元系列芯片在能效比与推理性能上实现行业对标。同时，国产厂商加速生态协同，通过与国内大模型企业、云服务商、硬件厂商合作，构建适配本土需求的软件生态与解决方案体系，降低用户迁移成本。例如，国产芯片企业与百度、阿里等云厂商联合优化模型适配，与工业企业合作开发专用推理芯片，形成“芯片-算法-应用”的产业闭环。

尽管国产替代进程加速，但挑战依然存在。高端制程工艺依赖、核心软件生态话语权不足、国际供应链风险等问题，仍是制约国产芯片发展的关键因素。未来，随着国内芯片制造工艺的持续突破、生态体系的不断完善，以及政策与市场需求的持续赋能，国产AI芯片有望在推理侧实现规模化替代，并逐步向高端训练芯片领域渗透，构建起自主可控的AI算力体系，为国内AI产业发展提供核心支撑。

随着AI技术从实验室走向千行百业，AI芯片行业正迎来新一轮结构性变革。中国AI计算加速芯片市场规模持续爆发式增长，2021-2024年年均复合增长率高达67.87%，市场规模从301.28亿元增至1425.37亿元，预计2026年将攀升至3813.9亿元，在算力需求驱动下，行业正呈现应用多元化、产品定制化、生态协同化三大核心趋势。

应用领域多元化拓展成为市场增长的核心引擎。AI芯片已从传统的视觉处理、语音识别、自然语言处理领域，向医疗、金融、教育、工业制造等行业深度渗透。在医疗领域，AI芯片助力医学影像分析、疾病诊断辅助，提升诊断准确率与效率;金融领域中，其在风险评估、欺诈检测等场景的应用，强化了金融安全防线;教育领域通过个性化学习推荐、智能辅导等功能，重构教学模式。同时，随着5G、物联网技术普及，边缘计算需求激增，AI芯片在智能终端、物联网设备中的应用场景持续扩容，从手机端的实时翻译到工业边缘设备的故障预警，构建起“云端+边缘”的全场景算力网络。

定制化芯片成为破解差异化需求的关键路径。不同行业、场景对AI芯片的性能、功耗、成本诉求差异显著，通用型芯片难以兼顾所有需求，定制化设计成为行业共识。针对智能安防场景，可设计高效图像处理能力的专用芯片;面向智能穿戴设备，低功耗、小尺寸的AI芯片成为核心需求;而数据中心的大模型推理任务，则需要高吞吐量、低延迟的定制化解决方案。ASIC芯片凭借可定制化架构，在特定场景实现性能与功耗的最优平衡，市场份额逐步提升;同时，FPGA芯片以其灵活可编程特性，能够快速适配不同算法迭代需求，在原型开发、小众场景中占据优势，与ASIC、GPU形成互补。

生态协同化构建产业闭环，成为企业竞争的核心壁垒。当前AI芯片行业竞争已从单一产品性能比拼，升级为生态系统的综合较量。芯片企业通过与算法公司、系统集成商、高校科研机构的深度合作，构建完善的产业生态：与算法公司联合优化芯片与算法适配性，提升端到端性能;与系统集成商合作提供一体化解决方案，降低客户使用门槛;与科研机构共建研发平台，布局前沿技术，培养专业人才。英伟达通过Rubin平台构建软件生态，绑定上下游企业;国内厂商也在加速生态布局，依托本地化优势构建适配国内大模型与应用场景的生态体系，通过生态协同形成良性循环，巩固市场竞争力。

2026年，全球AI芯片行业迎来“政策加码+需求爆发+技术迭代”三重共振，算力需求向YottaFlops级跃迁，竞争格局从单一芯片比拼升级为平台化生态对决。当前市场形成“国际巨头主导、国产厂商突围”的二元格局，CES 2026成为行业竞争的集中展示窗口，头部企业的技术路线与商业化进展直接重塑市场格局。

国际四巨头凭借技术积累与生态优势，开启平台化对决新模式。英伟达作为行业绝对龙头，通过Rubin平台巩固垄断地位，其Blackwell和Rubin架构产品2025-2026年订单总额超5000亿美元。Rubin GPU推理性能达Blackwell的5倍，搭配NVFP4技术大幅降低算力成本，同时向自动驾驶、机器人领域延伸软件生态，绑定优步、斯特兰蒂斯等大客户，高盛预测其2026年硬件销售额将增长78%至3830亿美元。AMD作为强势追赶者，通过Helios机架级平台与OpenAI 6吉瓦采购协议实现破局，打破英伟达在头部大模型厂商的垄断，其MI455X加速器采用2/3纳米混合制程，性能较上一代提升10倍，计划2027年推出MI500系列，目标四年内实现AI性能千倍提升。

高通与英特尔则聚焦细分赛道构建差异化优势。高通深耕边缘侧AI，推出Dragonwing IQ10机器人架构与Snapdragon Plus PC芯片，依托ARM架构能效优势渗透物联网、AI PC领域，已与Figure、库卡等机器人厂商达成合作，在物理AI布局中抢占先发优势。英特尔以18A制程技术破局，发布第三代酷睿Ultra处理器及工业级边缘处理器版本，瞄准AI PC与工业场景，试图凭借IDM模式优势重夺制程领先地位，2026年第二季度产品面市进度将成为其竞争力的关键验证。

国内厂商在政策支持与本地化需求驱动下加速突围，聚焦通用GPU、专用ASIC等领域形成特色竞争力。华为Ascend系列芯片性能逐步对标国际水平，依托国内大模型厂商实现规模化商业化落地;中芯国际7nm产能扩增为本土芯片设计企业提供产能支撑，加速项目推进;寒武纪、壁仞科技等企业在特定场景的推理芯片领域深耕，凭借针对性优化形成差异化优势。摩根士丹利预测，国内AI芯片自给率提升将带来持续的国产替代机会，尤其在推理侧需求爆发背景下，本土厂商更易凭借成本控制与快速响应优势抢占市场份额。

9月12日，美国商务部工业与安全局(BIS)再次挥舞制裁大棒，将 23 家中国实体列入实体清单。其中有很多公司与复旦微电子集团紧密相关，涉及FPGA、MCU、AI芯片、EDA、测试等全链条：

上海复旦微电子集团股份有限公司(FN4)

北京复旦微电子技术有限公司

深圳市复旦微电子有限公司

上海复控华龙微系统技术有限公司(MCU/SoC)

上海复微迅捷数字技术有限公司(数字IC设计)

上海华岭集成电路技术股份有限公司(IC测试)

吉姆西半导体科技(无锡)有限公司(IC设计+封测)

吉存半导体科技(上海)有限公司(存储芯片设计)

长沙楠菲微电子有限公司(网络通信芯片)

复旦微电子此次被列入实体清单，影响是多方面的，最主要的影响应该在两方面：

1、EDA工具受限后，研发受到阻碍;

2、流片代工受到影响。

有朋友问了一个有趣的问题，美国实体清单已经不是什么新鲜事了，寒武纪不也早被美国列入了实体清单了，今年不但扭亏为盈，营收大增，股价还一举超越了茅台，成为了股市中的“寒王”，美国实体清单是不是已经成了纸老虎?

话说当年美国祭出实体清单的大棒的时候，看上去确实非常可怕，但是随着这么多年这么多企业被上榜后，大家都硬扛下来，居然也都活过来甚至有的还活得更好了，证明实体清单的威力确实是越来越小了。

复旦微和寒武纪虽然都是上了实体清单，但是他们的待遇还是有些区别的，主要区别在于被标注了脚注4(Footnote 4)，这个FN4意味着：不仅先进制程，成熟制程同样被切断。

– 所有受EAR(出口管理条例)管辖的物项，包括美国原产技术、设备、软件，以及外国生产的含美技术产品，均需申请许可证，且审查政策为“推定拒绝”;

– 脚注4(FN4)适用于所有外国生产的、包含美国技术的产品，无论制程节点是7nm还是180nm;

– 只要代工方使用美系设备或EDA工具(如Applied Materials、Synopsys、Cadence)，即受限制，无法为复旦微电子流片;

– 成熟制程(如28nm、40nm、65nm)同样无法规避，因为全球几乎所有晶圆厂(包括中芯国际、台积电、联电、华虹)都依赖美系设备。

复旦微电子的清单级别更高，FN4 使其在任何含美技术节点上都被全球封杀，寒武纪仍可在部分去美化产线获得代工。

截至2025年9月，被美国商务部在“实体清单”中加注Footnote 4(FN4)的中国大陆 IC 设计公司(含其控股母公司及核心子公司)共 9 家/组，名单如下：

1. 上海复旦微电子集团股份有限公司(Fudan Microelectronics)

– 2025-09-12 新增，FN4 首次应用于纯商用 FPGA/MCU 企业 。

2. 北京算能科技有限公司(Sophgo)及其 11 家子公司

– 2025-01-15 新增，FN4 覆盖其 AI 大模型训推 TPU 产品线 。

3. 北京智谱华章科技有限公司(Zhipu AI)及其 10 家子公司

– 同批 2025-01-15 新增，FN4 针对其“智谱芯”AI 芯片设计业务 。

4. 壁仞科技(Biren)集团全部 7 家子公司

– 2023-10-17 新增，FN4 限制其 7 nm 通用 GPU BR100/BR104 在海外流片 。

5. 摩尔线程(Moore Threads)集团全部 3 家子公司

– 同批 2023-10-17 新增，FN4 切断其 MTT S3000/S4000 系列 GPU 海外代工 。

6. 超燃半导体(南京)有限公司

– 2023-10-17 新增，FN4 针对其高速 DSP + SerDes IP 产品 。

7. 光线云(杭州)科技有限公司

– 同批 2023-10-17 新增，FN4 限制其云原生 GPU 渲染芯片流片 。

8. 海光信息技术股份有限公司(Higon)

– 2022-12-15 新增，FN4 应用于其 x86-GPGPU 高端服务器芯片 。

9. 长沙景嘉微电子股份有限公司(Jingjia Micro)

– 2021-12-17 新增，FN4 针对其军用/民用 GPU 产品线 。

另外，我们熟知的海思半导体2019年5月首次被列入实体清单以来，目前没有被加注 Footnote 4(FN4)，BIS 仅对海思适用“常规”FDPR(外国直接产品规则)，并未触发 FN4 的“零美技术”长臂管辖。

即便情况不同，复旦微依然可以抄作业，有很多方法可以采纳，比如效仿海光信息(同样被FN4)的策略，具体的就不能展开了，核心是把“设计-制造-封测”全部迁移到国产可控链条，并叠加政策窗口+囤货+工艺降级三管齐下。海光信息今年的业绩也是杠杠的，似乎完全没有受到实体清单的影响。

对于上市公司来说，短期可能有点利空，但是坏消息也可以理解为好消息，考验管理层的智慧和执行力，供应链脱困战后，公司就能赢来真正的自由。

本文来源于微信公众号：土人观芯