首頁Top區塊
- Advertisement -
互別苗頭 聯發科/高通戰場擴展至電競手機
聯發科、高通(Qualcomm)不約而同瞄準電競手機市場,並在近期各自推出解決方案。聯發科推出首款專攻遊戲的手機晶片「Helio G90」系列和晶片級遊戲優化引擎技術「MediaTek HyperEngine」;至於高通則是宣布與騰訊遊戲簽署合作備忘錄(MoU),將在遊戲領域展開全面策略合作。兩大手機晶片供應商的競爭態勢從5G延伸至手機遊戲領域。
為搶攻電競遊戲市場,聯發科宣布推出Helio G90和遊戲優化引擎MediaTek HyperEngine,該技術從手機遊戲網路流暢度、操控、畫質、負載調控等四方面進行優化,帶給手機用戶全面升級的遊戲體驗。而Helio G90T則由兩個Cortex-A76和6個Cortex-A55組成,並搭載ARM Mali–G76 MC4,主頻高達800MHz,並且內置雙核APU,結合CPU和GPU,可提供1TMACs的AI算力,並且支援 10GB LPDDR4x記憶體,頻率最高可達2,133MHz,為手機帶來強勁的性能。
聯發科推Helio G90提升遊戲體驗。
聯發科技無線通訊事業部總經理李宗霖表示,遊戲、社交和購物已成為智慧手機的前三大應用,全新的Helio G90系列晶片致力於帶給消費者更好的使用體驗,尤其針對遊戲需求進行再度升級,為消費者帶來卓越的遊戲性能和遊戲體驗,包括協助用戶獲得更順暢、快速的網路連接,以及極速的觸控反應。
不讓聯發科專美於前,高通則是與騰訊遊戲合作,進行聯合優化,其中包括基於高通 Snapdragon的行動遊戲裝置、優化遊戲內容和性能、增強Snapdragon Elite Gaming特性、雲端電競、AR/VR 、5G遊戲使用案例開發等其他相關技術。
高通中國區董事長孟樸指出,憑藉30年的持續創新,該公司正在開啟全新的娛樂和遊戲時代。作為5G的關鍵使用情境,行動遊戲將能夠很快利用新一代連接技術的優勢。更快的速度、更高的頻寬和出色的超低延遲將支援即時、多人的沉浸式遊戲體驗。希望透過此次與騰訊遊戲宣布的全新策略合作,豐富全球消費者的生活並改變遊戲規則。
簡而言之,在智慧手機銷量呈現下滑的情況之下,手機晶片供應商除希望5G手機能帶動新一波換機潮外,也紛紛擴展市場觸角以獲取更多收益。而隨著行動技術不斷演進,消費者對出色的行動遊戲體驗的要求也越來越高,因此,整個行動遊戲產業亟待建立更強大的合作關係,手機供應商也開始將發展重點延伸至電競遊戲市場,高通、聯發科皆是如此,並已備妥相關解決方案。
高通希望基於Snapdragon平台的核心產品與技術,以及騰訊在遊戲開發領域的專長和廣泛資源,雙方旨在開發消費者喜愛的高品質遊戲;而聯發科則希望透過新推出的Helio G90晶片和MediaTek HyperEngine技術讓畫面更逼真生動,增加遊戲沉浸感。可以想見,未來高通和聯發科之間的競爭戰火,勢將從5G延伸至遊戲市場。
高通則與騰訊合作優化遊戲內容和性能。
模組方案助威 電源設計展新意
對電源設計者來說,要完成一個電源系統設計,傳統上多半是以分立元件(Discrete)組成,但隨著半導體跟封裝技術不斷進步,現在有越來越多元件供應商開始提供整合好的電源模組方案,甚至有專門提供電源模組的品牌業者。這意味著電源設計者有了更多樣化的選擇,但在何種情況下適合使用傳統電源設計架構,何種情況下又該考慮直接導入模組化電源?事實上,這兩種解決方案各有優劣,電源開發者在評估時必須做好各種考量。
改用模組方案? 四大重點釐清頭緒
亞德諾(ADI) μModule電源產品業務開發總監Afshin Odabaee表示,模組方案的優勢包括擁有預先組裝的完整系統級封裝,供應商在其操作溫度範圍內,通常會對產品進行100%電氣測試,確保模組內的所有元件,包括DC/DC穩壓器IC、電感器、電容器和MOSFET均合乎溫度、衝擊和振動、電源週期以及其他熱、電和機械應力使用。
使用模組方案的客戶在進行PCB布局時是非常容易的,可使PCB布局更改需求降至最低、甚至不需更改,以避免在重新設計上浪費資金,並加快設計週期。以ADI的μModule方案為例,該模組可處理DC/DC電路的所有困難工程問題,例如雜訊、電感,EMI,布局,接地迴路等。最後,使用μModule穩壓器時,類比和電源設計知識所需最少;相較之下,使用分立式方法則需要較深入的專業知識和多年的經驗累積,以避免多次PCB更改。
不過,分立元件還是有模組方案所不具備的優勢,例如其成本較為低廉,此外,電容器和電阻器等元件之間的選擇可以較為靈活,能滿足某些比較特別的規格要求。
因此,當電源開發者在評估究竟該使用分立元件或模組方案時,應該考慮的重點有四:
一、自家團隊是否有時間從頭開始設計電源,並準時完成設計驗證?如果沒有,那麼則使用模組化方案。如果有,則可將模組方案與分立式解決方案進行比較,然後根據尺寸和電氣/熱/機械性能等做出選擇。
二、是否有已知且經過驗證的DC/DC穩壓器解決方案,可以為FPGA,ASIC、GPU等處理器供電?μModule穩壓器用於英特爾(Intel)、賽靈思(Xilinx)、博通(Broadcom)等公司的多樣化參考設計中,如果需要快速且經過驗證的解決方案,則可參考這些參考設計來運用μModule穩壓器。
三、設計專案是否對DC/DC穩壓器解決方案有嚴格的PCB面積和高度限制?如果是,則可優先考慮模組方案,目前μModule產品線已經有非常小巧且超??薄的封裝。開發團隊可以將採用模組的設計與分立式方案進行比較。
四、電源開發或採購團隊是否擔心分立式DC/DC穩壓器電路中使用的元件停產(EOL)問題?如果是,則可使用μModule調節器。ADI會為EOL負責和處理二次採購。
因應大功率設計挑戰 模組方案更實際
除了前述評估考量外,在某些非常強調大功率的電力電子應用領域,使用模組解決方案也遠比使用分立元件來得實際,例如電動車的充電樁設備就是一個典型案例。
英飛凌(Infineon)工業電源控制事業處主任工程師林彥任表示,以充電樁應用來說,因為市場對於快充功能的需求十分殷切,充電樁的輸出功率規格要求提升得非常快,因此相關設備的供應商很難光靠分立元件來完成產品設計。此外,面對大功率需求,多路並聯是必然要採取的設計架構,這也使模組解決方案變得更具吸引力。
因此,英飛凌針對碳化矽(SiC)產品線的產品規畫,將採取分立元件跟模組並行的策略,且會更側重在模組方案上。目前已經量產的SiC功率模組有Easy 1B/2B;採用62mm外觀尺寸規格的SiC功率模組,則已經有工程樣品。
以模組實現異質整合 超前衛電源設計很吸睛
除了動輒數十到上百kW的電動車相關應用,在伺服器產業,由於機器學習(ML)等人工智慧(AI)的需求大爆發,使得高階伺服器飛快朝CPU搭配GPU的異質運算架構演進。如何為GPU等非x86處理器供電,成為一門新的商機。
懷格(Vicor)應用工程師楊有承表示,在伺服器領域,異質運算是未來很重要的發展趨勢,同時也帶動了非x86處理器,例如GPU跟ASIC的電源配套方案需求。而且,相較於英特爾(Intel)的x86處理器,GPU跟ASIC所需要的電源供應方案,客製化需求其實相當高,因為NVIDIA等業者不會像英特爾一樣,針對電源供應制定產業標準。
舉例來說,NVIDIA針對伺服器所推出的GPU板卡,其板載電源就是由ADI跟Vicor兩家供應商的電源模組所構成,且負責對GPU晶片供電的Vicor模組,就直接配置在GPU旁邊。對一般的電壓調節(VR)方案來說,把電源放在距離處理器這麼近的位置,雜訊是最大的挑戰。Vicor因為有獨家的弦波振幅轉換(SAC)技術跟模組設計架構,可以把雜訊抑制在極低的水準,故才能獲得NVIDIA的青睞。
低雜訊這個優勢,也讓Vicor開始探索更前衛的電源設計架構,例如直接把電源配置在處理器/ASIC的封裝基板上,甚至是直接放在封裝基板的背面,主晶片的正下方。電源離負載點越接近,功率損失就越小,去耦電容的容值需求也越低。
AI結合聲學檢測 裝置異常狀態明察秋毫
我們可以學著瞭解設備發出的正常聲音為何,如此當聲音出現變化時,才可以確認其已經出現了異常;之後再瞭解是什麼問題,而透過這樣的方式將聲音和特定的問題聯繫在一起。識別異常可能需要進行幾分鐘的訓練,但將聲音、振動和原因結合起來實施診斷可能需要一輩子的時間。經驗豐富的技工人員和工程師可能具備這種知識,但這類人屬於稀有資源,單單透過聲音本身識別問題可能相當困難,即使使用錄音、描述性框架或接受專家親自培訓也是如此。
因此,半導體業者在過去20年裡,一直致力於理解人類是如何解讀聲音和振動的,期能建立一個系統,能夠學習來自設備的聲音和振動,並解譯它們的含義,以檢測異常行為、進行診斷。本文將以ADI的OtoSense體系結構為例進行說明,OtoSense是一種設備健康監測系統,支援我們所說的電腦聽覺,讓電腦能夠理解設備行為的主要指標:聲音和振動。
該系統適用於任何機器設備,可以即時工作,無需網路連接。目前已被應用於工業應用,可支援實現一個可擴展的高效設備健康監測系統。為了保證耐用、不可知且高效,OtoSense設計理念秉持幾個指導原則:
.從人類神經學中獲得靈感,人類可以透過一種非常節能的方式學習和理解他們所聽到的任何聲音。
.能夠學習靜態聲音和瞬態聲音,這需要不斷調整功能和持續實施監測。
.在靠近感測器的終端進行識別,應該毋須透過網路連接遠端伺服器來做出決策。
.與專家互動,向他們學習,前提是盡可能避免干擾他們的日常工作,且過程要盡可能愉悅。
本文探討了引導開發OtoSense的原則,以及在設計OtoSense期間,人類聽覺所發揮的作用。之後,將進而討論聲音或振動特性的是如何被設計出來的、如何從這些特性瞭解其代表的意義,以及在持續學習中如何不斷改變和改進OtoSense,用於執行愈加複雜的診斷,且結果更為精準。
人類聽覺系統對照OtoSense解析
聽覺是一種關乎生存的感覺。它是對遙遠、看不見的事件所產生的整體感覺,在出生前就已成熟。人類感知聲音的過程可以藉由四個熟悉的步驟來描述:聲音的類比擷取、數位轉換、特徵提取和解讀。在本文每個步驟中,都會將人耳與OtoSense系統來進行比較。
首先是類比擷取和數位化。中耳中的膜和槓桿捕捉聲音,然後調整阻抗,將振動傳輸到充液腔道中。在那裡,另一層膜會根據訊號中存在的光譜成分選擇性地移位;而這反過來彎曲了彈性單元,這些單元發出數位訊號,反映出彎曲程度和強度。然後,這些單獨的訊號會透過按頻率排列的平行神經傳遞到初級聽覺皮層。
在OtoSense中,這項工作由感測器、放大器以及轉碼器來完成。數位化過程使用固定的採樣速率,可在250Hz和196kHz之間調節,波形以16位元編碼,然後儲存到大小為128到4096之間的緩衝區。
特性提取則發生在初級皮層。頻率域特性,如主頻率、諧波和頻譜形狀,以及時間域特性,如脈衝、強度變化和在大約3秒時間窗內的主要頻率成分。OtoSense則使用一個時間窗,我們稱之為「塊(Chunk)」,它以固定的步長移動。這個塊的大小和步長範圍為23毫秒到3秒,具體由需要識別的事件和在終端提取特性的取樣速率決定。在下一節中,會根據OtoSense提取的特性進行更詳細地解釋。
而解析發生在聯絡皮層,它融合了所有的感知和記憶,並賦予聲音以含義(比如透過語言),在塑造感知期間扮演核心作用。解析過程會組織我們對事件的描述,遠遠不止是對它們進行命名這麼簡單。為一個項目、一個聲音或一個事件命名可以讓我們賦予它更大、更多層的含義。對於專家來說,名字和含義能讓他們更能理解周圍的環境。
這也是為何OtoSense與人的互動始於基於人類神經學的視覺、無監督的聲音映射。OtoSense利用圖形表示所有聽到的聲音或振動,它們按相似性排列,但不嘗試創建固定分類;這讓專家們能夠組織螢幕上顯示的各組,並為它們命名,而毋須嘗試人為創建有界線的類別。他們可以根據自身的知識、感知和對OtoSense最終輸出的期望構建語義地圖。對於同樣的音景,汽車機械師、航空工程師,或者冷鍛壓力機專家,甚至是研究相同領域,但來自不同公司的人員,都可以按不同的方式進行劃分、組織和標記。OtoSense則與塑造語言意義一樣,使用相同的自下而上的方法來給定意義。
聲音/振動/特性選擇原則
經過一段時間(如之前所示,時間窗或塊),我們會給某個特徵分配一個單獨的編號,用於描述該時間內聲音或振動的給定屬性/品質。OtoSense平台選擇特性的原則如下:
1.對於頻率域和時域,特徵都應該盡可能完整地描述環境,提供盡可能多的細節。它們必須描述靜止的嗡嗡聲,以及咯噠聲(Clicks)、嘩啦聲(Rattles)、吱吱聲(Squeaks)和任何瞬間變化的聲音。
2.特徵應盡可能按正交方式構成一個集合。如果一個特徵被定義為「塊上的平均振幅」,那麼就不應該有另一個特徵與之高度相關,例如「塊上的總光譜能量」。當然,正交性可能永遠無法實現,但不應將任何一種表述為其他特徵的組合,每種特徵都必須包含單一資訊。
3.特性應該最小化計算量。我們的大腦只知道加法、比較和重置為0。大多數OtoSense特性都被設計成增量,如此每個新示例都可以透過簡單的操作來修改特性,而不需要在完整的緩衝區,或者,更糟糕的,在塊上重新進行計算。最小化計算量還意味著可以忽略標準物理單元。例如,嘗試用值(以dBA為單位)表示強度是沒有意義的。如果需要輸出dBA值,則可以在輸出時完成(如果有必要時)。
在OtoSense平台的2~1,024個特性中,有一部分描述了時域。它們可以是直接從波形中提取,或者是從塊上任何其他特性的演化中提取。在這些特性中,有些包括平均振幅和最大振幅、由波形線性長度得到的複雜度、振幅變化、脈衝的存在與否和其特性、第一個和最後一個緩衝區之間相似性的穩定性、卷積的超小型自相關或主要頻譜峰值的變化。
在頻域上使用的特性提取自FFT。FFT在每個緩衝區上計算,產生從128~2,048個單獨頻率的輸出。然後,該過程創建一個具有所需維數的向量,該向量比FFT小得多,但仍能細緻地描述環境。
OtoSense最初使用一種不可知的方法在對數頻譜上創建大小相同的資料桶。然後,根據環境和要識別的事件,這些資料桶將重點放在資訊密度高的頻譜區域,要麼是從能夠熵最大化的無監督視角,要麼是從使用標記事件作為指導的半監督視角來判斷。這類比了我們的內耳細胞結構,在語言資訊密度最大的地方,語音細節更密集。
支援終端/本地資料OtoSense實現即時檢測
OtoSense在終端位置實施異常檢測和事件識別,其毋須使用任何遠端設備。這種結構確保系統不會受到網路故障的影響,且毋須將所有原始資料塊發送出去以進行分析。運行OtoSense的終端設備是一種自包含(Self-contained)系統,可以即時描述所監聽設備的行為(圖1)。
圖1 OtoSense系統。
運行AI和HMI的OtoSense伺服器一般託管在本地。雲端架構可以將多個有意義的資料流程聚合成為OtoSense設備的輸出。對於一個專門處理大量資料並在一個網站上與數百台設備交互的AI來說,使用雲端託管的意義不大。
運用兩種策略進行異常檢測
正常/異常評估毋須與專家進行太多交互。專家只需要幫忙確定表示設備聲音和振動正常的基線。然後,在推送給設備之前,先將這個基線在Otosense伺服器上轉換為異常模型。然後,我們使用兩種不同的策略來評估傳入的聲音或振動是否正常。
第一種策略是我們所說的「常態性」,即檢查任何進入特性空間的新聲音的周圍環境、它與基線點和集群的距離,以及這些集群的大小。距離越大、集群越小,新的聲音就越不尋常,異常值也就越高。當這個異常值高於專家定義的門檻時,相應的塊將被標記為不尋常,並發送到伺服器供專家查看。第二種策略非常簡單,任何特性值高於或低於特性定義的基線的最大值或最小值的傳入塊都被標記為「極端」,並發送到伺服器。
異常和極端策略的組合良好地涵蓋了異常的聲音或振動,這些策略在檢測日漸磨損和殘酷的意外事件方面也表現出色。
從特徵到事件識別 OtoSense要與人類密切互動
特徵屬於物理領域,而含義屬於人類認知;如果要將特徵與含義聯繫起來,則是需要OtoSense AI和人類專家之間展開互動。
我們花了大量時間研究客戶的回饋,開發出人機介面(HMI),讓工程師能夠高效地與OtoSense互動,設計出事件識別模型。這個HMI允許探索資料、標記資料、創建異常模型和聲音識別模型,並測試這些模型。
OtoSense Sound Platter(也稱為Splatter)允許透過完整概述資料集來探索和標記聲音。Splatter在完整的資料集中選擇最有趣和最具代表性的聲音,並將它們顯示為一個混合了標記和未標記聲音的2D相似性地圖(圖2)。
圖2 OtoSense Sound Platter中的2D splatter聲音地圖。
任何聲音或振動,包括其環境,都可以透過許多不同的方式進行視覺化,例如,可以使用Sound Widget(也稱之為Swidget)(圖3)。
圖3 OtoSense sound widget(Swidget)。
在任何時候,都可以創建異常模型或事件識別模型(圖4)。事件識別模型是一個圓形的混淆矩陣,它允許OtoSense用戶探索混淆事件。
圖4 可以基於所需的事件創建事件識別模型。
另一方面,異常可以透過一個顯示所有異常和極端聲音的介面,進行考察以及標記(圖5)。
圖5 在OtoSense異常視覺化介面中,聲音分析隨時間的變化。
OtoSense的設計初衷是向多位專家學習,並且隨著時間推移,進行越來越複雜的診斷。常見過程是OtoSense和專家之間的迴圈:
1.異常模型和事件識別模型都是在終端運行。這些模型為潛在事件發生的概率以及它們的異常值創建輸出。
2.超出定義門檻的異常聲音或振動會觸發異常通知。使用OtoSense的技術人員和工程師可以檢查該聲音和其前後聲音資訊。
3.然後,這些專家會對這個異常事件進行標記。
4.對包含這些新資訊的新識別模型和異常模型進行計算,並推送給終端設備。
簡而言之,OtoSense技術旨在使聲音和振動專業知識在任何設備上都持續可用,且毋須連接網路來執行異常檢測和事件識別。在航空航太、汽車和工業監測應用中,相關技術已經被越來越廣泛地用於設備健康監測,而這表示,在曾經需要專業知識,以及涉及嵌入式應用的場景中,尤其是對於複雜設備而言,該技術都表現出了完善的性能。
(本文作者為ADI OtoSense內部產品開發主管)
數位實境溝通更直覺 穿戴裝置UI眼球追蹤最懂
一個明星終端商品的發展,軟硬體技術的到位與產業環境的配合非常重要,以UI為例,PC使用鍵盤與滑鼠、Smart Phone透過手勢觸控,未來希望解放雙手的穿戴式裝置,可能需要仰賴語音與眼球控制。眼睛是靈魂之窗,一般人際溝通會大量使用眼睛,大部分的動作之前也都是眼神先到位,透過視覺與聽覺傳達的影像和聲音才是最直觀、最常用的溝通方式。
穿戴裝置將導入眼球追蹤控制
兩個有默契的人一般只要閱讀「眼神」就能進行溝通,人們對於資訊產品的使用已經朝無時無刻與無所不在發展,穿戴式裝置希望可以讓使用者在做任何事的同時也可以同步使用,見臻科技(Ganzin)執行長簡韶逸認為,智慧手機市場已趨於飽和,廠商紛紛尋求新產品,加上5G的出現,也讓大家開始思考手機以外的應用,智慧眼鏡可能就是答案。預計2020年將會有更多智慧眼鏡問世,光機技術的成熟也是智慧眼鏡市場可能在2020年爆發的推力之一,過去光機沒有辦法做到現在這麼小,隨著技術成熟,微小化光機更有機會整合在眼鏡上面。
人類的視覺有焦點,在焦點以外的事物相對模糊,因此在穿戴式裝置的應用上,簡韶逸指出,利用注視點渲染技術(Foveated Rendering),追蹤人眼的焦點位置,只在焦點位置進行高解析度影像運算與顯示,節省其他90%以上的運算資源,同時使用者並不會有明顯的感受,也就表示,GPU效能不用很高就可以有超高解析度的表現,此技術對於未來智慧眼鏡的顯示,將造成重大的影響。
智慧手機讓我們使用資訊產品不用固定在桌椅上,但在行走或做事時還是無法使用,見臻希望可以解放這個限制,讓眼球追蹤功能普及在人們的生活之中。簡韶逸進一步說明,現有眼球追蹤(Eye Tracking)技術目前多數成本高、體積大、耗電且很難整合;以知名的解決方案為例,使用七顆LED照射眼部,利用光線反射原理追蹤眼球的移動,但是一出室外,環境光太強,該技術效能就會大打折扣,同時需要搭配大電量電池,使用時間僅1.5小時。
眼神控制新UI為終極目標
因此,眼球追蹤技術目前普及的困難在於耗電、成本、整合等面向,為了解決這些問題,簡韶逸進一步說明,見臻推出眼球追蹤技術解決方案Aurora,用兩顆CMOS感測器及一顆眼睛處理單元(EPU),使用外接電源的情況下續航力高達十個小時,機構簡單封裝小,相當容易整合。
另外,Aurora只用一顆LED補光,利用感測器拍攝眼球的動作變化,可以避免環境光源干擾,所以室內外都能使用,同時減少LED數量更可以大幅降低耗電量。
眼球追蹤技術的使用願景其實已經出現,在電影鋼鐵人中,主角就是透過眼神操控高科技的機器鎧甲,簡韶逸解釋,人類視覺用眼球追蹤大約是中央區正負15度的區間,再大就會轉頭,在這區間中精準度小於1度,目前的技術要做到像電影裡的準確度與複雜控制還有一段距離,不過就技術的發展來看,再過幾年技術改善相當有機會達成。
簡韶逸指出,眼球追蹤技術應該是像PC的滑鼠那樣的輔助角色,整合在裝置裡,占整個裝置成本的10~20%才是合理範圍,見臻的解決方案能加速技術的普及;該公司於2019年初發表第一代解決方案,後續提供工程樣品給客戶,並進行客製化的設計,預計2019第四季正式量產。Aurora的晶片雖然是見臻自行開發的產品,但團隊並不以IC設計公司自居,而是定位為軟硬體整合解決方案供應商,因為是從學校出來的團隊,每個工程師都會做演算法和硬體,所以不會有演算法跟晶片電路無法搭配的問題。
在全世界各地很難再有像台灣一樣,從台北到新竹這麼短的距離就可以找到軟體、硬體設計,晶圓、終端代工,甚至品牌與各種類型的科技解決方案廠商,台灣非常適合發展創意與新創產業,Ganzin這個名字源自台語的「眼神」,也取英文gaze的凝視之意,簡韶逸期許見臻不只做到眼球追蹤,更做到「眼神控制」,讓科技更符合人性。
見臻科技執行長簡韶逸認為,預計2020年將會有更多智慧眼鏡問世,光機技術成熟,微小化光機更有機會整合在眼鏡上面。
AIoT時代翩然降臨 Cortus積極插旗RISC-V解決方案
Arm在智慧手機時代取得空前的成功,幾乎獨占行動與嵌入式裝置的晶片架構,也大幅壓縮其他獨立嵌入式處理器SIP供應商的市場空間,Cortus台灣分公司總監楊鎮源表示,現在市場上獨立SIP供應商已經不多,產品與客戶經營也走向利基市場,一次性工程費用(Non-Recurring Engineering, NRE)與授權費(Loyalty)的收取近年同樣漸漸產生質變。
一直以來半導體IP的業務模式,都是以NRE與授權費為主,NRE屬於一次性開發費用,是IC與IP廠商早期合作費用,待晶片正式出貨後會依照出貨量再收取授權費,然而近年來由於Arm的獨大,獨立SIP廠NRE與授權費的收取通常都必須做出妥協,楊鎮源形容,NRE與授權費就像是一個蹺蹺板,SIP廠商現在多半只能選擇一項作為主要收入,而且就客戶的產品與應用類型有不同策略,如產業標準型的IP如藍牙、WiFi、USB這類常有版本更新的IP就以NRE為主,授權費很少甚至不收。
若是像處理器IP這種通用型的產品,客戶可能一用非常久,穩定的晶片出貨量又大,楊鎮源說,該公司IP與SIM卡的合作就是此類,合作的模式就會以收取授權費為主,NRE費用也較低。開放架構RISC-V隨著IoT興起,由於各家IP廠商底層架構一致,未來基礎架構IP將朝免授權費發展,SIP廠商需要提供更多客製化服務並努力在開放架構上進行差異化的設計,才有機會吸引客戶。Cortus在2017年以後,將自家的產品依照運算能力推出一系列以RISC-V架構為基礎的解決方案,希望能在IoT時代取得一席之地。
Cortus台灣分公司總監楊鎮源表示,開放架構RISC-V隨著IoT興起,未來基礎架構IP將朝免授權費發展。
掌握交通即時資訊 ITS新商業模式輕鬆上路
都市是一個有效率的集合體,不管是經濟或是科技發展都因都市化而更加迅速地成長,但是相對地,要付出的代價就是交通成本。具大的交通壓力促使智慧交通(ITS)需求增加,若能善用交通即時資訊,即可提升交通設施與資源的使用效率,進而改善交通管理精度。
資策會資深產業分析師兼組長鄭兆倫表示,都市化產生了巨大的社會成本,由於需要更多交通設施,都市空間因而被壓縮;而塞車導致的每人無生產力時間每年大約為1周;交通壓力大導致事故衝擊數量上升,因此政府也需要提高預算來因應事故發生與避免。隨著都市化程度增加,這些情況只會更加嚴峻。
鄭兆倫進一步說明,智慧交通藉由將靜態資料轉換為即時資料,可以提升交通管理精度,更有效率地使用交通資源(例如道路或停車設施),降低設施與資源的閒置率。因此,擁有交通資料即擁有參與交通新商業模式的本錢。可以發現過往製做地圖的公司都轉向提供交通即時資料的服務,甚至是交通預測服務。例如TomTom(地圖、導航和GPS設備公司)併購了波蘭最大車隊管理業者Finder,交通數據業者INRIX則併購了世界最大停車APP ParkMe,而戴勒姆(Daimler)、奧迪(Audi)、寶馬(BMW)共同持股Nokia推出的地圖系統HERE。
鄭兆倫指出,智慧交通也帶來了產業結構的改變,技術與產品組合多樣化、市場區隔細緻化使產業結構更加複雜。然而未來的資料(Data)就是本錢,因應前述挑戰,擁有交通資料的廠商可以藉由跟政府或是企業合作,進行新的互動模式,找到新的商機,就能在智慧交通領域開創更多機會。
都市是一個有效率的集合體,不管是經濟或是科技發展都因都市化而更加迅速地成長,但是相對地,要付出的代價就是交通成本。具大的交通壓力促使智慧交通(ITS)需求增加,若能善用交通即時資訊,即可提升交通設施與資源的使用效率,進而改善交通管理精度。
資策會資深產業分析師兼組長鄭兆倫表示,都市化產生了巨大的社會成本,由於需要更多交通設施,都市空間因而被壓縮;而塞車導致的每人無生產力時間每年大約為1周;交通壓力大導致事故衝擊數量上升,因此政府也需要提高預算來因應事故發生與避免。隨著都市化程度增加,這些情況只會更加嚴峻。
鄭兆倫進一步說明,智慧交通藉由將靜態資料轉換為即時資料,可以提升交通管理精度,更有效率地使用交通資源(例如道路或停車設施),降低設施與資源的閒置率。因此,擁有交通資料即擁有參與交通新商業模式的本錢。可以發現過往製做地圖的公司都轉向提供交通即時資料的服務,甚至是交通預測服務。例如TomTom(地圖、導航和GPS設備公司)併購了波蘭最大車隊管理業者Finder,交通數據業者INRIX則併購了世界最大停車APP ParkMe,而戴姆勒(Daimler)、奧迪(Audi)、寶馬(BMW)共同持股Nokia推出的地圖系統HERE。
鄭兆倫指出,智慧交通也帶來了產業結構的改變,技術與產品組合多樣化、市場區隔細緻化使產業結構更加複雜。然而未來的資料(Data)就是本錢,因應前述挑戰,擁有交通資料的廠商可以藉由跟政府或是企業合作,進行新的互動模式,找到新的商機,就能在智慧交通領域開創更多機會。
善用交通即時資料,可以提升資源與設備使用效率。
使用體驗大增 高通:2020年消費者很難拒絕5G手機
5G風潮席捲全球,其傳輸速度比4G快上許多,可望提升各種行動設備的使用體驗。對此,高通(Qualcomm)執行長Steve Mollenkopf日前參加「Brainstorm Tech」研討會時表示,5G讓消費者享有更快速的傳輸體驗,到了2020年,Brainstorm Tech會議再度召開時,預計多數參與的人士將會擁有5G手機,「明年不買5G手機是件困難的事情,」5G將更無處不在。
Mollenkopf指出,5G的快速發展,一部分跟消費者希望有更快的傳輸速度有關,另一部分則是電信營運業者的大力推動,5G有兩大優勢特別受到電信業者的青睞。
首先是5G更有效率。Mollenkopf說明,5G使電信業者能夠因應持續上升的無線影音傳輸需求,滿足消費者對行動影音服務的龐大胃口;不僅如此,5G網路傳輸影片成本大約是現今技術的30分之1,且5G標準可以與新的無線電頻寬相容,提供更多創新服務,有時還能與有線寬頻競爭。
其次,5G將能串聯所有事物,讓各行各業實現數位化,像是以安全的方式遠端操控裝置,這是行動技術首次符合產業需求,不僅適用於消費者,各產業如醫療保健、教育、智慧城市等領域都能導入5G技術。
Mollenkopf指出,消費者和產業對於數據的需求正在急劇上升,若電信業者沒有良好的5G部署策略,將會在這波5G浪潮中處於落後的位置,且永遠無法追趕上領先者。而高通在這波5G浪潮中,扮演的不單單是單純的晶片製造/供應商,而是研發基礎技術的企業,不僅和各行業分享各種標準,也會提供支援的晶片,藉此發展能讓產業大規模應用的無線技術。
簡而言之,Mollenkopf認為,5G使電信業者能滿足大量數據傳輸需求,有了5G之後,消費者可以擁有更好的行動裝置體驗,不論是軟體更新、行動串流媒體、隨時更新個人社群等。到了2020年,5G將更加無處不在,不購買5G手機對消費者而言將是件困難的事情。
消費者對於影像傳輸的需求持續攀升。
2018~2024年碳化矽CAGR達29%
根據產業研究機構Yole Développement(Yole)碳化矽(SiC)功率半導體市場產值到2024年將達到19.3億美元,該市場在2018年到2024年之間的年複合成長率達到29%。而汽車市場無疑是最重要的驅動因素,在2024年汽車應用約占總市場比重的50%。
主要市場驅動因素是汽車市場,Yole在其SiC報告中宣布。預計2024年汽車市場總量將達到約10億美元,市占率為49%。SiC已經在OBC中使用,並且這種應用將在未來幾年中得到廣泛開發。隨著特斯拉導入SiC技術,市場已經達到了不可逆轉的地步,關於其他汽車廠商是否也會採用的討論是今年的熱門話題。繼特斯拉之後,比亞迪也將發表SiC逆變器。
最近,汽車產業已投入超過3000億美元用於電動車(xEV)的開發,這與傳統內燃機汽車市場形成鮮明對比,xEV市場是Si功率元件的主要市場驅動因素。在採用SiC的背後,Yole的分析師也指出了封裝問題。根據Yole的報告,只有意法半導體和丹佛斯有能力提出他們的專業知識,在SiC供應鏈中仍然存在許多挑戰。
寬能隙材料來勢洶洶 SiC/GaN各有市場定位
碳化矽(SiC)與氮化鎵(GaN)是近年來最受矚目的化合物半導體新秀,除了應用在無線通訊之外,這兩種寬能隙材料在功率半導體領域,也有很大的發展潛力。相較於以矽為基礎的超接面場效電晶體(Super Junction MOSFET)或絕緣柵雙極電晶體(IGBT),GaN跟SiC最大的優勢在於可以實現更高的開關頻率、耐受電壓也更高,使電源系統的效率得以明顯提升。
另一方面,隨著電動車、電池儲能系統兩大應用展現出雄厚的市場潛力,雙向電力傳送又是車載充電器、充電樁與儲能電池轉換器必備的基本功能,這將使圖騰柱功率因素校正(Totem Pole PFC)拓撲成為車廠、Tier 1、充電設備商與儲能設備商在開發相關產品時的最佳選擇。而圖騰柱拓撲的流行,將會為GaN跟SiC功率元件搭起全新的舞台,因為現有的矽功率元件不適合用來實現圖騰柱拓撲。
電動車/綠能雙箭頭帶動 SiC搶攻高電壓市場
羅姆半導體(Rohm)設計中心副理唐仲亨(圖1)分析,就市場應用面來看,電動車的車載充電器、為電動車供電的充電樁,以及搭配太陽能、風力發電系統所使用的大型儲能系統,會是寬能隙功率元件最具主場優勢的應用。因為這類應用需要具備雙向電力傳送的能力,因此不管是車載充電系統、充電樁或儲能系統的轉換器,都需要採用圖騰柱拓撲。然而,圖騰柱拓撲需要使用兩個體二極體作為高頻整流開關,除了驅動控制較為複雜,如果使用傳統矽二極體,因為其恢復時間較慢,電流倒灌所引發的損耗大,會嚴重降低電源轉換的效率;如果採用IGBT,雖然其恢復時間夠快,但IGBT的導通壓降比較大,也會產生很高的效率損失。
圖1 羅姆半導體設計中心副理唐仲亨分析,電動車與儲能將是帶動SiC市場成長的主要引擎。
因此,如果電源設計者想實現圖騰柱拓撲,最理想的選擇將是GaN或SiC。不過,如果是充電樁或大型儲能系統,甚至軌道運輸這類應用,因為其功率需求都非常高,在此前提下,SiC會是比GaN更合適的選擇。目前已經商品化的GaN FET,耐受電壓通常為600V或650V,但SiC則是1,200V起跳,未來更會一路向上發展到3,300V。在需要超大功率傳輸的應用上,SiC具備先天優勢。
另一方面,學術界目前在提高GaN FET的耐受電壓方面,最近已有所突破,成功地將GaN FET的耐受電壓提高到900V。但唐仲亨認為,從應用面的角度來看,這個耐受電壓規格其實有些尷尬。他解釋,在一般家電或消費性電子產品應用,如果要推出一款可以適用全球電壓的產品,母線電壓的規格通常會訂在400V,對功率元件的耐壓要求則會落在600V或650V。如果是工業用產品,因為是三相供電,所以母線電壓會提高到800V,功率元件的耐壓要求則是1,200V,或是在某些特殊的系統設計中,仍可使用耐壓650V的元件。900V耐壓對GaN FET來說,有技術發展里程碑的意義,但從實際應用的角度來看,因為消費性電子不需要900V耐壓,主流工業設備則需要1,200V耐壓,所以GaN FET耐壓提高到900V,其實無助於拓展GaN FET的應用市場。
SiC價格仍高 供應商想方設法降成本
以目前的市場行情來說,650V GaN FET的價格,大約只有1,200V SiC FET的三成左右。因此,如果SiC元件供應商想搶攻650V以下的應用,是相當困難的挑戰。這也帶出了SiC元件在應用推廣上一直遇到的瓶頸--價格問題。SiC材料的價格本來就比矽跟GaN高出一大截,因此,如果要比元件價格,SiC先天上就處於不利地位。這也使得SiC元件供應商必須設法從兩個面向來解決問題,一是降低元件本身的成本,二是幫助客戶降低系統總成本。
目前SiC元件供應商的生產線多半都還在從四吋晶圓提升到六吋晶圓的過程中,例如羅姆目前就是四吋跟六吋各半,僅英飛凌(Infineon)已經全面採用六吋晶圓量產。另一方面,目前投入SiC元件市場的業者,很多都還採用平面結構,這使得元件的裸晶尺寸(Die Size)很難持續降低。相較之下,採用溝槽式結構的SiC元件,理論上會有更大的尺寸微縮空間。不過,目前採用溝槽式結構的SiC元件供應商,也只有羅姆跟英飛凌兩家。
英飛凌(Infineon)工業電源控制事業處主任工程師林彥任(圖2)表示,其實該公司會選擇溝槽式結構,主要還是從提高元件可靠度的角度切入。工業電源領域最重視的還是元件可靠度,採用平面結構的SiC,在技術上很難做到跟IGBT媲美,但溝槽式架構可以將SiC元件的可靠度拉高到接近IGBT的水準,這是英飛凌決定走溝槽式路線的最主要原因。但不可諱言的是,溝槽式結構理論上確實也有較大的成本降低空間。因為溝槽式結構是在垂直方向上發展,所以比起平面式結構,單一元件占用的晶圓面積可以做得比較小。
圖2 英飛凌工業電源控制事業處主任工程師林彥任表示,SiC成本偏高的問題,供應商要雙管齊下才能解決。
值得一提的是,除了量產使用的晶圓大小、裸晶尺寸外,在降低生產成本方面,英飛凌還把腦筋動到晶圓的厚度上。由於SiC材料的硬度較高,相對也比較脆,因此在從晶柱切割出晶圓時,為避免破片,每片晶圓的厚度遠超過後續元件製程所需的厚度,形成材料浪費。再加上SiC材料本來就貴,因此若能降低晶圓的厚度,對降低元件生產成本,可以帶來極大幫助。
這也是英飛凌先前決定斥資1.24億歐元購併Siltectra的原因之一。Siltectra擁有獨特的Cold Split切割技術,可以在碳化矽晶圓完成製程步驟後,將一片晶圓再等分切割出第二片,等於讓材料利用率提升一倍。目前碳化矽晶圓供應商提供的晶圓,厚度可達350微米,但如果是要用來製造FET元件,其實晶圓厚度只需現有晶圓的數十分之一便已足夠。Cold Split技術讓英飛凌得以把一片晶圓當成兩片用,而且不會影響晶片的良率跟特性。
至於在降低客戶的系統總成本方面,英飛凌的評估認為,雖然SiC元件跟現有元件有明顯價差,且在可預見的未來,都很難做到比矽元件便宜,但如果能將切換頻率拉高到40kHz,則整個電源系統的成本,將因為磁性材料等周邊元件用量減少,而帶來15~20%的節省效果。
GaN主攻消費性/伺服器電源 高整合方案勢在必行
相較於主攻高電壓應用市場的SiC,GaN則是靠著高速切換、低損耗且價格較貼近現有矽元件的優勢,可望在消費類及IT基礎建設領域找到應用商機。然而,由於GaN的材料特性與矽不同,使得GaN HEMT(或稱GaN FET,因其功能與MOSFET相當,但基於GaN材料,故稱為GaN FET以資區別)跟工程師已經十分熟悉的MOSFET,在驅動跟控制方法上有許多出入,再加上GaN FET若要完全發揮其高速切換的潛力,必須把驅動控制跟FET整合在一起,這將使得以GaN功率元件走向以高整合度為主流的發展道路。
德州儀器(TI) GaN、電源管理與半導體營運成長及戰略行銷長Masoud...
具高效/低功耗優勢 PIM技術重返深度學習熱潮
而所謂的記憶體內處理器(Processor In Memory, PIM)(圖1),或稱記憶體鄰近處理器(Processor Near Memory, PNM)、記憶體內運算(In-Memory Compute, IMC)等,則是在晶片電路設計時即以記憶體的矩陣記憶電路為基礎,再行加搭起運算電路,使記憶與運算電路幾乎融為一體。
圖1 左圖為現行處理單元與記憶體間有讀寫(Fetch提取、Store存入)的瓶頸,右圖為PIM作法可消除運算與儲存間的傳輸瓶頸。
資料來源:IBM
PIM作法過去曾在上世紀90年代倡議過但未能成為潮流,但隨著人工智慧(AI)、機器學習(ML)、深度學習(DL)的興起,產業界重新評估與發展PIM技術及晶片,原因主要在於現行主流技術在運算效能提升上漸遭遇多項瓶頸,難以因應日益增高的深度學習運算量。
首先是晶片設計團隊逐漸難從處理單元的邏輯設計上獲得更高效能,因此IBM POWER(Performance Optimization With Enhanced RISC)架構處理器於1999年首次運用持續推進的半導體製程縮密技術,於單一晶片實現雙核心,以增加核心數獲取顯著效能提升,2005年AMD於x86架構上實現雙核,自此處理器紛改以增加核數為主要效能提升手段。
多核作法之後亦遭遇瓶頸,即處理單元(核)間的資料交換不夠快速,溝通協調成為運作瓶頸,因此改進晶片內外的連接傳遞方式成為重點,此時經常出現晶片商強調結構織法(Fabric)一詞。
改善連接結構後仍有其他問題需解決,因漏電流因素晶片運作電壓難以再下降,即便晶片放入更多的核,也無法讓所有的核均全速運作,因供電散熱之限只允許部份的核全速運作,部份之外的核須以降速、輕負荷方式運作,或暫時關閉停止運作,此稱為暗矽(Dark Silicon)限制,當製程技術持續提升,晶片內的核數愈多,暗矽限制也會更嚴重(圖2)。
圖2 電路運用率撞牆,暗矽效應阻礙使多核處理器無法全速運作。
資料來源:Michael Bedford Taylor
另外記憶體與處理器間的傳輸通道也難以更快,記憶體電路區塊與處理單元區塊有別的結果,傳遞過程必然有一段電路距離,因電路上的寄生電容因素而難以更快速傳遞,形成馮紐曼瓶頸(Von Neumann Bottleneck),半導體製程縮密技術讓記憶體容量愈來愈大,但進出處理單元的資料通量卻沒有相應的提升。
深度學習運算量大增 PIM技術動向受矚目
而如前述,深度學習需要的運算量不斷提高,特別是在支援自駕車應用上,2017年NVIDIA提出自駕車運算平台DRIVE PX PEGASUS,宣稱合併兩張DRIVE PX PEGASUS可獲得320TOPS(8位元整數)的人工智慧推論運算力,目標在於支援ADAS標準最高的Level 5自駕層級,即各種路況與情境下均能全程自動化駕駛不需人為介入,然代價是500瓦功耗,對汽車電瓶亦是不小負荷。
由於傳統方式提升運算(特別是深度學習運算)效能日益困難,因此產業開始嘗試回望PIM技術。PIM技術因記憶電路與處理電路兩者緊鄰,傳輸距離短,可快速傳遞運算,而深度學習所需要的「網狀層次連接、節點加權運算」亦容易以PIM方式實現,記憶體內儲存的資訊即是節點的權重(Weight,或稱特徵權重),運算後的結果再向更深層的節點傳遞,進行相同的乘積累加運算(簡稱乘加運算Multiply...












