1. 从“Silicon 60”看2017年半导体创业的十字路口如果你在2017年前后关注半导体和硬件创业大概率听说过EE Times的“Silicon 60”榜单。这不是一个简单的排名更像是一份由行业老炮们编制的“技术风向观测报告”。每年编辑团队会从上千家初创公司中筛选出60家他们认为最具潜力和代表性的新兴力量。2017年的第18版榜单标题直接点明了核心趋势“Machine Learning Moves In”——机器学习正在大举进入。当时我们这些在一线搞芯片设计、系统集成的工程师能明显感觉到一股热潮正在形成传统的、依赖工艺制程红利和通用计算架构的路径似乎走到了一个瓶颈而基于特定领域架构DSA尤其是为机器学习优化的计算芯片成了新的淘金地。这份榜单的价值在于它不仅仅告诉你哪些公司火了更重要的是揭示了资本、技术和市场需求的交汇点。2017年摩尔定律的成本曲线日益陡峭在先进制程上砸钱做一颗大而全的通用芯片对初创公司来说风险极高。于是聪明的创业者开始转向既然工艺红利难啃那就从架构创新上找价值。机器学习特别是深度学习在视觉、语音等领域的爆发性应用催生了对专用计算硬件的巨大需求。与此同时RISC-V开放指令集架构的兴起降低了处理器内核的设计门槛让更多公司能参与到计算基础的创新中。这份榜单就像一张快照定格了那个硬件创新从“制造驱动”转向“架构与算法驱动”的关键转折期。对于工程师、投资者乃至产品经理来说理解这份榜单背后的逻辑能帮你更清晰地判断技术演进的脉络以及下一次机会可能藏在哪个技术栈的交叉点上。2. 榜单核心趋势深度解析为什么是机器学习与开放硬件2.1 架构创新的黄金窗口期2017年机器学习芯片的创业潮并非凭空而来。其底层逻辑是经典计算范式遭遇了“内存墙”和“功耗墙”的双重夹击。通用CPU如x86和通用GPU虽然灵活但在执行深度学习常见的矩阵乘加运算时效率低下大量功耗和时间浪费在数据搬运和指令调度上。这就为专用架构ASIC或领域专用架构DSA创造了机会。榜单中涌现的机器学习芯片公司其核心思路大致可分为几类第一类是面向数据中心的训练与推理芯片。这类公司的目标是挑战英伟达的GPU统治地位。它们的设计通常采用大规模并行处理阵列TPA、脉动阵列等架构并集成高带宽内存如HBM以最大化计算吞吐量和能效比。当时的一个关键判断是云端AI算力需求会呈指数级增长而通用GPU的能效比终将遇到天花板。第二类是面向终端的边缘AI推理芯片。物联网、自动驾驶汽车、智能手机对实时、低功耗的AI处理提出了苛刻要求。这类芯片的设计重点在于极致的能效比TOPS/W需要精细的功耗管理如动态电压频率缩放DVFS、近阈值计算、稀疏化计算加速以及对多种神经网络算子如卷积、池化、全连接的高效硬件支持。它们往往采用异构计算集成专用NPU、DSP和低功耗CPU核心。第三类是专注于特定算法或传感器的融合芯片。例如榜单中提到的固态激光雷达公司其核心是将点云数据处理算法与传感器读出电路进行紧耦合设计在数据产生的源头就完成预处理和特征提取以减轻后端主处理器的负担。这本质上也是一种为特定“感知算法”优化的领域专用架构。注意当时许多创业者容易陷入一个误区过分追求峰值算力TOPS这个纸面参数。实际上对于边缘设备有效算力在实际网络和典型数据流下的性能和能效比才是关键。芯片架构必须与软件栈编译器、算子库、调度器协同设计否则硬件优势无法释放。这是很多早期AI芯片公司踩过的大坑。2.2 RISC-V开放硬件生态的破局点榜单中另一个显著趋势是RISC-V相关公司的入选。在2017年这还是一个相对大胆的预测。当时ARM在移动和嵌入式市场近乎垄断其授权模式虽然成熟但授权费和高昂的架构定制成本对初创公司并不友好。RISC-V的开源、精简和模块化特性恰好击中了创业者的痛点成本与自主可控采用RISC-V可以免去核心的授权费用初创公司可以将宝贵的资金投入到差异化的扩展指令集和外围IP上实现真正的定制化。例如为实时控制增加DSP指令为AI加速增加向量或矩阵指令扩展。敏捷开发与创新开放指令集允许公司深度参与核心微架构设计甚至修改指令集本身通过标准扩展或自定义扩展从而更快地实现与自家专用加速器的紧密协同。这种“全栈优化”的能力是采用封闭架构难以实现的。长尾市场覆盖对于IoT中海量的、碎片化的应用场景需要成本极其敏感且功耗各异的处理器。RISC-V的灵活性使得公司可以快速裁剪出适合特定场景的最小核心这是ARM Cortex-M系列虽然成功但难以完全覆盖的领域。然而当时生态系统的薄弱是最大挑战。编译器GCC/LLVM、操作系统Linux/RTOS和调试工具链的支持都处于早期阶段。入选榜单的RISC-V公司其价值不仅在于设计出高性能核心更在于它们同时在推动工具链成熟、构建软件生态方面所做的努力。这预示着一个趋势硬件公司的竞争正在从单纯的硅片设计扩展到软硬件协同和生态构建能力。2.3 风险投资重返硬件赛道榜单分析中指出的一个关键现象是风险资本VC对硬件初创公司的兴趣回归。在2010年代初期VC更偏爱轻资产、快回报的互联网和软件应用。而2017年左右资本开始重新涌入半导体硬件尤其是AI芯片和自动驾驶传感器领域。这背后有几个驱动因素市场确定性增强AI从学术研究走向大规模商业应用如安防、手机拍照自动驾驶从概念走向路测创造了清晰且巨大的未来市场需求。资本看到了明确的退出路径被大公司收购或IPO。技术门槛形成护城河优秀的芯片设计需要深厚的跨学科知识半导体物理、计算机架构、电路设计、软件其研发周期长、投入大一旦成功技术壁垒极高不易被软件公司快速复制。这符合VC对“护城河”的追求。系统级创新的价值单纯的芯片制造是重资产但基于先进制程或特色工艺的芯片设计结合算法和软件的“系统级解决方案”能够捕获产业链上更高的价值。投资者意识到这些公司卖的不是晶体管而是“算力服务”或“感知能力”。以榜单中融资额巨大的固态激光雷达公司为例资本押注的不仅是激光传感器本身更是未来L4/L5级自动驾驶汽车的“眼睛”这一核心部件。这种围绕未来关键基础设施的争夺使得投资额度动辄数千万甚至上亿美元重现了早期半导体行业的高风险、高回报特征。3. 技术领域全景扫描超越AI的多元化创新虽然机器学习和RISC-V是2017年最亮的星但Silicon 60榜单始终保持着对广泛前沿技术的关注这反映了半导体行业的系统性进步。我们可以将其他关键技术领域归纳为以下几个集群3.1 感知与交互技术这是连接物理世界与数字世界的桥梁在IoT和自动驾驶驱动下飞速发展。先进传感器超越传统的CMOS图像传感器榜单关注更智能的视觉传感器如事件相机它只记录像素亮度变化而非逐帧输出具有超高动态范围和低延迟以及用于环境监测的高精度MEMS气体、温湿度传感器。这些传感器的创新点在于将部分模拟信号处理或特征提取功能集成在传感器内部实现“智能传感”。射频与连接5G技术尚在部署初期但支撑其高频段如毫米波的射频前端芯片GaN-on-SiC功率放大器已是研发热点。同时用于车载和设备间高速通信的60GHz短距无线芯片以及面向IoT的更低功耗、更远距离的LPWAN芯片如LoRa、NB-IoT的芯片方案也备受关注。新型人机交互手势识别与触觉反馈Haptic芯片开始从消费电子向汽车、AR/VR领域渗透。这类芯片需要高效地处理来自摄像头或毫米波雷达的原始数据并驱动执行器产生精准的力反馈对实时性和能效要求极高。3.2 功率与电源管理随着设备功能复杂化和对续航要求的提升电源效率成为系统设计的核心约束。宽禁带半导体GaN, SiC氮化镓GaN不仅用于射频在功率转换领域更是明星。相比传统硅基MOSFETGaN功率器件开关速度更快、导通电阻更低能极大提升充电器、数据中心服务器电源等的效率和功率密度。2017年如何将GaN功率器件与高性能驱动、控制电路单片集成是设计上的主要挑战。能量采集与管理为无源或低功耗IoT节点供电从环境光、热差、振动或射频信号中采集微弱能量微瓦到毫瓦级的芯片是关键。这类芯片的核心是超高效率的DC-DC转换器和超低功耗的电源管理逻辑需要在极宽的输入电压范围和极低的静态电流下工作。亚阈值与近阈值计算为了追求极致的能效比一些针对能量采集场景或医疗植入设备的芯片会让晶体管工作在接近甚至低于阈值电压的区域。此时漏电流和性能波动极大需要特殊的设计技术如异步逻辑、鲁棒性强的标准单元库和自适应体偏置技术这代表了模拟/混合信号设计的顶尖水平。3.3 存储与异构集成数据量的爆炸式增长对存储和芯片间通信提出了新要求。新型存储器尽管榜单未明确指向某类颠覆性存储但当时围绕MRAM磁阻随机存储器、ReRAM阻变存储器和PCRAM相变存储器的研发正在加速。这些非易失性存储器NVM的目标是填补DRAM快但易失和NAND Flash慢但不失之间的鸿沟或用于存算一体架构。芯粒Chiplet与先进封装虽然“Chiplet”一词在2017年还未像今天这样普及但通过硅中介层、硅通孔TSV等技术将不同工艺、不同功能的裸片Die进行高密度集成的思路已经显现。这对于整合高性能计算芯粒、高带宽内存和高速SerDes接口至关重要是延续“摩尔定律”系统级效益的重要手段。4. 地理分布与产业动态全球创新的新格局4.1 美国、中国与欧洲的竞合2017年的Silicon 60榜单地理分布清晰地反映了全球半导体创业的活跃度。美国尤其是硅谷、波士顿和奥斯汀依然是绝对的中心汇聚了最多的架构创新、风险资本和顶尖人才。中国公司的上榜数量显著增加这得益于庞大的本土市场、积极的产业政策以及海归人才的创业热潮。中国公司的关注点往往更贴近快速落地的应用如安防AI芯片、物联网通信芯片和电源管理芯片。欧洲则继续在传统的优势领域深耕如高性能模拟、汽车电子、MEMS传感器和低功耗设计体现出深厚的技术积累和稳健的创新风格。一个有趣的现象是尽管地缘政治因素在当时已初现端倪但技术社区和初创生态仍然是高度全球化的。开源项目如RISC-V、国际学术会议和跨国人才流动使得创新想法和技术能快速传播。许多初创公司的团队本身就是国际化的组合。4.2 日本的“再崛起”榜单特别提到了日本的“re-rise”。在经历了“失落的二十年”后日本半导体产业在2010年代中后期开始显现复苏迹象。这并非指其在存储或逻辑代工等大规模制造领域挑战韩国或中国台湾而是在一些高附加值的细分市场重新发力汽车电子与功率半导体日本在汽车产业链和功率器件如IGBT、SiC方面有深厚基础。随着汽车电动化、智能化相关芯片需求激增日本公司如瑞萨电子在MCU以及罗姆、三菱电机在功率半导体领域持续创新。传感器与材料在图像传感器索尼、MEMS传感器以及半导体关键材料光刻胶、高纯化学品方面日本公司保持着全球领先地位。这些是支撑下游芯片创新的基础。设计工具与IP在EDA和半导体IP领域日本也有一些小而美的公司在特定点工具或接口IP上具有竞争力。日本的“再崛起”更多是依托其精密制造、材料科学和垂直整合的产业链优势在特定的利基市场构建难以替代的竞争力这是一种差异化的生存与发展策略。5. 给从业者与观察者的启示录回顾2017年的这份榜单它不仅仅是一份过去式的记录其中的许多观察逻辑和趋势判断对于今天我们理解硬件创业依然具有参考价值。5.1 创业公司的生存法则从榜单中成功与后来消失的公司案例中我们可以总结出一些硬件创业的“生存法则”找准真问题而非追逐热词最成功的公司往往是解决了一个具体、痛苦且具有足够市场规模的问题。例如不是泛泛地做“AI芯片”而是解决“在200mW功耗预算下实现手机摄像头4K视频的实时语义分割”这样的具体问题。需求越具体产品定义就越清晰也越容易获得早期客户。软硬件协同设计是必选项尤其是对于AI、网络、图形等复杂计算任务没有高效的编译器、驱动和SDK再强大的硬件也无法被开发者使用。初创公司必须从第一天起就将软件团队置于与硬件团队同等重要的位置。甚至有时“硬件未动软件先行”通过模拟器或FPGA原型先让关键客户跑通软件栈。生态构建与合作伙伴关系单打独斗很难成功。需要积极融入现有的产业生态如加入RISC-V基金会、与代工厂合作开发PDK、与云服务商合作同时构建自己的开发者社区和解决方案合作伙伴网络。对于边缘AI芯片与摄像头模组、算法公司的合作至关重要。现金流与商业化路径规划芯片研发周期长流片成本高昂。公司需要有清晰的阶段性商业化路径。例如先通过IP授权或基于FPGA的解决方案获得早期收入和客户验证再投入巨资进行ASIC流片。或者专注于一个利基市场实现盈利再图扩张。5.2 技术演进的连续性判断榜单揭示的趋势具有连续性。2017年火热的机器学习芯片后来演进为云端训练芯片、边缘推理芯片、自动驾驶计算芯片等多个细分赛道并经历了激烈的洗牌。RISC-V则从最初的嵌入式微控制器逐步向高性能应用处理器和数据中心CPU演进。宽禁带半导体GaN, SiC如今已成为新能源和快充领域的标配。这提醒我们看待技术趋势要有“周期”视角。一个趋势从兴起、狂热、泡沫到成熟落地往往需要5-10年甚至更长时间。在热潮期入场的公司需要储备足够的耐心和资金来穿越周期。同时也要关注那些不那么喧嚣但持续演进的基础技术如封装技术、存储技术、EDA工具等它们往往是下一次飞跃的基石。5.3 对个人职业发展的映射对于工程师和研究者而言这份榜单就像一份“技能需求预测表”。它暗示了未来几年行业急需的人才方向跨学科知识结构纯粹的电路设计或软件编程已不够。懂计算机架构的算法工程师、懂编译器的硬件架构师、懂机器学习的模拟电路设计师将成为稀缺人才。系统级思维能够从应用场景出发权衡硬件、软件、算法、功耗、成本等多个维度进行系统级定义和折衷设计的能力价值会越来越高。对底层技术的深入理解无论是RISC-V指令集、神经网络计算图优化、GaN器件的驱动特性还是先进封装中的信号完整性分析对某一项底层技术有深入理解和实践经验都能构建起强大的职业护城河。最后这份榜单最本质的启示或许是在半导体这个古老的行业里创新从未停止只是不断变换着形式。从工艺驱动到架构驱动从通用计算到领域专用从封闭生态到开放合作变化的是技术焦点和商业模式不变的是对更高性能、更低功耗、更智能处理的永恒追求。作为从业者保持对技术本质的好奇心对市场需求的洞察力并准备好终身学习是在这个快速变化的行业中立足的根本。