Chiplet 技术:芯片终于不再“憋大招”,而是开始像搭积木一样干活了

简介: Chiplet 技术:芯片终于不再“憋大招”,而是开始像搭积木一样干活了

Chiplet 技术:芯片终于不再“憋大招”,而是开始像搭积木一样干活了

大家好,我是 Echo_Wish
如果你最近几年一直在关注芯片、算力、AI、服务器这些方向,那你大概率已经被一个词刷过屏了——Chiplet

很多人第一次听到这个词,第一反应是:

“这不就是把芯片切小块再拼起来吗?听着好像也没多高端?”

说实话,我一开始也是这么想的。
但越往下研究,越觉得这玩意儿不是小修小补,而是芯片工程思路的一次大转向

今天咱们就不搞学术论文那一套,
我尽量用“搭积木”这个比喻,把 Chiplet 这事儿给你掰开揉碎讲清楚。


一、先说个背景:为什么“一整块大芯片”开始玩不动了?

传统芯片设计,有一个非常朴素、也非常暴力的思路:

能塞进一块硅片里的东西,绝不拆开。

于是我们有了:

  • 超大 Die
  • 超复杂版图
  • 一次流片赌上全部身家

问题来了——
工艺越先进,大芯片越容易翻车。

一个非常现实的工程事实

  • 芯片面积越大
  • 制造过程中出现缺陷的概率越高
  • 良率越低,成本指数级上升

简单粗暴地理解:

一颗 800mm² 的大芯片,只要某一小块有问题,整颗就报废。

这在 28nm、14nm 时代还能忍,
但到了 7nm、5nm、3nm——
每一次流片,都是一次“豪赌”。

于是,工程师开始认真思考一个问题:

能不能别一次性“憋大招”,
能不能拆开来干?


二、Chiplet 是什么?一句人话版定义

如果非要一句话解释 Chiplet,我会这么说:

Chiplet 就是:把一颗复杂芯片,拆成多个功能明确的小芯片,再用高速互连拼起来。

是不是一下就像搭积木了?

  • CPU 核心是一块
  • IO 是一块
  • 内存控制器是一块
  • 加速单元是一块

坏了?
👉 换一块
不够?
👉 多拼几块


三、为什么说 Chiplet 像“搭积木”,而不是“拼乐高渣子”

这里要强调一点:
Chiplet 不是随便切,是“模块化设计”。

每个 Chiplet 都有非常清晰的边界:

  • 功能边界
  • 接口边界
  • 功耗和时序边界

我们可以用一个“软件工程味儿”很浓的类比:

单体芯片  ≈  巨型单体应用(Monolith)
Chiplet   ≈  微服务 + 标准接口

是不是一下就顺了?

举个更接地气的例子

假设你要做一颗服务器 CPU:

  • 8 个计算核心
  • 1 个 IO 模块
  • 1 个内存控制器

传统方式:

[ CPU + IO + MEM ]  => 一整块 Die

Chiplet 方式:

[ CPU ] [ CPU ] [ CPU ] [ CPU ]
     |      |      |      |
         [ IO + MEM ]

你会发现:

  • 计算核心可以复用
  • IO 可以复用
  • 不同产品只需要“拼法不同”

这对芯片厂商来说,诱惑太大了。


四、Chiplet 到底牛在哪?不是“省钱”这么简单

1️⃣ 良率直接上一个台阶

小芯片:

  • 面积小
  • 缺陷命中概率低
  • 良率高

坏了也只是坏一块,不是全军覆没。

2️⃣ 工艺可以“混搭”

这是我个人非常看好的一点。

  • CPU 核心:先进制程(贵但快)
  • IO 模块:成熟制程(便宜又稳)

没必要所有东西都用最先进工艺。

这就好比:

不用给厨房里的抹布,也配一台 iPhone Pro。

3️⃣ 研发节奏彻底变了

以前:

  • 一颗芯片 = 一个大项目
  • 改一点点,都要全量流片

现在:

  • 某个 Chiplet 升级即可
  • 产品线像拼装线一样滚动演进

五、Chiplet 离不开的关键:互连协议

说到这一步,就不得不提一个现实问题:

这些“小芯片”,靠什么高速通信?

这就是 Chiplet 的“神经系统”。

目前你会看到几个高频关键词:

  • UCIe
  • Infinity Fabric
  • EMIB / CoWoS(封装技术)

你可以简单理解为:

Chiplet 世界里的“总线协议 + 高速网络”。

用代码味儿的方式理解互连

class Chiplet:
    def send(self, data):
        interconnect.transfer(data)

    def receive(self):
        return interconnect.fetch()

在理想状态下:

  • Chiplet 间通信
  • 延迟接近片内
  • 带宽足够高

当然,现实中这依然是技术难点之一,但方向已经非常明确了。


六、Chiplet 的“坑”,也必须说清楚

我一直觉得,技术不能只讲优点。

1️⃣ 封装复杂度暴涨

Chiplet 不是“切完就完事”,
真正的难点在封装。

  • 多 Die 对齐
  • 散热设计
  • 信号完整性

这不是白给的工程难度。

2️⃣ 软件和系统要跟上

硬件拆模块,软件也得认:

  • NUMA 更复杂
  • 拓扑感知更重要
  • 调度策略要进化

否则硬件再先进,系统一拉胯,也白搭。


七、为什么我说:Chiplet 是“工程理性”的胜利

说点偏主观的。

我一直觉得,Chiplet 的流行,背后其实是工程师的一次集体觉醒:

我们不再迷信“一次做到极致”,
而是接受“分而治之、持续演进”。

这跟很多软件架构的演进路径几乎一模一样。

  • 从单体到模块
  • 从一次性交付到持续迭代
  • 从“天才设计”到“系统工程”

芯片,终于开始像软件一样思考了。


八、写在最后

如果你让我用一句话总结 Chiplet,我会说:

Chiplet 不是让芯片更花哨,而是让芯片设计回归工程常识。

未来你会越来越频繁地看到:

  • AI 芯片拼算力
  • CPU 拼核心
  • 加速器拼功能

芯片不再是“一锤子买卖”,
而是一套可以持续升级的“硬件系统”。

目录
相关文章
|
7天前
|
数据采集 人工智能 安全
|
16天前
|
云安全 监控 安全
|
2天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
269 156
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
208 105
|
10天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
737 5
|
13天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
819 153