Kamakailan lamang, nagkaroon ng sunod-sunod na pagsasanib at pagkuha sa pandaigdigang industriya ng semiconductor, kung saan ang mga higanteng kumpanya tulad ng Qualcomm, AMD, Infineon, at NXP ay pawang kumikilos upang mapabilis ang integrasyon ng teknolohiya at pagpapalawak ng merkado.
Ang mga hakbang na ito ay hindi lamang sumasalamin sa mga estratehikong konsiderasyon ng mga kumpanya sa paghahanap ng matibay na alyansa at mga komplementaryong kalamangan sa matinding kompetisyon sa merkado, kundi nagpapahiwatig din na ang tanawin ng industriya ng semiconductor ay maaaring maghatid ng mga bagong pagbabago.
Sa pamamagitan ng pagsusuri sa mga kamakailang internasyonal na pagsasanib at pagkuha ng semiconductor, halos naibuod ko ang apat na pangunahing salita: AI, MCU+, mga sasakyan, at EDA.
MCU+AI: hindi maiiwasang kalakaran
Binili ng STMicroelectronics ang Deeplite, na nakatuon sa edge AI
Noong Abril ng taong ito, nakuha ng STMicroelectronics (ST) ang Canadian AI startup na Deeplite, na nakakuha ng atensyon ng industriya. Gaya ng alam nating lahat, ang isang malaking hamon na kinakaharap ng mga deep learning model sa komersyal na pag-deploy ay ang kanilang operating scale, mga kinakailangan sa processor, at intensity ng pagkonsumo ng kuryente. Nilulutas ng Deeplite ang problemang ito sa pamamagitan ng pagbibigay ng isang automated software engine upang ma-optimize ang mga DNN (deep neural network) model, na nagbibigay-daan sa AI na magsagawa ng edge computing sa anumang device.
Itinatag noong 2017, ang Deeplite ay kilala sa solusyon nitong edge AI na DeepSeek, na nakatuon sa pag-optimize, quantization, at compression ng mga modelo ng AI. Ang makabagong AI-driven optimizer nitong Neutrino ay kayang i-compress ang malalaking deep learning model sa ikasampung bahagi ng kanilang orihinal na laki habang pinapanatili ang mahigit 98% na katumpakan. Sa pamamagitan ng tatlong pangunahing teknolohiya - weight pruning (pag-aalis ng mga redundant parameter), quantization (pagbabawas ng mga kinakailangan sa computational accuracy) at sparsification (pagpapataas ng proporsyon ng mga zero-valued weight), ang malalaking modelo ng AI ay maaaring tumakbo nang mas mabilis, mas maliit, at mas matipid sa enerhiya sa mga edge device. Ang mga application na dating nangangailangan ng kakayahan sa cloud computing ay maaari na ngayong tumakbo nang maayos sa mga edge device tulad ng mga smartphone camera at industrial sensor.
Nakakuha ng malaking atensyon ang Deeplite noong mga unang panahon nito at pinangalanang isang nangungunang AI innovator ng Gartner, Forbes, Inside AI, at ARM AI. Ang acquisition na ito ay malapit na nauugnay sa estratehikong pagbabago ng STMicroelectronics patungo sa edge AI, na pinagsasama ang hardware at software sa isang "double helix" na paraan. Ang teknolohiya ng pag-optimize ng modelo ng Deeplite ay malalim na isinama sa mga STM32 series MCU ng STMicroelectronics at mga nakalaang NPU upang suportahan ang pagbuo ng mga end-to-end na solusyon sa AI. Halimbawa, sa mga smart factory scenario, ang mga camera na may STMicroelectronics chips ay maaaring direktang makakita ng mga depekto nang hindi ina-upload ang data sa cloud, at ang bilis ng pagtugon ay tumataas ng 40 beses.
Sa kabilang banda, ang Deeplite ay mayroong isang world-class na pangkat ng mga AI algorithm engineer, kung saan isasama ng ST ang mahigit 200 edge AI development tools upang bumuo ng isang pinag-isang development ecosystem ng "model library-optimizer-hardware platform". Sa madaling salita, ang pagkuha ng Deeplite ay hindi lamang kumukumpleto sa huling piraso ng puzzle ng ST sa antas ng AI software, kundi minamarkahan din nito ang paradigm shift ng industriya ng semiconductor mula sa "paggawa ng mga chips" patungo sa "paggawa ng mga utak".
Binili ng NXP ang kumpanya ng NPU na Kinara upang muling iposisyon ang smart edge
Noong Pebrero ng taong ito, inanunsyo ng NXP ang pagbili sa startup ng US edge AI chip na Kinara sa halagang US$307 milyon na cash. Ang Kinara ay itinatag noong 2013 at orihinal na pinangalanang Core Viz, kalaunan ay pinalitan ng pangalang Deep Vision, at pinalitan ng pangalang Kinara noong 2022. Nangunguna ang discrete NPU ng Kinara (kabilang ang Ara-1 at Ara-2) sa industriya sa performance at energy efficiency, kaya ito ang ginustong solusyon para sa mga umuusbong na AI application na pinapagana ng vision, voice, gesture at iba pang iba't ibang generative AI implementations, at tinitiyak ng programmability nito na kaya nitong umangkop sa umuusbong na AI algorithms.
Sinabi ng NXP na pagsasamahin ng acquisition na ito ang independent NPU ng Kinara kasama ang sarili nitong processor, connectivity, at security software portfolio, na makakatulong sa pagbibigay ng kumpleto at scalable AI platform mula sa TinyML hanggang sa generative AI upang matugunan ang mabilis na lumalaking pangangailangan ng AI sa mga industriyal at automotive market. Makakatulong ito sa paglikha ng mga bagong AI-driven system sa mga industriyal at IoT field, makakatulong sa mga customer na gawing simple ang complexity, mapabilis ang time to market, at mapahusay ang mga teknikal na kakayahan sa mga larangan tulad ng smart cars, patungo sa mga high value-added field.
Edge AI: Isang Larangan ng Labanan para sa mga Tagagawa ng MCU
Matagal nang may maling akala sa larangan ng artificial intelligence na ang "scale is power". Bagama't mahusay ang performance ng malalaking modelo, nahaharap sila sa mga hamon sa aktwal na pag-deploy - ang kanilang mataas na konsumo ng enerhiya ay salungat sa mga kinakailangan sa lightweight sa gilid. Paulit-ulit na itinuturo ng mga eksperto sa industriya ang likas na mga limitasyon ng mga senaryo ng aplikasyon ng malalaking modelo: sa isang banda, ang pagsasanay at pagpapatakbo ng malalaking modelo ay nangangailangan ng napakalaking mapagkukunan ng computing; sa kabilang banda, ang mga pangunahing lugar para sa pagtataguyod ng industriyalisasyon ng artificial intelligence ay tiyak na edge computing at mga terminal device na mas sensitibo sa konsumo ng kuryente at latency.
Hindi mahirap unawain na ang mga nabanggit na pagkuha ay nagpapakita na ang pangunahing larangan ng MCU ay lumilipat sa edge AI computing. Inaasahan na pagdating ng 2025, 75% ng data ay ipoproseso sa edge, na nagpapakita ng malaking potensyal ng merkado ng edge AI MCU. Ipinapakita nito na ang demand para sa edge AI computing ay mabilis na lumalaki, at ang MCU, bilang pangunahing bahagi ng mga edge device, ay gaganap ng mahalagang papel sa trend na ito.
Sa hinaharap, ang mga MCU ay hindi na limitado sa mga tradisyonal na tungkulin ng pagkontrol, ngunit unti-unting isasama ang mga kakayahan sa pangangatwiran ng AI at ilalapat sa mga senaryo tulad ng pagkilala ng imahe, pagproseso ng boses, at predictive maintenance ng kagamitan. Ang mga MCU na may kakayahan sa edge computing ay magiging isang mahalagang tagapagdala ng kapangyarihan ng edge computing dahil sa kanilang mababang pagkonsumo ng kuryente, mataas na kahusayan, at agarang tugon, na magbibigay ng mas matibay na suporta para sa mga smart device at system.
Ang iba pang mga pangunahing tagagawa ng MCU ay aktibo ring kumukuha at nakikipagkumpitensya sa larangang ito, tulad ng pagkuha ng Renesas Electronics sa Reality AI, pagkuha ng Infineon sa Imagimob ng Sweden, at paglulunsad ng NXP ng machine learning software na eIQ at AI tool chain na NANO.
Maaaring mahinuha na ang edge AI ay magiging isang mahalagang larangan ng digmaan para sa mga MCU sa susunod na mga taon.
Mga elektronikong pang-sasakyan: ang pokus ng kompetisyon sa kapital
Kamakailan lamang, madalas na lumilitaw ang mga pagsasanib at pagkuha ng semiconductor na may kaugnayan sa mga aplikasyon ng automotive. Bukod sa computing power, ang ebolusyon ng automotive powertrain, koneksyon sa network sa loob ng sasakyan, audio sa loob ng sasakyan at iba pang mga teknolohiya ay nagtulak din sa pag-ulit at pag-update ng teknolohiya ng semiconductor, na nag-udyok sa mga kaugnay na kumpanya na dagdagan ang kanilang sariling layout ng teknolohiya sa pamamagitan ng mga pagsasanib at pagkuha.
Ang industriya ng semiconductor ay isang tipikal na industriya na masinsinan sa teknolohiya at masinsinan sa kapital. Kung babalikan ang mga nakalipas na dekada, ang integrasyon at pagsasanib ay naging isang hindi maiiwasang kalakaran sa pag-unlad ng industriya.
Ang mga higanteng kumpanya ng AI ay madalas na kumukuha ng mga produkto sa pagsisikap na mapabuti ang layout ng kanilang teknolohiya at bumuo ng isang full-stack na bentahe ng "chip + system + ecosystem". Ang mga pangunahing tagagawa ng MCU ay unti-unting nagbabago patungo sa edge AI, sinusubukang sakupin ang merkado ng smart terminal na may mababang pagkonsumo ng kuryente at mataas na flexibility. Sa larangan ng automotive, ang in-vehicle computing, autonomous driving, at data interconnection ay naging mga pangunahing lugar ng kompetisyon sa kapital. Kasabay nito, ang industriya ng EDA ay lumilipat mula sa pagbibigay ng mga tool patungo sa pagbuo ng isang ecosystem. Isinasama ng mga higanteng kumpanya ang mga proseso ng IP at disenyo, at binubuo ang pangingibabaw sa merkado sa pamamagitan ng arkitekturang "tool-architecture-standard".
Sa ganitong alon ng mga pagsasanib at pagkuha, ang kolaborasyon sa teknolohiya, pagpapalawak ng merkado, at pangingibabaw ng ecosystem ang naging pangunahing lohika. Kailangang balansehin ng mga kumpanya ang panandaliang integrasyon at pangmatagalang pananaliksik at pag-unlad sa gitna ng pagdagsa ng kapital. Dahil sa mga hadlang sa teknolohiya at likas na masinsinang paggamit ng kapital ng industriya ng semiconductor, ang pagbabagong ito ay hindi isang "shortcut" kundi isang "marathon" na nangangailangan ng pangmatagalang pamumuhunan.
Oras ng pag-post: Hunyo-30-2025