近期政府为培育国产人工智能(AI)半导体产业,公布了“K英伟达”计划。基于国产半导体要获得市场竞争力,就必须确保实际使用的需求方这一判断,方案提出在公共采购体系中纳入国产神经网络处理器(NPU)、支持与需求企业共同开发与验证,并在国防、治安等公共领域优先应用国产NPU。
这一政策方向合理,但也有人担忧以目前的力度,难以取得国产半导体在产业现场实质落地的成果。典型案例便是国家AI计算中心的建设过程。初期曾推动引入国产半导体,但由于实际运营数据中心的云服务企业持负面意见,最终决定仅引入英伟达图形处理器(GPU)。这显示出即便政府有支持意愿,产业现场对国产半导体的采用仍存在相当高的壁垒。
即使不直接挖掘需求方,也有间接支持需求扩大的方法。那就是由国家认证产品性能,建立信任基础并提供实质性参考案例。就像过去通过KS标准正式认证产品性能的KS标志一样,也可以引入由国家验证AI半导体性能的体系。
当然,AI半导体性能认证比KS标志要复杂得多。一般而言,半导体企业证明技术实力的方式是基准测试,即利用标准化测试程序将芯片的运算性能数值化。用于评估智能手机半导体性能的“Geekbench”分数就是典型例子。
在AI半导体领域,MLPerf(Machine Learning Performance)被用作代表性基准测试。国产AI半导体企业也以MLPerf分数宣传性能,但需求企业仅凭该分数难以决定是否引入。因为在自身环境中的性能以及长时间运行的稳定性等实际应用所需的信任并不充分。因此,要获得需求企业的信任,就必须超越单纯给出基准分数的层次,按照需求企业所使用的应用程序调整测试,并确保在实际使用环境中也能确认相同结果。如此构建的数据将超越基准分数,发挥可信参考的作用。这相当于“基准测试代工”的角色——正如半导体代工厂基于工艺技术和基本设计图,按客户设计需求制造芯片一样,以标准基准测试为基础,提供面向客户定制的可靠性与性能评估。
如果有组织承担这种“基准测试代工”的角色,便可成为连接需求企业与半导体企业的半导体生态中心。此外,若大学生在校期间利用这一基准测试体验国产半导体,毕业后便能在产业现场加以运用,从而扩大国产半导体的使用。期待政府通过支持这种“基准测试代工”,让国产半导体在市场上获得最初的信任,并为生态体系建设奠定起点。






