集微网消息，根据中国台湾半导体产业协会（TSIA）与工研院产科国际所统计，2022年中国台湾半导体产业整体产值达4.89万亿元新台币，创下历史新高。而从业人数32.7万人，每人每年约创造900万元新台币附加价值，员工平均年薪为208万元新台币（当前约47.69万元人民币），约为制造业平均年薪72.5万元新台币的3倍。

　　TSIA指出，中国台湾为出口导向，出口的表现高度决定中国台湾经济成长的好坏，而半导体是中国台湾出口主力，2022年半导体出口占总出口比重达38.4%。2022年中国台湾总出口较前一年增加330.6亿美元，其中半导体增幅为286.4亿美元，换言之，有高达86.7%的增幅是由半导体所贡献。

　　在就业方面，2022年台湾半导体产业从业人数32.7万人，相较于十年前2012年的21.3万人，虽然人数上升仅1.5倍，但产业附加价值增加3.75倍，每人每年约创造900万元新台币附加价值。

　　在薪资方面，若以半导体业上市柜公司用人费用（扣除保险、退休金等）除以公司总人数，可推估2022年半导体产业平均每员工年薪约208万元新台币，约为制造业人均年薪约72.5万元新台币的近3倍，为中国台湾的高薪产业。

　　TSIA指出，中国台湾半导体产业为中国台湾最具代表性的产业，在投资半导体、生产方面对中国台湾经济、出口、就业与薪资带动具显著效益。

　　集微网消息，根据日本业界2月16日消息，DRAM存储芯片价格连续上涨，1月指标性产品DDR4 8Gb大宗交易价格为每颗1.85美元左右，环比上涨9%。由于中国厂商接受存储制造商的提价要求，因此导致DRAM价格连续3个月上涨。

　　DRAM芯片被广泛应用于PC、智能手机、服务器等领域，大宗交易价格由卖家和买家共同决定。消息称DRAM批发价由存储芯片厂商与客户每月或每季度敲定一次，上一轮价格谈判是在春节前，中国客户增加采购量。

　　业界普遍认为，2024年将进入PC换机周期，因此DRAM需求看增。研究机构Gartner此前报告指出，存储芯片需求在2024年将强劲复苏，营收预估将暴增66.3%，其中NAND Flash闪存将增长49.6%，DRAM营收将增长88%。

　　有记者提问，欧盟委员会16日宣布对中国中车下属的一家子公司发起反补贴调查。中方对此有何评论？

　　对此，毛宁表示，具体的经贸问题，建议你向中方的主管部门了解。作为原则，中方对欧委会宣布对中车青岛四方机车公司就所谓补贴问题开展调查表示关切。我们希望欧方审慎使用外国补贴条例工具，通过对话协商解决具体的经贸问题，为中方企业营造公平公正和非歧视的营商环境。

　　集微网消息，新加坡副总理黃循财在2月16日的预算案演讲中表示，新加坡将在未来5年投资超过10亿新元（约合7.43亿美元），以进一步提升该国人工智能（AI）能力。

　　全球管理咨询公司Kearney东南亚合伙人Nithin Chandra表示，全球近四分之三的企业领导者对人工智能转型准备不足；新加坡的这一计划，将有助于确保企业能够抓住新技术进步带来的机遇。

　　b体育

　　作为此次10亿新元投资的一部分，新加坡将努力确保获得“对人工智能发展和部署至关重要的先进芯片”。此外，新加坡还将与世界各地领先企业合作，建立人工智能卓越中心，以促进创新。

　　云服务商Cloudflare副总裁兼亚太区主管Jonathon Dixon表示，该计划将激励企业采用人工智能解决方案，优先发展人工智能技能，鼓励跨行业战略合作与知识共享，从而推动整体创新b体育。

　　据了解，新加坡是全球最早发布人工智能计划的国家之一，于2019年推出首个战略，并在2023年12月推出《国家人工智能战略2.0》。多家业界公司均对新加坡AI领域未来发展前景表达乐观态度。

　　集微网消息，机构TrendForce集邦咨询最新报告显示，预估今年第一季MLCC供应商出货总量仅达11103亿颗，环比减少7%。MLCC大厂村田、三星2023年第四季度营收、获利均下滑，显示出当前市场仍处于供过于求状态。

　　机构报告显示，1月底英伟达、AMD AI芯片供货逐渐纾解，ODM厂商广达、纬创、英业达等AI服务器订单需求回升，带动备料拉货动能，村田、太诱、三星与国巨是主要受惠对象。不过，智能手机、PC、通用型服务器市况需求相对疲弱，苹果手机一季度订单则下滑近20%。

　　TrendForce预估，若三月份订单回升未见起色，第一季度MLCC供应商平均BB Ratio（订单/出货比）恐下滑至0.89，环比减少3.3%。面对订单需求增长放缓，MLCC供应商的报价策略也转趋保守，并持续管控产能。

　　机构表示，英特尔2024年新处理器平台Meteor Lake主打人工智能（AI）算力半导体，新增NPU处理单元来提高整体性能。该平台对供电要求增加，需增加两组NPU供电线路，导致MLCC用量额外增加每台约90~100颗。随着2024年下半年新平台逐渐问世，台式机、笔记本电脑MLCC用量将有所增长。

　　不久前，边缘 AI 推理作为一种新奇的功能，可以轻松地由边缘设备嵌入的单个神经处理单元 (NPU) IP 加速器支持。然而，人们对此的期望已迅速提高。现在，我们希望嵌入式 AI 推理能够处理多个摄像头，复杂的场景分割，带有智能噪声抑制的语音识别，多个传感器之间的融合，以及现在非常大且复杂的生成式 AI 模型。只有在多核 AI 处理器上运行，这些应用程序才能为边缘产品提供满意的吞吐量。NPU IP加速器已经可以满足这个需求，扩展到 8 个或更多的并行内核，并能够并行处理多个推理任务。但是，您应该如何对预期的 AI 推理工作负载进行分区，以最大限度地利用所有这些计算能力呢？本文讲述的就是这个主题。

　　与所有并行性问题一样，我们首先从定义的 AI 推理目标的资源集开始，这些资源包括一些可用的加速器，具有本地 L1 缓存，共享 L2 缓存和 DDR 接口，每个缓存的缓冲区大小都已定义。接下来的任务是将应用程序要求的网络图映射到这种结构，优化总吞吐量和资源利用b体育。

　　有一种明显的策略是处理需要分割成多个瓦片的大输入图像 – 通过输入地图划分，其中每个引擎被分配一个瓦片。在这里，多个引擎并行搜索输入地图，寻找相同的特性。相反，您可以通过输出地图划分 – 将同一瓦片并行输入多个引擎，并使用相同的模型但不同的权重在同一时间检测输入图像中的不同特性。

　　神经网络通常在子图中进行并行训练，如下方示例所示。资源分配时通常先优化广度，再优化深度，每次都优化到当前步骤。显然，这种方法不一定能在一次传递中找到全局最优处理方法，所以算法必须允许回溯以便探索改进之处。在这个例子中，3 个引擎能够提供的性能是只有一个引擎提供的性能的 230% 还多。

　　上图中的一些 AI 推理模型或子图可能显得很可并行化，也有其他一些 AI 推理模型或子图的长线程操作并不显得很可并行化，但仍然可以进行流水线处理，这在考虑通过网络执行流操作时可能会有益。另一个例子是深度神经网络 (DNN) 中的逐层处理。简单地组织每个图像的层操作以最小化每个引擎的上下文切换可以提高吞吐量，同时允许后续的流水线操作稍后但仍然比纯顺序处理要早地切入。基于转型器的生成性 AI 网络提供了另一个好例子，注意和规范化步骤的交替使得可以对连续的识别任务进行流水线处理。

　　批量分区也是一种方法，支持在多个引擎上运行同一个 AI 推理模型，每个引擎由一个独立的传感器“供食”。这可能支持一台监控设备的多个图像传感器。并且最后，您也可以通过让不同的引擎运行不同的模型进行分区。这个策略尤其有用于语义分割，例如，对于自动驾驶而言，部分引擎可能会检测车道标线。其他引擎可能处理开放（可驾驶）的空间分割，而另一部分可能会检测物体（行人和其他车辆）。

　　在优化吞吐量和利用率方面有很多选择，但是您应该如何决定最佳的 AI 推理应用调优方法呢？这一架构规划步骤必须在模型编译和优化之前进行。这里，您需要在分区策略之间做权衡。例如，一个子图可能先并行，然后进行一系列的操作，有时最好仅通过流水线处理，而不是并行和流水线处理的组合。每种情况下的最佳选择将取决于图、缓冲区大小，以及上下文切换中的延迟。

　　如果您一直努力研究如何在多核 NPU AI 推理子系统中尽可能好地优化您的 AI 工作负载，请查看我们的 NeuPro-M 平台，并向我们致电，交流有关边缘具有挑战性的 AI 推理工作负载的并行性的意见。

　　五部门联合发文：做好2024年享受税收优惠政策的集成电路企业或项目、软件企业清单制定工作

　　浙江大学集成电路学院卓成等在《Nature Communications》发文报道首个基于铁电存算芯片的组合优化求解器框架