For nylig har der været en bølge af fusioner og opkøb i den globale halvlederindustri, hvor giganter som Qualcomm, AMD, Infineon og NXP alle har taget skridt til at accelerere teknologiintegration og markedsekspansion.
Disse tiltag afspejler ikke blot virksomhedernes strategiske overvejelser om at søge stærke alliancer og komplementære fordele i den hårde markedskonkurrence, men indikerer også, at halvlederindustriens landskab kan indvarsle nye forandringer.
Ved at undersøge de seneste internationale fusioner og opkøb af halvledere har jeg groft opsummeret fire nøgleord: AI, MCU+, biler og EDA.
MCU+AI: uundgåelig tendens
STMicroelectronics opkøber Deeplite med fokus på edge AI
I april i år opkøbte STMicroelectronics (ST) den canadiske AI-startup Deeplite, hvilket tiltrak sig branchens opmærksomhed. Som vi alle ved, er en stor udfordring for deep learning-modeller i kommerciel implementering deres driftsskala, processorkrav og strømforbrugsintensitet. Deeplite løser dette problem ved at levere en automatiseret softwaremotor til at optimere DNN-modeller (deep neural network), hvilket gør det muligt for AI at udføre edge computing på enhver enhed.
Deeplite blev grundlagt i 2017 og er kendt for sin edge AI-løsning DeepSeek, der fokuserer på optimering, kvantisering og komprimering af AI-modeller. Deres innovative AI-drevne optimizer Neutrino kan komprimere store deep learning-modeller til en tiendedel af deres oprindelige størrelse, samtidig med at den opretholder en nøjagtighed på mere end 98%. Gennem tre nøgleteknologier - vægtbeskæring (fjernelse af redundante parametre), kvantisering (reduktion af krav til beregningsnøjagtighed) og sparsificering (øgelse af andelen af nul-værdivægte) kan store AI-modeller køre hurtigere, mindre og mere energieffektivt på edgenheder. Applikationer, der tidligere krævede cloud computing-funktioner, kan nu køre problemfrit på edgenheder såsom smartphone-kameraer og industrielle sensorer.
Deeplite har tiltrukket sig stor opmærksomhed i sine tidlige dage og er blevet udnævnt til en førende AI-innovator af Gartner, Forbes, Inside AI og ARM AI. Dette opkøb er tæt forbundet med STMicroelectronics' strategiske transformation til edge AI, som kombinerer hardware og software på en "dobbelt helix"-måde. Deeplites modeloptimeringsteknologi er dybt integreret med STMicroelectronics' STM32-serie MCU'er og dedikerede NPU'er for at understøtte konstruktionen af end-to-end AI-løsninger. For eksempel kan kameraer udstyret med STMicroelectronics-chips i smart factory-scenarier direkte registrere defekter uden at uploade data til skyen, og responshastigheden øges med 40 gange.
På den anden side har Deeplite et team af AI-algoritmeingeniører i verdensklasse, hvorigennem ST vil integrere mere end 200 AI-udviklingsværktøjer til edge-teknologi for at danne et samlet udviklingsøkosystem af en "modelbibliotek-optimerings-hardwareplatform". Kort sagt fuldender opkøbet af Deeplite ikke kun den sidste brik i STs puslespil på AI-softwareniveau, men markerer også paradigmeskiftet i halvlederindustrien fra at "fremstille chips" til at "fremstille hjerner".
NXP opkøber NPU-virksomheden Kinara for at repositionere smart edge
I februar i år annoncerede NXP opkøbet af den amerikanske edge AI-chip-startup Kinara for 307 millioner amerikanske dollars i kontanter. Kinara blev grundlagt i 2013 og hed oprindeligt Core Viz, senere omdøbt til Deep Vision og omdøbt til Kinara i 2022. Kinaras diskrete NPU (inklusive Ara-1 og Ara-2) er førende i branchen inden for ydeevne og energieffektivitet, hvilket gør den til den foretrukne løsning til nye AI-applikationer drevet af syn, stemme, bevægelser og andre forskellige generative AI-implementeringer, og dens programmerbarhed sikrer, at den kan tilpasse sig udviklende AI-algoritmer.
NXP udtaler, at denne opkøbsproces vil kombinere Kinaras uafhængige NPU med deres egen portefølje af processorer, tilslutningsmuligheder og sikkerhedssoftware, hvilket vil bidrage til at levere en komplet og skalerbar AI-platform fra TinyML til generativ AI for at imødekomme de hurtigt voksende AI-behov på industri- og bilmarkederne. Dette vil bidrage til at skabe nye AI-drevne systemer inden for industri- og IoT-områderne, hjælpe kunder med at forenkle kompleksiteten, fremskynde time-to-market og forbedre tekniske muligheder inden for områder som smarte biler og bevæge sig mod områder med høj værditilvækst.
Edge AI: En slagmark for MCU-producenter
Der har længe hersket en misforståelse inden for kunstig intelligens om, at "skala er magt". Selvom store modeller har fremragende ydeevne, står de over for udfordringer i den faktiske implementering - deres høje energiforbrug er i modstrid med de lette krav på edge-siden. Brancheeksperter har gentagne gange påpeget de iboende begrænsninger ved store modelapplikationsscenarier: på den ene side kræver træning og kørsel af store modeller massive computerressourcer; på den anden side er de vigtigste områder for at fremme industrialiseringen af kunstig intelligens netop edge computing og terminalenheder, der er mere følsomme over for strømforbrug og latenstid.
Det er ikke svært at forstå, at ovenstående opkøb viser, at MCU'ens primære slagmark skifter til edge AI-computing. Det forventes, at 75 % af dataene i 2025 vil blive behandlet ved edge, hvilket understreger det enorme potentiale på markedet for edge AI MCU. Dette viser, at efterspørgslen efter edge AI-computing vokser hurtigt, og MCU, som kernekomponenten i edge-enheder, vil spille en nøglerolle i denne tendens.
I fremtiden vil MCU'er ikke længere være begrænset til traditionelle kontrolfunktioner, men vil gradvist integrere AI-ræsonnementfunktioner og blive anvendt til scenarier som billedgenkendelse, stemmebehandling og prædiktiv vedligeholdelse af udstyr. MCU'er med edge computing-funktioner vil blive en vigtig bærer af edge computing-kraft med deres lave strømforbrug, høje effektivitet og øjeblikkelige respons, hvilket giver stærkere understøttelse af smarte enheder og systemer.
Andre store MCU-producenter opkøber og konkurrerer også aktivt på dette område, såsom Renesas Electronics' opkøb af Reality AI, Infineons opkøb af svenske Imagimob og NXP's lancering af maskinlæringssoftwaren eIQ og AI-værktøjskæden NANO.
Det kan konkluderes, at edge AI vil blive en central slagmark for MCU'er i de næste par år.
Bilelektronik: fokus for kapitalkonkurrence
For nylig er der ofte opstået fusioner og opkøb af halvledere relateret til bilindustrien. Ud over computerkraft har udviklingen af bilers drivlinjer, netværksforbindelser i køretøjer, lyd i køretøjer og andre teknologier også drevet iterationen og opdateringen af halvlederteknologi, hvilket har fået relaterede virksomheder til at supplere deres eget teknologilayout gennem fusioner og opkøb.
Halvlederindustrien er en typisk teknologiintensiv og kapitalintensiv industri. Når man ser tilbage på de seneste årtier, er integration og fusioner blevet en uundgåelig tendens i industriens udvikling.
AI-giganter foretager ofte opkøb i et forsøg på at forbedre deres teknologiske layout og opbygge en full-stable fordel af "chip + system + økosystem". Mainstream MCU-producenter transformerer sig gradvist til edge AI og forsøger at gribe markedet for smarte terminaler med lavt strømforbrug og høj fleksibilitet. Inden for bilindustrien er in-vehicle computing, autonom kørsel og dataforbindelse blevet centrale områder for kapitalkonkurrence. Samtidig skifter EDA-industrien fra at levere værktøjer til at opbygge et økosystem. Giganter integrerer IP- og designprocesser og opbygger markedsdominans gennem "værktøjsarkitektur-standard"-arkitekturen.
I denne bølge af fusioner og opkøb er teknologisk samarbejde, markedsudvidelse og økosystemdominans blevet den centrale logik. Virksomheder er nødt til at finde en balance mellem kortsigtet integration og langsigtet forskning og udvikling midt i kapitaltilstrømningen. I betragtning af de teknologiske barrierer og den kapitalintensive karakter af halvlederindustri er denne transformation ikke en "genvej", men et "maraton", der kræver langsigtede investeringer.
Opslagstidspunkt: 30. juni 2025