[2025-2-25]光刻机、芯片、人工智能、机器人领域国内外学界进展

系列文章目录

[2025-2-19]光刻机、芯片、人工智能、机器人领域国内外学界进展
[2025-2-21]光刻机、芯片、人工智能、机器人领域国内外学界进展
[2025-2-22/23周末]光刻机、芯片、人工智能、机器人领域国内外学界进展
[2025-2-24]光刻机、芯片、人工智能、机器人领域国内外学界进展

---

---

一、光刻机/半导体领域

• 英特尔表示，新的 ASML 机器已投入生产
  英特尔（INTC.O）周一表示，来自 ASML Holding（ASML.AS）的前两款尖端光刻机已在工厂“投产”，初步数据显示它们比早期型号更可靠。在加利福尼亚州圣何塞的一次会议上，英特尔高级首席工程师史蒂夫·卡森表示，英特尔在单个季度内使用 ASML 的高数值孔径（NA）光刻机生产了 3 万个晶圆，这些大型的硅片可以制造出数千个计算芯片。据分析，良率在20%~30%

• 来源：[Intel says new ASML machines are in production, with positive results]

• 重新思考 2nm 节点多图案化

  • 2nm 节点光刻技术现状：根据《2022 版国际器件与系统路线图》，2025 年的 “2nm” 节点金属最小半间距为 10nm，小于当前 EUV 系统分辨率。即便下一代高数值孔径（NA）的 EUV 系统，在成像 20nm 线间距时，随机行为也难以控制。因此，2nm 节点即便采用 EUV 光刻，双图案化也不可避免，且双图案化中的线宽难以通过直接曝光确定，需借助自对准双图案化（SADP）技术。
  • SADP 技术及应用：SADP 通过在芯轴上沉积间隔层、回蚀保留侧壁、去除芯轴来加倍特征密度。台积电在 2021 年美国专利申请中暗示了 LELE - SADP 方法，LELE（光刻 - 蚀刻 - 光刻 - 蚀刻）用于形成两个单独的芯轴图案，作为 SADP 的基础图案。不过，部分核心图案线宽过小无法直接印刷，需要从较大曝光线宽进行修整，但并非所有情况都适用修整方法。
  • EUV 与 DUV 光刻技术对比：在 20nm 间距下，EUV 和 DUV 光刻都是可行选择，二者在实现特征尺寸和分辨率上效果相近，且对光刻性能和效率影响无显著差异。DUV 光刻以 480nm 起始曝光间距，也能达到 10nm 最小半间距尺寸，相比 EUV 可大幅降低成本。
  • 2nm 及更先进节点光刻技术展望：2nm 及更先进节点采用背面供电技术，将宽轨和窄轨分别置于晶体管上下不同层，有助于简化多重图案化流程。在 16 - 18nm 间距时，EUV 将采用自对准四重图案化（SAQP），DUV 将采用自对准六重图案化（SASP），二者都只需一次掩模曝光，相比 LELE - SADP 的两次掩模曝光有所改进 ，SASP 能将 ArF 浸没式光刻分辨率从 38nm 半间距提升至 6.3nm 半间距。

• 来源：Rethinking Multipatterning for 2nm Node

---

二、芯片领域

• 美光宣布 1γ（1-伽马）DRAM 发货：为未来计算需求开创内存技术进步

  美光科技公司（纳斯达克：MU）今日宣布，它是行业内首家向生态系统合作伙伴和精选客户出货其 1γ（1-伽马）、第六代（10nm 级）基于 DRAM 节点的 DDR5 内存样品，该内存专为下一代 CPU 设计。这一 1γDRAM 里程碑建立在美光之前 1α（1-阿尔法）和 1β（1-贝塔）DRAM 节点领导地位的基础上，将带来推动从云端到工业和消费应用，再到边缘 AI 设备如 AI 电脑、智能手机和汽车等未来计算平台的创新。美光 1γDRAM 节点将首先应用于其 16Gb DDR5 DRAM，随着时间的推移，将整合到美光内存产品组合中，以满足行业对高性能、节能内存解决方案的需求。该 16Gb DDR5 产品旨在提供高达 9200MT/s 的速度能力，与前辈相比，速度提升高达 15%，功率降低超过 20%。

• 来源: Micron Announces Shipment of 1γ (1-gamma) DRAM: Pioneering Memory Technology Advancements for Future Compute Needs

• 意大利寻求因业绩不佳解雇意法半导体 CEO

  罗马认为，鉴于行业面临日益加剧的逆风，首席执行官的表现不足，熟悉此事的人士告诉彭博社，他们拒绝透露姓名，因为他们未经授权公开讲话。在巴黎时间下午 1:55，意法半导体（STMicro）的股价下跌了 3%。意法半导体，其芯片应用于汽车和其他产品，一直在努力应对汽车和工业半导体需求的下滑。该公司在一月份表示，2024 年是几十年来行业最糟糕的年份之一，并给出了低于分析师预期的预测。彭博社报道，该公司正在寻求在需求持续低迷的情况下裁减多达 3000 个工作岗位。

• 来源: Italy Seeks to Remove STMicro CEO Over Poor Performance

• 苹果将在美国建设 AI 数据中心

  苹果将在未来四年内投入超过 5000 亿美元，在美国使用美国制造的 NVIDIA 芯片，由 TSM 在美国工厂生产的芯片，建设大型 AI 数据中心。计划包括在德克萨斯州建设一座新工厂、将美国先进制造基金翻倍、建立一个制造学院，以及加速对人工智能和硅工程的投资。

• 来源: Apple will spend more than $500 billion in the U.S. over the next four years

• Synopsys 扩展硬件辅助验证组合以应对不断增长的芯片复杂性

  Synopsys 宣布扩大其硬件辅助验证（HAV）产品组合，以加速半导体设计创新。这些进步旨在满足半导体复杂性的日益增长需求，使软件和硬件领域实现更快、更高效的验证。HAV 解决方案解决软件、硬件、接口和架构中的复合复杂性，在制造前后实现稳健的验证。新产品包括下一代硬件引擎（ZeBu-200 和 HAPS-200），这些引擎为验证速度和效率提供了显著的性能提升。

• 来源: Synopsys Expands the Industry’s Highest Performance Hardware-Assisted Verification Portfolio to Propel Next-Generation Semiconductor and Design Innovation

---

三、人工智能领域

• Anthropic 推出先进的 AI 混合推理模型

  华盛顿，2025 年 2 月 25 日（WAM）–Anthropic 于周一推出了一种先进的 AI 模型，该模型可以产生更快的响应或展示其逐步推理过程，旨在在生成式人工智能行业中获得竞争优势。在扩展思考模式下，该模型“在回答前进行自我反思”，从而提高了其在数学、物理、指令遵循、编码和其他许多任务中的性能，Anthropic 表示。

• 来源: Anthropic launches advanced AI hybrid reasoning model

• 微软Magma：多模态人工智能代理的基础模型

  Magma，一个服务于数字和物理世界多模态 AI 代理任务的基座模型。Magma 是视觉-语言（VL）模型的重要扩展，前者不仅保留了后者的 VL 理解能力（语言智能），还配备了在视觉空间世界中进行规划和行动的能力（空间智能），以及完成从 UI 导航到机器人操作等代理任务。Magma 在大量的异构 VL 数据集上进行预训练，包括图像、视频和机器人数据，其中图像中的可操作视觉对象（例如 GUI 中的可点击按钮）由标记集合（SoM）进行标记，而视频中的对象运动（例如机器人臂的轨迹）由标记轨迹（ToM）进行标记。大量实验表明，SoM 和 ToM 有助于从大规模训练数据中获取空间智能。Magma 在 UI 导航和机器人操作任务上创造了新的最先进成果，优于专门针对这些任务的先前模型。在 VL 任务上，Magma 也与在更大数据集上训练的流行 VL 模型进行了有利的比较。

• 来源: Magma: A Foundation Model for Multimodal AI Agents

• Deepseek DeepEP开源：针对混合专家（MoE）和专家并行（EP）的通信库

  DeepEP 解决了在 GPU 之间分发和聚合标记时的固有低效问题。该库提供了高吞吐量、低延迟的全对全 GPU 内核——通常被称为 MoE 分发和组合内核，这些内核简化了训练和推理过程中的数据交换。值得注意的是，DeepEP 支持低精度操作（包括 FP8），与 DeepSeek-V3 论文中详细描述的技术相一致。这次发布直接回应了在节点内和节点间环境中扩展 MoE 架构的挑战。DeepEP 提供两种主要类型的内核，旨在满足不同的操作需求：

  • 普通内核：这些内核针对需要高吞吐量的场景进行了优化，例如在推理或训练的预填充阶段。它们通过利用 NVLink 和 RDMA 网络技术，有效地在 GPU 之间传输数据。例如，在配备 NVLink 的 Hopper GPU 上的测试显示，节点间通信的吞吐量约为 153 GB/s，而使用 CX7 InfiniBand（约 50 GB/s 带宽）的节点间测试实现了接近 43-47 GB/s 的稳定性能。通过最大化可用带宽，这些内核在令牌分发和结果合并期间的通信开销降低。
  • 低延迟内核：对于响应性至关重要的推理任务，DeepEP 提供仅依赖 RDMA 的低延迟内核。这些内核针对处理小批量（常见于实时应用）进行了优化，据报道，涉及八个专家的调度操作的延迟低至 163 微秒。设计还集成了基于钩子的通信-计算重叠技术，允许数据传输与计算同时进行，而不会消耗 GPU 流式多处理器（SM）

• 来源: DeepEP: an efficient expert-parallel communication library

---

四、机器人领域

• 智元开源大型仿真框架AgiBot Digital World

  自研的大型仿真框架AgiBot Digital World正式发布！这是一个专门为机器人操作技能研究与应用设计的仿真平台，不仅提供了灵活的仿真数据生成方案，还开源了预训练的大规模仿真数据。这个数据集涵盖了5大类场景：从温馨的家居环境，到繁忙的商超，再到井井有条的办公空间，甚至包括了餐饮和工业场景。其中家居场景占据了36%的比重，商超场景紧随其后占21%，其他场景各占14.3%。

  • 来源: AgiBotDigitalWorld

• 强化学习三重奏提升 Spot 的奔跑速度

  波士顿动力发布的 Spot 四足机器人研究版本带有低层级 API，RAI 研究所借此运用强化学习技术，将 Spot 的运行速度提升至 5.2 米 / 秒，是其出厂最高速度 1.6 米 / 秒的三倍多。Spot 的运动方式类似小跑但有飞行阶段，这是其为保持速度而自主探索出的行为。Spot 原有的模型预测控制（MPC）基于软件模型，虽可靠但有局限性，难以突破机器人性能极限。而强化学习离线学习，可使用复杂模型，在模拟环境中训练控制策略后应用于机器人。通过强化学习，研究人员发现限制 Spot 速度的因素是电池供电不足，而非执行器或运动学问题。

• 来源: Reinforcement Learning Triples Spot’s Running Speed

---