中芯只落後台積電3年？日研究公司拆解華為Pura 70 Pro：美國封鎖令刺激中國自主生產|數位時代 BusinessNext

中芯晶片硬傷，仍在良率

一般來說，半導體的奈米數越低，代表著製程越先進、性能更高、晶片越小。不過TechanaLye聲稱，中芯國際生產的晶片，已經可以在相仿的大小下，達到與台積電接近的性能，中芯的7奈米晶片大小為118.4平方公釐，而台積電5奈米晶片大小為107.8平方公釐。

單純以晶片性能來說，中芯國際的產品已經接近台積電2021年的水準，不過中芯國際較大的問題仍是良率。

依照先前披露的資訊，中芯7奈米的良率還不到50%的水準，遠低於業界90%的標準。 另外，晶片性能的提昇也有一部份可能跟華為海思的設計能力有所提高有關。

中芯投入7奈米製程已經有好一段時日，最早在2020年就宣佈了7奈米製程技術，並在同年聲稱完成首個N+1 7奈米製程晶片，後續還開發了N+2 7奈米製程技術。

2022年時，就有逆向工程公司發現，中芯國際為比特幣礦機代工的SoC晶片，就運用了7奈米製程技術。

依照當時的說法，中芯國際的製程技術與台積電非常相似，被認為可能是複製台積電的技術，再加上，中芯國際過去曾有兩度被台積電控告抄襲其技術的經歷。

Pura 70 Pro已逼近100%國產化

而這次使用在Pura 70 Pro上的晶片，則是採用N+2 7奈米製程技術，雖然根據各方媒體的測試，該晶片性能不如當前的中階手機晶片，但較華為先前推出的麒麟9000s晶片有了15%到20%的提昇。

值得一提的是，不光是主要的麒麟9010晶片，Pura 70 Pro上的半導體已經大幅實現中國國產化，整台手機內部使用的37個半導體中，14個來自華為海思、18個來自其他中國半導體廠商，只有5個是海外供應，例如SK海力士的DRAM和博世的運動感測器。

中美晶片戰也有利多？TechanaLye：刺激中國國產化

美國近年持續加強對中國的半導體封鎖，繼2023年10月推出新版禁令，防止輝達等公司的先進AI晶片銷往中國外，今年3月底再次升級出口管制，防止中國取得AI晶片及先進的半導體製造設備，甚至未來有意加碼到中低階的成熟製程領域。

但在中國大舉投資半導體產業、力求突破美國技術封鎖的情況下，外界普遍認為美國制裁短期內能有效能，長期則無法遏止中國半導體產業的發展。

TechanaLye執行長清水洋治認為，美國的技術封鎖僅僅只是稍微延後了中國半導體產業的創新，同時還激發了中國力求國內自主生產的努力。

中芯只落後台積電3年？業界未達共識

國際半導體產業協會也預估，2024年全球半導體設備市場規模將達到1,090億美元，而對中國的出口將占350億美元創下歷史新高。不過該協會也推測，近年大舉投資半導體產業後，中國在2025年在半導體設備花費的金額將減少。

《日經亞洲》評論，中芯國際利用不受出口管制的設備持續擴大生產能力，在這樣的情況下他們能以7奈米晶片實現與台積電5奈米晶片相仿的性能，對整個產業可能產生重大影響。尤其先進製程邁向更小奈米數的難度持續攀升，台積電要保持技術領先的難度也會越來越大。

不過，目前中國半導體技術究竟追趕到什麼程度？各個機構有著不同的看法。雖然TechanaLye聲稱僅落後3年，今年8月美國智庫資訊技術與創新協會發布的報告則認為，中國在先進邏輯晶片製造上，還落後領先者5年之久。

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。