人工智能

三星或外包谷歌第十代 TPU I/O 裸片后端设计：2 纳米代工订单升温带来工程资源压力

2026年7月16日 · admin
openmagic ad

据 IT之家 7 月 15 日援引 The Elec 报道，三星电子正考虑把谷歌第十代 TPU 的 I/O 裸片后端设计工作交由外部合作方承担，以缓解先进制程订单增加后带来的内部工程资源紧张。来源显示，这款代号为“冰鱼（Icefish）”的新一代 TPU 将用于谷歌 AI 算力体系，I/O 裸片计划采用三星 2 纳米工艺生产，而三星近期已接洽旗下设计解决方案合作商（DSP），了解其承接相关后端设计业务的意向。

openmagic_cn_banner

TPU 是谷歌面向人工智能负载自研的加速芯片，支撑 Gemini 等模型的训练与推理需求。随着大模型竞争持续推高算力需求，先进制程、先进封装、HBM 连接与芯片互连能力，正成为 AI 基础设施竞争中的关键环节。此次传出的外包计划，也反映出AI 芯片订单正在改变晶圆代工与设计服务产业链的资源分配。

谷歌第十代 TPU 采用分拆设计，三星负责 I/O 裸片

来源称，谷歌正与联发科共同研发第十代 TPU，产品最快将在 2028 年进入量产阶段。该芯片由运算处理器与独立 I/O 裸片两部分组成：运算处理器部分据称将由台积电以 1.4 纳米工艺代工，I/O 裸片则交由三星以 2 纳米工艺生产。

I/O 裸片的任务，是在运算处理器与高带宽内存 HBM 之间完成数据传输。对于 AI 加速器来说，算力本身固然重要，但数据能否高效进出计算核心同样决定整体性能。尤其在大模型场景下，HBM 带宽、芯片间互连和 I/O 设计会直接影响训练与推理效率，因此这类“非计算核心”部分的设计复杂度和战略价值正在上升。

所谓后端设计，主要涉及逻辑电路布局布线、可测试性设计落地、设计验证等物理实现环节。三星的设计解决方案合作商通常负责将客户芯片设计适配到三星晶圆厂的工艺体系中，确保后续投产顺利进行。报道称，三星目前评估的方案包括外包部分或全部后端设计，也可能保留一部分由内部团队执行。

为何三星要外包：2 纳米订单增加，内部工程资源吃紧

openmagic_cn_banner

三星此前曾独立完成特斯拉 2 纳米自动驾驶芯片的后端设计工作。但行业消息人士称，近期三星 2 纳米代工订单增长明显，内部工程人员和设计资源出现紧缺。除谷歌和特斯拉外，三星还已确定 Anthropic、DeepX 为其 2 纳米晶圆代工客户。

从产业背景看，先进制程代工市场仍由台积电占据优势，但来源提到，台积电当前产能趋近饱和，使一部分芯片订单开始流向三星。对于三星而言，这既是追赶先进制程客户结构的机会，也会带来执行层面的压力：先进工艺节点不仅需要晶圆产能，也需要大量后端设计、验证和工艺适配能力。

  • 项目对象：谷歌第十代 TPU 的 I/O 裸片后端设计。
  • 工艺节点：I/O 裸片计划采用三星 2 纳米工艺。
  • 潜在合作方：ADTechnology、Gaonchips 被视为主要候选，Alphachips 也在名单中。
  • 外包原因：三星 2 纳米代工订单增加，内部工程资源紧张。
  • 量产节奏：第十代 TPU 最快或于 2028 年进入量产阶段。

候选 DSP 意愿有限，但项目具备标杆价值

报道称，ADTechnology 与 Gaonchips 是本次外包项目的核心候选方，两家公司都已承接或推进三星 2 纳米相关项目，技术路径与谷歌 TPU 项目相近。不过，业内消息也指出，两家公司对接手该项目并非特别积极。

原因主要有两点：一是两家公司现有核心项目排期已较满，业务负担不轻；二是后端设计服务的利润率通常低于全定制 ASIC 项目。来源显示，后端设计项目合同金额通常为数十亿韩元，而普通 ASIC 项目可达数百亿韩元，若包含保底量产规模的全流程 ASIC 项目，总金额最高可突破数千亿韩元。

即便如此，候选企业仍有较大概率承接部分工作。对设计服务公司来说，谷歌 TPU 这样的头部 AI 芯片项目具备显著示范意义，尤其是围绕 2 纳米工艺积累实战经验，有助于未来争取更高价值的 ASIC 或系统级芯片项目。在 AI 芯片产业链中，能够参与头部客户先进节点项目，本身就是一种能力背书。

影响解读：AI 芯片竞赛从“谁设计”扩展到“谁能交付”

这则消息的关键不只在于三星是否外包某个后端设计环节，而在于 AI 芯片供应链的竞争正在变得更立体。谷歌、Anthropic 等 AI 公司或相关生态企业持续推动自研加速器，意味着未来几年先进制程产能、HBM 配套、I/O 裸片、后端设计服务都可能成为紧缺资源。

对三星来说，获得更多 2 纳米客户有助于改善其先进代工业务的市场存在感，但同时也要求其在生态层面补齐能力，包括更成熟的 DSP 网络、更稳定的设计流程，以及面向 AI 芯片的工艺协同能力。对中文读者和国内产业观察者而言，这一案例说明，AI 基础设施竞争并不只发生在模型参数和应用层，背后的芯片设计服务、代工产能与工程交付体系，正在成为决定大模型时代算力供给的重要变量。