Nylig har det vært en bølge av fusjoner og oppkjøp i den globale halvlederindustrien, med giganter som Qualcomm, AMD, Infineon og NXP som alle tar grep for å akselerere teknologiintegrasjon og markedsekspansjon.
Disse tiltakene gjenspeiler ikke bare selskapenes strategiske hensyn til å søke sterke allianser og komplementære fordeler i den harde markedskonkurransen, men indikerer også at halvlederindustriens landskap kan innlede nye endringer.
Ved å undersøke nylige internasjonale fusjoner og oppkjøp av halvledere, har jeg grovt oppsummert fire nøkkelord: AI, MCU+, biler og EDA.
MCU+AI: uunngåelig trend
STMicroelectronics kjøper opp Deeplite, med fokus på edge AI
I april i år kjøpte STMicroelectronics (ST) opp den kanadiske AI-oppstartsbedriften Deeplite, noe som vakte oppmerksomhet i bransjen. Som vi alle vet, er en stor utfordring for dyp læringsmodeller i kommersiell distribusjon deres driftsskala, prosessorkrav og strømforbruksintensitet. Deeplite løser dette problemet ved å tilby en automatisert programvaremotor for å optimalisere DNN-modeller (dype nevrale nettverk), slik at AI kan utføre edge computing på enhver enhet.
Deeplite ble grunnlagt i 2017 og er kjent for sin edge AI-løsning DeepSeek, som fokuserer på optimalisering, kvantisering og komprimering av AI-modeller. Den innovative AI-drevne optimizeren Neutrino kan komprimere store dyplæringsmodeller til en tidel av sin opprinnelige størrelse, samtidig som den opprettholder en nøyaktighet på over 98 %. Gjennom tre nøkkelteknologier – vektpruning (fjerning av redundante parametere), kvantisering (redusering av krav til beregningsnøyaktighet) og sparsifisering (økning av andelen nullverdivekter), kan store AI-modeller kjøre raskere, mindre og mer energieffektivt på edge-enheter. Applikasjoner som tidligere krevde skytjenester, kan nå kjøre problemfritt på edge-enheter som smarttelefonkameraer og industrielle sensorer.
Deeplite har fått mye oppmerksomhet i sine tidlige dager og har blitt kåret til en ledende AI-innovatør av Gartner, Forbes, Inside AI og ARM AI. Dette oppkjøpet er nært knyttet til STMicroelectronics' strategiske transformasjon til edge AI, som kombinerer maskinvare og programvare på en "dobbel helix"-måte. Deeplites modelloptimaliseringsteknologi er dypt integrert med STMicroelectronics' STM32-serie MCU-er og dedikerte NPU-er for å støtte konstruksjonen av ende-til-ende AI-løsninger. For eksempel, i smarte fabrikkscenarier kan kameraer utstyrt med STMicroelectronics-brikker direkte oppdage feil uten å laste opp data til skyen, og responshastigheten økes med 40 ganger.
På den annen side har Deeplite et team i verdensklasse av AI-algoritmeingeniører, som ST vil bruke til å integrere mer enn 200 edge AI-utviklingsverktøy for å danne et enhetlig utviklingsøkosystem av en «modellbibliotek-optimaliserings-maskinvareplattform». Kort sagt, oppkjøpet av Deeplite fullfører ikke bare den siste brikken i STs puslespill på AI-programvarenivå, men markerer også paradigmeskiftet i halvlederindustrien fra å «lage brikker» til å «lage hjerner».
NXP kjøper opp NPU-selskapet Kinara for å reposisjonere smart edge
I februar i år annonserte NXP oppkjøpet av den amerikanske oppstartsbedriften Kinara, som spesialiserer seg på edge AI-brikkeproduksjon, for 307 millioner dollar i kontanter. Kinara ble grunnlagt i 2013 og het opprinnelig Core Viz, senere omdøpt til Deep Vision og Kinara i 2022. Kinaras separate NPU (inkludert Ara-1 og Ara-2) leder bransjen innen ytelse og energieffektivitet, noe som gjør den til den foretrukne løsningen for nye AI-applikasjoner drevet av syn, stemme, gester og andre generative AI-implementeringer, og programmerbarheten sikrer at den kan tilpasse seg utviklende AI-algoritmer.
NXP sa at dette oppkjøpet vil kombinere Kinaras uavhengige NPU med sin egen portefølje av prosessorer, tilkoblingsmuligheter og sikkerhetsprogramvare, noe som vil bidra til å gi en komplett og skalerbar AI-plattform fra TinyML til generativ AI for å møte de raskt voksende AI-behovene i industri- og bilmarkedene. Dette vil bidra til å skape nye AI-drevne systemer innen industri- og IoT-felt, hjelpe kunder med å forenkle kompleksitet, øke hastigheten på time-to-market og forbedre tekniske muligheter innen områder som smartbiler, og bevege seg mot felt med høy verdiskaping.
Edge AI: En slagmark for MCU-produsenter
Det har lenge vært en misforståelse innen kunstig intelligens at «skala er makt». Selv om store modeller har utmerket ytelse, møter de utfordringer i den faktiske utrullingen – deres høye energiforbruk er i strid med de lave vektkravene på kantsiden. Bransjeeksperter har gjentatte ganger påpekt de iboende begrensningene ved store modellapplikasjonsscenarier: på den ene siden krever trening og kjøring av store modeller massive dataressurser; på den andre siden er nøkkelområdene for å fremme industrialiseringen av kunstig intelligens nettopp kantdatabehandling og terminalenheter som er mer følsomme for strømforbruk og latens.
Det er ikke vanskelig å forstå at oppkjøpene ovenfor viser at hovedslagmarken for MCU skifter til edge AI-databehandling. Det forventes at innen 2025 vil 75 % av dataene bli behandlet ved kanten, noe som fremhever det enorme potensialet i markedet for edge AI MCU. Dette viser at etterspørselen etter edge AI-databehandling vokser raskt, og MCU, som kjernekomponenten i edge-enheter, vil spille en nøkkelrolle i denne trenden.
I fremtiden vil ikke MCU-er lenger være begrenset til tradisjonelle kontrollfunksjoner, men gradvis integrere AI-resonnementsmuligheter og bli brukt i scenarier som bildegjenkjenning, stemmebehandling og prediktivt vedlikehold av utstyr. MCU-er med edge computing-muligheter vil bli en viktig bærer av edge computing-kraft med sitt lave strømforbruk, høye effektivitet og umiddelbare respons, og gi sterkere støtte for smarte enheter og systemer.
Andre store MCU-produsenter kjøper også aktivt opp og konkurrerer på dette feltet, som Renesas Electronics' oppkjøp av Reality AI, Infineons oppkjøp av svenske Imagimob og NXPs lansering av maskinlæringsprogramvaren eIQ og AI-verktøykjeden NANO.
Det kan konkluderes med at edge AI vil bli en viktig slagmark for MCU-er i løpet av de neste årene.
Bilelektronikk: fokus for kapitalkonkurranse
I det siste har det ofte dukket opp fusjoner og oppkjøp av halvledere knyttet til bilindustrien. I tillegg til datakraft har utviklingen av drivlinjer i biler, nettverkstilkobling i kjøretøy, lyd i kjøretøy og andre teknologier også drevet iterasjonen og oppdateringen av halvlederteknologi, noe som har fått relaterte selskaper til å supplere sin egen teknologistruktur gjennom fusjoner og oppkjøp.
Halvlederindustrien er en typisk teknologiintensiv og kapitalintensiv industri. Når man ser tilbake på de siste tiårene, har integrasjon og fusjoner blitt en uunngåelig trend i utviklingen av industrien.
AI-giganter foretar ofte oppkjøp i et forsøk på å forbedre teknologilayoutet sitt og bygge en fullstack-fordel med "chip + system + økosystem". Vanlige MCU-produsenter transformerer seg gradvis til edge AI, og prøver å gripe markedet for smarte terminaler med lavt strømforbruk og høy fleksibilitet. Innen bilindustrien har databehandling i kjøretøy, autonom kjøring og datatilkobling blitt sentrale områder for kapitalkonkurranse. Samtidig går EDA-industrien fra å tilby verktøy til å bygge et økosystem. Giganter integrerer IP- og designprosesser og bygger markedsdominans gjennom "verktøy-arkitektur-standard"-arkitekturen.
I denne bølgen av fusjoner og oppkjøp har teknologisamarbeid, markedsekspansjon og økosystemdominans blitt kjernelogikken. Bedrifter må balansere kortsiktig integrasjon og langsiktig forskning og utvikling midt i kapitaltilstrømningen. Gitt de teknologiske barrierene og den kapitalintensive naturen til halvlederindustri, er denne transformasjonen ikke en "snarvei", men et "maraton" som krever langsiktige investeringer.
Publisert: 30. juni 2025