光刻机突破真不重要了吗？-ZOL问答

4个回答默认排序

默认排序

按时间排序

没找到满意答案？去问秘塔AI搜索

取消复制问题

当前，光刻机技术能否实现突破，其战略意义已显著弱化。中美综合国力的对比格局，并不会因单一设备的自主化进展而发生根本性扭转。究其原因，在于集成电路的应用边界正日益清晰，技术演进的驱动力正从制程极限转向系统适配与场景实效。
在工业与民用主流领域，芯片性能并非越尖端越好。车载电子、航空航电、通信基站、工业控制及通用计算设备，普遍对可靠性、耐久性、功耗控制与环境适应性提出更高要求，而非一味追求晶体管密度或主频峰值。这类系统物理空间充裕，散热条件良好，即便采用制程稍落后的芯片，亦可通过多芯片并行、模块化集成或架构优化等方式达成同等功能目标。例如，以十颗成熟工艺芯片替代一颗先进制程芯片，在工程实现上难度可控；虽存在成本与能效权衡，但相较高端芯片严苛的工作温区、供电精度与封装复杂度，整体系统方案反而更具鲁棒性与经济性。
真正持续拉动最先进制程需求的，仅剩两大方向：消费级智能终端与人工智能核心算力。然而，智能手机的发展已进入深度优化阶段。作为以影像采集、网络连接、人机交互为核心的随身设备，其技术焦点正从处理器算力转向多摄协同、图像信噪比、5G/6G基带整合、低轨卫星通信、高帧率视频编解码等垂直能力。用户更关注成像质感、通话稳定性与续航体验，而非跑分数据——一部五年前发布的旗舰机型，至今仍可流畅运行绝大多数日常应用与主流软件，印证了移动终端对芯片性能跃升的实际需求已大幅收敛。
人工智能领域则构成当前高端芯片的核心应用场景，但亦呈现结构性分化。推理环节对硬件精度容忍度提升，异构计算平台日趋多元，国产加速卡、FPGA乃至定制ASIC均已具备商用落地能力；训练环节虽曾高度依赖英伟达GPU生态，但趋势正在改变：谷歌Gemini系列大模型已大规模采用自研TPU集群，训练效率与效果不逊于顶级A100/H100方案；华为昇腾910C已规模部署，910D与下一代920加速推进；寒武纪思元系列在架构设计与实测性能上已接近国际一线水平；DeepSeek-V3.2等前沿大模型亦完成对国产AI芯片的全栈适配。这意味着，算力竞争正从单点性能制霸转向软硬协同规模效应。
由此观之，即便EUV光刻技术实现自主可控，其直接影响也相对有限：或助力国产手机重返部分海外市场，或小幅缩短AI训练周期，但难以重塑全球半导体产业分工逻辑。当国内晶圆厂产能持续释放、成熟制程芯片供应稳定、国产先进封装与系统级集成能力同步提升时，卡脖子的紧迫感自然消解。未来算力基础设施的竞争，将更多体现为芯片—框架—模型—应用的全栈协同效率，以及超大规模数据中心的绿色低碳运营能力。在此背景下，光刻机已非决定性变量，稳扎稳打、厚积薄发，方为务实之道。

取消评论