På senare tid har det skett en våg av fusioner och förvärv inom den globala halvledarindustrin, med jättar som Qualcomm, AMD, Infineon och NXP som alla vidtar åtgärder för att påskynda teknikintegration och marknadsexpansion.
Dessa åtgärder återspeglar inte bara företagens strategiska överväganden att söka starka allianser och kompletterande fördelar i den hårda marknadskonkurrensen, utan indikerar också att halvledarindustrins landskap kan inleda nya förändringar.
Genom att undersöka den senaste tidens internationella fusioner och förvärv av halvledare har jag grovt sammanfattat fyra nyckelord: AI, MCU+, bilar och EDA.
MCU+AI: oundviklig trend
STMicroelectronics förvärvar Deeplite, med fokus på edge AI
I april i år förvärvade STMicroelectronics (ST) den kanadensiska AI-startupen Deeplite, vilket väckte branschuppmärksamhet. Som vi alla vet är en stor utmaning för djupinlärningsmodeller vid kommersiell driftsättning deras driftsskala, processorkrav och strömförbrukningsintensitet. Deeplite löser detta problem genom att tillhandahålla en automatiserad mjukvarumotor för att optimera DNN-modeller (djupa neurala nätverk), vilket gör det möjligt för AI att utföra edge computing på vilken enhet som helst.
Deeplite grundades 2017 och är känt för sin edge AI-lösning DeepSeek, som fokuserar på optimering, kvantisering och komprimering av AI-modeller. Dess innovativa AI-drivna optimerare Neutrino kan komprimera stora djupinlärningsmodeller till en tiondel av sin ursprungliga storlek samtidigt som den bibehåller mer än 98 % noggrannhet. Genom tre nyckeltekniker – viktpruning (borttagning av redundanta parametrar), kvantisering (minskning av kraven på beräkningsnoggrannhet) och sparsification (ökning av andelen nollvärderade vikter) kan stora AI-modeller köras snabbare, mindre och mer energieffektivt på edge-enheter. Applikationer som tidigare krävde molntjänster kan nu köras smidigt på edge-enheter som smartphonekameror och industriella sensorer.
Deeplite har väckt stor uppmärksamhet under sina tidiga dagar och har utsetts till en ledande AI-innovatör av Gartner, Forbes, Inside AI och ARM AI. Detta förvärv är nära kopplat till STMicroelectronics strategiska omvandling till edge AI, som kombinerar hårdvara och mjukvara på ett "dubbelspiral"-sätt. Deeplites modelloptimeringsteknik är djupt integrerad med STMicroelectronics STM32-serie MCU:er och dedikerade NPU:er för att stödja konstruktionen av heltäckande AI-lösningar. Till exempel, i smarta fabriksscenarier kan kameror utrustade med STMicroelectronics-chip direkt upptäcka defekter utan att ladda upp data till molnet, och svarshastigheten ökar med 40 gånger.
Å andra sidan har Deeplite ett team i världsklass av AI-algoritmingenjörer, genom vilka ST kommer att integrera mer än 200 AI-utvecklingsverktyg för att bilda ett enhetligt utvecklingsekosystem av "modellbibliotek-optimerare-hårdvaruplattform". Kort sagt, förvärvet av Deeplite kompletterar inte bara den sista pusselbiten i ST:s på AI-mjukvarunivå, utan markerar också paradigmskiftet för halvledarindustrin från att "tillverka chip" till att "tillverka hjärnor".
NXP förvärvar NPU-företaget Kinara för att ompositionera smart edge
I februari i år tillkännagav NXP förvärvet av den amerikanska startupen Kinara, som specialiserar sig på edge AI-chip, för 307 miljoner USD kontant. Kinara grundades 2013 och hette ursprungligen Core Viz, senare Deep Vision och Kinara 2022. Kinaras diskreta NPU (inklusive Ara-1 och Ara-2) är branschledande inom prestanda och energieffektivitet, vilket gör den till den föredragna lösningen för nya AI-applikationer som drivs av syn, röst, gester och andra generativa AI-implementeringar, och dess programmerbarhet säkerställer att den kan anpassa sig till föränderliga AI-algoritmer.
NXP meddelar att detta förvärv kommer att kombinera Kinaras oberoende NPU med sin egen portfölj av processorer, anslutningsmöjligheter och säkerhetsprogram, vilket kommer att bidra till att tillhandahålla en komplett och skalbar AI-plattform från TinyML till generativ AI för att möta de snabbt växande AI-behoven inom industri- och fordonsmarknaden. Detta kommer att bidra till att skapa nya AI-drivna system inom industri- och IoT-områdena, hjälpa kunder att förenkla komplexiteten, snabba upp time-to-market och förbättra tekniska funktioner inom områden som smarta bilar, i riktning mot områden med högt mervärde.
Edge AI: Ett slagfält för MCU-tillverkare
Det har länge funnits en missuppfattning inom artificiell intelligens att "skala är makt". Även om stora modeller har utmärkt prestanda, möter de utmaningar i den faktiska driftsättningen – deras höga energiförbrukning strider mot de lätta kraven på edge-sidan. Branschexperter har upprepade gånger påpekat de inneboende begränsningarna i stora modellapplikationsscenarier: å ena sidan kräver träning och körning av stora modeller massiva datorresurser; å andra sidan är de viktigaste områdena för att främja industrialiseringen av artificiell intelligens just edge computing och terminalenheter som är mer känsliga för strömförbrukning och latens.
Det är inte svårt att förstå att ovanstående förvärv visar att MCU:s huvudsakliga slagfält håller på att förskjutas mot edge AI-beräkning. Det förväntas att 75 % av data kommer att bearbetas vid edge-enheter år 2025, vilket belyser den enorma potentialen för edge AI MCU-marknaden. Detta visar att efterfrågan på edge AI-beräkning växer snabbt, och MCU, som kärnkomponent i edge-enheter, kommer att spela en nyckelroll i denna trend.
I framtiden kommer mikrokontroller inte längre att begränsas till traditionella styrfunktioner, utan gradvis integrera AI-resonemangsfunktioner och tillämpas på scenarier som bildigenkänning, röstbehandling och prediktivt underhåll av utrustning. Mikrokontroller med edge computing-funktioner kommer att bli en viktig bärare av edge computing-kraft med sin låga strömförbrukning, höga effektivitet och omedelbara respons, vilket ger starkare stöd för smarta enheter och system.
Andra stora MCU-tillverkare förvärvar och konkurrerar också aktivt inom detta område, såsom Renesas Electronics förvärv av Reality AI, Infineons förvärv av svenska Imagimob och NXPs lansering av maskininlärningsprogramvaran eIQ och AI-verktygskedjan NANO.
Man kan dra slutsatsen att AI i edge-miljö kommer att bli ett viktigt slagfält för mikrokontroller under de närmaste åren.
Bilelektronik: fokus för kapitalkonkurrens
På senare tid har det ofta förekommit fusioner och förvärv av halvledare relaterade till fordonsapplikationer. Förutom datorkraft har utvecklingen av fordonsdrivlinor, nätverksanslutning i fordon, ljud i fordon och andra tekniker också drivit iterationen och uppdateringen av halvledarteknik, vilket har fått relaterade företag att komplettera sin egen tekniklayout genom fusioner och förvärv.
Halvledarindustrin är en typisk teknikintensiv och kapitalintensiv bransch. Om man ser tillbaka på de senaste decennierna har integration och fusioner blivit en oundviklig trend i branschens utveckling.
AI-jättar gör ofta förvärv i ett försök att förbättra sin tekniklayout och bygga en fullstack-fördel med "chip + system + ekosystem". Vanliga MCU-tillverkare omvandlas gradvis till edge AI och försöker ta över marknaden för smarta terminaler med låg strömförbrukning och hög flexibilitet. Inom fordonsbranschen har fordonsberäkning, autonom körning och datasammankoppling blivit viktiga områden för kapitalkonkurrens. Samtidigt övergår EDA-industrin från att tillhandahålla verktyg till att bygga ett ekosystem. Jättarna integrerar IP- och designprocesser och bygger marknadsdominans genom arkitekturen "verktygsarkitekturstandard".
I denna våg av fusioner och förvärv har tekniksamarbete, marknadsexpansion och ekosystemdominans blivit kärnlogiken. Företag måste balansera kortsiktig integration och långsiktig forskning och utveckling mitt i kapitalinflödet. Med tanke på de tekniska hindren och den kapitalintensiva karaktären hos halvledarindustrin är denna omvandling inte en "genväg" utan ett "maraton" som kräver långsiktiga investeringar.
Publiceringstid: 30 juni 2025