AI 家电芯片的委托代工，正在成为家电企业供应链调整中一个值得深入分析的样本。近期业内讨论较多的消息是，LG 电子拟把 AI 家电芯片的代工订单从台积电转向三星，通过三星的晶圆代工业务完成制造。表面看，这只是一次供应商切换；但把它放到半导体产业链里看，它同时牵动芯片设计、制程选择、SoC 启动验证、端侧 AI 推理工具链和供应链风险管理。这里从开发者视角展开这些内容，不讨论商业八卦，而是关注“一颗 AI 家电芯片为什么需要代工，设计完怎么流片，流片回来怎么验证，最终怎么在冰箱、空调、洗衣机上跑起 AI 应用”这条完整链路。
读者可以带着三个问题阅读：第一，家电芯片和手机芯片的设计约束有什么不同；第二，一颗 SoC 从设计到回片，中间有哪些必须验证的环节；第三，作为一名应用开发者或嵌入式工程师，在没有芯片设计经验的情况下，如何通过启动日志、NPU 工具链和端侧推理项目理解这轮 AI 芯片趋势。读懂这些问题，比记住“LG 换代工厂”这条新闻更有价值。
1. 家电企业自研 AI 芯片，到底在解决什么问题
1.1 家电 AI 化需要的不只是算力，而是专用 SoC
传统家电主控芯片通常是一颗 MCU，承担按键扫描、温度采集、电机控制、通信协议解析这类实时控制任务。这类任务对算力要求不高，但对确定性和稳定性要求极高。家电进入 AI 化阶段后，场景发生了变化：冰箱要识别食材种类，空调用人体位置控制风向，洗衣机要判断衣物材质和脏污程度，烤箱要识别食物颜色和状态。这些任务涉及图像分类、目标检测、语音唤醒、语音识别，本质上是大量矩阵运算和卷积运算，普通 MCU 的 CPU 核跑不动，即使跑得动，功耗和延迟也不满足产品要求。
于是家电厂商开始引入带 NPU 的 AI SoC。这类芯片通常把 CPU、NPU、ISP、音频前端、安全引擎、Wi-Fi/蓝牙连接能力集成在同一个 SoC 中。CPU 负责业务流程，NPU 负责神经网络推理，ISP 负责摄像头图像信号处理，安全引擎负责密钥存储和固件校验。相比在云端做推理，端侧 AI 有几点好处：推理结果不依赖网络，延迟更稳定；视频和语音数据不出设备，隐私风险更低；长期运行不需要为每次交互付费，边际成本更低。
但这里有一个关键判断：家电 AI 芯片并不是“算力越强越好”。冰箱不会因为 NPU 有 50 TOPS 就更省电，空调也不会因为芯片制程更先进就卖得更好。家电芯片更看重的是在约束功耗、约束成本、约束散热条件下，把目标 AI 业务稳定跑起来。这也决定了它的设计逻辑和手机旗舰 SoC、云端 AI 加速卡完全不同。
1.2 从 IDM 到 Fabless：半导体产业链的分工
“LG 把芯片给三星代工”这句话，很多人第一反应是三星自己也在做芯片，为什么还能给别人代工。这里需要先讲清楚半导体产业链的分工模式。
半导体行业大致有三种运营模式：
| 模式 | 说明 | 典型代表 |
|---|---|---|
| IDM | 自己设计、自己制造、自己封测，全链条覆盖 | 三星、Intel、TI |
| Fabless | 只做芯片设计，不建晶圆厂，制造交给代工厂 | 高通、英伟达、联发科 |
| Foundry | 只做制造代工，不向用户提供自有品牌的同类型芯片竞争（有例外） | 台积电、三星代工、中芯国际 |
三星是 IDM 模式，但在其业务体系中，代工业务独立运营，既为自己制造芯片，也为外部客户提供晶圆代工服务。LG 电子如果确实把 AI 家电芯片交给三星代工，那 LG 的芯片业务角色接近 Fabless：自己定义芯片规格、做架构设计、做前端 RTL，然后把 GDSII 文件或设计数据库交给代工厂，由代工厂完成制造。
这里要纠正一个常见误解：换 Foundry 不是“换一个厂牌”那么简单。每个 Foundry 都有一套完整的工艺设计套件，包括标准单元库、内存编译器、I/O 库、模拟 IP、DFT 规则和设计规则手册。芯片设计团队在台积电节点上做时序收敛、功耗分析和物理验证，换到三星节点后，虽然 RTL 可以复用，但后端实现、时序约束、IP 选型、封装方案甚至芯片 pin 定义都可能需要重新适配。所以新闻里“切换代工厂”背后，是一整套设计工程工作。
1.3 切换代工厂，为什么不是简单的供应商替换
从产业逻辑看，客户在多个 Foundry 之间切换，通常基于以下几个因素：
- 工艺库和 IP 生态是否匹配。家电芯片需要集成大量接口 IP，比如 USB、PCIe、MIPI CSI/DSI、SD/eMMC、以太网。不同 Foundry 的 IP 成熟度不一样，如果目标节点的 ISP 或 NPU 第三方 IP 支持不好，整体设计周期会被拉长。
- 产能和交付周期是否可控。代工厂的排产优先级、MPW（多项目晶圆）服务、晶圆交期，会直接影响芯片流片和量产节奏。
- 成本模型是否合适。不同 Foundry 在同一工艺节点的晶圆价格、光罩费用、良率模型不同，最终会体现为单颗芯片的物料成本。
- 合作关系和长期供货承诺。家电产品生命周期比手机长，芯片往往需要供应 5 到 10 年。代工厂对这个节点的未来规划、是否愿意承诺长期产能，都会影响决策。
- 系统级协同。如果代工厂有更强的应用处理器解决方案，能帮助厂商更快地完成参考设计，那么项目整体风险会降低。
具体到 LG 和三星之间最终采用什么节点、什么工艺、什么封装，需要以官方公开信息为准。但从一般工程规律看，一家系统厂商切换代工伙伴，本质上是在平衡性能、成本、交付和供应链韧性，而不是简单地“谁更先进就选谁”。
2. 一颗 AI 家电芯片从设计到量产的关键环节
2.1 家电 AI SoC 与手机 SoC、云端 AI 芯片的差别
要把 AI 家电芯片看懂，先要知道它和两种常见芯片的边界在哪里。可以对比几个关键维度：
| 对比维度 | 手机旗舰 SoC | 云端 AI 加速卡 | 家电 AI SoC |
|---|---|---|---|
| 算力目标 | 十几到几十 TOPS，强调能效 | 几百到上千 TOPS，追求吞吐 | 常见在 1 到 10 TOPS 量级，够用即可 |
| 功耗约束 | 几瓦到十几瓦，受电池限制 | 数百瓦，可主动散热 | 几瓦以内，很多场景无风扇 |
| 工作温度 | 常温为主 | 恒温机房为主 | 可能经历高温、低温、高湿 |
| 内存配置 | LPDDR5 + UFS，追求带宽 | HBM 或大容量 DDR | LPDDR4/DDR4 甚至 SRAM，成本优先 |
| 成本敏感度 | 高，但可以接受旗舰溢价 | 相对不敏感 | 极高，家电整机利润很薄 |
| 可靠性要求 | 日常使用即可 | 7x24 小时运行 | 长期运行，维修成本高 |
家电 AI 芯片的算力目标并不是越大越好。一台智能冰箱的摄像头识别食材，可能一秒处理一到两帧就够了；空调的人体检测，每秒处理一次也能接受。真正限制端侧 AI 的不是峰值算力，而是模型能不能在功耗和内存约束下稳定跑完。
2.2 工艺节点怎么选：成本、功耗和长期供货的权衡
工艺节点选择是芯片定义阶段的重大决策。家电 AI 芯片通常不会选择最前沿节点，原因不在“能不能用”，而在“值不值得”。
先进节点意味着更小的晶体管尺寸，理论上功耗更低、密度更高，但光罩费用、流片费用、设计复杂度也显著上升。家电芯片不像手机芯片有巨大的年出货量来摊薄研发成本，如果一颗冰箱主控芯片一年出货只有几百万颗，先进节点的一次性成本会很难受。
普通行业经验中，工艺节点和芯片类型的匹配大致如下：
| 工艺节点 | 成熟度 | 相对成本 | 典型场景 |
|---|---|---|---|
| 28nm | 非常成熟 | 低 | MCU、家电主控、电源管理 |
| 12nm/16nm | 成熟 | 中等 | 中端 SoC、AI 摄像头、家电主控 |
| 7nm/8nm | 较新 | 高 | 手机 SoC、智能座舱 |
| 5nm 及以下 | 前沿 | 很高 | 旗舰手机、数据中心 |
这里要说明一点：所谓 12nm、7nm 是代工厂按市场习惯命名的商业节点，并不直接等于物理上的栅极长度，不同 Foundry 之间的命名不能简单横向比较。选择节点时，芯片团队主要看三件事：目标算力需要多大面积、功耗预算能不能接受、成本模型能不能支持量产。家电 AI 芯片如果主要跑轻量级 CNN，12nm 或 28nm 级别的成熟工艺往往足够，而且良率更高、长期供应更有保障。
注意：工艺节点数字是商业命名，不是可测量的物理宽度。对比不同 Foundry 的节点时，要以实际 PDK、IP 支持和良率数据为准。
2.3 回片后要做什么：启动验证、测试和可靠性
芯片设计完成后并不会直接进入产品。流片回来后的验证阶段，决定了这颗芯片能不能从“样品”变成“产品”。
首先是回片测试。工程团队拿到晶圆或封装好的样片后，会先检查电源域是否短路，上电后看电流是否异常，再接 JTAG 或串口查看芯片是否正常进入调试模式。这一步失败，通常说明芯片存在物理缺陷、设计缺陷或封装问题。
其次是启动验证。通过 Boot ROM 加载引导程序，观察串口日志是否按预期打印。SoC 启动是芯片回片后的第一道功能关口，如果芯片连 Boot ROM 都跑不过去，后面的操作系统和应用都无从谈起。
再次是量产测试和可靠性测试：
- ATE（自动测试设备）：在晶圆阶段和封装阶段跑测试向量，筛选坏片。
- SLT（系统级测试）：把芯片装到接近真实应用的测试板上，跑系统级用例，验证整链路是否正常。
- 老化测试：长时间高负载运行，观察早期失效。
- 可靠性认证：包括高低温、湿度、ESD、Latch-up 等，家电芯片尤其重视，因为空调外机、厨房设备的工作环境比手机严酷得多。
对家电厂商来说，一颗芯片的维修成本往往超过芯片本身的价值，所以“能不能稳定跑十年”比“能不能在新工艺上跑分更高”更重要。这也是成熟工艺在家电芯片里长期占有一席之地的原因。
3. 从 Boot ROM 到 Kernel：AI 家电 SoC 的启动链路
3.1 为什么 SoC 启动必须分层
SoC 上电后，DRAM 还没有完成初始化，芯片内部只有容量很小的 SRAM 或 ROM。如果 Boot ROM 直接去加载完整操作系统，既没有足够的代码执行空间，也没有可用的内存控制器。因此 SoC 启动必然是一个分阶段的过程。
典型的启动链路如下：
- Boot ROM：芯片出厂固化在内部 ROM 里的代码，负责选择启动介质、初始化最小系统、验证下一级引导程序签名。
- BL1/BL2：在内部 SRAM 中运行，用于初始化时钟、电源域、DDR 控制器。
- U-Boot SPL：一个精简版引导程序，把完整 U-Boot 从 flash 或 eMMC 加载到 DRAM。
- U-Boot：完整引导程序，负责加载内核镜像和设备树。
- Kernel：初始化设备驱动、挂载根文件系统，启动用户态服务。
这个分层设计解决了一个实际问题：芯片上电后，很多硬件还没有准备好，必须先用最简单的环境运行一小段安全代码，逐步把复杂系统带起来。同时，分层也提供了安全边界，每一级都校验下一级的签名，防止固件被篡改。
3.2 用一次典型启动日志理解完整过程
下面是一段示意性启动日志，格式接近嵌入式 Linux 平台的 U-Boot 输出：
U-Boot SPL 2022.04-rc1 Trying to boot from MMC1 spl: mmc boot device: 1 U-Boot 2022.04-rc1 DRAM: 2 GiB MMC: mmc@ffe07000: 0 Net: eth0: ethernet@ff3e0000 Hit any key to stop autoboot: 0 ... Starting kernel ...这段日志看起来普通，但每个字段都有含义。SPL 打印表示第一阶段引导已经在执行；DRAM: 2 GiB说明 DDR 初始化成功，内存容量已经被识别；Hit any key to stop autoboot表示 U-Boot 命令行可以进入；Starting kernel表示引导程序已经把控制权交到内核。
实际调试中，不同厂商的日志格式差别很大。有的用BL31、BL33，有的用U-Boot TPL、U-Boot SPL，但分层思路一致。拿到一块开发板，第一件事就是接串口，看启动日志走到了哪一步，这是所有嵌入式启动排错的基础。
3.3 安全启动和“校验失败”是怎么回事
现代 SoC 普遍支持安全启动。Boot ROM 会使用芯片内烧录的公钥校验下一级引导程序签名，逐级校验，直到内核。如果任何一级签名不正确，芯片会拒绝启动，日志里可能出现类似Secure check fail或Bad magic number的信息。
很多开发者在开发板上改了内核镜像后无法开机，第一反应是代码崩溃，实际上更常见的原因是签名校验失败。开发板阶段，厂商通常会提供关闭安全启动的开关或开发密钥；产品量产阶段，必须保留并强制开启安全启动。
AI 家电芯片连接摄像头和网络，如果固件被篡改，可能存在隐私和安全隐患。正确做法是保留完整签名链，在开发流程中使用开发密钥，在产品环境中使用受保护的私钥签名，而不是绕过校验。
不要绕过安全启动去做所谓“刷机”。开发板需要关闭校验时，使用厂商提供的正规开关或开发工具；量产产品必须保留签名校验链路。
3.4 启动失败排查表
启动问题可以从现象反推原因，常见情况如下：
| 问题现象 | 常见原因 | 检查方式 |
|---|---|---|
| 上电后串口无任何输出 | 电源、晶振、复位电路异常 | 用万用表量关键电源域，示波器检查晶振，确认复位脚状态 |
| 串口输出乱码 | 串口波特率不匹配或时钟初始化错误 | 核对平台默认波特率，检查 UART 时钟源 |
| 卡在 Boot ROM 阶段 | 启动介质选择错误、镜像损坏、签名校验失败 | 确认启动介质选择引脚，检查镜像签名、分区表 |
| DDR 初始化失败 | 内存参数不匹配 | 核对 DDR 型号、频率、时序参数和厂商参考设计 |
| 内核启动后 panic | 设备树与外设不匹配，驱动加载顺序异常 | 检查设备树节点、内核配置、驱动依赖 |
排查启动问题，永远从日志开始。没有日志就先看硬件基础信号，再用二分法定位卡在哪一级，不要凭感觉盲改代码。
4. 端侧 AI 推理在嵌入式芯片上是怎么跑起来的
4.1 端侧 AI 的构成：算力、算子库、模型格式和内存
一颗 AI 家电芯片要跑起模型，不是只靠 NPU 硬件。整体链路由几个部分配合完成：
- 算力：NPU 的 INT8 算力通常以 TOPS 为单位，表示每秒万亿次整数运算。厂商宣传的 TOPS 数字要关注精度条件，INT8 和 FP16 的 TOPS 数值不可直接比较。
- 算子库：NPU 内部不是万能执行单元，它支持的是有限的算子集合。PyTorch 模型里的某些层，在目标 NPU 上可能不支持或实现效率低。
- 模型格式：训练出来的模型通常是 PyTorch 或 TensorFlow 格式，需要转换成 ONNX、TFLite 或厂商私有格式。
- 内存：模型权重、中间特征图、输入输出缓冲区都会占用 RAM。30 MB 的 FP32 模型在端侧可能已属于偏大，需要量化压缩。
- 工具链：模型转换、量化、编译、性能分析、调试，都需要厂商提供的 SDK 和工具链支持。
家电产品对工具链的依赖
