如果你正在做智能家电、端侧 AI 或者半导体供应链相关的工作最近这条新闻值得停下来看一眼LG 电子将委托三星代工 AI 家电芯片逐步摆脱对台积电的依赖。这不是一条简单的“转单”消息它背后牵扯到 AI 芯片的制程选择、代工格局、家电智能化节奏以及韩国半导体产业链的一次重新排序。我对这件事的判断可以放在前面LG 这次转向三星表面上是代工订单的迁移本质上是一次围绕“家电 AI 芯片”的成本、产能和供应链韧性的重新定价。家电 AI 芯片不需要和手机 SoC 抢最先进制程它更看重的是稳定供货、性价比和长期功耗表现而三星代工恰好在这个区间提供了更有竞争力的组合。普通读者可能只看到“LG 和三星合作”的新闻标题但做技术的人应该看到的是端侧 AI 芯片的设计和制造策略正在被家电行业重新定义。本文会把这条新闻拆开来讲包括家电 AI 芯片到底需要什么样的算力、为什么三星代工是这次转单的合理选择、代工格局会因此发生什么变化以及做嵌入式 AI 的工程师能从中学到什么。最后我也会根据公开材料整理一些容易误读的地方帮你建立更完整的判断框架。1. 这篇文章真正要解决的问题很多开发者看到“LG 转单三星代工”这种新闻第一反应是“这和我的工作有什么关系”。如果你只是写应用层软件确实关系不大但只要你的工作和以下任意一项相关这件事就值得仔细拆解你在做智能家电、智能家居、机器人或任何端侧 AI 设备。你在选型端侧推理芯片需要理解不同代工工艺对成本、功耗、供货的影响。你在做芯片设计、验证或后端关心代工客户的流向。你在做嵌入式 Linux 或 RTOS 上的 AI 推理需要知道 NPU 和 CPU 如何配合。你在研究半导体供应链想理解“去台积电化”为什么成为一个趋势。这条新闻真正有价值的点不在于“LG 选了三星”这个结果而在于它印证了一个趋势家电 AI 化之后芯片设计逻辑变了。家电芯片不需要跑大模型训练也不需要和旗舰手机抢首发它需要的是在有限的功耗和成本预算内把 AI 推理稳定地跑起来并且持续供货五到十年。这个需求直接决定了它适合用哪一代制程、找谁代工、怎么设计。这篇文章会沿着这个逻辑把新闻背后的技术原因讲清楚。2. 家电 AI 芯片的技术定位2.1 家电 AI 芯片和手机 SoC 的差别提到 AI 芯片很多人首先想到的是手机 SoC比如高通骁龙、苹果 A 系列、联发科天玑。这些芯片确实包含强大的 AI 算力但家电 AI 芯片和它们有本质区别。手机 SoC 的设计约束是“在旗舰手机 1 到 2 年的生命周期里跑最强的 AI 应用”它的制程往往追求最新节点比如 3nm、4nm因为要在极小的功耗预算里塞进尽可能多的晶体管和 NPU 算力。家电 AI 芯片的设计约束完全相反产品生命周期长一台洗衣机、冰箱、空调的设计寿命通常有 5 到 10 年。芯片必须保证这个期间内的稳定供货不能用太激进的制程或太冷门的封装。成本敏感手机 SoC 可以卖到 100 美元以上家电主控芯片可能只有几美元到十几美元的预算。不需要顶级算力家电上的 AI 任务主要是场景识别、语音唤醒、能效优化、异常检测这类推理任务通常只需要 1 到 10 TOPS 的 INT8 算力和手机端动辄几十 TOPS 的 AI 引擎相比差距很大。更看重低功耗和可靠性家电常年通电芯片的待机功耗、发热、稳定性优先级非常高。所以家电 AI 芯片更像一颗“带 NPU 的 MCU 或应用处理器”而不是“小型手机 SoC”。2.2 家电 AI 芯片需要什么从功能模块来看一颗典型的家电 AI 芯片通常包含以下部分模块作用说明CPU 核心运行主控逻辑和系统任务常见 1 到 4 核 Cortex-A 系列或 RISC-VNPU 或 DSPAI 推理加速负责语音、视觉、传感器融合模型ISP 或信号前端处理摄像头、麦克风、传感器数据家电视觉和语音功能的前置条件存储接口连接 Flash 和 DDR决定系统启动速度和模型加载能力安全模块启动校验、加密、防破解家电智能化的安全基础各类外设接口连接电机、压缩机、显示屏、Wi-Fi 模块家电控制的物理基础从材料中的热词也能看到行业内关注“soc芯片启动”“芯片测试”“芯片后端”“rk3588芯片”等话题这些正是端侧 AI 芯片开发者日常关心的环节。家电 AI 芯片虽然算力规模小但设计流程和大型 SoC 是一样的。2.3 家电 AI 芯片的制程选择家电 AI 芯片对制程的要求比手机 SoC 低这解释了为什么 LG 可以转单三星。通常来说手机旗舰 SoC 会使用最新制程例如 3nm、4nm。家电主控芯片和入门级 AI 芯片通常使用 5nm、8nm、12nm、28nm 甚至更成熟的节点。新制程的成本很高且产能容易受高端客户订单挤压。家电芯片如果跟着手机抢产能供应链风险会很大。因此LG 的 AI 家电芯片选择三星代工的成熟工艺是一个技术上的合理决定。家电 AI 场景并不需要最先进的晶体管密度但需要一个平衡良好、供货稳定的工艺平台。3. LG 为什么选择转单三星代工3.1 三星代工的选择逻辑要理解 LG 的转单首先要回到代工行业的基本逻辑。台积电和三星是当前全球高端逻辑芯片代工的两大主力。台积电的优势在于良率、工艺成熟度和客户服务口碑三星代工的优势在于 IDM 模式带来的垂直整合能力它有自家手机和消费电子业务作为工艺“试验场”并且在先进封装、存储芯片配套上有独特优势。按传统的商业惯性LG 这类韩国大企业如果要做 AI 芯片首选可能是台积电因为台积电的工艺平台更成熟有大量现成 IP 可以使用。但从 LG 这次的动向来看它选择三星代工主要考虑的是这几点3.2 供应链韧性与地理协同韩国企业把芯片放在韩国本土代工供应链风险显而易见地更小。芯片设计公司最怕的是“设计好了、流片时间到了、代工厂没有产能给你”。选择本土代工厂在产能谈判、技术支持、物流协同上都会更高效。从材料中的热搜词“soc芯片启动”“芯片测试”“芯片后端”来看芯片开发和联调涉及大量跨团队协作地理距离越近沟通成本越低。LG 和三星同在韩国工程团队之间的协作效率远高于跨洋沟通。3.3 成本结构的优化台积电是纯代工厂它的定价逻辑是“工艺技术溢价 产能供需定价”。三星作为 IDM 厂商在部分成熟节点上可以通过内部产能协调来降低外部客户成本。对家电 AI 芯片来说成本通常比性能更敏感。LG 的 AI 家电芯片需要同时保证市场竞争力如果三星能提供更有竞争力的代工报价转单就是合理的商业决策。3.4 台积电产能的竞争压力台积电的高端产能长期被苹果、英伟达、AMD 等大客户占据。AI 训练芯片需求爆发后台积电的先进制程产能越发紧张。家电芯片这种“量大但单颗价值不高”的订单在大客户面前议价权有限。在这种背景下LG 将 AI 家电芯片交给三星代工是一种主动的产能风险规避。它不想在未来几年 AI 芯片需求爆发时遇到“订单做不出来”的窘境。4. 三星代工在 AI 家电芯片上的竞争力三星代工过去几年最受争议的点是先进制程良率比如 4nm 和 5nm 早期都曾被爆出良率问题。但从近年来的情况看三星代工在成熟工艺和次先进工艺上的表现更加稳定这恰恰是家电 AI 芯片需要的工艺区间。4.1 工艺节点选择家电 AI 芯片通常不会选择最新的 3nm 或 2nm因为高端节点 IP 授权费用高。设计规则复杂开发周期长。成本对家电产品不友好。从 LG 的角度看三星代工的 5nm、8nm 和成熟工艺节点更合适。这些节点已经量产多年PDK 和 IP 生态相对完善能够满足家电芯片的性价比要求。4.2 三星 IDM 模式的协同优势三星不仅是代工厂还是全球最大的存储芯片厂商之一。家电 AI 芯片需要搭配 LPDDR、eMMC、UFS 或 NOR Flash三星在存储方案上可以提供整体打包服务。这意味着 LG 如果选择三星代工可以在芯片设计阶段就同步规划存储方案减少系统级集成的时间。从 AI 芯片的实际开发来看“算力 存储 封装”的一体化设计越来越重要这正是三星代工区别于纯代工厂的差异化竞争力。4.3 产能保障的确定性韩国本地代工还有一个隐藏优势当全球芯片产能紧张时韩国政府出于产业扶持角度会优先保障本土半导体供应链的稳定。LG 作为韩国大型财阀和三星沟通产能优先级比和海外代工厂沟通更有话语权。这本质上是“地缘距离 本土产业链协同”带来的确定性溢价。对家电这样需要稳定供货的行业来说确定性往往比极致性能更值钱。5. 家电 AI 芯片的典型架构与设计示例为了让这次分析落地我给出一个家电 AI 芯片的典型架构设计示例。按新闻涉及的“AI 家电芯片”推测这颗芯片在硬件上应该是一个带有 NPU 的嵌入式 SoC运行嵌入式 Linux 或 RTOS面向语音识别、视觉识别和能效优化场景。5.1 系统级功能划分一颗家电 AI 芯片通常从系统上划分成四个域控制域负责电机控制、压缩机控制、继电器开关、人机交互实时性要求高。AI 推理域运行语音识别模型、视觉检测模型、能效优化模型耗时长但吞吐量要求不高。通信域Wi-Fi、蓝牙、Zigbee、PLC 通信负责设备联网和远程控制。安全域负责安全启动、固件加密、密钥管理防止设备被攻击。如果 Linux 作为主系统控制域通常会跑在独立的 MCU 或 RZ/V 系列这种异构芯片上如果单芯片承载所有功能则需要在 Linux 上用核间通信机制来隔离实时任务和 AI 任务。5.2 设备树配置示例以下是一个典型的家电 AI 芯片设备树片段展示如何描述 NPU、内存和外围设备。注意这只是通用示例厂商的设备和型号要以实际 SDK 为准// 文件路径arch/arm64/boot/dts/lg/lg-ai-appliance.dts /dts-v1/; / { model LG AI Appliance SoC; compatible lg,ai-appliance, arm,cortex-a55; chosen { bootargs consolettyS0,115200 earlycon root/dev/mmcblk0p2 rw; }; memory40000000 { device_type memory; reg 0x0 0x40000000 0x0 0x40000000; /* 1GB DDR */ }; npu: npua0000000 { compatible lg,npu; reg 0x0 0xa0000000 0x0 0x100000; interrupts GIC_SPI 34 IRQ_TYPE_LEVEL_HIGH; clocks clk_npu; power-domains pd_npu; operating-points /* kHz uV */ 500000 800000 800000 900000 ; status okay; }; i2c2: i2cc0000000 { compatible snps,designware-i2c; reg 0x0 0xc0000000 0x0 0x1000; interrupts GIC_SPI 41 IRQ_TYPE_LEVEL_HIGH; clocks clk_i2c2; status okay; }; uart0: seriald0000000 { compatible arm,pl011; reg 0x0 0xd0000000 0x0 0x1000; interrupts GIC_SPI 50 IRQ_TYPE_LEVEL_HIGH; clock-frequency 24000000; status okay; }; };设备树里的 NPU 节点关键点compatible用于内核匹配对应的 NPU 驱动。interrupts定义 NPU 完成推理时通知 CPU 的方式。power-domains控制 NPU 的电源域在空闲时可以关掉 NPU 降低功耗。operating-points定义不同工作频率和电压组合对应不同的性能和功耗档位。家电芯片尤其在意义上重要的是power-domains和operating-points因为家电设备常年待机NPU 不能一直运行在最高频率。5.3 端侧 AI 推理流程示例以下是一个典型的端侧 AI 推理流程骨架使用 C 描述。实际项目中你会用厂商提供的 Runtime API但整体流程一致// 文件路径edge_ai_app/ai_infer.cpp #include cstdint #include cstdio #include vector // 假设厂商 SDK 提供了以下接口 #include lg_npu_runtime.h struct ImageData { int width; int height; int channels; std::vectoruint8_t pixels; }; int main() { // 1. 初始化 NPU LgNpuHandle* handle nullptr; if (lg_npu_init(handle) ! LG_NPU_OK) { printf(NPU init failed\n); return -1; } // 2. 加载编译后的模型文件 // 家电芯片上通常不能直接加载浮点模型需要先量化为 INT8/INT16 const char* model_path /usr/share/ai_models/washing_machine_v2.lgn; LgNpuModel* model nullptr; if (lg_npu_load_model(handle, model_path, model) ! LG_NPU_OK) { printf(Model load failed\n); lg_npu_deinit(handle); return -1; } // 3. 准备输入数据 // 这里模拟一个 224x224 RGB 图像的输入 int input_size 224 * 224 * 3; std::vectorint8_t input_data(input_size); for (int i 0; i input_size; i) { input_data[i] static_castint8_t(i % 127); } // 4. 执行推理 LgNpuTensor* input_tensor nullptr; LgNpuTensor* output_tensor nullptr; lg_npu_create_tensor(model, input, input_tensor); lg_npu_create_tensor(model, output, output_tensor); lg_npu_set_tensor_data(input_tensor, input_data.data(), input_data.size()); if (lg_npu_run(model, input_tensor, output_tensor) ! LG_NPU_OK) { printf(NPU inference failed\n); return -1; } // 5. 解析结果 const int output_classes 10; std::vectorfloat output(output_classes, 0.0f); lg_npu_get_tensor_data(output_tensor, output.data(), output.size() * sizeof(float)); int best_class 0; float best_score 0.0f; for (int i 0; i output_classes; i) { if (output[i] best_score) { best_score output[i]; best_class i; } } printf(Inference done. Best class: %d, score: %f\n, best_class, best_score); // 6. 释放资源 lg_npu_destroy_tensor(input_tensor); lg_npu_destroy_tensor(output_tensor); lg_npu_unload_model(model); lg_npu_deinit(handle); return 0; }这段代码展示了端侧推理的基本过程初始化 NPU、加载模型、准备输入、执行推理、解析结果、释放资源。在家电 AI 芯片上做推理有几个必须注意的点模型量化很关键。家电芯片的 NPU 往往只支持 INT8 或 INT16 推理模型从 FP32 量化到 INT8 时会有精度损失需要做校准。内存带宽是瓶颈。很多 AI 模型在小芯片上跑不快不是因为 NPU 算力不够而是因为内存带宽跟不上。设计时要尽量减少模型输入尺寸。推理时间可预测。家电的功耗和时序要求严格推理时长不能波动太大。建议使用固定 batch size 和固定分辨率。5.4 交叉编译配置示例实际开发中你会在 x86 主机上开发然后把程序交叉编译到 ARM 家电芯片上。下面是 CMakeLists.txt 的典型写法# 文件路径edge_ai_app/CMakeLists.txt cmake_minimum_required(VERSION 3.16) project(edge_ai_app CXX) set(CMAKE_CXX_STANDARD 17) set(CMAKE_CXX_STANDARD_REQUIRED ON) # 设置交叉编译工具链 set(CMAKE_SYSTEM_NAME Linux) set(CMAKE_SYSTEM_PROCESSOR arm) # 以 aarch64-linux-gnu-g 为例 set(CROSS_COMPILE aarch64-linux-gnu-) set(CMAKE_C_COMPILER ${CROSS_COMPILE}gcc) set(CMAKE_CXX_COMPILER ${CROSS_COMPILE}g) set(CMAKE_FIND_ROOT_PATH /opt/lg-sdk/sysroot) set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER) set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY) set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY) # 链接厂商 NPU Runtime 库 find_path(LG_NPU_INCLUDE_DIR lg_npu_runtime.h PATHS ${CMAKE_FIND_ROOT_PATH}/usr/include) find_library(LG_NPU_LIBRARY lg_npu PATHS ${CMAKE_FIND_ROOT_PATH}/usr/lib) add_executable(edge_ai_app ai_infer.cpp) target_include_directories(edge_ai_app PRIVATE ${LG_NPU_INCLUDE_DIR}) target_link_libraries(edge_ai_app PRIVATE ${LG_NPU_LIBRARY} pthread)编译和运行方法mkdir build cd build cmake .. make # 生成的二进制通过 adb 或 scp 推送到家电芯片设备上 adb push edge_ai_app /usr/bin/ adb shell chmod x /usr/bin/edge_ai_app adb shell /usr/bin/edge_ai_app如果编译出现找不到头文件或库的情况优先检查CMAKE_FIND_ROOT_PATH是否正确指向 SDK 的 sysroot 目录。6. 从 LG 转单看代工格局变化6.1 代工双雄的攻守变化过去很多年台积电在代工市场的统治地位相当稳固尤其是高端制程。三星虽然技术和产能都在线但在客户获取上一直面临挑战。LG 转单三星这件事给市场释放了一个信号当 AI 芯片从训练端走向端侧、从手机走向家电台积电的“垄断地位”并不像想象中那么绝对。具体来看训练芯片和手机 SoC 追求极致性能台积电优势明显。端侧 AI 设备和家电芯片追求成本、功耗、长期供货三星代工的成熟工艺和 IDM 协同价值更大。这意味着台积电很难在“所有 AI 芯片订单”上通吃。随着 AI 终端设备多样化三星代工有机会在非手机、非数据中心的细分赛道拿到更多订单。6.2 不同代工厂的差异化定位从整个代工市场来看未来会形成更加明显的分层代工厂主要优势工艺目标客户台积电3nm 到 7nm 先进制程高端手机 SoC、GPU、AI 训练芯片三星代工5nm 到 28nm 兼顾先进与成熟家电 AI 芯片、中端手机、消费电子中芯国际等14nm 以上成熟制程MCU、电源管理、驱动芯片这不是说三星会取代台积电而是说代工市场从“一家独大”走向“分层竞争”。家电 AI 芯片正是三星代工可以重点突破的领域。6.3 对供应链的启示LG 转单三星代工对做硬件的团队也有直接启发不要把鸡蛋放在一个篮子里。即使你已经习惯使用某家代工厂的工艺也应该在芯片规划阶段预留第二供应商的可能性。在架构设计时注意尽量使用标准 IP避免过度绑定某一代工厂。做好后端设计的可移植性让整个设计能相对容易地迁移到另一家代工厂。在成本允许的情况下评估双源流片策略。这需要团队在芯片设计早期就把供应链策略纳入技术决策而不是等流片出问题了再找替代方案。7. 对 AI 芯片和嵌入式开发者的实际启示7.1 芯片选型要有“制程意识”很多做嵌入式 AI 的工程师选芯片时只关注 CPU 核数、NPU 算力、内存接口很少关注芯片用的是哪家代工厂、什么制程。但这次 LG 转单事件说明制程会影响芯片的成本、功耗、长期供货和价格走势。务实的选择策略是先明确产品生命周期是 2 年还是 10 年。评估芯片的代工产能是否会受头部客户挤压。关注芯片厂家是否有稳定的第二供货策略。把“芯片在流片后会不会突然涨价或缺货”纳入选型因素。家电产品的芯片选型尤其要关注供货周期而不是只看跑分。7.2 端侧 AI 部署的工程细节不管是 LG 的 AI 家电芯片还是其他品牌的端侧 AI 芯片部署 AI 模型的工程细节都是相通的。核心流程包括训练模型时加入量化感知训练减小 INT8 量化精度损失。对模型做剪枝和蒸馏减小模型体积降低内存带宽要求。使用厂商提供的 NPU 编译器把模型转换为硬件适配的指令集。在真实设备上做功耗测试而不是只在开发板上跑 benchmark。这些环节直接决定了 AI 功能是“演示流畅”还是“量产可用”。7.3 关注 AI 芯片的软件支撑家电 AI 芯片能否被开发者接受拼的不仅是硬件参数更是软件工具链。包括编译器是否支持主流框架PyTorch、ONNX、TensorFlow Lite。是否提供丰富的模型算子库。是否有完整的调试和性能分析工具。是否有长期稳定维护的 Linux SDK。LG 转单三星后芯片的软件适配也需要相应调整。对于做算法和嵌入式的工程师来说这意味着要适应新的工具链、新的 NPU API 和新的底层驱动。这类软件迁移成本往往比硬件成本更值得关注。8. 常见问题与产业误读8.1 LG 转单三星是因为三星芯片比台积电更强吗不是。更准确的原因是在 LG 需要的工艺区间和成本条件下三星代工提供了更合适的选择。家电 AI 芯片用不到最先进制程转单三星更多是供应链考量和商业选择和“谁家技术最强”无关。8.2 台积电会因此失去核心客户吗短期内台积电的核心客户依然是苹果、英伟达、AMD 这些高端算力大户。LG 的订单属于细分市场对台积电整体营收影响有限。但它代表了一个趋势台积电需要重视 AI 终端芯片的长尾市场否则会被三星代工在腰部市场蚕食。8.3 家电 AI 芯片真的需要 AI 吗这是一个容易被忽略的问题。家电里的 AI 并不全是“消费噱头”。实际有价值的应用包括洗衣机根据衣物重量和脏污程度自动调整洗涤参数。空调根据人体位置和活动状态调节风向和温度。冰箱识别食材并推荐保质期管理。扫地机器人实时避障和路径规划。异常检测比如传感器数据异常时提前报警。这些功能对 AI 算力要求不高但确实能提升用户体验。AI 家电芯片的价值不在于“跑多快”而在于“在低功耗低成本的前提下比传统控制策略更智能”。8.4 三星代工的良率问题会影响 LG 吗三星在先进制程的早期良率曾受到质疑但在 LG 可能选用的成熟工艺节点上良率和稳定性已经经过多代产品验证。因此从公开信息看良率风险相对可控。不过这也提醒芯片设计公司在选代工厂时要把“良率爬坡进度”纳入项目计划给流片阶段留出足够缓冲。9. 总结与后续观察点LG 这次把 AI 家电芯片代工订单交给三星背后不是简单的“韩国企业互助”而是端侧 AI 芯片供应链的一次重新定价。它说明在 AI 进入家电的这条赛道上成熟工艺、稳定产能、成本控制和本地协同比最先进制程更关键。对做技术的读者来说可以从三个层面吸收这次事件的价值如果你是芯片行业从业者要看到代工市场正在从高端垄断走向分层分化家电 AI 芯片是三星代工的潜力细分市场。如果你是嵌入式 AI 工程师要更关注端侧芯片的功耗、成本、供货连续性而不是只看算力峰值。如果你是产品经理或硬件选型负责人要把“芯片代工策略”纳入供应链风险预案避免产品上市后被产能卡脖子。后续可以重点观察几个方向LG 和三星代工的合作规模会不会扩大到其他家电品类。三星代工在 5nm 到 8nm 区间的产能是否能持续承接家电 AI 芯片订单。台积电会不会针对端侧 AI 芯片推出更有竞争力的成熟工艺方案。其他家电厂商比如国内的美的、海尔会不会也加速导入本土或三星代工的 AI 芯片。建议把这条新闻收藏起来作为芯片选型和供应链决策的参考案例。明年再回看的时候你大概率会发现家电 AI 芯片的代工格局已经比今天更加热闹。