鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

英飞凌潘大伟:AI与机器人将带来新的增长机会

编程导航
编程导航
2025-07-30 12:30
阅读 135
编程导航
2025-07-30 12:30
阅读 135

英飞凌科技全球高级副总裁及大中华区总裁、英飞凌科技消费、计算与通讯业务大中华区负责人潘大伟

英飞凌科技全球高级副总裁及大中华区总裁、英飞凌科技消费、计算与通讯业务大中华区负责人潘大伟

 2025年最火的是什么?那一定是AI与机器人。

在近日英飞凌年度媒体日活动上,英飞凌科技全球高级副总裁及大中华区总裁、英飞凌科技消费、计算与通讯业务大中华区负责人潘大伟多次提到“AI与机器人这两个增长点将会给各个领域带来巨大的机遇”。

潘大伟透露,AI与机器人这两个市场都非常庞大,英飞凌也面临着很多机会。2025财年,英飞凌AI相关业务的营收预计将达到6亿欧元;2026财年,这一数字预计将达到10亿欧元。

作为一家全球半导体公司,英飞凌在华发展已有三十年,面对国内半导体产业高速发展带来的竞争,潘大伟直言,面对这样一个比较“卷”的市场,英飞凌尽管需要面对挑战,但更多的是面临着不同的机遇,比如在中国市场非常火热的AI、自动化,包括工业自动化、机器人等,以及很多来自家电市场的发展机遇。

聚焦AI与机器人业务

在市场表现方面,2024年,英飞凌汽车电子的全球市场占有率为13.5%,位列榜首,中国市场占有率更高,为13.9%。在功率分立器件和模块领域,2024年英飞凌的全球市场占有率为17.7%,连续多年保持份额第一。在微控制器领域,2024年英飞凌的全球市场占有率为21.3%,首次登顶全球MCU榜首。

英飞凌的功率半导体包括硅、碳化硅、氮化镓。过去一年,英飞凌发布了全球最薄硅功率半导体晶圆,厚度实现从40μm降到20μm;在碳化硅上,英飞凌推进了8英寸(200mm)的生产,其位于马来西亚的新晶圆厂一期项目正式启动运营;在氮化镓方面,英飞凌推出了全球首款300mm氮化镓功率半导体晶圆。

氮化镓方面,成本非常关键。英飞凌率先实现300mm 氮化镓晶圆量产,较传统 8 英寸晶圆,不仅在技术上更先进,也因为晶圆直径的扩大,每片晶圆上的芯片数量增加了 2.3 倍,效率也显著提高,为规模化应用奠定基础。其 20μm 超薄硅功率晶圆技术使芯片厚度减半,适用于高密度集成的机器人关节模组。

潘大伟表示,这意味着氮化镓已经到达了一个拐点,可以支持用户在不同的应用场景中大量使用。现在氮化镓已经发展到了12英寸,未来氮化镓与硅的成本在同一RDS(on) 级别能够接近,这意味着同级的硅和GaN产品的成本将能够持平。

同时,据潘大伟介绍,英飞凌也在聚焦AI与机器人等市场非常热的领域。

针对 AI 服务器的高功耗痛点,英飞凌推出硅、碳化硅、氮化镓(GaN)三技术融合的电源方案,例如与 NVIDIA 合作开发的 800V 高压直流电源架构(HVDC),可将能效大幅提升,显著降低数据中心碳排放。

其 2024 年发布的TDM2354xD和TDM2354xT双相功率模块,采用垂直功率传输(VPD)技术,电流密度达 1.6A/mm²,支持单台 AI 服务器机架功耗突破 1MW 的需求,同时将板载输出电容降低 50%,实现业界领先的功率密度。

英飞凌的传感器融合技术,整合 ToF 传感器、雷达、硅麦克风等感知技术,支持设备端数据采集与本地推理。例如,石头科技扫拖机器人采用英飞凌 REAL3™ ToF 3D 图像传感器。该技术能够缩小产品尺寸并提高可靠性,让扫拖机器人能够通过更低、更窄的空间,且具有高度的可靠性。新一代机器人解决方案以混合飞行时间(hToF)系统取代传统的激光测距仪(LDS)模块和避障模块,还支持同步定位和三维地图构建(3D SLAM)、避障以及悬崖探测功能于一体的摄像头模块。 

赋能(enable)AI(以实现这种智能化)正成为一个火热的产业。尤其是在智能家居等应用场景中,有很多器件需要有“感知和控制”,这就需要用到传感器、微控制器(MCU),以及蓝牙、WiFi等连接方案,帮助客户实现精准可靠地感知,处理原始数据(支持机器学习的超低功耗边缘AI微控制器),为物联网应用提供稳健、安全的连接。 

不过,潘大伟认为,AI服务器的功耗正在攀升,未来AI服务器机架的功耗将会达到800千瓦、1000千瓦甚至更高。

在机器人领域,英飞凌已与多家机器人产业链企业达成合作,覆盖工业、服务、家用等多场景。其中,英飞凌与地瓜机器人等本土企业合作,针对中国市场需求优化设计。例如,英飞凌与地瓜机器人携手打造具有强大运动、感知与通信能力的机器人解决方案。

继续加码中国市场

财务方面,2024财年公司营收约为150亿欧元。2025财年第一季度(2024年10月1日至12月31日),英飞凌营收为34.24亿欧元,利润为5.73亿欧元,利润率16.7%。2025财年假设欧元兑美元汇率为1:1.05 (之前为1:1.10) ,英飞凌预计营收将与上一财年持平或略有增长 (之前预测为较前一年度略有下降) ,调整后的毛利率预计在40%左右,利润率为14%~19%。

目前,英飞凌有四大事业部,分别为:汽车电子(ATV)、零碳工业功率(GIP)、电源与传感系统(PSS)、安全互联系统(CSS)。其中,汽车电子(ATV)是在英飞凌全球总营收中占比最高的事业部。

电动汽车、可再生能源、软件定义汽车、物联网、人工智能/数据中心等五大关键应用领域,为英飞凌贡献了近半营收。其中,据潘大伟介绍,物联网是英飞凌一个重要的增长点,虽然它目前的贡献占比为全球营收的5%,但将来的增长是非常可观的。

值得注意的是,大中华区市场在英飞凌全球营收中占比约三分之一(34%),是全球占比最大的市场。因此,潘大伟在这次媒体日活动上也强调称,大中华区市场是英飞凌非常重要的区域市场,并且再次重点阐述了英飞凌“在中国,为中国”本土化策略。

英飞凌“在中国,中国”本土化策略具体包含四个方面:本土化创新;本土化运营;本土化生产;本土化生态。

据潘大伟介绍,“创新”方面包括:开发符合客户和市场需求的定制化产品;提供灵活丰富的产品组合:提供多样化的产品组合以满足不同细分市场需求;在电动汽车、可再生能源等高价值领域提供创新的解决方案。

“生产”方面,据潘大伟透露,英飞凌会扩大微控制器(MCU)、MOSFET和其他通用产品的本土化生产,拓展本土生产的汽车产品组合。同时,英飞凌还将继续加强与本地代工合作伙伴及后道生产制造伙伴的合作,增强供应链韧性,并且充分利用无锡的后道工厂实现高效生产。

英飞凌“在中国,为中国”其中比较重要的一环就是生态的发展。为什么这么说?潘大伟解释称,“比如在很多的产品中雷达的应用非常多,在不同的产品中要使用不同的雷达、不同的传感器,而这些应用的开发都需要很多合作伙伴相互助力,进行协同创新。”

毫无疑问,提高生产制造和供应链的韧性是非常重要的,尤其是在汽车电子方面,它的重要性尤为凸显。而对于这些全球半导体供应商而言,“本地化”不再是一句口号,我们可以看到越来越多的跨国企业正在加速拓展和壮大自己在华的生态圈,加强本土的应用创新,以保证其业务在中国市场的继续增长。    

在进入中国三十周年之际,潘大伟指出,作为一家德国企业,英飞凌的特长就是长期性、稳定性、追求零缺陷的卓越质量管理,实际上这都是我们的基因。质量可靠、看问题从长期主义的角度出发,他认为这是不变的。而变的则是敏捷度,“这个世界发展越来越快,我们要提高敏捷度和快速反应,我认为这是要‘变’的。”

十年前AI还鲜为人知,而现在人们都在讲AI,整个市场和技术发展的趋势在不断变化。英飞凌的技术也在不断演进、重点聚焦的项目随之也会有所变化。不过,潘大伟强调称,“‘不变’的是产品始终保持高品质和领先性,此外还有英飞凌发展理念,也就是支持低碳化、数字化是不变的。”(本文首发于钛媒体APP,作者 | 张敏,编辑 | 盖虹达)

原文链接: 英飞凌潘大伟:AI与机器人将带来新的增长机会
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手