企业官网建设流程全解析

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：

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 = "console=ttyS0,115200 earlycon root=/dev/mmcblk0p2 rw"; }; memory@40000000 { device_type = "memory"; reg = <0x0 0x40000000 0x0 0x40000000>; /* 1GB DDR */ }; npu: npu@a0000000 { 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: i2c@c0000000 { compatible = "snps,designware-i2c"; reg = <0x0 0xc0000000 0x0 0x1000>; interrupts = <GIC_SPI 41 IRQ_TYPE_LEVEL_HIGH>; clocks = <&clk_i2c2>; status = "okay"; }; uart0: serial@d0000000 { 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::vector<uint8_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::vector<int8_t> input_data(input_size); for (int i = 0; i < input_size; i++) { input_data[i] = static_cast<int8_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::vector<float> 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：

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：

1. 先明确产品生命周期是 2 年还是 10 年。
2. 评估芯片的代工产能是否会受头部客户挤压。
3. 关注芯片厂家是否有稳定的第二供货策略。
4. 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：

1. 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。
2. 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。
3. 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。