解读芯片硬件成本之外的软性成本

　　我们在之前的专栏文章《一枚芯片的实际成本是多少？》中着重探讨了芯片制造的硬件相关成本。今天我们将针对芯片硬件成本之外的软性成本进行解读。

　　芯片设计的软成本构成

　　一家芯片设计企业的软成本主要包括专利授权费用、开发工具费用和人力成本。购买硬核IP授权生产芯片的厂商基本只支出授权费用，自主开发的部分极少，所以这里主要讨论购买软核IP授权和指令集授权的芯片研发企业的情况。

　　授权费用

　　大部分芯片企业在研发产品时首先要考虑的就是各种形式的专利授权。以苹果公司的A9芯片为例，这款芯片采用了苹果自主研发，兼容ARMv8指令集的CPU核心；GPU部分则是从ImaginaTIon购买的Power VR 7系列核心。那么苹果公司就要向ARM公司购买ARMv8的指令集兼容授权，并向ImaginaTIon购买GPU核心的代码授权。

　　专利授权的费用并不是“明码标价、童叟无欺”的。不同的企业在购买授权时，最终支出的费用可能有很大差异。一种情况是合作双方通过专利互换来实现授权，例如Intel和AMD就有长期的扩展指令集互相授权协议（Intel向AMD授权SSE、AVX等指令集，AMD则提供x86-64指令集的使用许可），这种协议通常不涉及资金支出。也就是说，如果自己有对方看重的专利技术，那么就可以一分钱不花用自己的技术去换回对方的专利授权。

　　如果企业没有条件进行专利互换，那么自然需要支付费用来获得想要的专利授权了。不同的IP核心代码授权、指令集授权的报价在数十万至上千万美元之间，有些情况下会更高，但具体的成交价格也有相当的浮动空间。比如ARM在推广ARMv8指令集授权的过程中，就以很低的价格向一些小企业、科研机构“优惠”出售了一些授权包。一般来说，指令集和核心代码授权的费用是与芯片的最终产量无关的，所以对于芯片厂商来说这是一项固定的成本。

　　一枚芯片，尤其是集成诸多功能的SoC（片上集成系统），其包含的IP核心种类是会有很多的。除了人们熟知的CPU、GPU外，内存控制器、协处理器、视频编码解码单元、PCIe控制器、闪存控制器、基带模块等部分都可以是独立的IP。几乎没有什么芯片厂商能够独自研发所有这些模块，所以一颗芯片上存在向其他企业购买的IP核心是司空见惯的事情。当然，自主研发的部分越少，需要向第三方支付的授权成本也就越高。

　　有时企业在研发芯片过程中还会无意中用到其他公司、科研机构的技术实现方法，这时免不了要被索取专利授权费用。Intel、AMD、Nvidia等巨头的产品都曾被小公司、学校起诉侵权，而这样的官司最终和解费用一般是和侵权产品的实际产量挂钩的，因此动辄数千万美元之多。芯片做的越复杂，类似的情况越容易发生，因此对于大企业而言这块费用也是必须要考虑的。

　　开发工具费用

　　设计一款芯片，本质上就是编写出芯片的逻辑代码并将代码转化为硅片上的电路图的过程。做这些工作自然也需要相应的软件工具来提高效率。芯片的开发工具统称EDA（电子设计自动化）工具，是辅助工程师进行代码编写、电路设计、仿真测试等一系列工作的软件平台。

　　就像图有Adobe的Photoshop、办公有微软的Office，业内也有很多企业专门开发EDA工具包。绝大部分芯片公司都需要购买EDA，这一部分的支出也是芯片软成本的大头。

　　以EDA工具的行业领导品牌Synopsys为例，其销售的EDA工具软件一般是按照功能的多少来定价的。每个功能模块的报价都在数万至十几万美元／年。一款复杂芯片的设计过程中需要的EDA功能模块动辄几十上百项，因此仅仅是购买这套工具每年的花费就会有几百万乃至千万美元以上。

　　除了购买功能模块，芯片企业有时还需要EDA工具提供商的技术支援来帮助自己快速了解工具的功能、用法，并排除bug。当然，技术支援也是需要另外掏钱的，视复杂度不同，每年的费用也可以达到几十万美元。

　　还有些EDA工具或支持服务是按部署工具的计算机数量，甚至按照计算机的CPU核心数量收费——于是使用工具的电脑越多，机器里面的CPU核心越多，成本也就越高。芯片企业对这样的价格策略自然是很不满意，不过通常情况下也只能默默接受。毕竟优秀的EDA工具选择稀少，而这种工具对芯片设计来说几乎是不可或缺的。

　　但并非所有的开发者购买EDA工具的成本都是一致的。除了功能模块数量、部署计算机数量等因素的影响外，EDA工具的销售方是有着非常灵活的价格策略的。典型的，教育机构、科研机构购买EDA时往往会有惊人的折扣，实际成交价可以低至报价的十分之一；大企业大批量购买工具也容易得到较好的优惠政策。即使是一般的订单，最终成交价做到报价的五折或更低也几乎是行业惯例。不过由于原始报价本身就居高不下，即使算上折扣，EDA工具的购买维护费用对于芯片设计者依旧是庞大的支出。

　　除软件系统外，设计芯片自然也需要购买大量的硬件设施。开发过程中的有些步骤（例如仿真测试）需要很大的计算资源支持，这些任务通常会跑在高性能服务器集群上。高可靠性的存储系统和网络协作平台也是必要的硬件投入。为了节省成本，企业可以将部分功能转至第三方云平台，即便如此每年百万美元的成本也是稀松平常。