勤業眾信聯合會計師事務在其《2023全球高科技、媒體及電信產業趨勢預測》指出，2023年需特別關注的趨勢之一，是AI設計未來晶片。他們預測，2023年全球半導體市場產值將達到6,600億美元。AI不僅帶來經濟規模，還能協助晶片製造商突破摩爾定律邊界，節省時間與金錢。

AI掀起另一波晶片製程大戰

ChatGPT母公司OpenAI掀起高階人工智慧（AI）晶片需求，Google旗下的AI 聊天機器人Bard也頻頻出招，就連特斯拉（Tesla）執行長、推特執行董事馬斯克（Elon Musk）也在7月中宣布新的AI公司xAI正式啟動。

地球的另一端，繼「人工智慧教父」輝達（Nvidia）執行長黃仁勳後，「半導體女王」超微（AMD）董事長暨執行長蘇姿丰博士7月旋風來台，她指出：「未來AI無所不在。」

圖一 : 超微（AMD）董事長暨執行長蘇姿丰博士說：「未來AI無所不在。」（source：AMD官網）

如今AI還處於早期發展階段，至少約有5-10年快速發展光景，預估未來3-5年AI的潛在市場規模達1,500億美元。看好AI商機，Nvidia、AMD和英特爾（Intel）近年來收購動作頻頻，如2022年AMD斥資350億美元收購賽靈思（Xilinx）；Intel收購以色列AI新創公司Habana Labs，就連Google、亞馬遜（Amazon）都開始自製AI晶片。

不論這場AI大戰如何演變，AI晶片、高階AI伺服器成為當紅炸子雞，而AI晶片的運算能力也成為技術大熱門，推升高效能運算（HPC）晶片需求，帶動特殊應用晶片（ASIC）設計、先進晶圓製造、小晶片（Chiplet）異質整合封裝、ABF晶片載板等供應鏈加速發展。

當AI與ML導入晶片設計

台灣半導體產業在大數據分析、邊緣運算與AI技術演進下，逐步從「自動化」邁向更有競爭力的「智動化」，台積電等科技龍頭發展腳步最為快速。由於晶片製造具有挑戰性與複雜度，需要更精準掌握及分析龐大的產品資訊、生產流程及設備參數，加上疫情推波助瀾，數位轉型及導入AI執行機台調校、缺陷辨識等重覆性工作成為另一種日常。

AI與機器學習（ML）等技術確實有助進一步提升執行任務的速度與準確性，因此，隨著AI與ML技術日益成熟與普及化，半導體產業導入AI與ML應用場景越來越常見，不僅提高設備稼動率、降低維運成本，還能減少無預警設備異常可能造成的損失。

AI半導體市場競爭激烈，為提升效率、降低成本，AI晶片在資料中心的應用持續成長，雲端技術領域則成為AI智慧晶片的最大市場。勤業眾信指出，半導體公司使用AI技術設計晶片，可以讓過程更快、更便宜而且更高效，預估2023年領先全球的半導體企業於設計晶片內部和第三方AI工具上將花費約3億美元，未來四年內這方面的花費將以每年20%的速度成長，2026年成本將逾5億美元。

AI設計工具除了協助晶片製造商突破摩爾定律限制，節省時間與金錢，還能緩解人才短缺等問題。實務界利用電子設計自動化（Electronic Design Automation，EDA）設計/製作晶片已達數十年之久，工具中不乏機器學習（ML）元素、圖形神經網路（Graph Neural Networks，GNN）、強化學習（Reinforcement learning，RL）等技術，相關科技大幅提高AI在晶片設計上的有效性。

若干大型半導體公司已透過先進的AI人工智慧開發新的獲利模式，還可以為客戶提供設計與協同設計服務，等同於共同開發垂直專用晶片。如AMD即著重於3大關鍵領域發展：高性能GPU組合、易於布建AI硬體的軟體平台、與業界合作加速生態系發展的AI解決方案。未來AMD將推出專為生成式AI大型語言模型訓練打造的最新晶片MI300X，MI300X的記憶體是Nvidia H100的2.4倍，頻寬是H100的1.6倍，性能明顯提升，尤其是「推理」能力，可支援更大語言模型的運算，預計今年第4季加速量產，挑戰AI計算市場占比達80%的Nvidia領域地位。

圖二 : AMD今年6月中發表專為生成式AI應用所設計的AI加速器晶片MI300X。（Source：AMD）

EDA工具也加入AI技術 縮減設計時程

電子設計自動化（EDA）大廠新思科技（Synopsys）CEO Aart de Geus早在2021年指出，半導體產業面臨的主要挑戰在於如何在未來10年內做到從雲端到邊緣的1,000倍AI運算效能，關鍵在於更快速、更低成本及更好的晶片。他認為，半導體業面臨許多系統上的複雜挑戰，無法單靠人類的能力解決問題，需要運用人工智慧（AI）彌補人類智慧的不足，而先進的AI設計自動化工具可以提供解決方案。當年高通（Qualcomm）以14億美元收購NUVIA公司，隱然看出新晶片設計工具與AI智慧策略結合的新趨勢。

Synopsys的DSO.ai（Design Space Optimization AI）工具是應用於晶片設計的自動式AI工具套件，可以提供客戶晶片設計工具、驗證工具，以及服務、IP整合、軟體安全與品質測試。繁複晶片設計中最耗時的步驟之一就是驗證覆蓋率目標並進行收斂與迴歸分析，DSO.ai透過AI與ML反覆查看特性，在設計參數的過程中對晶片進行微調與優化，提高晶片設計的經濟效益、創意與成功率，也節省許多人力與時間的耗費。DSO.ai將過去需要數十位工程師花費數週甚至數月時間才能完成的工作，轉變成只需一位資淺工程師在數日內就能自行完成的工作內容。

2023年「SNUG Taiwan 2023使用者大會（Synopsys Users Group）」中，Aart de Geus再次提及新思科技的「設計空間優化AI」（Design Space Optimization AI）—DSO.aiTM，全面涵蓋設計、驗證、測試及製造等EDA流程，並能在單機和雲端環境中使用，目前已有超過200個商用設計開發專案採用該解決方案進行晶片優化，並已成功投片（Tape Out）。

一如超微（AMD）執行長蘇姿丰說「未來AI無所不在」，Aart de Geus表示，「我們正在用AI催化未來（Catalyze the Future）。」使用AI進行晶片設計的優勢在於，工具可以不斷從設計中學習，可以協助工程師更快地將合規與符合需求的晶片應用於新產品中，建構更精準的系統以解決各類複雜問題。AI導入晶片設計後，可以在更短時間內比較數千個參數，快速、準確地製造晶片，縮短晶片設計週期，同時減輕勞動成本及人力短缺壓力，提高效能的同時也大幅節省成本。

圖三 : 新思科技（Synopsys）董事長暨執行長 Aart de Geus認為，「我們正在用AI催化未來（Catalyze the Future）。」（source：Synopsys）

AI導入晶圓製造 製程成本可望減半

半導體晶圓製造設備及服務全球供應商Lam Research科林研發研究發現，半導體開發過程可能整合逾100兆個選項，製程與開發流程不僅耗時且成本高昂。AI應用於晶片製程開發可以大幅降低開發成本，而且加速創新。科林研發執行副總裁暨創新生態系統策略顧問Rick Gottscho指出，半導體製程開發費力、費時又耗成本，雖然工程人才在創新過程中至關重要，但如能在對的階段整合AI並使用正確數據，製程成本可望減少50%。

1996年提出「虛擬晶圓廠」概念的台積電在2000年前後已將晶圓生產製造型態從半自動導入全自動，不僅推出TSMC-Online2.0線上系統，提供晶圓製造互動式查詢資訊，也透過eFoundry服務（網際專業積體電路製造服務）架構，打造完整的設計合作、工程合作及後勤合作系統。2008年創立「開放創新平台（Open Innovation Platform，OIP）」，納入電子設計自動化（EDA）流程，打造供應鏈生態系；2011年已嘗試將AI技術導入晶圓製造與智慧化生產流程；2016年更導入機器學習（ML），全面擁抱AI數位轉型，包含IoT、Big Data與MR等技術應用。

AI導入封裝製程

除了晶片設計與製造，封裝部分也已導入AI應用。以台積電的先進封裝製造廠來說，智能工廠自動化包含製造執行系統（MES）、先進過程控制（APC）及自動化物料搬運系統（AMHS）。此外，先進封裝也利用AI、人機在環（HITL）、機器學習（ML）、大數據分析和邊緣計算技術，以監控控制物理設備的智能系統。

台積電董事長劉德音今年6月在股東會上提及，AI增加先進製程的需求，他對高速運算（HPC）、客製化晶片（ASIC）需求相當有信心，並認為AI風潮雖然沒能立即為台積電挹注營收，但先進封裝將加速擴產，未來2.5D及3D IC的先進封裝可望成為AI晶片的封裝架構，對於先進封裝CoWoS、小晶片封裝（Chiplet）都是利多。

封裝廠矽品2018年即啟動自動瑕疵分類（Automatic Defect Classification,ADC）計畫，在NVIDIA的指導下，耗時9個月建置AI系統。在封裝製程中，自動光學檢測 （AOI） 是相當典型的品質檢測工具。傳統AOI 的過篩機率 （Overkill）為100：1，意即遭判定疑似瑕疵的100次結果中，只有1次才是「真瑕疵（True Defect）」，因為AOI無法進一步判斷瑕疵是否為真瑕疵，一般需靠人力二次複檢。透過AI技術執行晶圓瑕疵檢測，一秒最少可篩檢20張晶圓圖像，不僅縮減人力成本、縮短產品交期，更大幅提高檢測效率與品質。

矽品的ADC計畫主要導入DGX-2系統作為前期AI模型訓練伺服器，DGX-2具有超強運算能力，整合16個NVIDIA V100 Tensor核心GPU，可用於大型AI專案處理海量資料，快速進行模型訓練與部署。另外也以Tesla T4作為推論伺服器，該伺服器配置2,560顆CUDA核心，同樣具有強大的運算力，每個Tesla T4具有16GB高速GPU記憶體，可以協助大型模型進行推論，或同時進行多個模型推論。

圖四 : 矽品將AI落實於封裝產線，實現瑕疵檢測全自動化。（Source：NVIDIA部落格）

封測大廠日月光則在2022年底推出該公司平台系列首創的FOCoS扇出型基板晶片封裝技術，解決方案分Chip First（FOCoS-CF）及Chip Last（FOCoS-CL），可以有效提升高效運算（HPC）性能，滿足更大記憶體及計算能力的網路及AI應用整合需求，還可以將不同晶片封裝在高腳數基板上，設計最佳封裝整合解決方案。

搶搭AI列車，台灣工研院研發「AI人工智慧設備預診斷技術」，透過演算法進行深度學習，在產線上直接判讀瑕疵並建立完整資料庫，有助解決傳統人為檢查失誤與品質不均等問題，分析缺陷肇因、解決問題時間從30天縮短成1-5天，未來還可支援頻率元件生產製造廠、多晶模組微小化構裝製程廠、碳化矽晶圓檢測、AiP載板檢測、半導體先進封裝測試檢測等產線彈性化生產。目前該技術已導入日月光中壢廠高階先進製程，有助進一步提升製程精準度、產能與良率。

圖五 : 工研院研發的「AI人工智慧設備預診斷技術」可以提升先進製程精準度與良率。（Source：工研院）

沒有退路 全面擁抱AI時代

整體來說，在晶片設計與製造方面，導入AI可以提供二大助益：一是縮短迭代時間，推出更新更好的晶片產品。相較於傳統方式，高階AI工具更能快速設計晶片，提高競爭力進而降低製造成本。二是更新製程技術，晶圓廠必須不斷推出新的製程技術、縮小晶片體積、創造高能效，而先進的AI工具可以協助晶片製造商縮短製程曲線，提高競爭優勢。

美、歐及中國大廠在晶片大戰中動作頻頻，除了既有的技術與資源優勢，導入先進AI技術協助晶片製造會是下一波競技的比試重點。全球半導體業者不想AI武力值落後，唯有全面擁抱AI，為提升競爭力與獲利能力而戰。