勤业众信联合会计师事务在其《2023全球高科技、媒体及电信产业趋势预测》指出，2023年需特别关注的趋势之一，是AI设计未来晶片。他们预测，2023年全球半导体市场产值将达到6,600亿美元。AI不仅带来经济规模，还能协助晶片制造商突破摩尔定律边界，节省时间与金钱。

AI掀起另一波晶片制程大战

ChatGPT母公司OpenAI掀起高阶人工智慧（AI）晶片需求，Google旗下的AI 聊天机器人Bard也频频出招，就连特斯拉（Tesla）执行长、推特执行董事马斯克（Elon Musk）也在7月中宣布新的AI公司xAI正式启动。

地球的另一端，继「人工智慧教父」辉达（Nvidia）执行长黄仁勋後，「半导体女王」超微（AMD）董事长暨执行长苏姿丰博士7月旋风来台，她指出：「未来AI无所不在。」

图一 : 超微（AMD）董事长暨执行长苏姿丰博士说：「未来AI无所不在。」（source：AMD官网）

如今AI还处於早期发展阶段，至少约有5-10年快速发展光景，预估未来3-5年AI的潜在市场规模达1,500亿美元。看好AI商机，Nvidia、AMD和英特尔（Intel）近年来收购动作频频，如2022年AMD斥资350亿美元收购赛灵思（Xilinx）；Intel收购以色列AI新创公司Habana Labs，就连Google、亚马逊（Amazon）都开始自制AI晶片。

不论这场AI大战如何演变，AI晶片、高阶AI伺服器成为当红炸子鸡，而AI晶片的运算能力也成为技术大热门，推升高效能运算（HPC）晶片需求，带动特殊应用晶片（ASIC）设计、先进晶圆制造、小晶片（Chiplet）异质整合封装、ABF晶片载板等供应链加速发展。

当AI与ML导入晶片设计

台湾半导体产业在大数据分析、边缘运算与AI技术演进下，逐步从「自动化」迈向更有竞争力的「智动化」，台积电等科技龙头发展脚步最为快速。由於晶片制造具有挑战性与复杂度，需要更精准掌握及分析庞大的产品资讯、生产流程及设备叁数，加上疫情推波助澜，数位转型及导入AI执行机台调校、缺陷辨识等重覆性工作成为另一种日常。

AI与机器学习（ML）等技术确实有助进一步提升执行任务的速度与准确性，因此，随着AI与ML技术日益成熟与普及化，半导体产业导入AI与ML应用场景越来越常见，不仅提高设备稼动率、降低维运成本，还能减少无预警设备异常可能造成的损失。

AI半导体市场竞争激烈，为提升效率、降低成本，AI晶片在资料中心的应用持续成长，云端技术领域则成为AI智慧晶片的最大市场。勤业众信指出，半导体公司使用AI技术设计晶片，可以让过程更快、更便宜而且更高效，预估2023年领先全球的半导体企业於设计晶片内部和第三方AI工具上将花费约3亿美元，未来四年内这方面的花费将以每年20%的速度成长，2026年成本将逾5亿美元。

AI设计工具除了协助晶片制造商突破摩尔定律限制，节省时间与金钱，还能缓解人才短缺等问题。实务界利用电子设计自动化（Electronic Design Automation，EDA）设计/制作晶片已达数十年之久，工具中不乏机器学习（ML）元素、图形神经网路（Graph Neural Networks，GNN）、强化学习（Reinforcement learning，RL）等技术，相关科技大幅提高AI在晶片设计上的有效性。

若干大型半导体公司已透过先进的AI人工智慧开发新的获利模式，还可以为客户提供设计与协同设计服务，等同於共同开发垂直专用晶片。如AMD即着重於3大关键领域发展：高性能GPU组合、易於布建AI硬体的软体平台、与业界合作加速生态系发展的AI解决方案。未来AMD将推出专为生成式AI大型语言模型训练打造的最新晶片MI300X，MI300X的记忆体是Nvidia H100的2.4倍，频宽是H100的1.6倍，性能明显提升，尤其是「推理」能力，可支援更大语言模型的运算，预计今年第4季加速量产，挑战AI计算市场占比达80%的Nvidia领域地位。

图二 : AMD今年6月中发表专为生成式AI应用所设计的AI加速器晶片MI300X。（Source：AMD）

EDA工具也加入AI技术 缩减设计时程

电子设计自动化（EDA）大厂新思科技（Synopsys）CEO Aart de Geus早在2021年指出，半导体产业面临的主要挑战在於如何在未来10年内做到从云端到边缘的1,000倍AI运算效能，关键在於更快速、更低成本及更好的晶片。他认为，半导体业面临许多系统上的复杂挑战，无法单靠人类的能力解决问题，需要运用人工智慧（AI）弥补人类智慧的不足，而先进的AI设计自动化工具可以提供解决方案。当年高通（Qualcomm）以14亿美元收购NUVIA公司，隐然看出新晶片设计工具与AI智慧策略结合的新趋势。

Synopsys的DSO.ai（Design Space Optimization AI）工具是应用於晶片设计的自动式AI工具套件，可以提供客户晶片设计工具、验证工具，以及服务、IP整合、软体安全与品质测试。繁复晶片设计中最耗时的步骤之一就是验证覆盖率目标并进行收敛与??归分析，DSO.ai透过AI与ML反覆查看特性，在设计叁数的过程中对晶片进行微调与优化，提高晶片设计的经济效益、创意与成功率，也节省许多人力与时间的耗费。DSO.ai将过去需要数十位工程师花费数周甚至数月时间才能完成的工作，转变成只需一位资浅工程师在数日内就能自行完成的工作内容。

2023年「SNUG Taiwan 2023使用者大会（Synopsys Users Group）」中，Aart de Geus再次提及新思科技的「设计空间优化AI」（Design Space Optimization AI）DSO.aiTM，全面涵盖设计、验证、测试及制造等EDA流程，并能在单机和云端环境中使用，目前已有超过200个商用设计开发专案采用该解决方案进行晶片优化，并已成功投片（Tape Out）。

一如超微（AMD）执行长苏姿丰说「未来AI无所不在」，Aart de Geus表示，「我们正在用AI催化未来（Catalyze the Future）。」使用AI进行晶片设计的优势在於，工具可以不断从设计中学习，可以协助工程师更快地将合规与符合需求的晶片应用於新产品中，建构更精准的系统以解决各类复杂问题。AI导入晶片设计後，可以在更短时间内比较数千个叁数，快速、准确地制造晶片，缩短晶片设计周期，同时减轻劳动成本及人力短缺压力，提高效能的同时也大幅节省成本。

图三 : 新思科技（Synopsys）董事长暨执行长 Aart de Geus认为，「我们正在用AI催化未来（Catalyze the Future）。」（source：Synopsys）

AI导入晶圆制造 制程成本可??减半

半导体晶圆制造设备及服务全球供应商Lam Research科林研发研究发现，半导体开发过程可能整合逾100兆个选项，制程与开发流程不仅耗时且成本高昂。AI应用於晶片制程开发可以大幅降低开发成本，而且加速创新。科林研发执行??总裁暨创新生态系统策略顾问Rick Gottscho指出，半导体制程开发费力、费时又耗成本，虽然工程人才在创新过程中至关重要，但如能在对的阶段整合AI并使用正确数据，制程成本可??减少50%。

1996年提出「虚拟晶圆厂」概念的台积电在2000年前後已将晶圆生产制造型态从半自动导入全自动，不仅推出TSMC-Online2.0线上系统，提供晶圆制造互动式查询资讯，也透过eFoundry服务（网际专业积体电路制造服务）架构，打造完整的设计合作、工程合作及後勤合作系统。2008年创立「开放创新平台（Open Innovation Platform，OIP）」，纳入电子设计自动化（EDA）流程，打造供应链生态系；2011年已尝试将AI技术导入晶圆制造与智慧化生产流程；2016年更导入机器学习（ML），全面拥抱AI数位转型，包含IoT、Big Data与MR等技术应用。

AI导入封装制程

除了晶片设计与制造，封装部分也已导入AI应用。以台积电的先进封装制造厂来说，智能工厂自动化包含制造执行系统（MES）、先进过程控制（APC）及自动化物料搬运系统（AMHS）。此外，先进封装也利用AI、人机在环（HITL）、机器学习（ML）、大数据分析和边缘计算技术，以监控控制物理设备的智能系统。

台积电董事长刘德音今年6月在股东会上提及，AI增加先进制程的需求，他对高速运算（HPC）、客制化晶片（ASIC）需求相当有信心，并认为AI风潮虽然没能立即为台积电??注营收，但先进封装将加速扩产，未来2.5D及3D IC的先进封装可??成为AI晶片的封装架构，对於先进封装CoWoS、小晶片封装（Chiplet）都是利多。

封装厂矽品2018年即启动自动瑕疵分类（Automatic Defect Classification,ADC）计画，在NVIDIA的指导下，耗时9个月建置AI系统。在封装制程中，自动光学检测 （AOI） 是相当典型的品质检测工具。传统AOI 的过筛机率 （Overkill）为100：1，意即遭判定疑似瑕疵的100次结果中，只有1次才是「真瑕疵（True Defect）」，因为AOI无法进一步判断瑕疵是否为真瑕疵，一般需靠人力二次复检。透过AI技术执行晶圆瑕疵检测，一秒最少可筛检20张晶圆图像，不仅缩减人力成本、缩短产品交期，更大幅提高检测效率与品质。

矽品的ADC计画主要导入DGX-2系统作为前期AI模型训练伺服器，DGX-2具有超强运算能力，整合16个NVIDIA V100 Tensor核心GPU，可用於大型AI专案处理海量资料，快速进行模型训练与部署。另外也以Tesla T4作为推论伺服器，该伺服器配置2,560颗CUDA核心，同样具有强大的运算力，每个Tesla T4具有16GB高速GPU记忆体，可以协助大型模型进行推论，或同时进行多个模型推论。

图四 : 矽品将AI落实於封装产线，实现瑕疵检测全自动化。（Source：NVIDIA部落格）

封测大厂日月光则在2022年底推出该公司平台系列首创的FOCoS扇出型基板晶片封装技术，解决方案分Chip First（FOCoS-CF）及Chip Last（FOCoS-CL），可以有效提升高效运算（HPC）性能，满足更大记忆体及计算能力的网路及AI应用整合需求，还可以将不同晶片封装在高脚数基板上，设计最隹封装整合解决方案。

抢搭AI列车，台湾工研院研发「AI人工智慧设备预诊断技术」，透过演算法进行深度学习，在产线上直接判读瑕疵并建立完整资料库，有助解决传统人为检查失误与品质不均等问题，分析缺陷肇因、解决问题时间从30天缩短成1-5天，未来还可支援频率元件生产制造厂、多晶模组微小化构装制程厂、碳化矽晶圆检测、AiP载板检测、半导体先进封装测试检测等产线弹性化生产。目前该技术已导入日月光中坜厂高阶先进制程，有助进一步提升制程精准度、产能与良率。

图五 : 工研院研发的「AI人工智慧设备预诊断技术」可以提升先进制程精准度与良率。（Source：工研院）

没有退路 全面拥抱AI时代

整体来说，在晶片设计与制造方面，导入AI可以提供二大助益：一是缩短迭代时间，推出更新更好的晶片产品。相较於传统方式，高阶AI工具更能快速设计晶片，提高竞争力进而降低制造成本。二是更新制程技术，晶圆厂必须不断推出新的制程技术、缩小晶片体积、创造高能效，而先进的AI工具可以协助晶片制造商缩短制程曲线，提高竞争优势。

美、欧及中国大厂在晶片大战中动作频频，除了既有的技术与资源优势，导入先进AI技术协助晶片制造会是下一波竞技的比试重点。全球半导体业者不想AI武力值落後，唯有全面拥抱AI，为提升竞争力与获利能力而战。