AI重塑半導體產業生態 黃仁勳稱AI終現實用性

人工智慧（AI）正成為半導體產業最關鍵的變革力量，不僅驅動新一輪產業成長，更從根本上重塑了半導體企業的運作模式，涵蓋了晶圓廠（Fab）、無廠半導體公司（Fabless）及其全球供應鏈。對此，輝達（Nvidia）執行長黃仁勳（Jensen Huang）便指出，AI在經歷15年的努力後，直到近六個月才真正展現其用途。

根據《Semiconductor Engineering》報導，市場研究機構麥肯錫公司（McKinsey & Company）預估，全球半導體裝置營收將從2025年的9,750億美元成長至2030年的約2.3兆美元，其中58%的成長將來自資料中心和伺服器領域。預計到2030年，AI資料中心裝機容量將達到100至160 GW，相較於2026年的45至60 GW顯著增加，這也意味著晶圓需求將大幅提升，可能需要新建16至29座晶圓廠。

面對AI帶來的龐大需求，半導體製造業面臨三大效率挑戰：資料中心的能源效率、從製造數據中獲取洞察所需的資料與運算效率，以及全球供應鏈的整體效率。半導體公司PDF解決方案（PDF Solutions）早在ChatGPT問世的四年前，便開始以「AI優先」的策略重塑其產品組合，旨在加速新技術的良率提升（即提高製程中合格產品的比率），並將資訊科技應用於製造數據分析，同時連結供應鏈的各個環節。

PDF解決方案的下一代平台專注於運用設計資訊和電子束技術，在7奈米以下製程（sub-7nm nodes）進行設計與製造的協同優化。旗下產品如Exensio Aurora、Exensio Test Operations和Exensio Scalable Analytics，能夠快速分析龐大的測試數據，並在製造現場（edge）部署AI工作流程。該公司還收購了secureWISE，以建立安全的網路連結晶圓廠與設備供應商，促進AI驅動的資料交換與演算法更新。

值得注意的是，大型語言模型（LLM）雖然能有效分析半導體數據，但往往缺乏企業特定的歷史背景與製程細節。直接讓LLM進行重複性分析成本高昂，每次分析約需消耗3萬個Token（AI處理資訊的基本單位）和30瓦時（Wh）的電力。PDF解決方案提出更高效的架構：利用LLM生成分析工作流程，而非直接執行分析。如此一來，每次生成工作流程僅需2萬個Token和20瓦時，而儲存後的工作流程每次運行新數據樣本僅需0.02瓦時，大幅降低了運算成本與能源消耗，同時確保了客戶數據的隔離與安全性。