AI 重寫半導體競爭規則，從晶片競賽走向「學習速度」之戰

AI 正在改寫半導體產業的創新規則。運算效能、記憶體頻寬與平行運算需求快速攀升，單靠電晶體微縮已不足以支撐效能躍升，創新正從單一晶片，擴大至邏輯、記憶體、先進封裝與高速互連共同推進的系統級整合。

科磊（KLA）半導體產品與客戶事業群總裁 Ahmad Khan 在 SEMICON Taiwan CEO 高峰會演講中指出，摩爾定律依然重要，但 AI 正在改變半導體創新的方式——晶片難再「單打獨鬥」，產業持續推動「把晶片特徵尺寸做小」，但同時也面臨「提升整體系統性能」的挑戰。

AI 重新定義「一顆晶片」

隨著AI 算力需求持續提升，半導體技術也同步演進，從 GAA、背面供電、CFET，到 HBM、3D DRAM 與 Hybrid Bonding，多項技術正加速推進。

未來的「晶片」已不再只是單一晶粒，而是一套由 GPU （採用先進製程節點與三維電晶體架構，並具備超大晶粒尺寸）與HBM（由多顆堆疊的 DRAM 晶片，加上一顆精密的邏輯基礎晶片組成），透過複雜的先進封裝製程整合於矽中介層（Interposer）上、並搭配高速互連技術而成的多晶片系統。整合層次愈高，任何一個環節出現問題，都可能牽動最終產品。台灣涵蓋邏輯與記憶體晶片製造、IC 設計、先進封裝、晶圓製造與光罩製造的半導體生態系，也因此成為系統級整合的重要場域。

另外，系統複雜度提升，也讓良率管理變得更加棘手。Ahmad Khan 舉例，若一片晶圓能生產 1,000 顆晶片，其中一顆出現致命良率缺陷（yield-critical defect），整體影響相對有限；但若像最先進的 GPU 這類晶片，晶片尺寸極大，使一片晶圓只能生產 5 顆，其中一顆出現缺陷，良率損失就會明顯放大。

當多顆 DRAM 晶片堆疊形成 HBM，並與 GPU 一同整合於矽中介層上，再連接至 IC 載板時，任何一個階段出現問題，都可能讓前面累積的製造價值一併受到影響。晶片愈大、封裝內的晶片數量愈多、整合愈複雜，每一個缺陷的代價也跟著提高。

海量資料裡，藏著看不見的瑕疵

良率之外，可靠度也是另一項挑戰。Ahmad Khan 指出，GPU 、TPU 與 HBM 在 AI 訓練及推論過程中往往需要長時間運作，因此除了會直接造成產品失效的致命良率缺陷，產業也必須更加重視潛在缺陷（latent defect，又稱潛伏缺陷）。這類問題在製造完成時未必立即造成失效，卻可能在長時間、高負載運作後逐漸浮現。

這也讓檢測與量測在 AI 時代扮演更關鍵角色。Ahmad Khan 形容，KLA 的設備就像一套高度複雜、高度自動化的顯微鏡，再搭配高效能運算平台。以寬頻電漿光學缺陷檢測（broadband plasma optical defect inspection）系統為例，每小時可產生約 125 TB 資料、單日近 3 PB。系統必須即時處理每一個像素，才能從這龐大的資料量中，辨識出真正影響晶片的異常。

面對龐大的檢測資料，KLA 運用以 GPU 為核心的高效能運算平台等硬體，並結合AI 模型與物理演算法，從海量資料中篩選真正值得關注的缺陷。這也形成一個有趣的循環：AI 一方面推升晶片與製造流程的複雜度，另一方面，也成為半導體製造從海量資料中找出問題的重要工具。但資料愈多，不代表製造效率就愈高。真正重要的是如何把更多資料轉化成「更有價值的資訊（Richer Information）」，從中辨識真正影響良率的訊號，進一步改善製程。

AI 晶片拚良率，供應鏈協作更重要

找出問題只是第一步。當 AI 晶片走向系統級整合，從 GPU 、記憶體、矽中介層到先進封裝環環相扣，良率也不再只取決於單一製程或單一環節。

Ahmad Khan 強調：「The final yield is the sum of all the parts（最終良率是所有環節的總和）。」即使前端邏輯與記憶體晶片製造維持良好良率，只要後續記憶體堆疊、異質整合封裝（heterogeneous integration）或其他環節出現問題，最終產品仍可能無法達標。

這也意味著，隨著 AI 晶片整合愈來愈複雜，各環節之間必須分享更多資訊、更早發現問題。從設計、晶圓／光罩製造，到邏輯與記憶體晶片製造，再到先進封裝，供應鏈之間的深度協作（Deeper Collaboration），都已成為提升最終良率的重要一環。

下一世代的創新，關鍵在於「學習速度」

當晶片走向系統級整合，挑戰從致命良率缺陷延伸至潛在缺陷，良率也從單一製程走向整條供應鏈，半導體產業的創新標準也隨之改變。

Ahmad Khan 認為，下一階段的創新，不只是誰先提出個別的新半導體技術。更重要的是，整個半導體生態系能否把更快的創新（Faster Innovation）、更豐富的資訊（Richer Information）與更深度的協作（Deeper Collaboration），轉化為更快的「學習速度（Learning Velocity）」。

真正拉開差距的，不只是誰先發現挑戰，而是能否更快理解這些挑戰、完成修正，再把經驗帶進下一輪技術開發。當技術演進速度愈來愈快，「學得更快」本身，也正在成為 AI 時代半導體產業新的優勢，更將是下一個十年產業創新的重要關鍵。

資料來源：科技新報