「別玩數字遊戲」!英特爾打臉晶圓代工廠的製程秘密,堅守摩爾定律、要靠效能決勝負
「別玩數字遊戲」!英特爾打臉晶圓代工廠的製程秘密,堅守摩爾定律、要靠效能決勝負

晶圓代工龍頭台積電宣布自家5奈米已於今年第二季量產,而三星也喊出今年底要量產5奈米製程,同時3奈米也要轉換成GAA(閘極環繞)的架構,在這條突破摩爾定律的路上,兩家半導體業者也還不停地端出8奈米、6奈米、4奈米等各種製程。

提出摩爾定律的老大哥英特爾自然也將這些消息看在眼裡,新竹辦公室總經理謝承儒就表示,英特爾才是以摩爾定律限制持續發展先進製程的半導體企業,而這些「花俏」的數字在他看來,「都只是一種商業行為的考量」。

編按:
摩爾定律 ( Moore's Law )是由英特爾(Intel)創辦人之一戈登‧摩爾(Gordon Moore)所提出。其內容為:積體電路上可容納的電晶體數目,每隔24個月便會增加一倍;經常被提及的「18個月」則出自於英特爾的大衛·豪斯,他預測每18個月,晶片效能便會提高一倍。

跟著摩爾定律走,英特爾:「別再玩數字遊戲」

根據摩爾定律的規則,半導體要在18-24個月內,讓電晶體的集成數量能夠成長1倍才算數。而過去《數位時代》也曾專訪過工研院電子與光電系統研究所所長吳志毅,他指出過去製程的命名都是依據閘極的長度而定,但自從過了10奈米後,由於面積逐漸縮小、要在新的節點達到比前一代1倍的成長難度提升不少,因此各家業者在命名上就比較不再遵守過去的方式,比較像是透過一種「先喊先贏」的感覺,當然最終還是必須回歸到電晶體密度、晶片的效能來檢視。

英特爾新竹辦公室總經理謝承儒
謝承儒表示將不同廠商的不同製程技術,單純用簡化後的數字做競爭,並不適當。
圖/ 英特爾提供

昨(15)日舉行的「英特爾架構日」中,謝承儒讓數字來說話。跟自家前一代14奈米的電晶體密度44.67百萬顆相比,10奈米的電晶體密度有2.26倍的提升、達到100.78百萬顆;而以台積電的7奈米為例,較前一代10奈米電晶體密度有1.6倍的提升,約來到91.2百萬顆,這麼一來,應該很容易理解為什麼外界總用「英特爾的10奈米等同於台積電的7奈米」來比較。

此外,謝承儒也分享了用在最新發表的CPU「Tiger lake」的10奈米SuperFin製程,透過增加FinFET(鰭式電晶體)中的「鰭」來強化該製程的效能表現,因此比起10奈米,有20%的效能提升,不過因為在架構中多了「鰭」的設計,因此面積有些微的增加,但英特爾解釋,如何抉擇取決於客戶對於產品的需求,究竟是「面積」抑或是「效能」,例如行動裝置可能就會更在意晶片的面積。

intel 10奈米 SuperFin製程
intel 10奈米 SuperFin製程
圖/ 螢幕截圖

不只靠製程,晶片的表現也要打「團體戰」

謝承儒也進一步表示,不同晶圓代工廠的不同製程已無法單純用簡化的數字比較,除了是因為業界沒有一個共同的命名標準外,將不同製造商的製程技術單純簡化成數字上的競爭並不恰當。同時他也認為,「外界太著聚焦在單一項目的比較了」。

在英特爾的眼中,一個能被用來運作的晶片包括了科技六大創新支柱:製程與封裝、XPU架構、記憶體、互聯架構、安全性以及軟體。謝承儒表示,外界太過於專注在製程的數字卻忽略了其他的影響力,例如擁有好的架構設計對晶片在終端裝置的效能表現上肯定有幫助,絕非製程這個環節可以「獨撐大樑」;又或是當一個晶片裡面所需要的技術由外面代工廠製作,英特爾的角色就是用良好的封裝技術,讓這些不同的晶片可以更順暢的溝通、達到良好的效能表現。

外包不是技術差!做最有效的決策才是英特爾考量

外界也相當好奇今年7月執行長史旺(Bob Swan)的一席「外包說」(Out Sourcing),謝承儒解釋,站在英特爾的角度,未來考量將會是更全面性的,別人若擁有比英特爾更好的技術,也會思考是否委由他人去製造,這部分不單只是成本的考量、也可能包括產品上市(Time to Market)的速度。

英特爾台灣分公司發言人鄭智成以獨立GPU為例,當場上所有獨立GPU都是由晶圓代工廠製作的時候,沒有理由英特爾要捲起袖子自己來,可能他們的技術上沒有晶圓代工廠成熟、也可能因為產能要留給更重要的產品,所以選擇外包就是個能讓產品加快上市時程的考量。

英特爾台灣分公司發言人鄭智成
鄭智成說,外包的行為對英特爾來說,是個包括成本、產品上市時間等全盤的考量。
圖/ 英特爾提供

另外,未來外包產品將採用先進製程或成熟製程,英特爾都不會設限,只要能協助產品效能和表現達到最佳化,都會考慮。對於是否會由外面代工廠封裝完畢再送回英特爾,鄭智成表示,這部分也都沒有絕對,可能是由外部廠商完成後交回英特爾、又或是將半成品送回英特爾再封裝。

可預見的是,未來英特爾將持續往封裝技術上鑽研,假設當所有人都獲得了相同的素材,那麼廚師炒菜的功力就成了如何端出一盤美味佳餚的關鍵,半導體的封裝技術正是這個概念,「這部分英特爾也已經在做了」,鄭智成說。

不過眼下比較現實的問題,還是英特爾製程的良率跟產能是否可以跟得上市場的需求腳步,尤其仍守著50多年前提出、可能面臨到瓶頸的摩爾定律,英特爾該如何面對兇猛的競爭對手們?對於這一點,謝承儒很有自信地表示,英特爾依舊是以摩爾定律為策略核心,而且端出來的產品表現夠好,市場肯定會接受,「你也看到了10奈米SuperFin的數字了不是嗎?」

責任編輯:錢玉紘

關鍵字: #台積電 #英特爾
往下滑看下一篇文章
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關
AI 智慧代理人時代來臨!三大導入階段, AI 落地企業不卡關

生成式 AI 帶動企業數位轉型浪潮持續升溫,各界不再滿足單一任務型的 AI 應用,而是期盼 AI 能真正成為具備主動決策與多工能力的「智慧代理人」(Agentic AI),在最少人為干預的情況下,自主推進工作流程、完成複雜任務。

但企業導入AI並非一蹴可幾,而是需要對AI有正確認識,並制訂循序漸進的導入流程,才能真正發揮AI功效。在2025台灣人工智慧年會中,cacaFly 聖洋科技技術副總吳振和提出三大導入關鍵階段,深入剖析企業如何從概念驗證(PoC)階段,逐步推進到實際上線(Production),並分享實務經驗與觀察。

延伸閱讀:生成式AI可以怎麼用?cacaFly現身說法,助企業應用GCP服務智慧轉型

解鎖 Agentic AI,企業邁向多任務智慧代理

「很多公司會問,One AI 要做什麼事?但實際上,若要讓 AI 回答公司內部政策或新法條的相關問題,僅靠基礎模型並不足夠。」吳振和指出,要讓 AI 真正成為能「做事」的智慧代理人,前提是它必須理解企業內部的脈絡與知識,並即時掌握外部變動的資訊。

企業必須先釐清內部規範是否與最新法規相符,這意味著系統必須具備持續爬取與解析最新資料的能力。為此,企業必須先截取與整理內容,再建構成專屬的知識庫(Knowledge Base),確保資料品質達到可用標準後,再透過檢索增強生成(Retrieval-Augmented Generation, RAG)技術,使 AI 能夠即時動態查詢並生成符合企業語境的回答。

延伸閱讀:從資料清洗到 RAG,大型語言模型的必需品,做出專屬企業的 AI 知識庫!

吳振和強調,這是一個動態循環的過程:從資料蒐集、品質控管、知識庫建構到生成應用,每一環節都息息相關,任何一處鬆動都會影響最終產出的準確性與可信度。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

破除「一次到位」迷思,從驗證到落地的三大關鍵階段

許多企業對 AI 寄予厚望,因此常將 PoC 視為年度計畫的重點,希望能「一次到位」做出具體成果。但吳振和提醒,若缺乏清楚的系統工程思維,PoC 容易淪為「概念展示」,難以真正走入組織的日常營運。

他將導入 Agentic 系統工程的歷程,分為三個關鍵階段:

1.第一階段:可行性評估(Feasibility Study)
企業必須在投入資源前,先明確界定「最需要被 AI 解決的關鍵問題」是什麼,並進一步設計可量化的驗證指標。這不僅包括評估技術實作的可行性,更要從商業目標出發,釐清導入 AI 的具體使用情境、預期成效與風險邊界,如此才能確保後續模型選型與資料蒐集方向正確對齊業務需求。

2.第二階段:系統設計與驗證(Design & PoC)
在確定導入方向後,必須規劃清楚資料蒐集與整理流程,確保知識庫的內容具備正確性、完整性與時效性。吳振和特別強調,這個階段不能只追求展示效果,而應以「產品化思維」來構築 PoC,使其具備可擴充性、可維護性及安全性,才能為後續上線打下基礎。

3.第三階段:產品化與營運(Production & Operation)
當 PoC 驗證完成後,進入正式上線階段,挑戰也隨之而來。除了需要整合企業內部系統與流程,還必須建立持續監控與維運機制,確保模型表現隨時間演進不會劣化,並能快速回應法規變動或資料更新的需求。吳振和指出,這往往是最容易被低估、但也是最考驗企業組織能力的關鍵環節。

cacaFly 聖洋科技技術副總吳振和
圖/ cacaFly

建立模型優化根基,打造高品質的黃金資料集

吳振和特別強調,要讓 Agentic 系統工程真正發揮效益,企業必須先建立一套高品質的「黃金資料集」(Golden Dataset),作為模型評估與優化根基。他指出,黃金資料集的價值在於能為模型選擇與前測提供客觀依據,讓團隊能針對不同任務挑選最適合的模型,避免導入初期就誤踩方向。

同時,黃金資料集也能協助團隊辨識模型的常見錯誤與脆弱點,進而快速回應「模型飄移」(Model Drift)的風險。吳振和說明,所謂模型飄移,指的是即使模型本身未經改版,效能也可能隨著環境與資料變動而突然下降,導致原本表現良好的模型出現偏差。透過持續比對模型預測與黃金資料集結果,團隊才能即時察覺效能衰退,並進行迭代更新,確保系統長期穩定運作。

從小規模應用起步,漸進擴展至核心業務

吳振和分享,在實際輔導企業導入 AI 的經驗中,最常見的挑戰來自於「期待落差」。許多企業誤認為概念驗證(PoC)階段即可呈現完整的產品原型,然而實際情況顯示,若企業未能建立完善的資料架構與流程基礎設施,即使短期內展現亮眼成效,也難以確保長期營運的穩定性與可持續性。

也因此他建議企業在規劃 AI 導入時,應採取漸進式策略,從小規模應用場景著手,逐步擴展至核心業務領域。企業應將 PoC 定位為整體產品開發生命週期的重要環節,而非獨立的一次性專案。

AI 的導入不僅是一場技術升級,更是企業組織文化與決策流程的轉型工程。唯有從資料治理、流程優化到人才培訓同步布局,才能確保 AI 能在企業內部真正「落地生根」,創造長期商業價值,成為真正的智慧代理人。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓