半導體製造是如何持續演進？數據的價值為何？什麼樣的關鍵能力值得學習?
電子產品的製造，從一開始的PCB，到後來的半導體，尺寸越來越小，而今日半導體的製程大戰更是已經到了幾十奈米（5nm製程的gate pitch約50nm上下）的等級。雖然在製作PCB板等較大的電子零組件時還可以用人力去檢測與調整，憑經驗來找到最佳製造方式。但一旦到了接近半導體製程的等級便很難用人工的方式去應付，因為製程的瑕疵已經不是肉眼能夠判斷的。不過，在半導體尺寸越來越小，生產難度越來越高的情況下，半導體製造仍然能夠年年進步，有什麼力量在驅動這樣的發展呢？背後有怎麼樣的關鍵能力值得學習呢？
半導體怎麼應付複雜的製程而能年年進步？
其實半導體製造從來就不是單一學科的事，而是整個科技生態系一起演進的結果，從IC設計，不同製程步驟的硬體/軟體開發商，到設計製程＆整合所有硬體的半導體製造商，所有的廠商都必須要一起進步，整個製程製造能力才有辦法前進。但，我認為不管是半導體的硬體設備（ASML、 KLA、LAM……），以及半導體的製造商（TSMC、Samsung、Intel……）都有大量的朝自動化、數位化及智慧化邁進的趨勢。就像整個汽車工業漸漸的被數位化的趨勢席捲一樣（如特斯拉的資料系統)， 整個半導體業早早的就大量的利用數據來幫助製造可以做得越精密、快速、便宜。
這些進步其實不是像很多人想的直接導入A.I.就會解決所有的問題。整個半導體製造的大系統其實是可以被劃分為很多個小系統，像堆積木一樣，然後每個小系統去隨著時間優化、改善，再將這些持續的進步堆疊成每一個node的躍進。
比如說，每一種製程的機台都會根據半導體製造商的要求進行做一代又一代的改進，然後半導體製造商再將研發新一代製程將所有製程機台的進步整合，以達成最新一代晶片的要求（如圖2）。再來，每一種製程的機台其實都會有硬體和軟體，其硬體和軟體的發展也都會與時俱進。所以整體來說，每一種製程的軟體 / 硬體子系統推著單一製程設備的進步，而各種不同設備的進步和半導體製造商的整合推動著整體半導體製程的演進。文明就是這樣堆疊出來的，而半導體製造的精度和效率也是聚集很多子系統的改善而讓我們感覺到每年巨大的進步。
資料科學在半導體製造的價值和其底層邏輯
不過，半導體硬體設備開發成本極高，半導體設備廠想要用更有效的方式提升設備的效能時，該怎麼做呢？半導體設備廠目前有一個趨勢是用演算法改善的方式，在硬體不變的情況下就增加原本設備整體的性能。而半導體製造商也積極的發展製程控制演算法將原本有的半導體設備的組合發揮到極致，來滿足它們對製程控制的需求。演算法改善也有其優勢，第一、它比一般的硬體開發時程來得短，第二、它比一般的硬體開發成本來得低， 所以目前在半導體機台的開發中其實透過演算法改善是一個重要的方向。
隨著資料科學這個名詞越來越火紅，各種新的資料科學的觀念也被導入半導體製程控制的實踐中，而很多在半導體製造早就行之有年的觀念、和一些機器學習的觀念，這幾年也被大家特別抽取出來作為智慧製造的「新觀念」，比如說「邊緣運算」及「Digital Twin」。
在這邊我也整理幾個在半導體製造領域做智慧製造的底層重要概念跟大家分享（這些其實也跟很多科學概念有關)：
1. 科學量化（Digital Twin的基本概念）：
科學量化其實是很重要但很容易被忽略的概念。科學量化其實是很多高階技術的最底層邏輯，因為可量化，所以才可分析，才能進一步做製程控制&監控。這其實就是很多人在講的「Digital Twin」的概念。而作量化也是所有做製程持續改善的起點，先量化，才能有基準點，才能做不同測試和實驗去改善。而各個不同製程機台的準確度其實就是在某一個基準點上持續去做優化的。
2. 資料串連（大數據框架的基本概念）：
資料串連也是另一個基本功，但它是挖掘跨機台資料價值的一個重要開端。資料其實是現實的體現，將現實情況量化以後就能將不同的資料去做整合和管理，進一步的讓工程團隊從資料當中找出優化的實際情況的方法，或是持續挖掘資料的價值。
3. 診斷/分析框架：
當製程內容量化，資料結構建立以後，便可開始累積分析的經驗，而可以將分析的手法與經驗設計成框架。這樣子的框架可以讓工程和研發團隊持續的快速累積經驗，而累積的經驗又可以寫成新的分析功能或延伸的框架，對研發團隊的經驗累積形成一個正向的循環，有研發工具的團隊會比單兵作戰的團隊進步得快許多。而在做診斷的過程當中，難免會需要將一些複雜的資料萃取出精髓或者是KPI，來做更進一步的決策，而當這些分析手法成熟，KPI穩定了以後，其實可以將部分運算放在邊緣，只抽取主要的KPI到最後決策中心做判斷即可，也可以省去大量資料傳輸的時間，這其實就是所謂的「邊緣運算」的概念。
### 4. 智能化：
當前三項具備了以後，就能導入一些機器學習的演算法，將原本診斷框架裡的演算法再做進一步的提升，而因為診斷框架裡的資料架構已經是有意義的資料架構了，所以演算法的精進可以再持續的提升診斷框架的效益，或是對於原本框架內的內容給予新的刺激。換句話說，智能化這件事情必須建立在對於科學量化以及資料有一定程度的經驗，而去提升其價值，光是有人工智慧演算法但沒有適當的資料和框架是無法突然就發揮價值的。
從基本功堆疊出來的巨大效益
那麼，為什麼半導體製造要大費周章地去做前面幾個基本功呢？因為半導體市場的需求可以帶來足夠優渥的報酬去支撐這些努力。而所有的努力其實只為了達成一個主要的目的，就是「把很複雜的事情（製程）做準做快」，而達到每兩年單位運算成本變成一半的經濟效益。而前面講的從科學量化到診斷框架的這些基本功的重要性在哪裡，實際上又能夠做些什麼呢？底下可以舉幾個例子：
1. 統計 / 生產效能分析：
當生產數據量化/數位化以後，自然就方便於整理以及統計，而進一步的變成生產效能監控以及分析的工具，成為改善和決策的重要關鍵。
2. 問題診斷/troubleshooting：
有時候，這些生產上的問題是極為複雜的。而如果資料的搜集和整理在第一時間有做好，就可以幫助有經驗的工程師大大的降低問題診斷所需要的時間，當然，在每天大量出貨的半導體廠這些省下來的時間就具有大量的經濟價值。
3. 先進製程研發(做實驗)：
先進製程的研發並不是靠一個聰明的人就解決所有的問題的，其實研發的背後是大量的嘗試錯誤與學習。而科學量化正是讓大家可以客觀判斷各種不同方法效益的依據。以這些量化的結果來當作討論的起點，各個不同的團隊才能在同一個基準點上討論事情，進而快速地推動研發的進程。有很多人誤以為只要取得某一種高科技就能夠達成研發目標而高枕無憂，其實是不對的。摩爾定律的競賽是一個一直不斷持續下去的競賽，只有能夠打好研發工具的基礎，還有培養出可以持續成長的研發團隊，才能在競賽當中持續地保持領先。
所有的進步幾乎都是從這些基本功一點一點去堆疊出來的。但也是因為半導體市場持續的需求所帶來的經濟效益，半導體廠願意持續的去投資這些一點一滴的改善。
結論：我們能夠從半導體先進製程的研發經驗中學到什麼呢？
其實半導體製造和其他產業最主要的差別，就是在科學製造的DNA。而我覺得最重要的DNA就是下列三項：
1. 科學量化思維的效益：
科學量化的思維是所有進步的根本，它幫助我們從老師傅的經驗思維升級到能夠累加經驗。科學量化思維讓我們能設計不同的實驗，再從數據結果去持續學習。經驗當然是重要的，但如果能夠將經驗量化的話，經驗才有辦法疊加，整個系統才有辦法更快速的持續進步。
2. 系統性迭代的效益：
半導體製程的進步是持續地站在之前的經驗上去做改進而達成的，而因為有量化，有data的關係大家可以一直站在彼此的肩膀上持續往前，這種系統性的進步會比單兵作戰的速度來得巨大很多，很多好的創新也由此而來。
3. 研發的方法論：
業界的研發其實是大量嘗試把理論轉換成實際有效益的產品的過程。也因此，嘗試不同的可能性並找到最佳的方案是必須的。如何最有效的完成這樣的過程呢？就是創造工具和系統讓大家可以快速地做不同的嘗試，而且讓不同的工具和系統能夠持續吸收彼此的優點演化，都能促進研發的進程。當然，創造一個易於交流的環境也是非常重要的，因為研發的關鍵資產就是人還有其交流激盪出來的火花。
而我想半導體製造給想要做智慧製造的公司的啟示就是，如何從科學量化的思維開始慢慢地發展出組織使用資料的能力以及創造出能夠持續不斷迭代進步的智慧系統。而這才是不同公司能夠持續地應付市場上競爭甚至勝出的關鍵。
責任編輯：陳建鈞、郭昱彣
（本文由Vince Liu授權轉載自其粉絲專頁）
《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。
（觀點文章呈現多元意見，不代表《數位時代》的立場）
