助威半導體、PCB和生醫產業！工研院揭4大創新技術，將解決哪些痛點？|數位時代 BusinessNext

助威半導體、PCB和生醫產業！工研院揭4大創新技術，將解決哪些痛點？

工研院今日透過「工研菁英獎」帶來４項創新技術的研發成果展示，將提供產業什麼解方？

兩大技術加強半導體、PCB產業競爭力

目前電子封裝的3D堆疊方向越趨明顯，先進封裝的電極也越來越密集，且矽晶圓基板也趨轉為玻璃基板；因此不論是半導體封裝、載板金屬化等製程，都逐漸提升深寬比的穿孔設計，能夠減少穿孔群的佔用空間。

對於此趨勢，工研院開發出「高深寬比玻璃基板電鍍填孔及檢測技術」，具有全球最佳的高深寬比，能夠運用最好的晶片電動填孔技術，來解決晶片堆疊整合的問題。同時，運用全濕式全金屬化製程可減少5成成本；玻璃基板電鍍的填孔品質俱佳，能夠確保產品無瑕疵。

在普遍的材料生產製造過程中，都會面臨「退火」的步驟，即將材料加溫到特定溫度並保持一段時間，再以恰當速度冷卻，能夠增加材料耐用度。如果，將晶圓載板比喻成一塊Pizza，上面的「食材」可能會有不同的受熱程度，倘若能達到均勻受熱，也能確保材料品質無損。

因此，退火是一門大學問。工研院說明，傳統的退火技術能一次處理多片晶圓，但因需加熱至攝氏900度以上的高溫，且作業時間長，不適用於精密細小的元件。因此推出的「相控陣列變頻微波技術開發」，就像是運用家用微波爐的低頻微波，藉由選擇性微波頻率輸出，只在攝氏500度的狀態下，就可確保受熱面均勻度達99%，低溫也能同步消除晶片缺陷問題。

工研院指出，除了半導體廠外，目前也跟化工廠、光電廠洽談合作中，有望技轉給傳統產業業者、回收廠商及學術單位等合作，促成產業多元化。

開發整合應用平台，助PCB產業深化智慧佈局

台灣PCB產業在全球市佔持續領先，已邁入兆元產業，目前政府和廠商也都已逐漸在工業4.0與智慧製造佈局。工研院指出，因應此趨勢成長，也有「兩缺一不」的隱憂，例如國內平均缺工4成、普遍多雇用外勞進行操表；同時，因仰賴資深員工經驗進行設備調校，判定品質也會也工時增加而下降。

因此，工研院研發的「電路板產業智慧製造服務應用平台」就能解決這些痛點。工研院指出，尤其是透過整合通訊協定標準，能夠縮短30%的安裝時程、降低20%的維護費用，更結合影像融合，降低40%的資料量。如此一來，便能提升人力調度，人工智慧輔助人工辨識經驗不足問題，帶來準確率高達98%的高品質。

工研院表示，未來也會率先考慮未來產業可能面臨的問題，在平台現有情況上做調整，「未來也有機會可以找出對應的良率找出來，整合系統模擬跟AI軟體，讓廠商在生產前就能知道生產狀況。」

在記者會上，工研院也針對藥物研發領域，發表乾癬治療植物新藥「PTB323X」，此用藥能夠有效擺脫傳統類固醇用藥的副作用；工研院自杭菊中萃取藥用成分，並以生物轉化及純化技術，使有效活性成分增加10倍、純度提高72倍，更能長期使用。工研院指出，目前配方已獲專利認證，三大精準技術有望加速臨床轉譯和認證。

責任編輯：錢玉紘

過去兩年，人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢，從客服、知識管理到軟體開發，越來越多企業將大型語言模型（LLM）導入企業營運流程，隨著應用程度的深化與廣化，越來越多發現，真正的挑戰早已不只是「選擇哪個模型」，而是如何管理算力、控制成本、確保資料安全，以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後，AI應用從回答問題進展為執行任務、操作系統以及串接流程，連帶拉升對AI基礎設施的需求與架構複雜度，而這意味著，想要發揮AI綜效，光只有模型與技術尚不夠，必須將整體IT環境逐步升級為AI基礎建設（AI Infra）。

深耕AI管理領域多年的數位無限（INFINITIX），近年積極布局軟體定應AI基礎建設（Software Defined AI Infrastructure）市場，除持續深化與GPU、伺服器與AI硬體生態系的合作關係，如於2021年取得NVIDIA Solution Advisor全球夥伴資格，2025年亦獲AMD GPU生態建設夥伴獎，也因應市場需求推出AI-Stack與ixCSP兩大產品線，協助企業、雲端服務供應商（CSP）與新世代AI雲端業者，更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示：「我們的目標是協助客戶打造軟體定義AI基礎架構，讓其可以視需求向下整合不同世代GPU、儲存與網路設備，同時，向上鏈結模型、Token跟AI應用，加速企業的AI創新轉型腳步。」

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。