影片|半導體展焦點之一,FOPLP是什麼?概念股有哪些?FOPLP跟CoWoS差在哪?
影片|半導體展焦點之一,FOPLP是什麼?概念股有哪些?FOPLP跟CoWoS差在哪?

FOPLP(扇出型面板級封裝)是近來非常受矚的先進封裝技術,在本周登場的國際半導體展(SEMICON Taiwan 2025),市場將聚焦FOPLP、CoPoS、以及CoWoP等技術進展。

但FOPLP技術到底是什麼?為何市場傳出台積電已訂定以「方」代「圓」目標,甚至有它是「下一個CoWoS」的說法傳出?

針對FOPLP,《數位時代》以下為您解密產業關鍵字,並盤點FOPLP受惠台廠名單!

FOPLP為何是先進封裝新希望?

AI熱潮正夯!而為發展如ChatGPT等大型語言模型(LLM),全球雲端巨頭無不廣設資料中心,準妥「算力軍火庫」。然而,要打造具備生猛效能的AI晶片,先進封裝就是個中關鍵!

先進封裝意味著將不同種類的晶片,包括邏輯晶片、記憶體、射頻晶片等,透過封裝及堆疊技術整合在一起,以提升晶片性能、縮小尺寸、減少功耗。例如,台積電針對7奈米製程以下的CoWoS技術,就是代表性的先進封裝技術。

而FOPLP接棒台積電CoWoS備受關注的原因,在於 透過「方形」基板進行IC封裝,可使用面積可達「圓形」12吋晶圓的7倍之多,達到更高的利用率!白話來說,就是同樣單位面積下,能擺放的晶片數量更多。

台積電PLP技術突破,2027年進入量產

《日經亞洲》報導,傳出台積電面板級裝技術(Panel-level packaging,簡稱PLP)的開發已經進入尾聲,這項技術將能夠提高運算性能滿足AI時代的新需求,被認為是封裝領域邁向新技術的關鍵一步,預計2027年可以逐步進入量產階段。

台積電此舉不僅是技術上的突破,更意在為面板級封裝設定行業標準,引導從設備製造商到材料供應商的整個晶片供應鏈進行調整,以適應方形基板的生產。

FOPLP和CoWoS差在哪?

現階段的先進封裝技術可分為「覆晶封裝」、「2.5D/3D IC封裝」、「扇出型封裝」等類型:

-「覆晶封裝」(Flip-Chip)透過把晶片翻轉倒置,將IC直接與基板上的接點相互連接;

-「2.5D/3D IC封裝」在中介層上垂直堆疊各類晶片,由此縮小接點間距,減少所需空間及功耗, CoWoS便是屬於此類

-「扇出型封裝」(Fan-Out Packaging)則是相對於「扇入型封裝」(Fan-In Packaging),兩者在晶片設計的重分佈層(Redistribution Layer, RDL)佈線方式有所不同,扇入型為向內佈線,訊號輸出及輸入的「I/O接點」數量受到限制;扇出型則是向內、向外佈線皆可,從而 提升I/O接點的數量及密度

扇出型封裝可再細分為兩種分支,分別是已投入應用多年的扇出型「晶圓級」封裝(Fan-Out Wafer-Level Packaging, FOWLP),以及 本文主題的扇出型「面板級」封裝(Fan-Out Panel-Level Packaging, FOPLP)。

垂直堆疊的CoWoS封裝,目前主要運用在先進製程的AI運算晶片、AI伺服器處理器的晶片封裝,而FOPLP就各業者現階段的描述,主要用於成熟製程為主的車用、物聯網的電源管理IC等,兩種封裝技術的應用有所不同。

台積電.jpg
台積電積極布局先進封裝,扇出型面板級封裝(FOPLP)有望成為生力軍。
圖/ 台積電

FOPLP優勢|方形基板利用率高

「晶圓級」扇出封裝的FOWLP,自2009年開始商業化量產,2016年,台積電率先將「整合扇出型」(Integrated Fan-Out, InFO)封裝運用於蘋果iPhone 7處理器,加速了高I/O數、功能強大的處理器採用FOWLP的趨勢。

「面板級」的FOPLP則奠基於FOWLP基礎, 將封裝基板從圓形改為方形 ,如此在同樣面積的基板上,能擺放更多的晶片,不僅生產
效率提升,切割過程中浪費的材料也更少,成本相對降低。

根據經濟部先前說明,FOPLP以面板產線進行IC封裝,方形基板利用率可達到95%,具備「容納更多的I/O數」、「體積更小」、「效能更強大」、「節省電力消耗」等技術優勢。

不過,FOPLP技術還在發展中,尚未大規模量產,面臨的困難主要來自於面板翹曲、均勻性與良率等問題,有待相關廠商與設備商合力優化,短期內要挑戰台積電CoWoS封裝的地位,並不那麼容易。

FOPLP概念股|哪些台廠正在投入?

群創(3481)

在經濟部技術處(現經濟部產業技術司)A+計畫支持下,面板大廠群創自2017年即開始投入FOPLP研發,近三年群創推動「More than Panel」(超越面板)轉型,並定調今年是跨足半導體的「先進封裝量產元年」。

因應龐大需求,群創今年邁入FOPLP第二期擴產階段,已送樣海內外多家客戶驗證,目前試量產產線月產能約1,000片,今年下半年可望量產。市場消息並傳出已拿到荷蘭半導體巨頭恩智浦半導體(NXP Semiconductors)、意法半導體(STMicroelectronics)訂單,FOPLP產能已滿載。

群創光電面板級封裝
圖/ 群創提供

力成(6239)

記憶體封測大廠力成在FOPLP佈局甚早,於2018年便興建全球第一座FOPLP生產基地,當時並喊出FOPLP將改變未來封裝產業。

日月光(3711)

封測龍頭日月光也投入FOPLP,研調機構Trendforce先前指出,國際大廠包括超微(AMD)、高通(Qualcomm)針對FOPLP,分別洽談PC CPU、電源管理IC等產品為主。

東捷(8064)

面板設備大廠東捷為FOPLP提供雷射應用方案,包括切割機、線路修補機等,長期是群創設備供應商。

友威科(3580)

同為面板設備大廠的友威科,則針對FOWLP、FOPLP,提供「水平式電漿蝕刻設備」。

鑫科(3663)

中鋼旗下材料廠鑫科,近年拓展半導體材料布局,據傳所生產的特殊合金載板,已開始供應群創及歐系IDM大廠供應鏈。

延伸閱讀:
AI Agent是什麼?它為何是邁向AI界聖杯的關鍵一步?

責任編輯:李先泰

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。
依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

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
台達電全解讀
© 2026 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