AI晶片年年換代怎麼辦？台積電何軍：要靠「設備模組化」解決量產難題|數位時代 BusinessNext

AI晶片更新速度愈來愈快，半導體供應鏈也開始面臨一個現實問題：晶片可以一年推出一代，但設備、材料與封裝產線不可能跟著每年全部重做。

「每一代如果機台改得太多、材料改得太多，對大家都不是很好。」台積電先進封裝技術暨服務副總經理何軍1日在SEMICON Taiwan 2026「3DIC全球高峰論壇」直言，設備商未必有能力在短時間內完成交機，晶圓廠本身也得承受持續裝機與改線的壓力。

因此，台積電目前正強化設備模組化，並提高不同產品世代之間的共通性。這項調整與AI產品開發週期縮短有關，當產品世代加快，設備、材料、封裝與系統端若仍等上一階段定案後才接手，留給後續開發與驗證的時間也跟著被壓縮。

每代設備都大改，台積電也吃不消

何軍指出，如果每一代機台與材料都跟著產品大幅改變，除了經濟壓力提高，設備交付與裝機也難以跟上。因此，台積電近期持續提高設備模組化程度，也開始關注設備內部有多少結構可以跨世代沿用。

他進一步以「fungibility」形容接下來需要提高的能力，也就是不同產品世代之間的共通性。目前台積電已從設備與材料端著手提高共通性，下一步也希望延伸至系統端。

何軍也提醒供應商，不要把每年改一代單純視為增加設備或材料需求的機會。若每一代都大幅修改，設備商交不出來，晶圓廠也承受不了持續改線與裝機的負擔，因此部分製程模組與設備結構必須能延續到下一代。

不只設備要共用，驗證也得提前

提高共通性之外，台積電也希望把原本較後段的驗證工作往前移。何軍提到，隨著系統愈來愈複雜，要把所有問題集中在同一套平台解決並不實際，但如果能先找出可以標準化的部分，就能降低供應鏈重複開發的負擔。

他舉例，即使共通平台只能處理約六、七成問題，也可以讓供應商先完成大部分驗證，同時保留客戶的專有設計。台積電也希望提供更接近實際製程的環境，讓設備與材料供應商更早測試。

「還是真正在實際現場去驗證。」何軍指出，即使供應商具備製程知識，如果缺乏實際環境測試，仍可能跟不上快速變動的製程。

AI機櫃破100kW，壓力開始往供應鏈前端傳

供應鏈為何需要改變原本的開發方式？緯穎主要為大型資料中心提供伺服器、儲存設備、網路系統與機櫃等雲端基礎設施，正好位在最接近AI系統需求的一端。總經理暨執行長林威遠指出，系統功耗正在快速提高，「以前30kW一個整個機櫃，到現在超過100kW一個機櫃。」

隨著高密度晶片推高整櫃用電，如何降低電力損耗、提升供電效率，也成為系統設計必須處理的問題。林威遠表示，現在產品更新速度愈來愈快，系統端也希望更早參與測試與驗證，讓不同環節在開發初期就能一起找問題。

量產前才改散熱，健策「三個結構重頭來」

健策主力為高效散熱解決方案與精密金屬零組件，應用涵蓋晶片封裝、GPU與雲端伺服器等領域。健策精密總經理林錦隆分享，今年就碰過一個實際案例。產品已經接近轉入量產，客戶卻在最後階段發現系統散熱表現仍不理想，一項新的要求下來，封裝端三個結構必須重新調整。

「重頭來，真的是重頭來。」林錦隆形容，現在設計變更速度愈來愈快，一套伺服器又包含成千上萬個零件，如果各家供應商仍等規格一路往下傳，到了後段才彼此驗證，很容易因為其中一項需求改變，讓前面的設計重新再做。

林錦隆指出，「以前我們業界都習慣單打獨鬥」，供應商各自掌握技術優勢，就可能取得競爭力，但現在這套模式愈來愈難跟上產品速度。因此，系統、封裝與零組件供應商必須更早共同開發，在量產前就把彼此牽動的問題找出來。

這也是健策約五年前開始把散熱布局從封裝端往系統端延伸的原因。林錦隆表示，如果只處理封裝端問題，就無法掌握系統實際碰到的散熱與機構挑戰，因此公司陸續延伸到系統端，希望把兩端需求一起納入開發。

零組件得提前介入，設備商也不能再只「照規格做」

同一個問題到了設備端，表現得更加直接。志聖是半導體與載板先進製程設備供應商，技術涵蓋壓合、貼膜、撕膜、烘烤與電鍍前處理等製程，當封裝製程改變時，設備本身也得跟著調整。

營運長曾文進舉例，如果一項產品只花3個月完成一次迭代，設備重新製作卻需要9個月，「那麼這個瓶頸永遠會存在」。產品週期愈短，過去等客戶開出規格，再按照規格把設備做出來的模式，也愈難跟上。

曾文進表示，過去設備商相對缺乏製程能力，「我們只知道把設備做好」，如今則必須理解客戶為什麼修改製程，才能把需求更快轉換成設備規格。如果等設備做好才開始共同找問題，一旦方向需要調整，留給修改與重新驗證的時間已經不足。

設備商因此也必須更早進入開發與驗證階段。曾文進進一步提到，供應商還要掌握自己的「process window」，也就是設備能在什麼參數範圍內維持穩定表現，當客戶修改製程條件時，才能快速判斷只要調整參數，或是機台本身必須重新修改。

產品進入量產後，速度要求仍沒有結束。設備出現問題時，供應商必須找到原因、完成改善與驗證，再把修正方式快速複製到其他機台。曾文進將現在設備商面臨的競爭濃縮成三件事：「學得夠不夠快、收斂得夠不夠快，以及複製得夠不夠快。」

從「各自開發」走向更早協作

從緯穎、健策到志聖，三家公司面對的雖然是不同環節，卻都碰到同一個變化：產品週期縮短後，供應鏈不能再等規格完全定案，才一層一層往下開發。

因此，台積電提出的設備模組化與跨世代共通性，重點不只是讓機台少改一點，也是在替供應鏈爭取更多反應時間。若能把可共用的設備、材料與驗證流程先建立起來，下一代產品就不必每次都從頭開始。

對供應商來說，開發方式必須改變：更早參與、更早測試，也更早確認哪些部分可以延續、哪些部分真的需要重新設計。AI晶片一代接著一代推出，供應鏈未必能讓每個環節都變得更快，但至少要避免每一代都重新來過。

延伸閱讀：沃旭大彰化920MW風場完工！20年綠電全供台積電，下一步還押不押台灣？

責任編輯：李先泰

快速展店背後的挑戰　如何降低跨據點管理與維運負擔

對連鎖零售企業而言，展店代表商機與成長，但當門市數量快速增加，營運與管理的複雜度也隨之提升。尤其對便利商店（C-store）、餐飲連鎖與其他高密度展店型態的企業而言，總部需要面對的不只是據點數量增加，更包括不同門市的設備管理、系統維護、日常維運與人力配置等多方面挑戰。

過去多據點門市的設備與資訊管理，往往以單一門市為單位，各據點可能擁有不同的攝影機、錄影設備配置與管理模式。當總部需要掌握事件狀況、確認門市營運情形，或進行跨區域管理時，往往需要投入大量人力逐一確認資訊，不僅增加管理負擔，也提高維運成本。

此外，零售產業本身具有高度變動性。門市可能因應市場策略進行展店、搬遷、改裝，甚至調整營運規模。傳統一次性設備投資模式，容易讓企業在面對據點變化時缺乏彈性，也增加設備重新配置與後續維護的負擔。

因此，現代零售企業所需要的不只是單純記錄事件的設備，而是一套能隨企業成長彈性調整、協助總部有效掌握多據點安全資訊，並支援未來智慧應用發展的智慧化管理架構。

從既有設備開始升級　降低全面汰換設備的轉型負擔

面對智慧化轉型需求，許多企業最大的挑戰並非是否需要升級，而是如何在不中斷現有營運的情況下完成轉型。

對已經投入大量資源建置安全系統的零售企業而言，全面汰換既有架構不僅成本高，也可能影響門市日常運作。因此，能夠兼容既有設備並逐步升級的彈性架構，成為企業導入智慧安全管理的重要關鍵。

透過混合雲架構，企業可以從既有設備開始，逐步整合不同據點的安全資訊與管理需求，同時導入雲端管理能力。相較於一次性重新建置，新一代平台架構能協助企業延續既有投資價值，並依照實際需求逐步導入更集中化、智慧化的管理能力。

此外，訂閱式雲端服務模式和混合雲安防架構，也為零售企業帶來更靈活的資產管理方式。相較於頻繁的硬體汰換、傳統一次性採購或繁瑣的跨品牌安防系統的管理，企業更有彈性的因應門市拓展、搬遷、調整或營運規模調整，精準配置資源，降低一次性投入壓力，也減少因據點變動造成設備閒置的情況。

對快速成長的連鎖零售企業而言，安全管理不再是一套固定且難以調整的架構，而是一個能隨企業規模與需求持續演進的平台。無論是新增門市、跨區域管理，或因應營運策略調整，都能以更彈性的方式完成管理升級。

AI 不只是安防工具　更開始協助零售提升營運效率

隨著 AI 技術快速發展，安全管理的角色也正在改變。過去企業導入影像系統主要用於事件記錄、事後查看與追蹤；如今，智慧雲端安防平台則能進一步從大量影像資訊中辨識人、車與行為，協助企業從「看見發生什麼」進一步「理解正在發生什麼」，甚至主動協助管理者發現與處理事件。對門市數量眾多、人力有限的連鎖零售業者而言，AI 正逐步成為降低管理負擔、提升營運效率的重要工具。

從基本事件偵測到自然語言規則　讓 AI 主動理解更多異常情境。 AI 智慧辨識已能針對跌倒、奔跑、徘徊、跨線等常見事件進行自動偵測，協助門市減少人工查看影像的需求。而進一步透過 Think Alert，管理者更可以直接以自然語言設定客製化的偵測條件，將 AI 應用延伸至傳統事件規則以外。以門市尖峰時段為例，店員往往需要同時處理結帳、補貨與顧客服務，總部也難以持續掌握每個據點的即時狀況。透過 Think Alert，管理者可以直接以自然語言設定「在門店入口抽菸的人」等情境；當符合設定條件的畫面出現時，系統即可主動發出警報，協助管理者即時掌握異常狀況。對於門市數量龐大的企業而言，這代表 AI 不只是協助辨識既定事件，更能依據不同營運需求，讓管理者以更直覺的方式設定希望 AI 主動關注的情境。

從大海撈針到快速完成調查　Think Search 搭配 Case Vault(案例庫) 掌握完整事件脈絡。 當事件發生後，如何從大量、多據點的影像中找到關鍵人物與事件脈絡，往往是最耗費人力的環節。透過 Think Search，管理者可以直接用自然語言描述想尋找的對象與情境，例如，當家長反映孩童可能在門市附近走失時，店員或總部人員不需要逐一查看不同攝影機的錄影畫面，只要在 Think Search 輸入「昨日上午，牽著小女孩的男性」等自然語言描述，系統即可協助從大量影像中篩選相關畫面，快速找到相關人物可能出現的時間與位置。若需要進一步追蹤，還能將不同搜尋階段找到的重要畫面與資訊整理至 Case Vault，建立事件時間線與人物移動路徑，協助管理者更完整掌握事件脈絡。

從安全管理延伸至顧客服務與門市營運　讓既有影像創造更多價值。 AI 的應用也不只限於安全事件。例如在咖啡店、餐飲等場景，若顧客將手機、包包等物品遺留在座位或櫃台附近，遺留物與遺失物偵測可以協助門市人員更快發現異常，主動確認並協助顧客處理失物問題；人流分析則能協助企業掌握不同時段的門市活動趨勢，作為空間配置與人力安排的參考；車牌辨識可應用於停車區域或門市周邊管理，而工安防護裝備辨識則能協助後場、倉儲等區域進行安全規範管理。透過這些應用，企業能在既有設備基礎上，進一步將影像資料延伸至安全、服務與營運等不同場景。

對連鎖零售業而言，AI 的價值已不只是「看得更清楚」，而是讓企業更快發現問題、更快找到資訊，並進一步理解事件脈絡與營運狀況。從基本事件偵測、自然語言設定規則，到 AI 搜尋與事件調查，再延伸至顧客服務與營運分析，雲端安防平台正讓影像從被動的紀錄工具，逐步成為支援多據點安全管理與營運決策的重要資訊來源。