在人工智能 (AI) 已經(jīng)成為產(chǎn)業(yè)不可逆的趨勢下，就連臺積電前董事長張忠謀都表示，未來 AI 的發(fā)展將成為帶動臺積電營運(yùn)發(fā)展的重要關(guān)鍵。 因此，市場上大家都在期待，藉由 AI 發(fā)展所帶來的新應(yīng)用與商機(jī)。 只是，在 AI 需要大量運(yùn)算效能與能源，而整個半導(dǎo)體結(jié)構(gòu)發(fā)展也面臨極限發(fā)展的情況之下，材料工程技術(shù)的突破就成為未來 AI 普及化前的其中關(guān)鍵。

材料工程解決方案大廠應(yīng)用材料 (Applied Materials) 指出，根據(jù)《經(jīng)濟(jì)學(xué)人》表示，當(dāng)前數(shù)據(jù)之于這個世紀(jì)的重要性，猶如石油之于上個世紀(jì)，是成長與變革的動力，而透過科技也為許多產(chǎn)業(yè)帶來改變。 因此，藉由人工智能與大數(shù)據(jù)的結(jié)合，給市場帶來無限的機(jī)會，卻也帶來空前的挑戰(zhàn)。 所以，而是否能掌握 AI 與大數(shù)據(jù)帶來的龐大商機(jī)，關(guān)鍵在于新技術(shù)和新策略上。

應(yīng)用材料臺灣區(qū)總裁余定陸日前在于媒體的聚會中表示，AI 與大數(shù)據(jù)的結(jié)合帶動了 4 個主要的趨勢與挑戰(zhàn)，這也是企業(yè)是否能在 AI 與大數(shù)據(jù)時代掌握致勝先機(jī)的關(guān)鍵。 其中，包括了物聯(lián)網(wǎng)普及和工業(yè) 4.0 產(chǎn)生超大量的數(shù)據(jù)數(shù)據(jù)、現(xiàn)有的空間不足以應(yīng)付快速增加數(shù)據(jù)量的處理及儲存、靠著新的運(yùn)算模式及架構(gòu)，以及邊緣運(yùn)算、云端技術(shù)和低功耗的每瓦效能，才能將數(shù)據(jù)成功轉(zhuǎn)換成價值、以及 AI 與物聯(lián)網(wǎng)快速匯流 ，連接性是最大關(guān)鍵，也是決定運(yùn)作是否流暢的重要因素等。

而因為有了 4 個趨勢與挑戰(zhàn)，使得在 AI 與大數(shù)據(jù)時代中啟動了「硬件復(fù)興」的各種資源投入，不但使得論是傳統(tǒng)科技領(lǐng)導(dǎo)大廠、新創(chuàng)公司或軟件公司，都投入大量的資源、押寶不同的技術(shù)領(lǐng)域、聚焦應(yīng)用的客制化及優(yōu)化， 專注于硬件的設(shè)計以及投資發(fā)展。 另外，在在計算機(jī)運(yùn)算處理器部分，人工智能需要大量、快速的內(nèi)存存取及平行運(yùn)算，才能提升巨量數(shù)據(jù)處理能力，這時繪圖處理器(GPU)及張量處理器(TPU)會比傳統(tǒng)運(yùn)算架構(gòu)更適合處理人工智能的應(yīng)用。 而且，為了使人工智能潛力完全開發(fā)，其效能 / 功耗比即運(yùn)算效能需達(dá)到目前 的1,000 倍 ，已成為現(xiàn)階段技術(shù)層面亟需突破的關(guān)鍵。

再加上 AI 與大數(shù)據(jù)需要邊緣及云端創(chuàng)新，大量的數(shù)據(jù)儲存+高效能運(yùn)算因運(yùn)而生。 而且在是當(dāng)傳統(tǒng)摩爾定律下的 2D 微縮越來越慢的情況下，材料工程的創(chuàng)新就成為解決問題的其中一項關(guān)鍵。 余定陸進(jìn)一步表示，材料工程的創(chuàng)新未來將建構(gòu)在 PPAC(效能、功耗與單位面積)的 5 個面向革新上，包括新架構(gòu)、新結(jié)構(gòu) / 3D、新材料、微縮的新方法以及先進(jìn)封裝等。

余定陸舉例表示，原有 2D NAND 的技術(shù)應(yīng)用在實(shí)體和成本上已達(dá)到極限，為了能讓每儲存單元(cell)的容量再往上增加， 3D NAND 技術(shù)采用層層堆棧的方式，來減少 2D NAND 儲存單元距離過近時，可能產(chǎn)生的干擾問題。 此外，3D NAND 有倍增的容量與可靠度，更是過去的 2D NAND 無法比擬的 。

此外，先進(jìn)封裝可以優(yōu)化系統(tǒng)級的效能。 過去 DRAM 封裝是采用印刷電路板(PCB)的方式，目前則采用硅通孔封裝技術(shù)(TSV)，可將邏輯和內(nèi)存的同質(zhì)和異構(gòu)集成緊密地結(jié)合在一起，垂直堆棧的 3D 儲存器芯片顯著減小了 PCB 級的電路板尺寸和布線復(fù)雜性，大大降低成本、 節(jié)省一半的電力及延長芯片使用壽命。 另一種系統(tǒng)級封裝，運(yùn)用小芯片(chiplet)多元模塊整合，可提供時間、成本與良率的效益。

余定陸還表示， 傳統(tǒng)計算器架構(gòu)的馮諾伊曼(Von Neumann)思維有一個主要問題，當(dāng)處理大量數(shù)據(jù)運(yùn)算，單一中央處理器與內(nèi)存間的數(shù)據(jù)運(yùn)算規(guī)則和傳輸速度，限制了整體效率與計算時間，無法滿足實(shí)際實(shí)時應(yīng)用情境。 但利用神經(jīng)形態(tài)(Neuromorphic)思維，進(jìn)行網(wǎng)絡(luò)分散架構(gòu)及平行運(yùn)算與學(xué)習(xí)，可加速人工智能計算，達(dá)到傳統(tǒng)計算器架構(gòu)無法達(dá)成的連接性。

在 AI 與大數(shù)據(jù)的結(jié)合將帶來無限機(jī)會的時代中， 因應(yīng)復(fù)雜性、應(yīng)用性和在時間方面都面臨很大的困難，而且互連性和材料創(chuàng)新速度上面臨的挑戰(zhàn)，也需要新的策略來克服的情況下，需要藉由材料工程創(chuàng)新、硬件的復(fù)興以及產(chǎn)業(yè)生態(tài)間深度鏈接來解決。