解讀《2024年半導體產業AI化大調查》結果，國立台灣大學重點科技研究學院客座教授、台積電前研發處長楊光磊表示，以量化調查結果而言，雖然跟外界對於半導體產業的想像或許有落差，但實際上與真實情況相當類似，並不令人意外。
從台大電機系畢業後赴美國柏克萊大學取得博士學位，曾任職台積電20年並被稱為「台積電研發六騎士」之一，還曾在英特爾（Intel）、中芯半導體擔任重要職位。2023 年下半年卸下英特爾顧問一職後，全心投入教育，在台大、國立政治大學、逢甲大學……等多校任教。因此對半導體產業的觀察具有歷史觀的時間縱深，同時又親身參與人才培育到國家半導體產業競賽的每個環節。因此，他認為，科技創新不應該是單一國家或地區的事，而是全球範疇中的協作，半導體是如此，人工智慧也是如此。
生成式 AI 在傳統工業的用處有限
根據《日經新聞》分析，可將生成式 AI 分為四大類業務，分別是AI應用、大型基礎模型、雲端，以及半導體。依序愈後面的產業進入門檻愈高、家數愈小，但影響力愈大。那麼位居全球半導體供應鏈關鍵樞紐的台灣，是否在AI應用與發展上也因此更具動能？從目前量化調查獲得的數據，還看不到這樣的趨勢。
「這樣的結果我並不訝異，」楊光磊指出，從他的角度看來，這波生成式AI發展，比較類似進階的「Google search」，是從過去人類歷史上累積出來的知識生成新的內容，「在傳統工業中的用處不大。」受到較大影響的是跟內容及知識傳遞相關的產業，例如教育、媒體業；當然對於寫程式的前端工程師來說，因為程式本身是一種語言內容，會受到一定程度影響。但整體而言，由於半導體產業本身的特質，短期內衝擊不大。
他分析，半導體產業特性和生成式 AI 的技術原理，在結構上就很難直接融合。「製造業需要掌握的數據，本來就不是真實世界的語言，」所以並不是這波生成式 AI 使用大型基礎模型的強項。
營運模式本質差異是關鍵
為何如此？楊光磊認為，這是來自營運模式的本質差異。若再往下拆分成「資料」和「用途」兩個方向，就能更清楚了解，生成式AI在半導體產業直接應用的範圍為何較為受限。
截至 2024 年第三季為止，台灣產業界使用生成式 AI 最常見的兩大領域，分別是行銷客服相關，以及內部知識管理，半導體產業當然也有不少企業採用。但需要思考的是，這些應用是否影響到半導體產業的核心價值？
以資料方面而言，楊光磊表示，根據他的經驗，就算在台積電的時候負責研發部門，工作流程中都不需要像生成式AI這麼大量的訓練數據和巨大模型，這則跟企業的營運模式直接相關。
自然數據與製造數據大不相同
楊光磊說，目前生成式AI應用發展好的先行者，大多都是在網際網路時代崛起的企業，他們的使用者是社會大眾、也就是俗稱的「B2C」。隨著網際網路、行動通訊、雲端逐步發展，累積出巨量的資料，「他們掌握了自然數據的發生點，」所以十分貼近真實社會的使用者行為，而這也是全球科技巨擘從 2016 年開始領導 AI 技術發展的優勢。
至於台灣半導體產業的客戶絕大多數是企業，一般稱為「B2B」，通常客戶數量不會太多，需要蒐集整理也僅限於符合客戶要求的產品製造相關數據，和市場上的自然數據相差很大。很多企業甚至不太需要使用大型客戶關係管理（CRM）平台，只要用 Excel 就足夠了。
相同邏輯往下推演，位居全球半導體供應鏈中的台灣企業，需要蒐集的主要是與產品製造流程相關的數據，主要用途是提高良率、降低成本以及優化效率，而不是更深入了解客戶需求，以便進一步預測市場變化。楊光磊指出，影響所及，企業的資訊部門大約有九成能量集中在組織內部，而對外只有一成。所以思考全新的AI技術及軟體應用時，當然形成了必須跨越的挑戰與限制。
必須突破產業集體思維限制
這樣的限制不只存在於組織結構中，還深刻地影響台灣產業的集體思維。在台灣完成大學教育，又有多年海外工作經驗的楊光磊，很明顯感受集體思維造成的深刻影響。
他說，生成式 AI 當中不可或缺的 LLM（大型語言模型）是由美國主導，這與英文資料量是全世界最多、網際網路以至雲端技術的發展有關，並據此奠定了數位化思維的基底。反觀台灣，長期以來整體資通訊產業強項以電腦計算能力（Computation Power）的硬體製造為主，不熟悉軟體系統的應用端產品與服務，這從台灣軟體產業規模小與家數少就可以看得出來。
楊光磊說，因此在台灣產業推動數位轉型的難度非常高，「就算老闆有意願，但整個組織的思維裡沒有這些概念。」最顯而易見的原因是，台灣人力資源相對便宜，因此數位化並非攸關企業生存的重要選項。缺乏數位化思維對於多年前剛回台工作的楊光磊來說，最直接的衝擊是，所有事情都使用人力，「採用陶侃搬磚、愚公移山的方式來處理。」
AI 可扮演國際化最佳助力
然而從過去幾年《台灣產業AI化大調查》結果中很明顯看出，若沒有數位化思維，要推動 AI 幾乎是不可能的事。因此，半導體產業AI化程度沒有外界所預期的高，並不令人意外。「但是，如果能夠導入 AI，保守估計能夠將生產力提高二倍到十倍。」楊光磊指出，科技製造業有很多適合採用 AI 來解決的問題。
以目前應用 AI 較廣的幾家企業而言，大部份應該是用於製造端，至於在營運及商業決策，由於來自客戶的需求並不強烈，還處於起步階段。例如已經開始用AI評估及預測未來的產能規劃，但還不敢全部採用，仍然採人工與 AI 平行運用的方式。
楊光磊認為，AI 的應用對半導體是必要的，一方面有經驗的人愈來愈少、數據愈來愈多，是適合導入 AI 的環境；另一方面，最終如果能夠成為關燈工廠或無人工廠，可以克服目前跨國人才不足與融合的問題。若達成這樣的目標，半導體產業才能真正國際化。
巨量資料、大模型不見得最適合
在企業應用AI時還有一個重要的考量，在於必須判斷哪些問題適合用哪種AI來解決。他任職台積電時期曾經採用不需要大量資料的專家系統（Expert system，早期人工智慧的重要分支），使用少量專業資料與能量進行轉譯，解決製造端與研發端之間經常存在的衝突，同樣解決了問題。「不需要所有事情都用很耗能、很多數據的生成式AI來做，」楊光磊說，人必須要有判斷的能力，「用人的智慧來評估如何與機器的智慧合作，這才是未來AI發展的方向。」
朝這個方向走，人類才不會失去自身的能力，所有決策與判斷都被AI帶著走；自然也破除了AI將取代人類的焦慮，找到新的「人機協作」模式與價值。
因此，目前在多所大學任教的楊光磊將這樣的想法貫徹到教學現場，「不能再只教知識，而是要培養學生的見識。」他允許學生使用生成式AI來寫報告，但是必須到課堂上進行報告。「學生必須說出他的核心思想，What does it mean to you? What does it mean to us? What does it mean to the world?」
兩大策略 借 AI 之勢轉型
那麼，半導體產業應該如何借 AI 之勢進行轉型？這波生成式 AI 浪潮推升了台灣在算力硬體製造的能見度與獲利，是少數在這兩年之間因 AI 獲利的國家，也被戲稱為靠「賣鏟子」賺錢，然而，鏟子能夠繼續賣多久？
楊光磊的看法相當正面，他認為做鏟子是東方社會的宿命，而且既然做得好，也沒必要放棄。企業真正需要做的是，藉此機會重新拆解內部營運模式，思考怎麼用 AI 來做鏟子，能夠達成倍數的提升。
第二步，他建議台灣企業應主動向外擴展，思考如何深入理解全球市場，在既有的優勢基礎上，突圍過去代工的合作模式，跟海外市場建立更有價值的連結。例如主動轉投資、建立聯盟合作關係。並且透過 AI 加速對於市場結構的理解與預測，進一步提高「做鏟子」的價值。「台灣不會是全球市場的主導者，但能成為重要參與者。」
自從 2022 年底之後，生成式AI的出現攫取了全球產業與國家的共同關注，不過 AI 的應用並不限於生成內容，還有許多超越人類經驗與想像的可能應用。目前，楊光磊正在思考的是，如何藉著 AI 來加速跨領域、跨國際與跨世代的合作，將技術能量轉化為創新動力，共同探索我們所期待的美好未來。
詳細調查報告內容，請參考《台灣半導體產業 AI 化大調查》完整報告下載
