零電阻的單原子層材料

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

商業上的成功蘊含著自身毀滅的種子：成功會滋生自滿，自滿會導致失敗。只有偏執狂才能生存。
-Andrew Grove（英特爾首席執行官）

話說英特爾於 1986 年冒著丟掉大客戶百年 IBM 的危險，轉向成立僅 3 年多的小電腦公司推銷其最新微處理器的賭博，得到了回報：康柏電腦公司一炮而紅的成功加速客戶對新 80386 晶片的要求。90 年代中後期英特爾更大力投資新的微處理器設計，促進了個人電腦產業的快速成長，成為市場佔有率高達 90% 的微處理器主要供應商，使其自 1992 年以來一直保持半導體銷售額排名第一的地位，於 1999 年將英特爾推上代表美國 30 主要工業的道瓊指數之一成員。

但到了 2000 年代，特別是 2010 年代末期，英特爾面臨日益激烈的競爭，導致其在 PC 市場的主導地位和市場佔有率下降。儘管如此，截至 2024 年第三季度，英特爾仍以 62% 的市佔率遙遙領先 x86 市場、更是筆記型電腦的明顯贏家（72%）。可是為什麼今天英特爾股價竟然倒退了 28 年，回到 1996 年底的價位呢（註一）？為什麼它已經不能再代表美國主要工業，於 2024 年 11 月 8 日被踢出道瓊工業指數，為英偉達（Nvidia，臺灣與香港譯為「輝達」）取代呢？

英特爾的失足

在回答此問題之前，筆者得先指出：個人電腦到了 2000 年初已不再是一高利潤的高科技，而是一種日用商品。當初將英特爾培養壯大的 IBM 於 2004 年年底完全退出了個人電腦的市場；而避免侵權透過逆向工程、製造出第一台 IBM 個人電腦相容機的康柏公司，也在個人電腦市場的價格競爭日益激烈、及想打入主機電腦市場的錯誤政策下，於 2002 年被惠普 ( Hewlett-Packard ) 收購「消失」了。

冰凍三尺，非一日之寒。Google 的人工智慧謂：「英特爾在晶片產業落後的主要原因是多種因素」，包括：
（1）未能洞悉智慧型手機的崛起，在行動晶片市場明顯落後，錯失創新機會給高通（Qualcomm Inc.）等競爭對手；
（2）依賴過時的製造流程，未能像台積電、AMD、和英偉達（註二）一樣採用更靈活晶片設計和外包製造，來應付快速不斷變化的市場需求，導致失去了高效能運算和人工智慧等關鍵領域的市場；
（3）一些分析師認為英特爾在個人電腦市場長期佔據主導地位可能導致高階主管自滿，不願適應不斷變化的產業動態。

筆者認為前述的（1）及（2）都是果，真正的原因只有（3）一個。80 年代，當英特爾的晶片和微軟的軟體成為快速發展之個人電腦行業的雙引擎時，公司充滿活力，專注於其在個人電腦和資料中心伺服器的特殊領域。英特爾高層曾半開玩笑地將公司描述為「地球上最大的單細胞有機體」：一個孤立的、獨立的世界。像 IBM 一樣，數十年的成功和高利潤也催生了英特爾目中無人及自大之企業文化！這種開會又開會、討論又討論、開不完的會、討不完的論正是公司成熟的標註。

英特爾的企業文化

想當初英特爾剛成立時，諾伊斯只聽了幾秒鐘霍夫有關微處理器的激進想法後，就立即說：「做吧」！真是不可同日而語。又如到了 1983 年，其主要記憶體晶片業務受到日本半導體製造商加劇競爭而大大降低獲利能力時，格羅夫立即迅速地不怕「…微處理器是個非常大的麻煩」，脫胎換骨成為微處理器主要供應商━又豈是 90 年代不遺餘力地捍衛其微處理器市場地位而與 AMD 鬥爭的英特爾所能比？

事實上英特爾也曾多次嘗試成為人工智慧晶片領域的領導者，但都以失敗告終（註三）：專案被創建、持續多年，然後要麼是因為英特爾領導層失去耐心，要麼是技術不足而突然被關閉。為了保護和擴大公司的賺錢支柱（x86 的數代晶片），英特爾對新型晶片設計的投資總是退居二線。史丹佛大學電機工程教授、英特爾前董事普盧默 ( James Plummer ) 曾謂：「這項技術是英特爾皇冠上的寶石——專有且利潤豐厚——他們會盡一切努力來維持這一點的」。英特爾的領導者有時也承認這個問題，例如英特爾前執行長巴雷特 ( Craig Barrett ) 就曾將 x86 晶片業務比作一種毒害周圍競爭植物的雜酚油灌木叢。

英特爾能再放光芒嗎？

在一連串的機會錯失，決策錯誤及執行不力下，英特爾於 2021 年任命曾經主導其發展人工智慧晶片、2009 年離職去擔任 EMC 總裁的基辛格（Patrick Gelsinger）回來當執行長，積極嘗試透過其所謂的「五年、四個節點」進程追趕台積電。這位浪子回頭，被請回來拯救公司的基辛格於去年 4 月 25 日宣稱：即將推出的英特爾 3 奈米製程伺服器晶片的需求很高，可以贏得那些轉找競爭對手的客戶，謂『我們正在重建客戶信任。他們現在看著我們說：「哦，英特爾回來了。」』…但半年後，董事會對他的扭虧為盈計畫完全失去了信心，給了他辭職或被解僱的選擇。基辛格於 12 月 1 日辭職，現由領導英特爾全球財務部門和投資者關係的津斯納 ( David Zinsner ) 擔任臨時聯合執行長，正在務色下一任執行長。

英特爾現在的處境事實上很像 1993 年的 IBM：在官僚體制、大型電腦利潤下滑，及失去個人電腦的主導權後，其股票從 1987 年 7 月的最高點倒退了 26 年！當總裁兼執行長阿克斯（John Ackers ) 於當年元月宣布首次下調股息 55% 及離職後，遴選委員會竟然找不到任何人願意來收拾這個爛攤子━曾幾何時 IBM 執行長還是眾人夢寐以求的職位呀！最後選委會只好推薦自告奮勇、完全外行（註四）、銷售菸草和食品的 RJR Nabisco 公司的首席執行官郭士納（Louis Gerstner Jr.）！郭士納在自傳中回憶說：重振 IBM 所面臨的最嚴峻挑戰是改變其企業文化。現 IBM 雖然不再像以前在科技界一言九鼎，但其股票已「趕上時代」屢創歷史新高，為道瓊工業指數中歷史最悠久的高科技成員（1979 年起）；郭士納也被視為美國商界的偶像，IBM 轉型和重拾技術領導地位的救星。

股票名嘴克萊默（Jim Cramer）在年初謂：「我們需要將英特爾視為資產負債表非常糟糕的國寶」，因此有必要幫助英特爾公司渡過難關。美國政府顯然也同意，商務部根據 CHIPS 激勵計劃的商業製造設施資助機會，已經給英特爾公司提供高達 78.65 億美元的直接資助。但如前面所提到的 IBM 如何啟動發展個人電腦，錢真的是萬能嗎？英特爾能重新燃燒發光嗎？

英特爾不像 1993 年的 IBM 具有百年的歷史，各方面人才濟濟：多項技術創新和最多的專利，包括自動櫃員機、動態隨機存取記憶體 、軟碟、硬碟、磁條卡、關聯式資料庫、Fortran 和 SQL 程式語言、UPC 條碼、以及本文所提到之個人電腦等；其研究部是世界上最大的工業研究機構，員工因科學研究和發明而獲得了各種認可，包括六項諾貝爾獎和六項圖靈獎（Turing Award，註五）。因此筆者懷疑英特爾能夠重新奪回業界領先地位；CFRA Research 技術分析師齊諾 ( Angelo Zino ) 表示：「目前來看，它們重返輝煌的可能性非常渺茫。」

結論

這顆科技巨星真的要隕落了嗎？真的是「一失足成千古恨，再回頭已百年身」嗎？英特爾第三任首席執行官（1987-1998）格羅夫真的不幸言中了嗎：「商業上的成功蘊含著自身毀滅的種子」？當然，像英特爾這麼有成就的公司要徹底消失是不太可能，因此最可能的命運應該是分割拍賣或像仙童半導體公司一樣被其它公司收購（註六）。事實上去年高通公司就曾與英特爾洽談收購事宜，但最終放棄了這個想法。

最後讓我們在這裡以同時被 IBM 培養狀大、在個人電腦上一起嘯吒風雲的微軟公司，其創辦人蓋茨（Bill Gates）元月 8 日的美聯社訪談來結束本文吧。蓋茨聲稱：如果英特爾沒有在 70 年代初期取得技術突破，創造出能夠驅動個人電腦的微型晶片，他的職業道路可能會有所不同。他接著表示：微軟也像英特爾一樣，在 18 年前錯過了從個人電腦到智慧型手機的轉變，但微軟已經恢復元氣，而英特爾的困境卻惡化到需要尋找新執行長的地步（註七），他說：

他們錯過了人工智慧晶片革命，（因為晶片設計和製造方面落後）其製造能力達不到英偉達和高通等公司認為是簡單的標準。我認為基辛格非常勇敢，他敢說：「不，我要解決設計方面的問題，我要解決晶圓廠方面的問題。」我（曾）希望為了他自己、為了國家，他能夠成功。我希望英特爾能夠復甦，但目前看來它們的處境相當艱難。

今天微軟公司已是全美市值最大的前三名公司之一，而英特爾卻淪落至此，能不讓人感嘆造化弄人嗎？

（2025 年 2 月 3 日補註）本文完稿於元月 15 日；英特爾元月 30 日第四季業績報告謂：營收連續三季下滑，較去年同期下降 7%；本季淨虧損總計 1.26 億美元（即每股 3 美分），而去年同期的淨收入為 26.7 億美元（即每股 63 美分）。今年第一季的業績指引令分析師失望！

備註

• （註一）同一期間道瓊股指上升了 7 倍多。
• （註二）這三家公司現在全是中國人在主導。在英特爾全盛時期，這三家全是在後者的陰影下求生存；而現今這三家的市值均遠遠超過英特爾！
• （註三）2005 年，當英特爾的晶片在大多數個人電腦中充當了大腦時，執行長歐德寧（ Paul Otellini）就已經意識到了圖形晶片最終可能會在資料中心承擔重要的工作，向董事會提出了一個令人震驚的想法：以高達 200 億美元收購電腦圖形晶片的矽谷新貴英偉達（英偉達的市值現已超過 3 兆美元）。但因英特爾在吸收公司方面的記錄不佳，董事會拒絕了這個提議，歐德寧退縮了！反觀 AMD 於 2006 年收購英偉達對手 Array Technology Inc. 後，現正挑戰英偉達的圖形晶片市場。
• （註四）在 1993 年三月宣布將擔任執行長的記者招待會上，被問及用什麼牌子的計算機時，新執行長說他有一台筆記本電腦，但不記得是什麼牌子。
• （註五）公認為計算機科學領域的最高榮譽，被稱為「計算機界的諾貝爾獎」。
• （註六）仙童半導體公司於 2016 年 9 月被安森美（ON）半導體收購，品牌已不存在。
• （註七）英特爾於 2025 年 3 月任命陳立武出任新執行長。

延伸閱讀：圖形處理單元與人工智能

當晶片結構內部有問題，想要進行切片觀察，但方式有好幾種，該如何針對樣品的屬性，選擇正確分析手法呢？

本文轉載自宜特小學堂〈 哪種 IC 切片手法 最適合我的樣品〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

IC 設計後，在進行後續的產品功能性測試、可靠度測試（Reliability Test）或故障分析除錯（Failure Analysis & Debug）前，必須對待測試的樣品先做樣品製備（Sample preparation），透過 IC 切片方式，進行斷面／橫截面觀察（Cross-section）。此步驟在確認晶片內的金屬接線、晶片各層之間結構（Structure）、錫球接合（Solder Joint）、封裝打線（Wire Bonding）和元件（Device）異常等各種可疑缺陷（Defect），扮演相當關鍵性重要角色。

然而觀察截面的方式有好多種，有傳統機械研磨（Grinding）方式，透過機械手法拋光（Polish）至所需觀察的該層位置；或是透過離子束（Ion Beam）方式來進行切削（Milling）；那麼，每一種分析手法到底有那些優勢呢？又該如何選擇哪一種切片手法，才能符合工程師想要觀察的樣品型態呢？本文將帶來四大分析手法，從針對尺寸極小的目標觀測區（如奈米等級的先進製程缺陷），或是大面積結構觀察（如微米等級的矽穿孔 TSV），幫大家快速找到適合的分析手法，進行斷面／橫截面觀察更得心應手！

傳統機械研磨（Grinding）：樣品製備時間長，觀測範圍可達 15cm

 傳統機械研磨最大優勢，是可以達到大面積的觀察範圍（<15cm 皆可），跨越整顆晶粒（Die），甚至是封裝品（Package），當需要檢視全面性結構的堆疊或是尺寸量測等等，就適合使用 Grinding 手法（如下圖）。這個手法可透過機械切割、冷埋、研磨、拋光四步驟置備樣品到所需觀察的位置。

不過傳統研磨也有兩項弱點，除了有機械應力容易產生結構損壞，如變形、刮痕外，此項操作也非常需要依靠操作人員的執行經驗，經驗不足者，恐導致研磨過頭而誤傷到目標觀測區，影響後續分析。

離子束 Cross-section Polisher（CP）：除了截面分析，需要微蝕刻也可靠它

相較於傳統機械研磨（Grinding），Cross-section Polisher（簡稱 CP）的優點在於，是利用離子束做最後的精細切削（Fine milling），可以減低多餘的人為損傷，避免傳統研磨機械應力產生的結構損壞。除了切片外，CP 還有另一延伸應用，就是針對樣品進行表面微蝕刻，能夠解決研磨後造成的金屬延展或變形問題。因此，若是想觀察金屬堆疊型之結構、介金屬化合物 Intermetallic Compound（IMC），CP 是非常適合的分析手法。

CP 的手法，是先利用研磨（Grinding）將樣品磨至目標區前，再使用氬離子 Ar+，切削至目標觀測區，此做法不僅能有效縮短分析時間，後續再搭配掃描式電子顯微鏡（Scanning Electron Microscope，簡稱 SEM）進行拍攝，將能夠呈現較為清晰的層次邊界。

案例一：CP 的 Cross Section 能力，快又有效率！

案例一的待測樣品為 BGA 封裝形式，目標是針對特定的錫球（Solder bump）進行分析。透過 CP，可在 1 小時內完成 1mm 範圍的面積切片。後續搭配 SEM 分析，即可清楚呈現錫球表面材料的分布情況。

下圖是案例中的 SEM 影像，圖（a）是 CP 後的樣品截面，可將整顆 bump 完整呈現。圖（b）是用傳統機械研磨（Grinding）完成之 BGA，雖然可以看到 bump 的介金屬化合物（IMC），但因研磨延展無法完整呈現。而圖（c）是用 CP 完成之 BGA，bump 下方的IMC對比清晰，可清楚看到材料對比的差異。

案例二：透過 CP milling 解決銅延展變形的狀況

常見的 PCB 板疊孔結構中，若盲孔（Blind Via Hole，簡稱 BVH）與銅層（Cu layer）之間的結合力較弱時，在製程後期的熱處理過程中，容易導致盲孔與銅層拉扯出裂縫（Crack），造成阻值不穩定等異常情形。一般常見是透過傳統機械研磨（Grinding）來檢測此類問題，但這種處理方式往往會造成銅延展變形而影響判斷。我們可以使用 CP 針對 BVH 結構進行 CP milling，有效解決問題，並且處理範圍可達 10mm 以上之寬度。

Plasma FIB（簡稱PFIB）：不想整顆樣品破壞，就選擇它來做局部分析

在 3D-IC 半導體製程技術中，如果擔心研磨（Grinding）在去層（Delayer or Deprocess）過程傷到目標區，或是擔心樣品研磨時均勻性不佳，會影響到觀察重點，這時就可考慮用電漿聚焦離子束顯微鏡（Plasma FIB，簡稱 PFIB）分析手法！

PFIB 結合了電漿離子蝕刻加工與 SEM 觀察功能，適用於分析範圍在 50-500 µm 的距離內，可進行截面分析與去層觀察，並針對特定區域能邊切邊觀察，有效避免因盲目切削而誤傷到目標區的狀況，確保異常結構或特定觀察結構的完整性。（閱讀更多：先進製程晶片局部去層找 Defect 可用何種工具）

Dual Beam FIB（簡稱DB-FIB）：適用數奈米小範圍且局部的切片分析

結合鎵離子束與 SEM 的雙束聚焦離子顯微鏡（Dual Beam FIB，簡稱 DB-FIB），可針對樣品中的微細結構進行奈米尺度的定位及觀察，適用於分析範圍在 50µm 以下的結構或異常區域。同時，DB-FIB 還能進行能量散佈 X-ray 能譜儀（Energy Dispersive X-ray Spectroscopy，簡稱 EDX）分析及電子背向散射（Electron Backscatter Diffraction，簡稱 EBSD），以獲得目標區域的成分與晶體結構相關資訊。

此外，當觀察的異常區域或結構過於微小，用 SEM 無法得到足夠資訊時，DB-FIB 也可以執行穿透式電子顯微鏡（Transmission Electron Microscope，簡稱 TEM）的試片製備，後續可供 TEM 進行更高解析度的分析。

若想更認識各種工具的應用，歡迎來信索取宜特精心製作的四大切片分析工具圖表marketing_tw@istgroup.com，希望透過本文能幫助讀者，對IC截面分析手法有更多了解，例如 CP 設備新增了 Milling 功能，使其用途更加多元；而 PFIB 增加了去層功能，為先進製程的異常分析開啟了全新的可能性！

本文出自 www.istgroup.com。