「不要被人潮推著走」—清大動機系、台大電機所，現為德州儀器技術專家的他想對思索職涯中的學弟妹說……

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

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。