從「自動化」進化成「智動化」——智慧製造是半導體產業的未來趨勢

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

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入

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。