迎接人工智慧與大數據帶來商機,應材:材料工程突破為關鍵

作者 | 發布日期 2019 年 01 月 19 日 15:00 | 分類 AI 人工智慧 , Big Data , GPU follow us in feedly

在人工智慧 (AI) 已經成為產業不可逆的趨勢下,就連台積電前董事長張忠謀都表示,未來 AI 的發展將成為帶動台積電營運發展的重要關鍵。因此,市場上大家都在期待,藉由 AI 發展所帶來的新應用與商機。只是,在 AI 需要大量運算效能與能源,而整個半導體結構發展也面臨極限發展的情況之下,材料工程技術的突破就成為未來 AI 普及化前的其中關鍵。




材料工程解決方案大廠應用材料 (Applied Materials) 指出,根據《經濟學人》表示,當前數據之於這個世紀的重要性,猶如石油之於上個世紀,是成長與變革的動力,而透過科技也為許多產業帶來改變。因此,藉由人工智慧與大數據的結合,給市場帶來無限的機會,卻也帶來空前的挑戰。所以,而是否能掌握 AI 與大數據帶來的龐大商機,關鍵在於新技術和新策略上。

應用材料台灣區總裁余定陸日前在於媒體的聚會中表示,AI 與大數據的結合帶動了 4 個主要的趨勢與挑戰,這也是企業是否能在 AI 與大數據時代掌握致勝先機的關鍵。其中,包括了物聯網普及和工業 4.0 產生超大量的數據資料、現有的空間不足以應付快速增加數據量的處理及儲存、靠著新的運算模式及架構,以及邊緣運算、雲端技術和低功耗的每瓦效能,才能將數據成功轉換成價值、以及 AI 與物聯網快速匯流,連接性是最大關鍵,也是決定運作是否流暢的重要因素等。

而因為有了 4 個趨勢與挑戰,使得在 AI 與大數據時代中啟動了「硬體復興」的各種資源投入,不但使得論是傳統科技領導大廠、新創公司或軟體公司,都投入大量的資源、押寶不同的技術領域、聚焦應用的客製化及最佳化,專注於硬體的設計以及投資發展。另外,在在電腦運算處理器部分,人工智慧需要大量、快速的記憶體存取及平行運算,才能提升巨量資料處理能力,這時繪圖處理器(GPU)及張量處理器(TPU)會比傳統運算架構更適合處理人工智慧的應用。而且,為了使人工智慧潛力完全開發,其效能 / 功耗比即運算效能需達到目前 的1,000 倍 ,已成為現階段技術層面亟需突破的關鍵。

再加上 AI  與大數據需要邊緣及雲端創新,大量的資料儲存+高效能運算因運而生。而且在是當傳統摩爾定律下的 2D 微縮越來越慢的情況下,材料工程的創新就成為解決問題的其中一項關鍵。余定陸進一步表示,材料工程的創新未來將建構在 PPAC(效能、功耗與單位面積)的 5 個面向革新上,包括新架構、新結構 / 3D、新材料、微縮的新方法以及先進封裝等。

余定陸舉例表示,原有 2D NAND  的技術應用在實體和成本上已達到極限,為了能讓每儲存單元(cell)的容量再往上增加, 3D NAND 技術採用層層堆疊的方式,來減少 2D NAND 儲存單元距離過近時,可能產生的干擾問題。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,先進封裝可以優化系統級的效能。過去 DRAM 封裝是採用印刷電路板(PCB)的方式,目前則採用矽通孔封裝技術(TSV),可將邏輯和記憶體的同質和異構集成緊密地結合在一起,垂直堆疊的 3D 儲存器晶片顯著減小了 PCB 級的電路板尺寸和佈線複雜性,大大降低成本、節省一半的電力及延長晶片使用壽命。另一種系統級封裝,運用小晶片(chiplet)多元模組整合,可提供時間、成本與良率的效益。

余定陸還表示, 傳統計算機架構的馮諾伊曼(Von Neumann)思維有一個主要問題,當處理大量資料運算,單一中央處理器與記憶體間的資料運算規則和傳輸速度,限制了整體效率與計算時間,無法滿足實際即時應用情境。但利用神經形態(Neuromorphic)思維,進行網路分散架構及平行運算與學習,可加速人工智慧計算,達到傳統計算機架構無法達成的連接性。

在 AI  與大數據的結合將帶來無限機會的時代中, 因應複雜性、應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新速度上面臨的挑戰,也需要新的策略來克服的情況下,需要藉由材料工程創新、硬體的復興以及產業生態間深度連結來解決。

(首圖來源:科技新報攝)