王英郎指出:「7奈米製程的控制因素是21倍,5奈米製程是48倍。過去是用工程師來調機台、調裝置,他說,現在已不是人類能夠做到,要用機器學習來調機,5奈米都是電腦在調機。台積電每個工廠有2000至5000台機台,同時生產上千種產品,數千道工序,每天產生800萬至1000萬派工命令,不能靠人控制,要靠電腦。」
這話不誇張,筆者曾經有幸在戶國神山待過,公司確實收集了大量的訊號,當然,一般時候不會接觸那麼多,但確實若沒有電腦幫忙確實不太可能分析出太多東西,那麼問題來了,為什麼台積電要跨入大數據自動化分析呢!?
因為已經超過人類可以負擔的量,如今產生的訊號多如浩瀚星海點點星光,單靠人分析根本來不及問題產生的速度,以即人進步的速度有限,因為大多數關聯性有時在工程師眼裡根本沒有關係,但電腦卻能分析出來有其關聯。筆者多年前曾看過一本介紹大數據的書籍,裡面有個案例印象深刻,尿布與啤酒看似沒有關聯,但若將兩者擺在同一個走道,竟能增啤酒的銷量。這是電腦得到的分析結論,若單靠人應該一輩子都不會發現,人對兩樣商品連想在一起的機率太低了,後來詳細調查發現通常爸爸買了尿布後都會在買上啤酒,若在同一個走道則因為方便則會刺激購買的慾望,這便是大數據的魔力,如何在看似垃圾無意義的訊息內挖覺黃金,這便是此書介紹的重點。
一間工廠,只要開業無時無刻都產生各種訊號,只是看有無收集起來,而這點便是台灣目前公司所欠缺的關鍵點。台灣跨入自動化已經多年,但遇到問題大多數都扔是靠經驗去維修,當然這樣的運作方式多年下來也沒有比較差,但換個方式想,若這些資深員工走了,那麼經驗也就跟著被帶走,在退一萬步來說,沒有比較差但也沒有更上一層樓。最大問題在於自動化要收及訊號需要投入大量的金費建構,買的機台設備也需要安裝相關訊號收集器,這些都是錢,也是讓多數望之怯步的主因,但這些真的不好嗎!?若公司得需要精益求精,這是必定要走的路,首先世界大公司都在奔跑地往前走東西也只會越來越精密,若不跟上腳步最終只會被淘汰,第二,即使不被淘汰那麼也只能在鴻海里廝殺,以台灣現在人力成本來計算,根本不可能與大陸或者崛起的東南亞各國比拼,這也近年來各大代工台灣公司紛紛拋棄代工蘋果的主因。也許會痛一陣子,絕對比公司被淘汰或者在毛三到四裡苦苦掙扎來的好。
再來,那便是關鍵參數的設定與監控。收集各種參數了,如何定義有用的參數,壓力 、 溫度 、 速度等等參數多到數不清,如何讓其發揮作用,這是第二步。在神山裡,雖然真的很痛苦,但不得不敬佩這點利害。不是所有問題都攔截,但八成都可以在設備產生問題進而影響到產品前先逮到,提早將問題處理掉。很多人貨者專家常會說波音公司很厲害現在飛機是賣飛行時數,時間到了就要進廠維修,其實台灣公司也辦的到預測設備損壞,不用妄自菲薄,台灣也有能做到,其實就要不要花錢收集數據。
第三步,那便利用AI 幫忙檢測,人,在利害,處理的速度扔有限,且人會累,電腦只要有電就可以一直工作,且只要設定好關鍵參數與關係,便能從龐大且雜亂無序的數據找到關聯性,這也是為什麼近年資訊人才大受歡迎的關係,前期的設定越好後續帶來的效應越加可觀。一旦找出關聯性,將能一口大大幅精進產線問題,不管節省人力物力還是成本。就筆者過往在神山的經驗,所照顧的製程一直有個沉痾,需要人不斷修改參數以符合生產標準,也因為一直修改就需要不停用測試wafer 去看是否符合標準,不僅浪費時間也浪費人力,更浪費成本(因為神山有很多特殊氣體都超級貴)。之後透過AI 將所有有可能的參數收集便且分析,當然還是需要人力的投入,但已經大幅減少了人與物的成本,這相當驚人。神山是筆者目前工作到現在,設備越舊卻產生的價值越高的地方。
從數據收集到AI分析無法一步登天,對於經費人力投入都是相當大量,但,這條充滿荊棘路是台灣公司不得步走的路,柳暗花明又一村,還是在世界競爭跌入紅海最後消失於世界視野裡,台灣目前已經站在這分叉口,就像當年設立科學園區,讓從勞力密集卻低薪的加工出口業,走上勞力密集薪水較高個科技代工業,轉捩點走對了帶來的效益會隨著時間而放大。如今,台灣岔口在一次出現,低出生率可以預見未來人工不足的問題,自動化如何更進一步,如何讓人力投入更需要腦力的崗位,這值得當下的台灣人深思。
延伸閱讀:
留言列表