半導體產(chǎn)業(yè)應如何在大數據中淘金？

　　根據思科的數據，全球互聯(lián)網(wǎng)吞吐量在2016年為1.2ZB(1ZB相當于10億TB或1萬(wàn)億GB)，預計到2021年將增長(cháng)到3.3ZB每年。洶涌上漲的數據洪流，波峰越來(lái)越高，在2016年，每天數據流量同比增長(cháng)了32%，而流量最高的1小時(shí)數據吞吐量同比增長(cháng)了51%。

　　當上述統計也不完整，實(shí)際上沒(méi)有人知道全球每天產(chǎn)生多少數據，因為并不是所有設備的數據都會(huì )連入互聯(lián)網(wǎng)。

　　數據量本身意義不大，如何量化數據的價(jià)值才是關(guān)鍵所在，但在如何應用數據，以實(shí)現其價(jià)值方面，當前還沒(méi)有行之有效的方法。

　　想挖掘數據的真正價(jià)值，就要對天量數字與模擬數據進(jìn)行過(guò)濾，并充分考慮應用場(chǎng)景，這就像沙里淘金，大多數可能無(wú)功而返。不過(guò)，隨著(zhù)計算力的提高以及大規模并行計算工具的成熟，數據過(guò)濾分析--即找到更好的應用數據方法--已經(jīng)能夠創(chuàng )造出頗具市場(chǎng)前景的商業(yè)模式。

　　“眾多行業(yè)人士指出，不同數據應用方法與其器件和商業(yè)模式相互關(guān)聯(lián)，并對其商業(yè)、市場(chǎng)以及商業(yè)模式產(chǎn)生影響，”Synopsys董事長(cháng)兼共同CEO Aart de Geus說(shuō)道，“如果你能夠從中找到捷徑，提升效率，或者全新的商業(yè)模式，那就會(huì )是非常大的影響。 ”這也意味著(zhù)高利潤的可能，“你會(huì )看到，所有從事數據處理的人都在仔細聆聽(tīng)，以解碼市場(chǎng)未來(lái)需求，或者自行判斷當前市場(chǎng)需求，”de Geus繼續說(shuō)道，“或者更進(jìn)一步，他們準備置身于數據通路之中，從而最靠近數據商業(yè)化的中心?！?/p>

　　這正是資本瘋狂涌入的原因，從數據挖掘到云端服務(wù)，從機器學(xué)習到工業(yè)物聯(lián)網(wǎng)，每一個(gè)數據應用場(chǎng)景都戰況激烈。

　　“誰(shuí)擁有數據，具備數據分析及處理能力，誰(shuí)就能把所有錢(qián)都賺走，”西門(mén)子Mentor事業(yè)部總裁兼CEO Wally Rhines這樣表示。

　　現在還難說(shuō)數據應用是一個(gè)勝者通吃的游戲，不過(guò)確實(shí)有不少科技巨頭在這個(gè)領(lǐng)域跑馬圈地，奮勇?tīng)幭?，例如亞馬遜、谷歌、微軟、Facebook和IBM等掰著(zhù)手指頭就可以輸出來(lái)的大家伙。

　　“收集上來(lái)的物聯(lián)網(wǎng)數據中，包含了設備大量的性能、行為及應用數據，”IBM美洲區銷(xiāo)售主管Christophe Begue說(shuō)道，“我們接下來(lái)會(huì )把收集到的數據丟給Watson(IBM人工智能平臺)去分析?！?/p>

　　現在的大問(wèn)題是如何將這些數據變現，有哪些人愿意為數據付費。要將數據變現，首先要做到如下幾點(diǎn)：第一，行業(yè)里的公司要真正懂數據的價(jià)值;其次，公司要能夠快速應對數據變化，只要比別人快百分之一秒，券商就能夠以此牟利，但現在大公司應對數據變化的反應時(shí)間通常是幾天甚至幾周;第三，變現數據的價(jià)格要有競爭力，不能波動(dòng)太大。

　　IBM正準備將全球供應鏈的數據商業(yè)化?！肮湐祿譃閮蓪?，”Begue說(shuō)道，“第一層是零售與快速消費品(CPG)等數據，就是那些可能會(huì )影響到食品與飲料等銷(xiāo)售的數據。你可以在附近的一個(gè)商店收集天氣、交通或運動(dòng)賽事等相關(guān)信息，并通過(guò)交通模式追蹤它。我們用Metro Pulse平臺來(lái)做數據分析，該平臺會(huì )覆蓋500個(gè)數據元素，用戶(hù)既可以購買(mǎi)數據用于深度學(xué)習或機器學(xué)習分析，也可以全部委托IBM來(lái)做分析。第二層即我們正在導入市場(chǎng)的概念：供應商風(fēng)險。IBM將天氣與政局變化等諸多因素納入考慮，從數據中分析供應鏈的安全程度，并根據分析結果來(lái)提升供應鏈的安全。如果注意到15個(gè)因素有風(fēng)險，那么你就會(huì )對這15個(gè)因素嚴密監控?！?/p>

　　IBM的服務(wù)并不是值分析已有數據，還會(huì )給出建議，洞見(jiàn)未來(lái)?！拔覀兪占_(kāi)與半公開(kāi)數據，有些數據只在IBM內部使用，我們建立預測模型。當然，我們也意識到，在計劃和反應之間，仍然存在差距，‘決策室’概念有助于縮小計劃和行動(dòng)之間的鴻溝?！?/p>

　　智能制造

　　并不只外部收集的數據才有用，工業(yè)生產(chǎn)中，內部產(chǎn)生的數據就很有價(jià)值。事實(shí)上，整個(gè)智能制造的概念(德國稱(chēng)為工業(yè)4.0，也有人稱(chēng)之為工業(yè)互聯(lián)網(wǎng))就是如何把內部數據利用好。

　　“一言以蔽之，工業(yè)物聯(lián)網(wǎng)是為了提升生產(chǎn)效率，”Optimal+市場(chǎng)副總裁David Park說(shuō)，“現在這些公司都偏愛(ài)流程分析和無(wú)庫存生產(chǎn)，但它們真正需要的是預測性分析。預測性分析可以讓工廠(chǎng)受益，不過(guò)受益最多的是品牌商，品牌商和工廠(chǎng)可不一定是一回事?！?/p>

　　風(fēng)險在于，數據不一定都是正確的?；阱e誤數據而做出的決定，將導致結果難以預期。

　　“如果數據沒(méi)問(wèn)題，那么可以把良率提高2%到3%，非常顯著(zhù)的提高，”P(pán)ark說(shuō)道，“供應鏈上通過(guò)檢測的任何元器件的所有時(shí)間段數據都會(huì )被收集。當你拿到一些有劃痕的晶圓，根據數據就能查出在哪一個(gè)環(huán)節晶圓被劃破，你也可以查看元器件在現場(chǎng)的老化過(guò)程。如果汽車(chē)配備了預測性維護服務(wù)，那么你就能看到汽車(chē)在路上的相關(guān)數據。金融業(yè)同樣會(huì )受益，如果你手上有數十萬(wàn)張發(fā)票，靠人工是捋不清發(fā)票之間的相互關(guān)系的?！?/p>

　　這種數據分析對于復雜供應鏈特別重要，半導體制造本身在數據分析與應用上先進(jìn)，但整個(gè)半導體供應鏈對數據的應用，并不都能達到制造環(huán)節的水平。

　　“有效利用數據是智能制造顧問(wèn)委員會(huì )(隸屬于SEMI)的一大主題，”SEMI協(xié)作技術(shù)平臺副總裁Tom Salmon說(shuō)道，“獲取數據很重要，但現在問(wèn)題不是我們獲取的數據量不夠，而是因為數據利用率只有10%左右。真正的挑戰在于我們應該問(wèn)什么樣的問(wèn)題，如何把數據應用于制造。所以可能會(huì )有可靠性問(wèn)題，但不會(huì )有制程問(wèn)題?！?/p>

　　機器學(xué)習

　　找到關(guān)鍵數據，在預設參數下利用機器對數據規律進(jìn)行外推，這就是機器學(xué)習的基礎。這種方法已經(jīng)應用于汽車(chē)自動(dòng)駕駛領(lǐng)域，機器學(xué)習系統將輔助并最終取代人類(lèi)去駕駛汽車(chē)，自動(dòng)駕駛系統做決策時(shí)，需要根據行駛場(chǎng)景給出多種預案。

　　在半導體設計與制造中，也會(huì )利用機器學(xué)習來(lái)提高質(zhì)量、可靠性及良率。

　　“采用合適的比例來(lái)抽取數據做分析，就能應用于未來(lái)的設計，”eSilicon市場(chǎng)副總裁Mike Gianfagna說(shuō)道，“如何將機器學(xué)習算法應用于新領(lǐng)域是關(guān)鍵，在過(guò)去7年中，我們在這方面積累了很多經(jīng)驗，我們知道如何挖掘開(kāi)發(fā)數據的價(jià)值。當你擁有大量數據時(shí)，怎么去抽取分析這些數據?如果抽取數據比例太高，你會(huì )迷失在大量數據中，如果抽取數據比例過(guò)低，又可能得不出結論?！?/p>

　　Gianfagna表示，在降低風(fēng)險與增加效率的基礎上，實(shí)現數據變現是機器學(xué)習的目標?！耙龅竭@一點(diǎn)，你需要從全局上來(lái)看待大數據分析?！?/p>

　　與很多由大云端服務(wù)商提供服務(wù)的大數據分析相比，半導體設計和測試行業(yè)產(chǎn)生的數據量很少，不過(guò)半導體設計與測試數據可能更復雜。

　　“當前主要任務(wù)是收集數據，”NI解決方案市場(chǎng)總監George Zafiropoulos說(shuō)道，“下一階段的目標是通過(guò)數據分析來(lái)給出改進(jìn)方法。無(wú)須刻意尋找，你就能發(fā)現數據中的價(jià)值嗎?你要找的，是數據的趨勢和相關(guān)性，可以將機器學(xué)習應用于任何環(huán)節。如果軟件提示，本周四產(chǎn)線(xiàn)產(chǎn)出較低，為什么會(huì )產(chǎn)出低?或者特定溫度與特定電壓對產(chǎn)品性能的影響。(這些都可以用數據分析來(lái)指導)”

　　Zafiropoulos指出，可以將更好的芯片設計作為目標?！白鳛楣こ處?，我們圍繞設計來(lái)制定規則，但如果你想面面俱到，那么效率就不會(huì )高。如果在保證可靠性與性能基礎上，可以減少保護規則，那將會(huì )有很大價(jià)值。很多大數據分析都是針對多個(gè)數據采集點(diǎn)，一座城市可能有一萬(wàn)個(gè)傳感器，每天產(chǎn)生大量數據，而亞馬遜的訂單更是數不勝數。半導體數據比個(gè)人能處理的數據顯然要多，但也遠達不到亞馬遜交易數據這個(gè)量級?！?/p>

　　然而，系統數據可能就比設計數據高幾個(gè)數量級了，特別是涉及多物理層仿真時(shí)?！拔覀冋J為，7納米將是首次導入機器學(xué)習和大數據分析的節點(diǎn)，數據量將會(huì )膨脹，處理速度也需要增加?！?ANSYS總經(jīng)理兼副總裁John Lee說(shuō)道，“你需要做同步熱分析。熱效應影響系統的可靠性，但如果數據量增大到當前技術(shù)無(wú)法解決，那么就要引入新的方法，所以我們需要大數據技術(shù)。最新的GPU有210億個(gè)晶體管，而且可應用于汽車(chē)，但這種規模的芯片發(fā)熱量巨大，(如果散熱設計不好)，發(fā)熱時(shí)會(huì )增加對電路板的壓力，并可能導致板子彎曲，但要知道，車(chē)用芯片使用壽命長(cháng)達十年?！?/p>

　　總結

　　大數據分析在半導體產(chǎn)業(yè)應用還處于中段(發(fā)展期)。一方面，為提高芯片的性能、效率和可靠性，半導體產(chǎn)業(yè)的數據量在增長(cháng)，數據分析任務(wù)在增加;另一方面，半導體產(chǎn)業(yè)也在發(fā)展各種技術(shù)，以充分挖掘數據用途。

　　這為產(chǎn)業(yè)帶來(lái)了新的增長(cháng)機會(huì )。Cadence 總裁兼CEO 陳立武表示，2015年全球聯(lián)網(wǎng)汽車(chē)市場(chǎng)規模為240億美元，到2020年，將發(fā)展到370億美元，與之相應，深度學(xué)習市場(chǎng)規模2020年將達100億美元(2015年為6億美元)，云和數據中心市場(chǎng)規模將達800億美元(2015年650億美元)?！斑@將給半導體產(chǎn)業(yè)帶來(lái)機會(huì )，”他說(shuō)道，“從優(yōu)化物聯(lián)網(wǎng)到云端，都將給半導體帶來(lái)很大的機會(huì )?！?/p>

　　現在的問(wèn)題是，圍繞這些數據還能做些什么，以及到底如何去實(shí)現。這將是半導體產(chǎn)業(yè)的一個(gè)全新機會(huì )，也許會(huì )推動(dòng)半導體產(chǎn)業(yè)發(fā)展登上一個(gè)新臺階。