思科：2021年網(wǎng)路流量達3.3ZB，數(shù)據(jù)分析和處理成為重點

　　目前半導體產(chǎn)業(yè)正處于數(shù)據(jù)分析的中途點，除了大量數(shù)據(jù)已被產(chǎn)生及分析之外，新技術的開發(fā)也讓分析數(shù)據(jù)更有效率。

　　不過，評論認為，隨之而來的問題是如何進一步利用數(shù)據(jù)，因此也可望激發(fā)更多實驗與投資潮出現(xiàn)，一舉推升半導體到新的成長階段。

　　據(jù)Semiconductor Engineering報導，思科(Cisco)預估，2021年每年網(wǎng)路流量將從2016年的1.2ZB(Zettabyte;1ZB為1兆GB)，來到3.3ZB，而且從每日最忙碌60分鐘期間的流量來看，在2016年已增加51%，相對整體流量成長則僅有32%。

　　評論指出，如今真正問題不在于數(shù)據(jù)量，而是有價值的數(shù)據(jù)數(shù)量為何，但目前并沒有清楚定論。Synopsys執(zhí)行長Aart de Geus表示，目前許多產(chǎn)業(yè)已發(fā)現(xiàn)自家業(yè)務、產(chǎn)品與營業(yè)模式會被不同數(shù)據(jù)運用而受影響，如果能加以利用找到捷徑與效率，除了帶來巨大影響力之外，也可能產(chǎn)生巨大獲利。

　　于是此舉也將帶動許多投資，包括資料探勘(Data Mining)與云端服務以及機器學習與工業(yè)物聯(lián)網(wǎng)(IIoT)等技術的投資。

　　Mentor執(zhí)行長Wally Rhines指出，擁有數(shù)據(jù)、分析與處理上述數(shù)據(jù)能力者可為自己帶來所有獲利。目前并無法判斷該市場是否是贏家全拿的局面，但至少已有許多大型公司虎視眈眈，例如亞馬遜(Amazon)、Google、微軟(Microsoft)、Facebook與IBM等都在爭搶龍頭。

　　其中IBM銷售主管Christophe Begue指出，借由物聯(lián)網(wǎng)(IoT)數(shù)據(jù)，外界可搜集到有關效能、行為與裝置的使用資訊，下一步則是將數(shù)據(jù)丟給Watson以便執(zhí)行數(shù)據(jù)分析，但該數(shù)據(jù)唯有與未從裝置取得的大量外部數(shù)據(jù)或脈絡數(shù)據(jù)(Context Data)配合才有意義，例如從卡車判定交通模式，借此了解人們與其社會行為。

　　評論認為，目前問題在于如何將數(shù)據(jù)化成獲益以及確認潛在客戶為何，但在這之前，企業(yè)必須了解數(shù)據(jù)真正價值，并且能快速因應數(shù)據(jù)的改變，以及具備為數(shù)據(jù)議價的能力。

　　另外，并非所有有用的數(shù)據(jù)都是來自外部，內(nèi)部產(chǎn)生數(shù)據(jù)對工業(yè)運作也相當有價值。諸如智能制造或工業(yè)4.0(Industry 4.0)與工業(yè)物聯(lián)網(wǎng)其實都是奠基在更佳利用內(nèi)部數(shù)據(jù)。

　　Optimal+副總David Park指出，工業(yè)物聯(lián)網(wǎng)目的就是改善工廠，目前業(yè)者雖有流程分析與即時化生產(chǎn)技術，但欠缺預測分析。而且問題在于并非所有數(shù)據(jù)都是好的，一旦決策來自不好的數(shù)據(jù)，也將帶來無法預期的問題。Park也表示，如果數(shù)據(jù)良好，良率可大幅提升2~3%。

　　國際半導體產(chǎn)業(yè)協(xié)會(SEMI)副總Tom Salmon也指出，有效利用數(shù)據(jù)也是該協(xié)會智能制造顧問委員會(Smart Manufacturing Advisory Council)主題之一。雖然擁有數(shù)據(jù)相當重要，但問題并不在于擁有數(shù)據(jù)不足，而是目前僅使用1成的數(shù)據(jù)。

　　因此，業(yè)者必須厘清提出問題的方向為何，以及如何加以運用，以便達成為制造所設定的目標，例如雖然出現(xiàn)可靠度問題，但并非是制程問題。

　　評論也指出，機器學習基礎在于搜集關鍵數(shù)據(jù)并讓機器在預設參數(shù)下從中判讀，目前汽車市場已利用相關系統(tǒng)來協(xié)助、并希望在最后取代現(xiàn)實世界的駕駛行為。機器學習也被運用在半導體設計與制造上來提升品質、可靠度與良率。 eSilicon行銷副總Mike Gianfagna指出，一旦業(yè)者能建立具備詳細程度的數(shù)據(jù)，便可運用在未來設計上，但讓數(shù)據(jù)過于細或粗糙都無濟于事，運用目的在于讓數(shù)據(jù)產(chǎn)生獲利并降低風險與提高作業(yè)效率。對于半導體設計與測試來說，所產(chǎn)生的數(shù)據(jù)量雖然遠比部分由大型云端業(yè)者執(zhí)行的大數(shù)據(jù)分析還要小，但更為復雜。

　　美國國家儀器(National Instruments;NI)副總George Zafiropoulos認為，目前技術現(xiàn)況在于取得數(shù)據(jù)，下一階段則是厘清數(shù)據(jù)分析可發(fā)揮功用的地方，但有可能會導致更好的芯片設計出現(xiàn)。

　　ANSYS副總John Lee則指出，7納米是業(yè)者首度需要產(chǎn)量、速度與機器學習與大數(shù)據(jù)分析的制程，由于熱會影響系統(tǒng)可靠度，因此需要進行同時熱分析。評論認為，半導體產(chǎn)業(yè)正處于數(shù)據(jù)分析的中間點，也衍生出許多新成長機會。

　　據(jù)Cadence執(zhí)行長Lip-Bu Tan指出，連網(wǎng)車市場將從2015年240億美元，2020年增加到370億美元，深度學習會來到100億美元，云端與資料中心則會來到800億美元規(guī)模。Tan也認為，從物聯(lián)網(wǎng)最大化到云端都會提供半導體龐大機會，但問題仍在于如何繼續(xù)使用及應用數(shù)據(jù)。