經濟日報社論／AI晶片追趕賽，台灣加油！

美國對中國半導體管制已經持續多年。從先進GPU、EUV設備，到EDA軟體與高階製程技術，目的在延緩中國取得最尖端半導體技術的速度。

但最近北京出現了一個值得注意的訊號。其推出「AI4Chip」專項政策，規劃從2026年到2028年，把AI導入晶片設計、製造、封裝、設備與材料等環節，希望培育具國際影響力的半導體企業與標竿應用。

表面看來，這又是一個地方政府扶植半導體的政策。但若只將其當成補助計畫，可能低估了它的意義。因為當最先進的機台買不到時，能不能用AI把現有設備、人才與製程的效率再往上提升，已成為中國目前最有機會的突破口。

過去半導體產業最大的門檻之一，是經驗。一座先進晶圓廠真正的競爭力，不只來自設備，也來自工程師多年累積的製程參數、良率調校、缺陷分析，以及無數次失敗後留下來的know-how。這也是為什麼同樣買到設備，不代表就能做出一樣的晶片。

問題是AI正在改變「經驗如何累積」這件事。過去可能要花數月分析大量製程資料，現在AI可以協助找出異常模式；過去新製程需要大量試誤，AI可以透過模擬縮小參數搜尋範圍；過去設備維修仰賴老師傅經驗，現在預測模型可以提前找出失效訊號。

如果再把AI放進EDA、IC設計、材料探索、封裝模擬與良率管理，原本需要十年累積的學習曲線，理論上就可能被壓縮。換句話說，美國出口管制限制的是中國取得工具的速度，但AI可能正在提高中國使用既有工具的效率。

這不是說中國AI就可以在明天做出最先進製程。EUV、材料、設備精度與製程整合，仍然存在極高技術門檻。AI也不可能憑空創造不存在的設備，更不能取代數十年建立的產業生態。但值得注意的是：AI未必能讓追趕者超車，但只要追趕速度更快，就已經足以改變競爭結構。

台灣半導體最珍貴的優勢，除了先進製程之外，很大一部分正是來自做過很多次所形成的學習優勢。從晶圓製造、封裝測試到設備維護，台灣有大量工程師、供應商與客戶，在同一個聚落中反覆解題，形成他國難以複製的知識密度。

但如果AI開始大量吸收、整理並複製這些知識，經驗本身的折舊速度可能會加快。也就是說，台灣下一階段不能只問：「我們的製程領先幾奈米？」更應該問：「我們能不能把製程經驗，變成AI時代難以複製的能力？」

這需要三個轉變。首先，應從「半導體用AI」提升到「AI for半導體」的國家級布局。目前企業各自都在做智慧製造、預測維修與良率分析，但力量相對分散。政府應整合晶圓、封裝、設備、材料與研究機構，建立跨領域半導體AI平台，讓AI直接進入製程研發，而不只是行政或生產效率工具。

第二，要把know-how變成data-how。台灣很多企業最重要的知識仍存在老師傅腦中、工程師筆記裡，甚至只存在某些人知道怎麼調機的感覺。AI時代，無法被資料化的經驗，就難以被放大。企業要做的，不只導入模型，更要把製程資料、異常紀錄、維修經驗與工程判斷系統化，形成自己的產業資料資產。

第三，要讓AI成為擴大領先的工具。過去我們常認為，只要先進製程領先兩三年，就有足夠安全距離。但AI時代，技術追趕速度本身也可能加速。美國的晶片管制或許可以幫台灣爭取時間，但不會替台灣創造永遠的領先。真正能守住優勢的，終究不是別人替我們築起多高的牆，而是我們能不能利用這段時間，把自己的能力再往前推一個世代。

當中國開始用AI意圖突破晶片封鎖，台灣真正的對手，或許不只是中國的晶圓廠。而是一個正在用AI加快學習速度的產業體系。面對這樣的對手，台灣最危險的不是被追趕，而是仍然用過去的速度前進。