有哪些工作不会被人工智能（AI）取而代之？需要复杂决策与推理的工作，短期内很难被取代。李开复说：纽约客的专栏作家很难被取代，但新闻编译的工作就难说了；一样是医师，放射科医师比家医更容易被取代，在网络系统上媒合交易、运营商的客户服务，都是很容易被取代的工作，所以从英国电信（BT）到Vodafone都大量裁员，您认为台湾运营商可以幸免吗？就像台湾银行分行没有消失一样，台湾运营商门市消失速度或许会慢一点，因为台湾幅员小，人口密度高，喜欢步行、面对面交易，这样也可以保留很多工作机会，不见得是坏事，只是专业服务业的进步就会慢一点。2021年是有史以来独角兽增加最快的一年，但之后在资金成本骤增的压力下，新创投资慢慢走下坡。根据NVCA调查，2020年创投投入的资本为1,710亿美元，2021年是3,450亿美元，而2022是2,410亿美元，估计减少30%以上，这当然与资金成本上扬有关。原本以为不景气会持续一段时间，但看来AI是重要的解方。关键的观念是「以庞大的数据为后盾，根据每人特定需求提供专属的服务」，这样的概念可以大到工厂的「少量多样生产」，也可以小到个人化的生活体验，这也将是「赢家全拿」时代的深化。在网络发展的第一阶段，市场形成的速度远高于工业时代，但通常一开始会有很多新创公司参与，经过淘汰赛后由领先者出线。但现在是使用者同时参与创造数据，让数据增加几乎接近「零成本」，亦即这个市场将出现「指数型成长的模式」，新创事业出线更为困难！但科技大厂都看好AI商机，在ChatGPT上市之后，很多科技公司都推出相关应用，但最具影响力的仍是微软（Microsoft），微软宣示将把ChatGPT导入所有应用平台，2月放在Bing上，3月则是Office软件，接下来也看到阿里巴巴、Meta开发类似GPT的大语言模式。其次，AI应用领域无所不在，从场域到影像、文字、声音，多重内容的连动与结合，而混合型的应用更是大家很容易想像的变种方案，这是无缝接轨（Seamless）的多元共创。这个趋势已经被讨论好几年了，但没有想到是由AI与NVIDIA的GPU做为驱动因子，而台积电与背后的创意电子等公司就成为间接受益者。此外，NVIDIA使用「专属软件」，让GPU得以在最佳的状态下运作，这也是其他竞争者望而生畏之处。从用户端观察，软件使得AI扩张更为容易，使用具亲和力。很多生态系业者以各种演算法，透过ChatGPT提供各种有效的应用，领先者的优势已经十分明显，这并非只是炒作的一时现象。过去苹果（Apple）的App stores是提供多元应用的平台，但Open AI直接切入各种应用，扩散效益将更为惊人，例如GPT-4可以结合影像，这又是另一种超越大家想像的应用。未来的使用者，不是查找部分数据，而是用部分数据诱导出更多的相关数据，革命性变化促使我们面对重新定义产业与国家战略的时刻。

黄仁勳在台大毕业典礼上演讲提到，1984年他从大学毕业，迎接的是PC起飞的年代，而2023年是「人工智能起飞（AI）的年代」，期望今年毕业的学生可以掌握时代的契机，成为浪尖上的英雄。1984年底，我念完研究所，1985年回到台湾迎接的也是PC元年！创业的过程总是艰辛的，「诚实的面对问题」是黄仁勳在台大整场演讲的精华。与Sega的合作，其实技术上碰到挫折，但却厚着脸皮要对方付钱；与张忠谋的互动，成就了双方25年的革命情感。骄傲的创业家，也有弯腰请人帮忙的时刻，这些心理上的挣扎只有创业家可以体会！黄仁勳说：就像是1984年PC滥觞的时代，2023年是AI真正商业化的时代，而这背后有很多软硬整合与硬件制造的机会。在Google查找引擎可至之处，大概有超过6成的数据是来自英语体系，中文只占1.5%，繁体字更仅有0.01%，换句话说，如果以台湾本土的信息、数据创造普遍性的价值，可能是缘木求鱼，不可行的策略。但反其道而行，如果能在「孤岛」上圈地自肥，专门找丰腴的土地耕作，而这块土地还有往外扩张的空间，可行吗？我做的就是这样的实验，我认为不仅可行，而且是AI创新与他人差异化的避风港。这个市场小到网络大腕们不仅视而不见，而且希望拉拢我们这些地头蛇，加速事业模式的落地与实践。这些离经叛道的做法，可能让专业人士怀疑可行吗？路是我走出来的，我知道有多难，但别人认为不可行的，您也一定没机会！「大数据是AI的成败关键」的说法，大致是正确的，但很多人也认同，数据总量与品质之间的关系很关键。过去将数据资产的重心放在信息储存、高速运算，现在「信息的交换」也非常重要，这牵涉到交换的效率、条件、定义、对象等问题。由于现在的网络社会，数据是双向互动，Input的品质当然影响到Output的结果，长期累积的价值、客户的信赖都是成败关键。其次，如何从累积大数据的过程中，找到具有商业价值的副产品，绝对是台湾这种中小型国家新创企业要深思的问题。这些副产品或技术趋势，如何与台湾优势结合，才是我们应该思考的问题。大趋势背后的副产品、边缘服务，这点商机不值得主流业者来经营。难度高，又看不上眼，难怪我们活得好好的！

量子技术是将量子物理原理应用于实际情境的技术。费曼（Richard Phillips Feynman；1918～1988）是量子计算的奠基者之一，他提出利用光子进行计算的概念。其贡献促进量子计算的研究和发展，为量子计算领域带来卓越贡献。在军事领域中，量子技术一直是国防部门关注的重点。整体而言，量子技术尚未完全成熟，但它可能对未来的军事传感、加密和通讯产生重大影响。量子应用涉及许多关键概念，包括叠加、量子位元和纠缠。其中最具挑战性的应用是量子计算，这是一个令人惊叹的梦想，可以实现无限计算能力，突破当今物理世界的限制。然而，计算是否有速度上的极限呢？如同光速限制在不改变时间的情况下穿越太空的能力一样，是否存在着阻碍计算速度超越理论上最大值的错误纠正限制？建立一个有用的量子计算机需要处理超过可观测宇宙中亚原子粒子数量的连续参数。目前还没有确定如何操作如此庞大的量子系统，以及如何同时控制其误差。 因此，我们应该专注于量子传感技术，以加速成熟的国防应用。量子传感技术可用于偏远地区的全球定位系统（GPS）定位和其他导航工具，还可用于检测电磁辐射，提升军队的电子战能力。据美国海军研究所（US Naval Institute）报告，量子传感技术可提升潜艇的探测能力，尤其是对于匿踪潜艇和物体探测的能力，效能将超越过去的雷达技术。 国内电子科技集团在2018年公布其开发的量子传感原型装置，据称能够探测飞行中的匿踪飞机。美国国防科技巨头Lockheed Martin，声称能够使用量子罗盘（Quantum Compass）来改善美国海军的导航能力。这种量子罗盘是由具有「氮-空缺中心」（Nitrogen-vacancy center）原子缺陷的微型合成钻石制成的。当受到雷射照射时，其发出的光强度会根据周围的磁场变化；透过地球磁场，这种光的变化可以提升导航能力，尤其是在极其偏远的地区。总结来说，量子传感器具有潜力应用于情报、监视和侦察领域。成功开发和部署这类传感器可能会带来潜艇探测能力的重大改进，甚至能够对抗和摧毁海上核威慑力量。由于量子传感器对环境干扰非常敏感，军事人员可以利用量子传感器来探测地下结构或核材料。此外，量子传感器的高灵敏度还有可能帮助军队探测电磁辐射，增强电子战能力，并有助于定位隐藏的敌方部队。 

所有工业大国都明白，各种创新的应用，背后都需要强大的半导体工业来支持，各种政策支持措施，在智能联网、数码转型、人工智能（AI）大商机来临之际显得更为具体与必要。需求更为多元，竞争更为激烈的今日，也无法再以工业时代的概念推动各种政策补强措施，而掌握本国半导体需求的呼声正在各国发酵，我们该如何用正确的角度观察，以半导体产业为核心的世界竞合架构。美国：2022年8月，拜登政府推出芯片法案（Chips and Science Acts），以520亿美元的规模支持美国重新掌握半导体产业的优势，其中390亿美元将用于提升生产制造能力。并从2022年8月26日起，以国安理由，要求卖往国内与俄罗斯的高端绘图卡必须经过审核，之后更强化NVIDIA与超微（AMD）将高端绘图芯片卖到国内的管制措施，也影响了华为、中芯等相关企业的营运。国内：在第14次五年发展计划以及2035年的七大战略目标产业，都将半导体列为重点产业。从AI、量子技术、脑神经、生物科技到太空科学，都与半导体产业高度连动。欧盟：也通过半导体芯片法投资430亿美元，目标在2030年时抢下全球20%的市占率，除了建构2纳米的技术发展路径，欧盟也宣示要在AI、异质整合、5/6G通信、材料设备上加码发展。此外，欧盟结合了10个国家28个机构共组研究平台，针对车用半导体，希望在2024年之前订定车用半导体的发展路径。日本：1980年代末时，日本半导体全球市占率过半，1990年代开始衰退，现在已经不到10%，甚至多数是30~40纳米的老旧技术。尽管如此，日本超过半世纪的半导体产业，依旧留下很多不可或缺的条件。例如日本半导体设备全球市占率32%，材料市占率是56%，在国际市场都是举足轻重的角色。现在日本希望透过与台积电、Sony、电装（Denso）共同投资的熊本工厂，日本政府更展现决心，支持熊本计划4,760亿日圆投资经费的一半。另一方面，做为尖端制程的切入点，瞄准由Repidus主导的工厂，2025年可以进入2纳米的制程。由于日本的基础工业十分厚实，加上汽车产业需求，台日之间合则双赢，但跨国合作牵涉到文化、国家价值的认知，台湾在国际形象的提升上漫不经心，台积电得拥有多大的领先差距，才能让日本人心服口服？韩国：以2030年全球AI半导体领域20%市占率为目标，并希望能在5年内培养7,000名AI芯片设计工程师。2025年前能栽培出NPU业者，2026~2028年间以存储器技术为基础，培养出低功耗PIM业者，2030年前看到超低功耗PIM产业落地生根。此外，韩国还订定在2026年培养30家，2030年培养50家AI芯片厂为目标，将AI半导体产业培养成为继存储器之后的第二大支柱产业。其他还有国产NPU数据中心、AI专属数据中心、在三所大学设置AI半导体研究所等计划。相较于最近一年走跌的存储器产业，韩国将AI半导体视为韩国半导体产业的救世主。但韩国最大的挑战，是AI半导体的发展模式与IC设计产业更为类似，韩国过去费尽心思力图发展的IC设计产业，几乎是徒劳无功。韩国在全球存储器占有6成以上市占率，但IC设计业市占率却不到2%，而在CPU+GPU大乱斗的时代，这也不是韩国所长，「苦闷」二字是韩国说不出口的难题。发展AI半导体产业，韩国需要的配套生态系还包括NPU、先进封测技术，而能与Tesla、微软（Microsoft）、Google、NVIDIA等网络巨擘平行发展的特化芯片，更是严酷的挑战。走到产业发展的极致，面对的问题都是「倾全国之力，都不一定能收割」的大赛局。也许韩国会将希望放在RISC-V这些开源性资的新技术，并结合存储器优势，找到不同于其他先进国家的发展路径，否则也是一场肉包子打狗的低胜算赌局。

2010年前后开始真正受到瞩目的深度学习（Deep Learning），是人工智能（AI）相关技术进化的关键期，透过机器学习得到的经验，让AI技术有了新的依靠。2016年的AlphaGo更是推波助澜的重要突破，之后各种边缘装置（Edge Devices）出现在市场上，相关技术与半导体芯片的进展也受到瞩目。至于在半导体领域发展的特用AI芯片，则是一种特化型IC（ASIC），又可分为服务器与边缘端专用。目前大家关注GPU与CPU带来的运算之争，将来重心也会慢慢移转到前端设备，这些都是重要的变化、挑战，也是机会，而台商是海景第一排的有力角逐者。AI半导体是指可以让AI软件与演算法可以更有效率执行的各种专用芯片。现有的泛用CPU，在处理大量数据时可能面对极限，也让出更多机会给不同的微处理器，例如GPU、DPU与用于推论的NPU，特别是当初用来处理图像的GPU，运用在AI上，竟有远超过原来期待的功能。特别是NVIDIA结合CUDA的软件设计程序，造就了NVIDIA今天的盛况。除此之外，其他如现场可程序化逻辑闸阵列（FPGA）芯片也出现了新的契机。GPU与FPGA也都是泛用型IC，非只为某一客户量身定制的ASIC。ASIC是具有明确目标功能的系统半导体，目前最被看好的GPU结合了CUDA软件，在市场上具有压倒性优势，而NVIDIA的财报也证明过去的投资与软硬整合的优势正在发酵中。A100拥有6,912个CUDA Core与40GB HBM2存储器，这套解决方案可以整合成一套超级电脑。2022年3月，NVIDIA推出效能比A100还要强大的H100。根据IDC调查，全球AI数据中心的市场规模，将从2021年的156亿美元，成长到2025年的318亿美元，年均成长19.5%，远高于传统服务器市场的10.7%。至于AI芯片市场，各大顾问公司也有许多评估，多数看好未来几年的成长，其中Gartner认为，AI芯片在2025年时可达700亿美元，到2030年AI芯片市场总值将达1,179亿美元，贡献整个ASIC市场的31%。由于看好AI芯片商机，从超微（AMD）、英特尔（Intel）这些NVIDIA传统的竞争对手，到上游的ARM、新思（Synopsys），以至高通（Qualcomm）、博通（Broadcom）每一家公司都虎视眈眈，英特尔甚至透过购并Habana，希望加速软硬整合的实力。除此之外，美国、英国、法国都有很多新创公司尝试开发出各种用途的AI芯片，国内当然也没闲着。百度、华为、阿里巴巴、比特大陆等，都有明确规格与定义的AI芯片发展计划。此外，韩国存储器双雄在存储器内运算（PIM）市场上着力更多。三星电子（Samsung Electronics）在2020年发表HBM-PIM的产品，让芯片可以在没有连结数据中心的情况下，独立进行演算，对声音、影像在装置前端的应用上深具意义。走在市场最前端的晶圆代工业、设计服务业者，大致可以维持应有的地位，但最受挑战的是台湾IC设计产业。在晶圆制造领域，14纳米以下先进制程成为必要条件，拥有最先进制程的公司，仍将是市场上的宠儿。台湾IC设计业虽只占全球市场的18%，在前十大业者中有3家来自台湾，但台湾擅长替代型商机，而非定义市场，参与前端市场的角逐。其次，业者面对人才短缺、成本激增、国内业者追击等相关议题，真正有实力角逐顶级商机的厂商屈指可数。台湾的IC设计业者正积极赶上这一波大AI潮的滚滚商机。最后，前端设备的多元需求，AIoT商机无可限量。IBM估计，物联网终端设备总量从2020年的150亿台，增加到2025年的1,500亿台。10倍速成长加上多元商机，如何发展通用效益，又可以差异化设计的发展机制，是台湾业者最大的挑战。

为角逐未来AI商机，各大厂商也拉帮结派，NVIDIA购并了Mellanox与Excelero，而看似被NVIDIA拉开差距的超微（AMD），也购并赛灵思（Xilinx）及Pensando。迈威尔（Marvell）、博通（Broadcom）、英特尔（Intel）也都各有盘算，特别是英特尔在晶圆代工久攻不下，CPU/GPU/DPU市场又面对严厉的挑战，除了发展类似CUDA的程序语言之外，也与Habana Labs合作，我们看到大厂决战光明顶的景象，也知道AI竞争现在才进入火热的阶段。继GPT-3.5之后，Open AI再度于2023年3月发表GPT-4，这套Foundation model更贴近市场的需求。短短几个月之内，上亿人的使用经验成为「学习」的基础，运算法的改善，也让AI应用带来新的境界。科技大腕相继加码研发，整个生态系的改善非常具体，微软（Microsoft）的积极态度也带来推波助澜的效果。到2022年4月底止，Office 365已经有3.2亿使用者，而搭配Office 365推出的Copilot软件，让这些使用者有条件从过去经验中推演相关的应用。以Copilot的使用者做测试，每个使用者节省的时间大约是50%，这是个很庞大的数字与价值。Microsoft 365 Copilot可以连结Word、PowerPoint、Outlook、Teams等档案，并与Microsoft Graph、LLM等功能同步使用，也使用Grounding的演算法。微软在2022年底推出ChatGPT之后的两个月，推出ChatGPT Premium的方案，每个月收取20美元的费用，应答问题的速度可以快3倍。透过各种搭载的方式，让原先的Windows/Office等软件得到升级的机会，这对微软而言，是十年难得一遇的好机会。微软查找引擎Bing市占率仅有2~4%，远远不如Google，但在这次改变的过程中，可能会是最大赢家，在推出GPT-4之后，Bing市占率提高到9%以上，2023年3月9日，Bing使用者首度超过1亿人。尽管Google的每日活跃用户数（DAU）已经超过10亿人，但我们看到微软在AI领域上的突破，可能给微软在数据检索上一个弯道超车的机会。未来大型数据中心将继续升级，藉以进行加速运算，可以预期服务器与相关芯片、服务业者的商机生气蓬勃。过去每次的技术创新，都带来庞大的衍生商机。从工业革命的蒸气机到铁路，从网际网络的出现到各种游戏、生活体验不断革新，但这次的AI革命可能更胜以往。我们可以预期类似YouTube、SNS等新型态的服务平台一定会出现，对台湾的启示就是「软件应用」必须积极参与、学习，而硬件制造当仁不让，特别是芯片与相关服务业者的价值体现，将会有新的面貌。

一旦Open AI建立完整的生态系，就可以主导整个商机，影响力越大的品牌与解决方案，将会成为市场上的领导者。微软（Microsoft）刻意造成「生成式AI等于Open AI」印象，加上Office 365的优势条件，微软可能是很大的受益者。由于需要强大的数据运算能力，在数据中心芯片市占遥遥领先的NVIDIA成为最大的获利者，台积电也因为是代工夥伴而受惠。现在NVIDIA跟英特尔（Intel）叫板，甚至畅言「CPU时代已经结束」！导入AI不外乎是为了使用者忠诚度、提高效率，提升竞争力等。估计Open AI的市场规模，将从2023年的2亿美元，增加到2024年的10亿美元。游戏开发商可以利用各种AI工具加速产品的开发，并以各种内容的整合开发出新的商机与市场区隔。市场刚刚起飞，但速度也可能像ChatGPT一样迅雷不及掩耳！相较于现在的检索模式，对话式检索机制成本必然会增加，光是学习自然语言的运算机制，各种服务器、数据中心的投资就以1,000亿美元的规模来计算。Open AI需要导入1万颗以上的NVIDIA A100绘图芯片，相关资本支出与背后的维护都非常惊人。另据Semi Analysis估计，Google自主开发的Google TPU v4，资本支出高达200亿美元，这大约是Alphabet 2022全年资本支出的64%。可以预期「超巨量型数据中心」（Hyperscale Data Center）将是军火竞赛的一环，起步较早的微软与AWS都是领先者。但无论是内部或外部的连结，都是数据中心管理者很大的挑战。我们同时可以见到传输速度不断的提升，到2025年时，使用800G数据传输速度的Switch将高达2,500万个，这与2022年还是主流的100G相比，已经不可以道里计！整体而言，数据中心的演化，从最早的储存数据进化到演算，现在则是分散处理，藉以取得最佳化的成果。为了有效管理这样的需求，除了过去倚重的CPU之外，现在数据中心更关注DPU（Data Processing Unit）的进展。这些可以有效管理储存数据的微处理器，将是下一波需求的主流。相较于过去专注在特定功能的微处理器，DPU更重视整合性的功能。简单来说，CPU用于一般的运算功能，GPU是加速运算功能，而DPU是专注数据处理功能。「Scaling AI Compute」是从数据中心的运算，延伸到网通过程，以及边缘端的多元AI运算机制。基于提高运算效能、降低功耗等多方面的考虑，大家把希望寄托在晶圆制造与EDA工具的进化。如何以ASIC半导体芯片为基础，生产出可以符合差异化需求的硬件设备，也都是制造厂非常大的考验。 

近期人工智能（AI）话题掀起热潮，不过2023年全球半导体市场仍难脱衰退，主要受到存储器市场恐将年减30%以上所拖累。非存储器部分，几家大厂包括英特尔（Intel）、超微（AMD）、高通（Qualcomm）、联发科第1季营收均呈衰退。至于晶圆代工龙头台积电，受到全球众多IC设计公司、IDM业者所依重，但前4月累计营收亦较2022年同期减少1.1%，不如2022年时英勇。观察2022年全球前廿大半导体业者，在2023年的年度营收仍有机会较2022年成长者，估计只有博通（Broadcom）、NVIDIA、意法半导体（STM）、英飞凌（Infineon）、Microchip等5家。其中，前两者与数据中心有线网络芯片及AI芯片相关，后两者则主要与车用半导体、工业用半导体有关。博通的半导体事业主要在有线通讯，特别是数据中心用网络通讯半导体，因此较不受一般消费应用如智能手机需求衰退等因素的影响。另外，博通的定制化芯片在云端服务业者也占有一席之地，如Google的云端芯片TPU即采用博通的设计方案。随着主要云端服务及网际网络业者如亚马逊（Amazon）AWS、微软（Microsoft）及Meta纷纷以自研芯片提升服务效率及降低成本，博通及对应的晶圆代工业者台积电均能受惠。2022年前廿大半导体业者中，NVIDIA的2023年营收成长率预期将是最亮丽者。主要原因是2022年第4季以后，生成式人工智能（generative AI）应用如火如荼地发展，在训练模型方面，算力需求快速增加，其A100/H100在服务器用GPU市场备受瞩目，A100 GPU单价已高于一般的服务器，H100 GPU更是A100 GPU的数倍。观察前廿大半导体业者对第2季自家营收展望，NVIDIA在营收季增幅度及年增幅度均明显领先。必须一提的是，NVIDIA纯粹半导体营收估计仅占整体营收的6~7成上下，高单价的服务器系统（如DGX A100、DGX H100）、软件解决方案的销售金额占比持续提升中。NVIDIA未来加速转向AI生态系解决方案业者，不能单纯以半导体公司看待。尽管车用半导体缺货吃紧问题逐渐缓解，但对于优质产品供应商而言影响相对小，预期2023年全球车用半导体市场仍可创造近10%年增率，相对地，2023年整体半导体市场（包含存储器）则恐年减8~10%。2022年英飞凌为第一大车用半导体业者，也是第三大工业用半导体业者。由于车用半导体及工业用半导体供应关系不轻易更换，在信赖度及品质上领导大厂仍占竞争优势。2023年英飞凌随着该公司车用半导体新产能的进入量产，加上在第三类半导体碳化矽（SiC）的发展也有所成，在电动车、低碳化、高能源效率化三大趋势下，英飞凌仍然处于顺风的态势，预计营收年增率有望突破10%，在前20大半导体业者营收年增率上有机会排第二名。意法半导体在2022年的车用半导体市场占有率居第三大、工业用半导体市场占有率为第四大，而车用及工业应用市场也是2022~2025年成长率较强劲的2个主要市场，优于通讯及消费性电子应用表现。意法的新建半导体产能在2023年以后陆续投产，可纾解过去该公司在市场上的供给不足。意法核心竞争力之一，乃掌握许多专属制程，先进制程则委托台积电等业者代工。Microchip在2022会计年度营收的75%在工业用、数据中心与运算、车用，因此在2023年受到消费性电子及手机市场衰退的影响也较小，该公司与客户签有长期供应合约，且在微控制器（MCU）市场有其地位，不易受景气起伏冲击。总体而言，半导体市场虽然起起伏伏，但长期需求仍是向上，上述5家业者掌握云端服务／数据中心、AI、电动车及ADAS、工业应用高效率化的大趋势，能在半导体市场衰退年仍然逆势成长，有其核心竞争优势所在。本文探讨仅限前廿大业者，若把眼光扩大至半导体供应链，美系EDA两大龙头业者近10年来营收未曾衰退，2023年也将持续成长，也是值得关注。

图灵奖（Turing Award）得主Geoffrey Hinton在日前公开讨论人工智能（AI）的风险。AI「往往会从分析大量数据中学到意想不到的行为」。这并非意味着具有自主意识的AI会摧毁人类，而是我们无法预测AI的行为，特别是当个人和企业允许AI系统不仅生成其自身的代码，而且在自己的计算机上运行这些程序时，Hinton担心「有一天，真正的自主武器将那些杀手机器人变成现实」。第一个实际的AI系统是由Edward Feigenbaum及Raj Reddy实现，称为「专家系统」，是一种智能的电脑程序，能运用知识与推论来解决只有专家才能解决的复杂问题；他们也因此一贡献荣获1994年的图灵奖。然而，许多系统需要模拟的参数甚多，至今仍然无解。可见计算机模拟的应用博大精深，即使今日AI技术突飞猛进，有许多题目仍值得深入研究。图灵（Alan Turing，1912~1954）在1950年发表一篇重要论文〈计算机与智能〉"Computing Machinery and Intelligence"，首次谈论到AI，并提出图灵测试（Turing test），为信息领域创建智能设计的标竿。图灵测试指的是，如果一台计算机能够欺骗人类， 相信它是人类，那麽它就应该称为智能计算机。AI缘起于模拟人类行为，自然也常用于社会学。密歇根大学的政治学教授Robert Axelrod，在1980年代进行一连串电脑模拟实验，找一群专家写出不同电脑程序，模拟人类行为，让这些程序互动、合纵连横，看哪个程序最后会胜出。这些程序有些模拟「金律」，有些模拟「银律」，有些则模拟「铁律」。所谓「金律」（Golden Rule），语出《新约》7:12「无论何事、你们愿意人怎样待你们、你们也要怎样待人」；「银律」（Silver Rule），语出《旧约》21:24「以眼还眼，以牙还牙，以手还手，以脚还脚」；「铁律」就是「己所不欲，先施于人」，外在表现是「先下手为强，后下手遭殃」。结果最成功的是模拟「银律」的Tit-for-Tat程序。这个程序一开始采取合作，若对方也肯合作，接下来则仍采合作策略；若对方吃你豆腐，下一步你就占回便宜。在实验中，实施金律的程序一败涂地，屍骨无存，可见咱们先总统蒋公介石对日本「以德报怨」的做法是行不通的；实施铁律策略的程序一开始也有不错的表现，但长期下来，所有被它吃豆腐的人不是死了，就是躲它远远的，它最后也没戏唱。有一个铁律例子，就是石油大王John Rockefeller（1839～1937）。他专耍先下手为强的手段，整垮所有对手，成为最有钱的人。但他的手段未免太狠，大夥都不敢恭维。Rockefeller也知道自己以前做事实在不上道，因此在退休后的余生，致力于慈善事业补过。然而，他过去的作为仍然祸贻子孙，他的后人能力再强，条件再好，想选总统，至今都选不上。延伸报导从Google查找趋势看三大AI技术浪潮

在Chris Miller所着《芯片战争》（CHIP WAR: The Fight for the World’s Most Critical Technology）一书中，多次提到Gordon Moore（1929～2023）与加州理工学院（California Institute of Technology）米德教授（Carver Mead）的互动。在1965年，当Moore还在快捷半导体（Fairchild），手绘出从1959～1965年每一矽芯片中晶体管成长数字，总计只有5点数据，并预测未来成长会依照每1.5～2年以1倍的速度增加。Mead教授当时是快捷半导体的顾问，随即将此称之为「摩尔定律」（Moore's Law）。Mead曾回忆，当时他正在研究半导体内电子的量子穿隧效应（tunneling effect），在此事后没多久Moore就问他，穿隧效应要在很小的尺度才会发生，那晶体管可以做到多小的尺寸？Mead花了些功夫答覆此问题。1968年，Mead提出晶体管尺寸微缩理论（scaling），也就是在MOS晶体管的闸极长度微缩同时，每一晶体管所需耗用的功率是与长度成平方的下降，同时晶体管速度却等比例增加—即晶体管效能是随着晶体管闸极长度微缩，而呈现3次方的改善。当Mead在学术会议上，报告MOS微缩理论时，并预测未来1个芯片上可以有上亿个晶体管存在，并没有多少人相信Mead的理论。当时认为在这麽小的尺寸下，光是所产生的热即足以烧毁整个晶体管。事实证明Mead是对的，Moore's Law横跨超过50年时间，最主要的基石在于尺寸的微缩，而Mead的理论提供Moore's Law的理论基础。Mead在1970年代初期，即洞悉未来芯片上可以制作出众多的晶体管，代表将拥有庞大的算力，其也因此建议英特尔（Intel）高层，发展电脑所需的芯片。不过，如何有自动化的IC设计工具，处理日益复杂的电路设计，成为一个关键议题，Mead的研究随即转向IC设计。Mead于1970年在加州理工学院开设VLSI课程，在课堂上并将学生所设计的各式IC，用统一的光罩，手刻出布局图，最后完成硅片的制作。这比国内芯片设计中心对学术界的服务，整整早了20年。Mead与Lynn Conway于1979年合着的Introduction to VLSI System，更是IC设计者手中的圣经。Mead在1970年代初期，即投入Si compiler的研究，这是电路模拟及布局图自动化的滥觞，造就现在EDA工具的产业。Mead更于1979年提出未来半导体产业，会由多数的IC设计公司（fabless），及较少数目的晶圆厂（foundry）所组成。这与同时期张忠谋先生，在德州仪器（TI）内部所提出foundry概念，不谋而合。笔者在美国求学时，即久仰Mead大名。因为笔者的研究题目是化合物半导体的微波高速元件及集成电路，第一个发明出此类元件（1965年出现的GaAs MESFET）的正是Mead。化合物半导体很难成长出优质的氧化层，不像硅片有高品质的二氧化矽，所以化合物半导体只能利用金属作为闸极，直接接触到半导体。此接触（junction）因为材料不同，衍生很多的界面缺陷，因此电子几乎无法在通道内（channel）运行。Mead很技巧地利用此接触所产生的空乏区（depletion），来控制电子数量，也由于电子远离界面，所以能够自由地运行。至今我们在无线通讯所使用的高频元件，其运作方式依旧是使用Mead的原创。Mead在2000年后，又回到基础物理研究，尤其是量子的电动力学及重力理论。Mead似乎可以在不同的学术领域，来去自如，悠游自得。Mead于2022年荣获日本的京都赏，奖金是5,000万日圆。京都赏是由京瓷（Kyocera）已故创始人，稻盛和夫于1984年所创立，奖励全球对于前瞻技术、基础科学及人文艺术等3个领域有杰出贡献人士。华裔科学家邓青云博士，发明有机发光二极管材料，于2019年获得京都赏；国内清华大学信息科学教授姚期智博士，也于2021年获此殊荣。Mead的学术研究，由基础的半导体元件，到IC compiler的原创，以至于VLSI设计，对于半导体相关的领域做出重大贡献，在学术界还无人能出其右。他的洞察力及远见，更激发整个半导体产业的发展，终究造福大众。