1971年，英特尔（Intel）推出型号为4004的微处理器，我认为那是微电脑时代的开端，而臺湾在不久之后推动的RCA計劃，培养了臺湾第一代的产业菁英，我常说，那个时代的英雄是成群结队而来。他们成为臺积电、联电、华邦、旺宏、联发科、臺湾光罩这些知名半导体业的創始人，也在IC设计、封测、光罩等不同的领域共建一个绵密、有效率的产业生态系。1980年代，以宏碁、神通为首的个人电脑产业开始开枝散叶，演化自计算器的仁宝、广达、英业达也不多让，而1992年康柏降价，原本认为将会受到重击的臺湾IBM兼容电脑业，却成了全球最重要的供应来源。1995~2000年的大搬迁潮，臺系NB厂从东莞、深圳往长三角、成都与重庆移动的过程，也是产业变革的经典。臺湾产业没有被弱化，反倒借力使力，达到今天将近1萬億美元的规模。过去半个世纪的成就，有臺湾人的努力，也有很多先天的优势与许多侥幸。1970年代，臺湾退出联合国，与美日断交，婴儿潮時代大量涌进社会，在那个没有工研院、科学园区的时代，蔡明介、宋恭源等臺湾第一代的创业家都在高雄加工出口区工作。伴随婴儿潮而来的还有石油危机、通货膨胀，但半导体产业的萌芽，无疑是给臺湾带来一丝希望。经过半个世纪的努力，半导体、ICT供应链与庞大的运筹体系（空运），共同建构了一个保护臺湾的天然屏障。从PC、手机、物联网到电动车，都带给半导体源源不断的商机，但下一个阶段臺湾还可以如此幸运吗？2008年北京奥运之后，至2019年川普发动美中贸易大战之前，这10年可以说是中国的「黄金十年」。智能手機的大潮，带动了智能应用与移動商机，中国的独角兽企业，最多时占有全球的4分之1，是少数能与美系独角兽抗衡的重量级大国。相较于中国意气风发，臺系厂商却在美中压力下不知如何是好？2019年2月，川普政府在白宫网页贴出美国要掌握「5G、人工智能、量子技术、先进制造」的竞争优势。2021年拜登接任之后，在白宫再度宣示，美国要有意义地掌握半导体、车用电池、药品、稀土的供应链。美国的宣示是向中国下战帖，但从臺湾的角度观察，既有危机，也有商机。「商机」在于全世界的供应链一分为二，崛起的红色供应链被关在中国，臺湾成为最重要的选项；「危机」则是在于全球化的美好时代飘然远去，去全球化的过程，将叠加经营成本，及臺湾面对国际局势的因应能力。下一个时代的英雄，也会成群结队而来，还是美好的仗打过了，我们顺其自然，甚至吃老本、过好日子呢？

2024年1月4日，CES主办单位美国消费者科技协会发布名为「What Not to Miss at CES 2024」的新闻稿，揭露CES 2024 四大科技主轴，列名首位的是人工智能（AI），若检视2023年年初同一时间的会前新闻稿，所列举的科技主轴分别是「Automotive and Mobility」、「Digital Health」、「Sustainability」、「Web3 and Metaverse」、「Human Security for All」，AI根本未列入其内。如此正好反应出由ChatGPT所点燃、突如其来的科技新浪潮，其势头是多么的「凶猛」，该如何看待2024年的AI发展呢？叠加在过去AI基础上发展的生成式AI回头翻阅我过去的演讲简报档案，2017年就在谈「AI的下一步」，探讨从云端延伸到边缘的趋势，这是当时的热门研讨会主题，同样的议题在2023年又成为显学，预期也是2024年的发展热点，这6～7年的时间发生什么样的改变？若就终端装置来看，在手机领域，高通（Qualcomm）在2015年发表的Snapdragon 820，芯片内部便配置Hexagon 680 DSP，能执行1,024位元的矢量运算，可作为AI推论引擎之用；在PC领域，英特尔（Intel）于2017年11月发布的Gemini Lake处理器，搭载第一代GNA（Gaussian & Neural Accelerator），作为语音处理与噪音抑制等背景工作负载的低功耗AI加速器。就边缘运算来看，在生成式AI这波热潮前，包括云端、服務器、网通、产业电脑等业者，都已提供边缘运算解决方案，用以收集与处理应用场域端的数据，尤其这几年5G的普及与2B通讯服务市场重要性的提升，更推波助澜边缘运算的发展。在演算法与应用方面，传统的机器学习如回归模型或SVM（Support Vector Machine）已普及多年，近10年主要基于卷积神经網絡（Convolutional Neural Network；CNN）的特征萃取／物件識別技术兴起，从人脸識別、人员管理、瑕疵检测、医学影像判读、到自动驾驶与交通监控等各类应用均已逐步普及。在AI导入的效益上，根据McKinsey 2022年12月发布的AI Survey报告〈The state of AI in 2022—and a half decade in review〉，在其受访企业中，导入AI的比重从2017年的20%，提高到2022年的50%；在效益上，2021年调查结果显示，降低成本最明显的领域来自供应链管理，有52%的受访企业表示受惠，而促进业绩成长的最明显领域来自行销／销售领域及产品／服务开发领域，各有70%的受访者表示有实质效益。2024年的AI发展，并非建立全新的基础建设与生态系，而是在此已具备云端—边缘—终端协同发展及各类落地应用的基础上，再进一步推动以大型语言模型（LLM）为主轴之生成式AI的应用落地。生成式AI发展新态势在AI发展上，有几个从2023年延续至今方兴未艾的趋势。从整体生态系来看，LLM軟件与服务堆叠（stack）可分为3层，底层是各大模型及其集散平臺（如GitHub与HuggingFace）；其上一层是各类LLM开发工具，如prompt工程与管理工具；最上层是包括文章写作助理、程序撰写助理、内容与创意生成、查找助理等终端应用程序。ChatGPT带动基于LLM之生态系的蓬勃发展，接下来的发展应会类似iOS与Andorid生态系的发展般，Open AI/微软（Microsoft）与Google会各有其生态系，而现以Meta LLaMA系列为主力的开源社群也会有其生态系，从2023年11月Open AI开发者大会推出GPT Store及定制化GPT「GPTs」，及2023年12月Meta、IBM与英特尔、超微（AMD）及Linux等公司与机构合组开源AI联盟，已可窥见升温的生态系竞逐态势。从模型来看，可见快速走向多元分化的趋势，这包括针对泛用需求或特定工作任务、针对云端／边缘／终端不同场景的模型、或针对不同垂直领域或语系进一步强化等态势。接下来这些在基础模型上百花齐放的衍生模型，甚至可能如AppStore般发展出Model Store的商业模式。例子之一，是基于Meta 开源的LLaMA 2，已衍生出包括中研院、臺智云及多个中国大陆业者与机构进行中文优化的版本。例子二是华为云2023年7月发布针对产业需求的盘古大模型三代，该系列模型包括「5+N+X」3层架构，最底的L0层包括自然语言、视觉、多模态、预测、科学计算等五个基础大模型；中间的L1层包括政务、金融、制造、制药、矿冶、铁路、气象等N个产业大模型；最上的L2层则是X个细化场景模型，例如输送带异物检测、台风路径预测等。另一趋势是生成式AI已逐渐从大语言模型朝向多模态模型发展。过去的多模态大模型作法是以既有的语言模型或是经预训练可提取语意特征的图像模型为基础，再使用多模态训练数据增加新的網絡层训练，建立多模态模型。例如GPT-4除文字外，也可接受图像输入便是采此作法。Google在2023年12月所发布的Gemini，则是从一开始便使用多模态数据进行联合训练所建立的大模型，可无缝理解与推论各种模态的输入内容并进行输出，无论是文字、程序码、声音、图像、或视讯内容。当大模型成为各家網絡／云端巨擘及众多新创的主要战场时，可预见接下来会有更多原生多模态模型问世。科技硬件业最关心的则是模型小型化与AI on Device的趋势。Meta 于2023年7月公布的LLaMA 2除了70B版本外，也包括已可搭载到终端装置的13B与7B两版本。法国于2023年5月成立的独角兽新创Mistral AI，在2023年9月发布开源的Mistral 7B，主打仅7.3B的参数模型，宣称在所有基准测试结果优于Llama 2 13B，而Google的Gemini Nano版本则是先「蒸馏」大模型，然后进行4-bit 量化的微型模型，针对低存儲器容量与高存儲器容量终端装置，区分为1.8B与3.25B两个版本，且预告将首先搭载于Google的Pixel 8 Pro手机上。AI on Device的理想是走向AI Everywhere / AI on Every Device，2024年可说是生成式AI落地到各类终端的首年，全球智能手機销售的高峰在2017年，约达14.2亿支，而PC销售高峰在2011年，约有3.6亿臺规模。近年除因疫情红利，在2020～2021年创下高成长销售佳绩外，其余时间都处于市场成熟几无成长的状况，AI PC与AI手机成为寄望所在。在物联网装置上，先前tinyML基金会定义tinyML规格，希望在MCU平臺上，使用mW等级以下的超低功耗，在Always-on及电池供电的边缘装置执行边缘运算。如今包括像是智能音箱、汽车智能座舱，或是各类机器人等，也都因生成式AI带来功能与应用的提升，有机会进一步刺激市场需求。既有硬件产品外，也诞生一些基于生成式AI的新兴硬件产品，如由美国新创业者Humane所推出的无屏幕穿戴式AI装置AI Pin、另一家美国新创Rewind AI推出挂脖的Rewind Pendant装置。在臺湾，募资平臺上也有Plaud Note智能录音卡的项目，运用ChatGPT，将录音内容转成逐字稿并整理重点。总之，2024年将是生成式AI在过去的机器学习／深度学习发展基础上，进一步加成与汇流的一年，也是各种硬件、軟件与服务大规模教育市场与测试市场水温的一年，著重在建立早期采用者的族群与市场规模，是生态系演化、业者高速竞合，期待、宣扬、亮点与失落交杂的精彩一年！

「全球化时代」应该从1960年代算起，日本与亚洲四小龙以雁行理论亦步亦趋地发展工业，创造了人类历史上少见的经济奇迹，而1990年苏联解体之后，2008年北京举办奥运之前，则可以说是「全球化」最美好的时代。2008年，北京举办奥运的大手笔震惊了全世界。2009年时，中国GDP超越日本，本土市场开始养出超重量级的独角兽，阿里巴巴、腾讯、华为成为全球吹捧的对象，也开始以「高铁」为核心发展基础建设，到2023年为止，超过4万公里的高铁成为近代史的奇迹。中国人志得意满，开始高唱「太平洋大到可以容纳中美两国」，甚至试著把南海、东海、黄海变成中国可以控制的内海。原本对中国发展采取乐观其成态度的美国，开始重新思考美中关系。形之，敌必从之世界级的大国，都以霸权心态面对国际关系（或者分工关系），美日之间的广场协议、半导体协议，打破传统的框架，也让臺韩有机可乘。现在新的国际秩序正在形成，我们可以从供应端、需求端看到美中贸易大战中，美国的角色，也可以从日本政治人物的因应方案中，试著参酌、发展出臺湾的国家战略。日本前经济大臣甘利明说，日本要从供给端理解半导体产业的影响力，而臺湾正好是真正拥有供给端优势的国家，但社会、媒体、政治人物真的理解「供给端」可以带来的优势与效益吗？锐卒勿攻，饵兵勿食网通、服務器、高端芯片、半导体设备，甚至未来的车联网、电动车都将是「木马屠城」的载具、代理，臺湾如何理解与选择国家战略？美国商务部坚持NVIDIA芯片必须受到限制，NVIDIA设计专为中国市场需求的芯片真的可行吗？还是仅仅是向资本市场、美国政府交代的工作呢？对臺湾而言，从一开始的代工，进化到供应链，以及未来整套的价值链，演化的过程丰富多元，也充满著风险，如何激励优秀的人才继续奉献。我们明白「风行草偃」的道理，如果在上位者言不及义，如何期待社会上行下效呢？如果社会、媒体不讨论这些事情，政治领袖仍然会一如既往的拜庙，空谈土地纠纷、ECFA的是与非！

1492年，赶走回教徒摩尔人的西班牙伊莎贝拉女王支持哥伦布，发现了新大陆，从此改变了世界，而这也是大航海时代开始的关键时刻。如果我们以更长远的眼光观察世界的改变，1970年初开始的半导体时代，半个世纪以来经历过萌芽、个人电脑、智能手機的阶段商机，现在才真正迈入万物联网、无缝接轨的新时代。我们看到大量连动的数据，需要快速运算的芯片，也需要超巨量储存能力的存儲器，一个被描述为「十倍速的时代」其实现在才刚刚要开始。几何级数的成长，迅雷不及掩耳Netflix用41个月找到第100万名用户，Facebook用了10个月，但ChatGPT仅仅用了5天。我们看到了几何级数成长的商机，赢家全拿的时代似乎已经到临。但除了亚马逊（Amazon）、苹果（Apple）、NVIDIA、微软（Microsoft）、Google这些大赢家之外，臺湾凭借不可或缺的「硬功夫」，成为以软实力取胜的企业之外，最成功的典范。網絡事业可以速成，但建构一个生产体系，却需要庞大的劳工群，以及上游的芯片、设计、系统整合的硬功夫。臺湾躬逢其盛，也无可替代，这也是世界赋予臺湾的天赋与天命。矩阵思维：竞合并存，而且「合」多于竞只是一片大好的情势中，也有很多细微的改变。过去IC设计公司、零件制造厂做出产品，交给零件代理商，卖给承接PC、手机品牌商OEM大订单的富士康、和硕、纬创、广达、英业达。这是一条鞭的线性供应链，但现在生产面板的友达想发展數字看板，与佳世达之间的关系是竞还是合？佳世达以「大舰队」模式筹组控股集团，往更宽广的路径走，也更积极布局汽车的智能座舱等新商机。臺湾电子六哥的毛利率都维持在6~8%，毛利不高，意味著不能犯错。但不谈臺积电独占性的利润率，臺达电30%、研华40%上下的毛利，意味著有多样性的选择，这是起步较早的臺湾电子业无可替代的竞争优势。产业结构丕变，没有人可以「静观其变」。在变化的过程中，开放型的战略是共同的走向，而面向世界时，臺湾的经济规模、量产体系、资本优势与管理经验，都让臺湾成为「无害的伙伴」。取用于国，因粮于敌，善用臺湾本土优势的臺商，短期内仍然可以呼风唤雨。当我们对于量产制造的观念从最早的「代工」，进化到「供应链」，现在又往「价值链」发展时，臺湾赢在起跑点，也站在制高点上。

《决胜矽纪元》这本书写的不是产业领袖的英雄事迹，或是枝微末节的产业实录，而是探索产业关键拐点的重要尝试。半导体产业从1970年代萌芽至今已经有半个世纪，起初半导体只是大企业为了强化系统产品功能而研发的配套零件，真正形成产业则应该从硅谷的英特尔（Intel）算起。之后，英特尔与微软（Microsoft）结合所建立的个人电脑产业平臺，才真正让半导体产业有一个具规模的大舞臺。英特尔的微处理器、美日韩接续发展的存儲器都是让这个产业逐步演化的重要过程。2007年iPhone上市之后，双向传输数据的智能手機是另一个关键性的转折点。中国善用庞大的国内市场，不仅让各种智能应用在中国市场有了深化、优化的场域，也让中国8个手机品牌进入全球Top 10之林。伴随著手机产业的成长，红色供应链受到瞩目，臺厂战战兢兢，也惶惶不可终日，半导体成为臺湾科技业的最后一条防线。但对西方大国而言，臺湾不仅是防线，也可能是中国突破封锁的破口。我们如何理解技术挂帅的科技产业，在技术引导的时代慢慢演化到应用驱动新时代时的关键理念呢？从PC、手机到物联网的产业演化在个人电脑与手机主导的时代里，品牌商决定了技术规格，由上而下（Top-down）的决策过程是技术挂帅的时代。进入万物联网的时代时，除了數據中心高速运算的芯片、大量储存數據的存儲器之外，应用驱动的边缘运算，将带来多轨生产与区域分工的大趋势，而在地价值也将成为许多企业争取的合作对象。我们同意，从全球化到「去全球化」，关键原因是美中贸易大战，但产业生态的变革也是推波助澜的重要力量。上驷对下驷臺湾如何在半导体这个全球瞩目的行业中称孤道寡，《孙子兵法》中「以正合，以奇胜」以及「其势险，其节短」的道理，正好可以说明臺湾在过去半世纪的发展经验中，既有幸运，也有努力的成功关键。我常说：「不要仰赖灵光一闪的好点子」，唯有长期积累，才会有出奇制胜的契机。其次，臺湾小、没有自然资源，外围又是强敌环伺，1970年代、1980年代的臺湾更是惊涛骇浪，让臺湾人口密集、土地资源稀缺的缺点，翻转为臺湾发展产业的优点。「势」有实，有虚，虚实成势，伺机而动我们都知道，国家、社会、企业，乃至于个人的发展都要仰赖有利的形势。「形」是本体，「势」有实、有虚，激水之疾至于漂石者，势也。意思是本身的条件够好，仍得善用时势，掌握对的时机，并在正确的时刻扣下扳机，自然可以有所成。水流之所以能漂动石块，关键在于有快有慢，速度不同，才会出现重力加速度，这是「势」的概念。臺湾半个世纪以来，能成功发展出举世称羡的半导体产业，关键在于本身具备一定的条件，并在正确的时刻，以精确的方法发展高科技产业，而国际的时势也有利于臺湾。当臺湾建设科学园区、投资工研院，发展以臺积电为首的半导体产业聚落时，中国才刚刚从文化大革命的时代醒来。在「虚实成势，伺机而动」的背景下，臺湾的成就，有自己的努力，也有很多其他国家没有的幸运。

「2030」将是矽纪元的开端，从应用面看，电动车、车联网、人工智能，正以几何级数的速度往前推进。从供应端看，在美中贸易大战的背景下，工业国家都想加码投资半导体，拥有产业的国家将半导体视为「保育类」产业，但也得在世界霸权争夺的大环境下，半推半就地面对2025年起，新工厂逐步完工的成本与竞争压力。新厂从接单生产，进入熟成阶段，再进行扩厂布局，真正会改变全球供应链结构的时间，应该在2030年左右。臺积电能持盈保泰吗？三星电子（Samsung Electronics）后来居上的策略是什么？英特尔（Intel）高调地与美国政府唱和，去全球化、产业补贴成为赢得赛局的关键要素。带领英国度过二战艰困期的首相邱吉尔说：「英国的国家战略是避免低地国家被殴陆大国所占领」。用白话文讲就是「不能让荷兰、比利时被德国、俄罗斯所占领」。在新的时代，重要的工业大国需要新的国家产业战略，而半导体无疑是重中之重。臺湾是第一岛链，也是科技岛链，我们就坐在海景第一排观察世界的改变，而臺湾ICT产业的供应链，也是当中不可忽视的环节。2030年时，全球电动车的年销售量将达3,000万辆以上。现在中国生产的电动车占了全球6成，能收集各种数据的电动车，会是中国渗透西方市场的尖兵，甚至是重演《木马屠城记》的载具或剧本吗？美国、德国、日本的传统车厂将面对供应链重整，但不仅尖端芯片可能出现供需失衡的跛脚问题，没有臺系供应链的支撑，东协南亚国家能建构本土的ICT供应链吗？臺湾成了许多国家的伙伴，但同时也是后顾之忧，我更强调臺湾在全球产经世界中的「定锚」价值。臺湾安定了，世界就安定了；来臺访问的日本国会议员，也曾是经济政策大臣的甘利明说，供给端比需求端更重要！印度人说，2035年时，印度39岁以下的年轻人将比中国多出3.8亿人，您认为未来的元宇宙商机，是美国人、中国人，还是印度人所主导的呢？尽管因为智能制造带来的效益，臺厂的员工人数不断减少，但臺商仍需要工程师、工人，也需要与在地的企业共创价值。没有错，分散型的生产体系可以纾解产业过度集中臺湾、韓國，甚至中国的风险。但过度的投资会给半导体产业带来冲击吗？危机入市的道理我们都懂，但会不会像黄仁勋说：「可能在空荡荡的晶圆厂内游泳」？特别谢谢《天下杂志》的邀请，天下杂志过去发行《芯片战争》，现在希望我能以亚洲的观点，探索未来的半导体产业。我们以2030年为期，探索2030年之前，这个世界的几个重要变革。《决胜矽纪元》立即订

从AlphaGo问世迄今的近10年间，机器学习中的各式神经網絡（neural networks）开始逐渐被应用到各种工商业的场景。与材料开发相关的应用之一就是用以优化材料制作过程，这个应用已经进入产业实作有一段时间了。 用机器学习中各种神经網絡执行材料制程参数的优化，本是件很辛苦的事。人工智能素有高维度的诅咒（curse of high dimensionality），亦即要优化的问题中参数数目的增加，其所需的算力必须以指数的形式增加。但是相较于以实验来进行制程参数最佳化，机器学习仍然享有绝对的优势。另外，即使不能达到全域最佳化（global optimization），使用可以大幅节省计算资源的局部最佳化（local optimization）也许就足以满足应用的需求。 最近发表于《自然》期刊的文章〈Scaling deep learning in materials discovery〉，揭示运用机器学习于发现材料方法的量子大跃进。 过去使用计算所建立的非有机晶体數據库如Materials Project、Open Quantum Materials Database、AFLOWLIB、和NOMAD利用前述的第一原理计算和简单的原子替代方法，找到4.8万个稳定的晶体结构，新的方法则将此数目再推进一个数量级！ 它使用的方法叫GNoME（Graph Network for Materials Exploration）。首先，它建立系统性的方法来产生新结构：考虑晶格结构对称性，以及随机产生的结构。 然后将图像神经網絡（Graphic Neural Network；GNN）用上述的那些數據库中的數據来训练，改善结构的模型，用以过滤上述产生的新结构。这些挑选过的新结构再以第一原理来计算其能量，判别此结构是否稳定。 经过上述的反复训练、筛选、计算、再筛选的程序，GNoME总共找到42.1万个结构，比之前单纯只用第一原理计算及简单原子替代方法建立的數據总比数4.8万足足高了一位数量级。而且數據量愈大，能量预测愈准确—以指数成长的方式进步。 这个方法还有新结构的预测能力。用以训练GNoME的數據最多只有4种原子所组成的结构，但是在没有任何训练數據的情况下，它也可以预测出5、6个单一原子组成的结构，而且与实验结果对照是符合的。 这些与半导体材料的发展有什么关系？以目前1納米晶體管的主要候选CMOS架构为例，目前计划以MoS2的二维材料来做通道（channel）材料，这是在工程均衡的考量下从过去已知的1,000多种二维材料中挑选出来的。但是经过GNoME的查找后，存在稳定结构的二维材料现在有5.2万种，也提高一个数量级。负责前沿晶體管结构的研发工程师要不要重新再检视一下这个新增的數據库、看一看是否有新的材料可以建构性能更好的晶體管？ 结合第一原理计算与图像神经網絡两种工具，以计算方式寻找新材料是至今为止最先进的、最有效的的材料发现方式。于半导体的应用中，其实材料的形成方式也都使用半导体设备。以前面所述的二维材料为例，原子层沉积（Atomic Layer Deposition；ALD）是常用设备。也就是说，半导体制程就是材料制程，研发与量产一体化是很自然的措施。将半导体相关材料研发纳入半导体厂的核心能力，有助于半导体厂整合更多价值增长环节进入晶圆厂，有利于维持长期持续成长的动力。

科幻小说作家Isaac Asimov创造「机器人学」（Robotics）这个词汇。他创作9篇短篇小说，收录于《我，机器人》（I, Robot），描绘「正电子」（positronic）的发展，并探讨这项技术的道德含义。正电子类似人类，是拥有人工智能（AI）形式的机器人。机器人要模拟人类行为，很自然地会与AI结合，接下来又会衍伸出许多人文的议题。我演讲时会问听众： 「人类和机器人结婚有意义吗？」Asimov「机器人学」的框架极为宏大，包括机械工程学、资通讯电机学、心理学、社会学，甚至人类学。因此机器人相关的教育专题会成为STEM教育的很好实践方式。STEM是一项跨领域、科目整合的教学方式，核心著重于科学（Science）、 科技（Technology）、工程（Engineering）及数学（Math），后续也延伸包含艺术（Art）。2023年12月，臺湾教育界人士对108课纲的做法有许多争议。我认为，解决方案是融合式的减法教育，其实就是STEM的精神。我更强调「作中学」的重要性，其中的实践方式是让学生进行融合不同学科的实作专题。很多人要我举出实例，当中一例是我发展的EduTalk平臺。另一个例子则是在新竹县亚太美国学校举行亚太区的教育型机器人竞赛（VEX robotics signature events）。该赛事由机器人教育与竞赛基金会（The Robotics Education & Competition Foundation） 主办。这是全球最大的初中和高中机器人計劃，每年会以一场游戏的形式呈现一个激动人心的工程挑战。在老师和导师的指导下，学生们全年参与构建创新机器人并进行竞争。VEX机器人竞赛可以在多个方面实践STEM教育。首先， VEX这一类的机器人竞赛透过提供亲身参与的机会，激发年轻学生参与设计、建造和程序设计机器人的经验。这种参与方式能从小引起对STEM领域的兴趣，鼓励他们进一步深入研究。参与竞赛的学员将应用科学和工程原理，获得实际的经验。这种实践式的学习方法，有助于弥合理论知识和实际应用之间的差距。这些竞赛也同时强调团队合作，分享看法，并善用多样的技能解决复杂问题。这些合作经验增进跨学科团队共同参与创新项目。参与机器人竞赛的学生可轮流在团队中担任领导角色，有助于培养领导能力、专案管理技巧和责任感。参与机器人竞争需要参与者以有创造性的方式应对挑战并解决问题，从中培养批判性思维、适应性和韧性。参与学生会与来自产业的专业人士、导师和评审互动。这种接触使他们了解当前产业实践、标准和技术进步，为学生应对专业STEM领域的期望做好准备。在这次比赛战况激烈。冠亚军一直平手。在闭幕典礼时，朱家明校长邀请我颁奖。颁奖时，我讲5分钟鼓励学生的话。我放了3部影片，是我的研究团队及伙伴进行整合AI及机器手臂的成果，希望借此扩大学生们的视野。最后我给学生一句话: 「享受进行专案的乐趣，快乐的玩耍吧。」学生不只要「作中学」，更要「学中乐」。(现为国立阳明交通大学资工系终身讲座教授暨华邦电子讲座)

现代的半导体产业中，有3个经济价值成长方式：制程继续微缩、先进封装与新材料开发的应用。制程微缩的研发的参与者数目寥若晨星，先进封装的参与者稍多，而新材料的开发参与者贯穿整从上游至下游的个半导体价值炼，成为整个产业的新焦点。 传统的新材料开发方式，以合成（synthesis）为主，这是老牌材料强国日、德所擅长的。合成法以各式成分原子来组织稳定的化学结构，然后测试其化合物的各种性质—譬如导电性，以及在外来刺激下材料的反应—譬如顺磁性（paramagnetism），或抗磁性（diamagnetism）。 合成过程当然非常依赖于知识和经验，用以缩小查找适合特定应用目的的化合物范围。但是能否发现适合应用目的的化合物也存有很高的机率性，因为搜索的范围有限，对候选化合物的性质也仅凭臆测，基本上这就是一个试误的过程。另外，合成的制程比较像手工艺，过程中的众多的制程参数及方法过去很多是靠经验或多批次试验的结果，有点像匠人工艺，是以过去的材料先进国家能够维持其材料开发及制造的优势。 进入21世纪之后，由于计算力的快速提升，传统的化合物—特别是晶体（crystal）化合物—的开发、性质预测、稳定结构的发现以及制作工艺的优化方法，都产生极大变化，连带地将改变材料产业的竞态势。 2个领域的进展引发这个典范的转换：第一原理计算（first principles calculation）和机器学习，不久以后也许还有量子计算，这些都是高度依赖算力的操作。其直接影响将是晶体化合物的各类性质可以精准预测、晶体化合物的制程可以最大程度的优化，以及可能的稳定晶体结构可以彻底查找用以建材料數據库等。这些随之产生的新能力对于需要新材料来满足应用需求的使用者当然是梦寐以求的。 第一原理计算，或称之为ab initio calculation，是指从最基础的物理理论出发，计算晶体化合物的各种性质，这里指涉的基础物理理论一般是指薛汀格方程序（Schrodinger’s equation），但是在电子高速运动时，可能要诉诸更基本的量子电动力学（Quantum Electrodynamics；QED）—相对论版的薛汀格方程序。 虽然从最基础的物理理论出发，但是现实的世界极为复杂，即使是一个单一原子系统，除了最简单的氢原子之外，不存在解析解（analytic solution），遑论一般的化合物会牵涉到2个以上的原子核以及数十至于数百个以上的电子，所以某种形式的简化处理是必要的，而数值计算（numerical calculation）也是不可或缺的。过去这些所遭遇困难的量子力学问题，也是当初驱策Richard Feynman倡议量子电脑的原因之一。 虽然第一原理计算其实早就开始于上世纪70年代，但是一直要到90年代后其准确度才逐渐被学术界－包括物理、化学、材料等领域－所接受。受限于当时的电脑计算能力，还无法直接投入产业真实的应用。 第一原理计算可以用来预测一种特定晶体化合物的各种物理、化学性质，从带隙（bandgap）、导电性、极化（polarization）、磁性（magnetism）、光学性质等，几乎无所不包，其中很多性质是半导体产业关注的核心。连现在半导体在納米尺度制程中最关心的界面性质、缺陷、掺杂等精细结构的叙述，第一原理计算现在都可以给出相当准确的预测。 大概不到10年前，我跟某一晶圆制造公司建议设立一个第一原理计算团队，理由是可以节省大量工程试验批（engineering pilot lots）的经费和时间。当时他们的回应只是笑笑，半导体厂要做数值计算物理的人做什么？现在他们已经有一支不小的第一原理计算团队了。 Scaling deep learning for materials discovery .

半导体产业对臺湾的重要性不言可喻，其中，臺积电在10納米（不含）以下先进制程具有极高的全球占有率，因此不论是苹果的手机应用处理器（Application Processor）、人工智能（AI）服務器用的GPU或是云端數據中心所需的定制化芯片（Custom ASIC），最后大多数都依赖臺积电生产。回顾2023年，整体半导体市场呈现9%的年减幅度，就半导体元件类别分析，主要是受到存儲器产品市场年减幅度达到35%所致，少数持续成长的领域出现在AI相关联的服務器用GPU及云端網絡數據处理芯片、电动车相关的功率半导体，例如碳化矽（SiC）元件、矽基IGBT等。全球前20大半导体业者中，估计仅有5家在2023年营收可达正成长，包括NVIDIA、博通（Broadcom）、英飞凌（Infineon）、意法半导体（ST）、恩智浦（NXP），后面3家业者主要因为车用半导体占营收比重高，而车用半导体是五大终端应用里年成长率最高者；NVIDIA主要成长来自于AI服務器用GPU及其數據中心用數據处理器（DPU）；博通在网通基础设备用芯片及定制化AI芯片拥有高市占率，需求持稳且议价力高。展望2024年，全球半导体市场预期可成长双位数达12%，以下3点值得关注。首先，终端市场持续消耗库存，2024年下半半导体业者库存水准及出货将陆续回复正常。2023年下游终端业者下单缩水以消耗库存，导致近3季半导体业者产能利用率偏低，截至2023年第3季末的半导体业者库存水位仍然高于历史平均水准。预期半导体厂商的产能利用率（特别是8吋及以下晶圆厂）距离恢复正常，恐怕还需要至少2~3季的时间，这一部分可以就各主要国家制造业采购经理人指数及晶圆厂产能利用率、上下游库存水准续作观察。过去以来，半导体市场一直都有景气循环的特性，主要原因是半导体厂全新投资到量产往往需要2~4年时间，投资决策时的需求判断与日后实际需求状况可能有落差，新兴应用崛起、芯片供应链失衡、经济波动、地缘政治等因素都会造成供需态势的变化，过去20年全球半导体市场成长14年，衰退6年。观察中长期去是，仍是处于稳定成长的上升轨道上。 其二，分析半导体终端需求面，2024年四大主要应用芯片市场都将出现正成长。预估四大应用市场分别是智能手機、服務器、汽车以及PC。上述四大类终端产品的年出货量可望较2023年增加（2024年汽车出货量年增幅度有限，但电动车比例可望继续提升，有利车用半导体市场继续成长），其平均半导体含量也会较2023年高，有助2024年半导体市场成长。WSTS最新预估2024年全球半导体市场可望年增680亿美元，DIGITIMES研究中心预估上述四大应用半导体需求年增可达480亿美元，占2024年净成长金额约7成。其三，就热门半导体而言，无疑地AI、高效能运算有关的半导体最值得关注，NVIDIA的服務器用GPU仍然炙手可热，该公司截至2023年10月29日的最新季度毛利率为74%，营业利益104亿美元，营业利益率达57.5%，若单看服務器用GPU及配套軟件服务，估计毛利率可达80~85%。NVIDIA之外，定制化AI运算芯片及协助AI运算相关的网通芯片也是高成长的产品，受益者包括博通、Marvell及负责生产的臺积电，更多的云端及網絡服务业者为降低运算成本及耗电，纷纷往定制化芯片方向发展。另外，AI PC、AI手机的崛起也将带来新的芯片契机，不过2024年还处于模索、定义需求的阶段，预期终端产品大量出货时间点可能落在2025年。存儲器市场在2022及2023年连续2年明显衰退，主要原因是存儲器市场单价波动大，再加上2022~2023年智能手機及PC两大应用出货衰退所拖累，预估2024~2025年可望恢复成长，2024年因为主要DRAM存儲器业者扩产重心放在高端AI服務器必须的高帶寬存儲器（HBM），在非HBM的DRAM产能增有限，一方面HBM的单位售价远高于一般DRAM，另一方面，减缓一般DRAM产能增也有助于DRAM市场供需持稳，预估2024年存儲器市场可望年增40%以上，其中DRAM市场比起NAND Flash市场成长性高，主因供需态势较有利及HBM因素。