台灣的ICT產業，主要包括半導體產業與電子製造服務業（Electronics Manufacturing Services；EMS），於2024年佔台灣出口的65.2%；在2025年，此一數字預估可能進一步提升到74%左右。此一比例是台灣在世界產業競爭賽事中的特例，對於台灣未來的進一步產業新發展有深遠的意義。電影「造山者」（A Chip Odyssey）中敍述台灣最早期的半導體CMOS技術引進自美國無線電公司（Radio Corporation of America；RCA），其實對台灣有一個項不亞於授權半導體技術給台灣的貢獻—先是在1966年台灣設立的楠梓出口加工園區組裝當時不算太先進科技的黑白電視（彩色電視於50年代後期已進入量產），之後陸續有增你智（Zenith）等公司加入此一行列，再加上後來台灣取得RCA黑白電視技術授權的廠家，鼎盛時期的台灣黑白電視產量超過世界的一半。這系列電子系統製造的奠基對於台灣70年代迄今的發展有3個重要的意義。第一個是電子產業的成形。一家企業不算是一個產業，一群關連的企業才是，佔全世界產能一半以上更當然是。第二個是將社會菁英人才動員導向電子相關產業。第三個是供應鏈的建立，當時包括最基礎元件的電阻與電容等。這個由黑白電視塑造的產業，形成1970年代開始發韌半導體的國內市場；又由於許多電子產品是面對全球的大比例市場，如前所述的黑白電視、後來的PCB板、個人電腦等，讓台灣的半導體產業在誕生時馬上可以用進口替代的策略迎接廣袤的全球市場。但是在初期半導體與電子業的關係也就只是鬆散的元件產品與市場關係，二者並沒有太強烈的關連。兩個關鍵轉折引發兩者之間關係深層的改變，從而結合變得更為緊密。一個是製程演化到28奈米之後，平面製程的微縮能增加的經濟價值快走到盡頭了。此時每個電晶體的平均成本降到歷史上最低。之後的製程名字雖然也如摩爾定律般的往22奈米、14奈米、10奈米、7奈米等一直走下去，但那只是個節點標記，用來敍述這節點的效能，卻與電晶體的真實臨界尺度沒有太大的關係。所以每個電晶體的平均成本從28奈米後又開始拉高。之後電晶體效能的持續提升主要靠的是電晶體3D製造製程，如FinFET、GAAFET、CFET等。3D電晶體製程顯然要比二維電晶體製程要複雜許多，兼之臨界尺寸無法有效縮小，成本的上升理所當然。另一個原因是AI伺服器的興起。由它對電力飢渴的程度就知道它需要處理資料的速度以及流量。傳統晶片的設計原先會同時考慮效能、功率以及面積（Performance, Power, Area；PPA）並且在其中取得均衡，尋求最大的綜合經濟價值。但是如前所述的，晶片在二維微縮的進展已遭遇強大阻力，而AI的運算又要求極致的算力，所以效能優先；其他的問題嘛，交由封測、乃至於整個電子系統來解決。以前晶圓製造廠商很多選擇外包封裝測試此一環節，因為後者毛利較低，在晶圓製造廠商的眼中，將資金投入毛利率高的晶圓生產環節才是對資最金最有效的運用。但是由於半導體製程現在面臨高效能計算（High Performance Computing；HPC）對於速度嚴峻的挑戰，一味的傾向於提升晶片的效能，其他無法在晶片階層解決的問題就必須移交給封裝測試、甚至是電子系統本身來解決。這個轉變解釋了很多現象。譬如晶圓代工廠把封裝測試重新納入版圖—雖然稱之為先進封裝，以解決晶片效能不足的問題，包括頻寬、散熱、面積效率等。又譬如在AI伺服器系統的全光纖化—晶片的速度、散熱的優化不足，那就用系統的方式來彌補。

在人類文明演進中，財富形態不斷轉換，從工業革命支撐生產的鋼鐵與石油，到資訊時代創造價值的數據，再到今日人工智慧時代逐漸成為關鍵資源的算力與算法。隨著高階運算能力在部分領域集中於少數組織，社會不平等呈現新的結構樣貌。在此背景下，安德魯．卡內基（Andrew Carnegie）於19世紀留下的精神遺產，為當代提供一條值得參照的思考路徑。這段故事始於1850年代的匹茲堡。當時的卡內基仍是一名薪資微薄的蘇格蘭移民少年，在電報公司從事基層工作。安德森（James Anderson）上校身為退休軍官，選擇每週六向勤奮的年輕工人開放私人藏書。對卡內基而言，這間擁有約400本書籍的書房不是金錢救助，而是一扇通往知識世界的入口。這段被他人分享資源的經驗，深刻影響他日後對財富意義的理解。一九〇一年，卡內基將鋼鐵事業出售給約翰．皮爾龐特．摩根（John Pierpont Morgan），累積驚人財富。事實上，他早在一八八九年發表《財富的福音》（The Gospel of Wealth）時，便已明確提出富有地死去是可恥的信念。在生命最後20年裡，他將絕大部分財富轉化為公共資產，資助興建超過2,500座圖書館，使後來的孩子不必仰賴私人恩惠，也能接近知識。進入現代，科技公司確實提前所未有的工具，但多數人工智慧服務仍存在資源與功能上的限制。一般使用者能動用的運算能力，在模型規模與訓練深度上，仍遠不及頂級研究機構與大型企業。超級運算中心與先進晶片等關鍵資源，依然高度集中於少數組織之中。因此，如何讓算力逐步具備公共性，成為值得嚴肅討論的議題。若掌握關鍵資源的決策者能效法卡內基與安德森上校的精神，將部分高階算力視為公共基礎設施，而非僅作為競爭資產，人工智慧的發展方向或許會出現不同的可能。這並不意味企業必須放棄既有商業模式，而是在現行體系之外，為學界與創作者保留可被合理使用的公共通道。近年來，已有企業開始以試行計畫的形式探索這類方向。例如緯創推動的算力捐贈方案，嘗試將高階運算資源提供給部分新創團隊與學研機構，用於大語言模型訓練與微調、模型推論與部署，以及虛擬環境模擬等應用，讓原本受限於資源的團隊得以進行實質研究。這類嘗試呼應安德森上校開放書房的精神，只是媒介由書籍轉變為運算能力。在這樣的構想下，算力中心應如同當年的書房。這種分享並非單向施予。卡內基當年要求社區承擔圖書館的維護責任，是為了確保公共資源能被負責地使用。放在人工智慧時代，這意味著使用者與社群必須參與治理與監督，使技術回應實際需求，而非僅服務於少數目標。實現算力公共化勢必面臨成本與管理上的挑戰，但透過公私合作與跨領域協調，仍有可能逐步推進。當企業願意分享部分資源，而學術與公共機構能有效管理，一個更具包容性的創新環境便有機會成形。出身資源匱乏地區的年輕人，將不再因門檻而被排除在創新之外，原本可能加劇不平等的技術集中，也能轉化為推動文明進化的力量。最終，真正的財富不在於擁有多少伺服器或晶片，而在於為他人打開多少通往智慧的入口。若算力能逐步成為如同道路與電力般的公共資源，機會的流動性便得以維持。那份源自19世紀少年在安德森書房裡感受到的希望，也能在今日的數據流動中，持續轉化為改變命運的可能性。

民主允許人民擁有政治自由和言論自由，提供人們尋求真相的機制和教育，可以揭開當前或歷史事件背後扭曲、歪曲、意識形態和階級利益的面紗下隱藏的真相。因此，享有的獨特「智識」特權，知識份子的責任深遠。語言學家和哲學家杭士基（Avram Noam Chomsky）指出：「知識份子有責任講真話，揭露謊言。」這句話強調具有知識和理解力的人士在倫理上有責任傳播準確的信息，並揭露虛假。今日，人工智慧（AI）成為一種強大的工具，與這種責任相契合，它提供了前所未有的能力，既能揭露又能對抗錯誤信息。AI在驗證信息和檢測虛假方面有其威力。人類利用機器學習算法，可以分析大量數據，將主張與已確立的事實交叉參照，以驗證其準確性，提供超出人類能力範圍的洞察。例如，Facebook和X等平台使用AI來檢測和標記虛假信息。AI能夠迅速揭穿在社交媒體和其他平台上流傳的虛假主張，有效遏制錯誤信息的傳播。AI在對抗Deepfake（使用AI創建的高度逼真但虛假的音頻和影片內容）方面也發揮重要作用。先進的AI模型通過分析人類無法察覺的微小不一致性來檢測Deepfake，保持信息的完整性，防止操縱內容的傳播。例如，微軟（Microsoft）開發的Video Authenticator工具能夠分析視訊中畫素的細微變化，檢測出Deepfake，從而維護信息的真實性。隨著生成式AI的快速進步，單純的偵測已成為一場永無止境的競賽。為此，微軟等業界領導者已將策略從被動偵測，升級為主動建立信任的「來源證明」（Provenance）架構。他們共同發起「內容來源與真實性聯盟」（C2PA），並推動「內容憑證」（Content Credentials）技術標準。這個標準如同數位內容的「營養標籤」，可以在檔案中嵌入其來源、作者及編輯歷史，讓使用者能輕鬆查驗資訊的真實性。今日大語言模型（LLM）的聊天應用貪婪地吞噬巨量的數據，在對話中找到最合理的答案，或是在科學問題中找到最有可能的解答。杭士基認為LLM「基本上是一種比較高科技的剽竊」和「逃避學習的方式」。人類的心智不像LLM，而是一個更驚人、有效率又優雅的系統，僅用有限的資訊就能運作。它不會試圖從數據中找出關聯性，而是努力創造解釋，分辨是非。要達到杭士基的理想，AI應該朝說真話和揭露謊言方面整合，賦予深遠的社會意義。AI應增強知識份子有效履行職責的能力，確保準確信息在公共領域中傳播。隨著AI的不斷進化，它在保持信息完整性方面的角色將變得日益重要。特別是在政治選舉和公共衛生等關鍵領域，AI可以幫助確保信息的透明和準確，保護民主進程和公共利益。然而，使用AI尋求真相，開發人員必須確保AI系統的公正透明，避免傳播虛假信息或不公正的結果。例如，AI算法在訓練數據上的偏見可能導致不公平的結果，必須有嚴格的審查和調整。我們必須設置監管架構來監督AI在信息傳播中的使用，平衡其潛在的好處與倫理考慮。社會必須對AI的潛在濫用保持警惕。技術人員、倫理學家和政策制定者之間必須持續的對話，負責任地使用AI，創造一個真理繁榮且虛假最小化的環境。因此，未來的發展需以品德教育為首，確保AI服務於真理和正義，達成杭士基對知識份子責任的願景。

二維材料曾被視為延續半導體微縮的重要候選者。由於它們薄到只剩下原子等級，理論上非常適合製作尺寸極小、功耗極低的電晶體。然而，當這些想法真正走向先進邏輯製程，挑戰才開始全面浮現。問題在於使用二維材料製作FET的製程要求近乎對單一原子的控制。邏輯晶片對材料與製程的要求，已進入極度嚴苛的階段。首先是一致性與穩定性的問題。先進邏輯晶片內含數十億顆電晶體，它們必須在極高時脈下同步運作。任何微小差異，都可能影響整體效能甚至良率。由於二維材料極薄，對外在環境高度敏感。基板表面是否完全平整、周圍材料是否產生微小應力，甚至封裝過程中的熱與機械影響，都可能改變電子的行為，導致每顆電晶體表現略有不同。這種個體差異在研究樣品中或許可以接受，但在邏輯製程中卻是致命缺陷。第二個關鍵挑戰來自電流進出FET通道的效率。電晶體的效能不只取決於通道本身，還包括在FET中電流如何從金屬端點—源極和汲極—順利進入、流出通道。對原子層材料而言，這個銜接並不自然，往往造成額外的能量損耗與速度限制。即使近年已有多種改善方法，譬如透過相工程（phase engineering）、重摻雜（heavy doping）或邊緣接觸（edge contact）等方式改善，仍難在整體表現上追上成熟矽技術。對於先進邏輯晶片而言，這樣的差距在高頻運作下會被迅速放大。第三，是互補電晶體（CMOS）的實作困難。現代邏輯晶片仰賴兩種性質相反、卻必須高度匹配的電晶體（nFET和pFET）共同運作。矽之所以能長期稱霸，正是因為它在這方面建立極為成熟的材料與製程體系。但在二維材料中，不同性質的FET往往需要不同的二硫屬過渡金屬化合物（Transition Metal Dichalcogenide；TMD）通道材料，導致設計與製程複雜度大幅提高，對先進節點而言更是沉重負擔。最後，還有量產與製造現實。先進邏輯製程的核心價值，在於高度可複製、可預期的大規模生產。但二維材料在大面積製作、缺陷控制、層數一致性等方面，仍與現有產線存在落差。這些問題並非短期內能靠單一突破解決，而是牽涉整個製程生態系的重建。在等待邏輯製程應用成熟之前，二維材料先從記憶體落地，2025年2月在Nature上發表一篇由TMD實際製造快閃記憶體的文章《A full-featured 2D flash chip enabled by system integration》。與處理器不同，記憶體的核心任務不是高速計算，而是穩定地儲存與讀取資料—特別是快閃記憶體。只要資料狀態能清楚區分，即使元件之間存在些微差異，系統往往仍能正常運作。這樣的特性，讓記憶體成為二維材料較為友善的應用場域。二維材料的結構超薄，資料寫入快速、能耗也更低。文章中已有實際晶片及製造方法展示，將二維材料應用於快閃記憶體中電晶體中的通道，並且整合到成熟的矽平台上，由既有電路負責控制，新材料專注於儲存功能。這種分工方式，避開邏輯製程最嚴苛的要求，卻能真正把二維材料帶進可運作的系統。從長遠來看，這不只是權宜之計，而是一條累積經驗的路徑。透過記憶體應用，二維材料可以逐步建立量產能力、製程穩定度與產業信心，為未來進入先進邏輯節點鋪路。或許，當十年後的7A或5A製程真正需要新的通道材料時，二維材料已不再是實驗室的新奇概念，而是準備就緒的成熟選項。

就如同石墨烯於2004年被實驗證實時當時的社會心情，對於石墨烯這種異類物質的生活應用，大眾曾寄予有高度衝擊性的期望，但是真實應用時的實施卻只是以點滴的方式逐漸滲入材料應用；二維材料—特別是二硫屬過渡金屬化合物（Transition Metal Dichalcogenide；TMD）—在半導體的應用似乎也沒有符合當初熱烈的預期。 TMD在半導體的應用當初被寄予厚望，是當成摩爾定律（More Moore’s Law）的救贖。 對於固態物質的應用，我的理解是這樣的：原分子首先要形成晶格，對於電子於其中的行徑我們才有辦法以量子力學來理解。我們理解的基礎最簡單的就是離材料邊界很遠、塊材（bulk）中電子的行徑。 然而接近材料的邊界部分，特別是與其他種類物質的介面及週邊，電子的行徑就變得十分複雜。介面上容易有晶格不匹配（lattice mismatch）、雜質、缺陷等令人頭疼的問題，沒有結成共價鍵（covalence bond）的懸空鍵（dangling bond）會捕捉電荷、形成位勢壁障（potential barrier）。不誇張的講，現代半導體製程研發有很大一部分的工程資源是投入解決材料界面的問題。 在製程臨界尺寸已微縮接近極限時，界面的問題益發嚴重，因為整個材料尺寸太小，幾乎都鄰近界面。現在半導體微縮的嚴峻挑戰之一—短通道效應（Short Channel Effect；SCE）—就是因此而來。 半導體線路的基礎單元是場效電晶體（Field Effect Transistor；FET），FET中電流由金屬材質的源極（source）流經中間受上層閘極（gate）電壓控制開關的通道（channel），最終抵達波汲極（drain）。FET通道的尺度過去被用來定義技術的節點，譬如大約40奈米長的通道就相應於40奈米的邏輯技術節點。微縮通道的尺度—進而縮小FET的尺寸、並且提升其效能—是摩爾定律的驅動主軸。 但是半導體製程演進至28奈米之後，FET元件的效能提升靠的更多是FET的結構從二維逐漸傾向於三維，單純的臨界尺寸微縮不靈了。主要的原因之一就是前面提過的SCE，通道的尺度很難再微縮了。 FET的矽通道當微縮到10奈米出頭，兩邊的源極和汲極金屬的性質如電場或耗竭區（depletion area）會穿透界面而影響矽通道。如果在矽通道裏從源極和汲極兩邊滲入的影響重疊了，閘極就無法有效控制FET的開關。所以儘管技術節點的名稱從14奈米、7奈米、5奈米、3奈米、2奈米、14A、10A、7A、5A繼續往下探，但是通道的長度總維持在10幾奈米以上。幾奈米、甚或幾A（1A=0.1奈米）的技術節點只是個命名，與FET的真實尺寸卻沒有什麼直接的關係了。 此時二維材料就被賦予厚望，特別是TMD中的MoS2（二硫化鉬）、WSe2（二硒化鎢）、WS2（二硫化鎢）等，它們都是半導體，有些共同的特性被認為有希望突破SCE帶來的微縮桎梏。 首先，它們的電子遷移率（electron mobility）極高。如果與矽塊材的電子遷移率相比，TMD的只有矽的約3分之1，但這是TMD單層（monolayer）的數據。如果是矽單層的資料，則遠遜於TMD的。元件的尺度在微縮時，元件各層的厚度—譬如介電質和通道—也必須跟著減薄。當厚度減至數層或單層，TMD的電子遷移率就遠遠勝出。 電子遷移率高代表元件開關的頻率高，通過元件的電流高，功率消耗也低。這些都是元件微縮時所追求的目標，而用二維材料來做通道天生就有這些潛質。 二維材料的第二個特質是它原子般的厚度。所謂的二維材料就是缺少一個維次的自由度，那個維度自然只有一個原子的高度。MoS2的厚度為6.3A，這個厚度與矽原子的共價鍵長度5.43A差不多。 用二維材料做FET的通道天生對SCE免疫。SCE和介電質的厚度、通道的厚度的平方根成正比，二維材料的厚度極薄，SCE的影響很小。要免於SCE的話，通道的長度必須維持在10奈米以上，二維材料的通道則可以低至1~3奈米。也就是說，如果維持元件的幾何形狀不變，使用二維半導體材料來取代FET通道中的矽，理論上可以直接推進摩爾定律中近4個世代。因此二維材料成為各領先代工廠未來先進邏輯製程的重要研究方向之一。

8年前，我在國立陽明交通大學設立一個智慧房間，並在暑期國小營隊中以「小仙女」的故事引導學童。我告訴孩子：「妳對著桌上的蘋果輕吹一口仙氣，奇妙的事就會發生。」當孩子們一吹氣，窗戶隨即自動打開，她們驚喜得咯咯直笑。我們還設計鬼屋遊戲，遠端操控房內的物聯網設備，例如「魔鏡」，讓孩子們在驚嚇與好奇之間盡情探索。我以這智慧房間發表了學術論文〈HouseTalk〉。但在學術語言裡，不能寫「小仙女吹氣」，只能嚴謹地描述：「我們將二氧化碳感測器置入3D列印的蘋果中，當室內人員呼出過量二氧化碳時，窗戶會自動開啟，以促進空氣流通並改善空氣品質。」論文充滿AI演算法與系統架構的細節，但我真正想表達的，其實是那份「小仙女吹氣」的想像。靈感源於我童年時看過的影集《神仙家庭》（Bewitched），由Elizabeth Montgomery主演。劇中女主角莎曼珊只要輕晃鼻子，魔法便應聲而起。我當年一再模仿，鼻子卻文風不動，只能讓耳朵晃動。《神仙家庭》的魔法，是物聯網與AI創意應用的早期想像。莎曼珊的每個手勢都能控制環境，她的魔法如同感測器與語音指令的雛型。她晃鼻子便能重整空間、召喚物品，這些1960年代看似荒誕的情節，如今已透過AI與自動化技術逐步實現。劇中對「人神婚姻」的描繪，也預示AI時代人機關係。莎曼珊與凡人達倫的結合，象徵魔法世界與人類世界的融合，如同現今AI與人類的共生。劇中女巫「偽裝正常」的焦慮，正對應現代人面對AI時的矛盾：既依賴其便利，又害怕其不可測。我們是否也像達倫一樣，既渴望魔法，又不安於它的力量？從文化角度看，《神仙家庭》教我們如何將技術融入日常生活。莎曼珊的魔法不是冰冷的功能展示，而是富含情感的生活智慧：在派對前整理房間、為客人準備驚喜、解決鄰里紛爭。這種「情境化智能」正是現今AI產品最缺乏的特質。若台灣科技產業能在研發中注入這種人文溫度，將能創造出更具情感共鳴的智能產品。《神仙家庭》同時提醒我們技術倫理的重要。劇中反覆思考「何時使用魔法」，對應當今AI時代的「何時啟用自動化」。莎曼珊寧可用雙手完成家務，只在必要時施展魔法的節制，正啟示我們應如何避免過度依賴科技。AI發展正處於關鍵轉折點，我們需要精密的演算法，更需要如《神仙家庭》般的想像力。台灣作為科技島，若能結合文化創意與人文視野，必能在AI時代開創出新的方向。我們需要能理解「小仙女吹氣」詩意的工程師，也需要能將感測器化為魔法蘋果的設計師。在AI時代，我們不缺技術，而是缺乏想像。那份想像其實早已存在，一如《神仙家庭》中的魔法。

17世紀的法國思想家勒內·笛卡爾（René Descartes），不僅以「我思故我在」為現代哲學奠基，也以《幾何學》（La Géométrie, 1637）開創解析幾何，首次將幾何圖形與代數方程結合，發明今日熟知的笛卡爾座標系。此一突破不僅改變數學問題解法，更為微積分與現代人工智慧（AI）提供核心基礎。笛卡爾認為，平面上的每一點皆可用x與y座標表示，而曲線則可轉化為變數方程式。這使得幾何問題能用代數操作處理，例如圓的方程式 x2+y2=r2x^2 + y^2 = r^2x2+y2=r2。這種將抽象空間數學化的思維，與現今AI模型的建構如出一轍。在AI領域，所有輸入的影像、語音、文字資料都需轉為向量座標表示。影像為像素的RGB值集合，語音轉為頻譜，文字則嵌入高維語意空間。這些數據處理方法，正延續解析幾何「將現實投射於數學空間」的思維。神經網路與支持向量機等模型，會在多維空間中尋找最佳超平面來分類資料。深度學習訓練仰賴梯度下降法，透過多維導數找出使誤差函數最小化的方向，步步逼近最優解。此過程需用鏈式法則計算各層參數對結果的影響，亦即微積分中的複合函數求導。而這些演算法運作的數學場域，正建立於笛卡爾所創的座標系之上。進一步來說，像Word2Vec或BERT這類自然語言處理技術，將詞彙轉化為稠密向量，使語意相近的字詞在向量空間中相互靠近，這種「語意即距離」的嵌入技術，也可視為解析幾何的延伸。電腦視覺中的卷積神經網路（CNN），透過多層特徵提取，從像素空間轉換到形狀與語義空間，展現出「座標轉換以理解現實」的深層結構。從AlphaGo到GPT-4，AI系統不斷在函數空間中尋找最佳解。這些空間的數學結構源自笛卡爾當年奠定的幾何與代數統一。笛卡爾的哲學關注「心靈」與「機器」的界線，他認為動物如機械般運作，而人有思考的靈魂。今日AI雖能模擬語言與視覺，但是否真正「理解」仍是哲學難題。從數學化思維到理性工具，笛卡爾提供一把通往AI時代的鑰匙，卻也提醒我們，智慧不只是算法，更是對思維本質的深刻省思。

台灣目前有3個產業在全球的表現相對耀眼，分別是醫療體系、電子製造服務和半導體。競爭力的來源雖然在不同產業可能各自相異，但是都有一個共通的來源，而且可能是最重要的因素：長期社會菁英的持續投入產業，而這時間尺度是以甲子為單位來計。 台灣的醫療體系在世界的評比長年高居第一，毋庸贅述。 台灣的現代西方醫學訓練始於日本殖民政府於1899年設立的台灣總督府醫學校 （Medical School of the Taiwan Governor-General，即台大醫學院的前身）。1904或1905年間台籍人士南志信入學，1909年畢業，成為台灣本土人士接受近代西方醫學訓練的第一人，從此引領台灣菁英從醫的序列。 台籍人士於日據時代不容學習政、法專業，而台灣醫生的收入及社會地位長期居於高位，是以持續吸引社會菁英投入，至今仍是大學招生第三類組的首選。醫療體系的管理人員也是從此團體中挑選，這解釋了為何台灣醫療系統能長期脫穎而出。 值得一提的是醫療原來是服務業，有強烈的地緣關係。而且醫療、保險等各國都有各自的法律規範，不易將之產品化輸出。但是從人工智慧逐漸加入醫療體系以後，這類服務性產品的地緣壁壘逐漸消失，可以合理預期台灣的醫療服務將有擴大版圖的可能。 從20世紀初迄今，這是兩個甲子社會菁英的持續投入。 電子製造服務業與半導體產業是另一個故事。1966年台灣政府鑑於長期巨額貿易逆差的考量，建立出口加工區（Export Processing Zone；EPZ），以賺取外匯、降低逆差。 「巨額」的貿易逆差是多少金額呢？不到1億美元，但這是當年台灣GDP的2.5%！ 出口加工區的設立以及其他產業的集體努力使得台灣於1971年轉變為貿易順差，並且長期維持順差。 當時加工出口區中主要產品為黑白電視，首先入駐的外資企業為RCA （Radio Corporation of America），之後還有增你智（Zenith）等。這些外資企業的先後進駐使得台灣黑白電視出口產量佔世界一半以上。 雖然此時彩色電視已經問世，黑白電視算不上高階消費性產品，而且在台灣的加值也只是簡單的組裝，但是外商大規模的進駐形成台灣電子業的基底。後來RCA移轉黑白電視技術更進一步深化台灣技術能力。這些貢獻至少不亞於「造山者」中描繪的RCA移轉半導體技術給台灣。電子業的先發成為後來半導體產業發展的沃土。 現在看來，此舉奠定台灣電子製造服務的基礎，也驅動電子製造的供應鏈，譬如鴻海在1973年成立時便是以電視旋鈕（knob）供應商的角色切入電子製造服務產業。 也許是巧合，但更可能是薪資的市場機制，當1971年台灣貿易開始轉為順差時，電機系也同時成為大學第二類組的首選，台灣的菁英人才開始流向電子業，最後乃至於半導體產業，迄今也近一甲子。 有趣的是台灣特殊的大學入學制度促使特定產業的人才供應特別充裕，間接的也讓台灣的產業發展集中於特殊的領域。對於台灣這樣人口基底相對有限、內需市場狹小的國家，專注與集中恰恰好是應有的發展策略。這段歷史可以讓目前竭力想發展自有半導體的國家借鑒參照，更可以讓想以其他方式掠奪產業的國家省思。

先進封裝雖然在高階手機領域應用中開始發軔，但是在半導體產業的總動員則是因2023年的AI晶片先進封裝的產能吃緊。由於先進封裝的產品供應鏈拉得很長，參與者眾，半導體業界就想起業內常見做法（common practice）—制定標準規格，以降低價值鏈各環節間協作所需要的溝通成本及時間。 考慮制定標準規格的時候需要考慮的因素主要從技術開始，制定標準的挑戰主要有下列幾點。 第一個是先進封裝目前還處於發展初期，技術變遷快速。以2.5D先進封裝為例，初期的就有CoWoS-S、CoWoS-L、CoWoS-R、CoPoS甚至CoWoP等，這還只是一家公司的規格。快速進展的技術來不及制定標準規格，也不一定值得訂定。 由於牽涉到的是封測環節，要列入考慮的因素就遠比晶片關注的電性指標要多，必須包含熱（thermal）、機械（mechanical）、可靠性（reliability）、翹曲（warpage）、應力（stress）等特性，種類繁多，制定不易。 再來是材料的種類也比較複雜。單只是基板（substrate）一項，就有矽晶圓、玻璃等，現在碳化矽（SiC）也可望入列，其他環節也是新材料的創新場域。 既然有標準規格，自然就會有伴隨的量測和檢驗，但是先進封裝通常會牽涉多個晶片，其結構及電性、功能的檢測複雜的程度依整合的程度指數上升。這些挑戰在晶片設計時就必須考慮在內，也賦予以前線路設計界術語如design for testing、design for manufacturing、design for reliability新的意義。另外，新的檢測項目就要有新的測試設備，這一切都還有待發展。 所以即使產業中有制定標準規格的念想，至今被產業界廣泛接受規格事實上很少，小晶片（chiplet）的UCIe（Universal Chiplet Interconnect express）3.0在2025年８月被持續推出，算是比較成功的案例。 以上的觀點大部分是從技術的考量來看，但是影響元件規格制定的，經濟上的考慮恐怕是更重要的因素。 半導體產業界中最成功、最知名的規格標準化元件當屬DRAM。自1993年JEDEC制定SDRAM（Synchronous DRAM）標準後，後續演化的各高階版本延用至今，成為電子系統廠商與半導體元件廠商的共用標準。 要制定一個產品的規格要有幾個先決條件。首先，產品的市值規模要夠大，這樣殫精竭慮地協商、規劃未來的產品統一規格才有價值。再來就是技術的路標明確，此點前面已經闡明。 有統一的產品標準，意味著元件廠商不必與電子系統廠商在介面規格上密切協商，元件產品推出的週期得以加速，系統設計也可以獨立進行。統一的標準也縮小產品競爭的範疇：規格一致，產品的效能也一致。不同廠家能用於競爭的只有產品的推出時間、產品的可靠性以及生產成本。 對於經濟上較有直接影響的—正面或負面的—是產品標準化以後具有大宗商品（commodity）的特性。 大宗商品，即使生產廠家數目接近寡頭壟斷，還是個完全競爭市場。這對於買家當然是福音，因為購買的成本會最佳化。對於賣家也有些自然的好處，市場價格低時會促使買家使用較多數量的產品。因為電子系統的效能有如薪資，有向下的僵硬性，因此市場規模即使在市場不景氣時還會不斷的擴大。 大宗商品市場自然也有其天生的缺陷。由於缺乏買方與賣方的粘滯性，當供需失衡時—即使缺口不大，價格的起伏會急速的傾斜，這便是大宗商品市場經常面臨的景氣週期問題。市場的景氣週期如果處於低迷階段，又恰好遇到市場外的問題—譬如金融危機，那就是傾家蕩產的時刻。事實上，目前記憶體市場的寡頭壟斷局勢就是在上次景氣大低潮時淘洗剩下的狀況。 制定先進封裝規格標準社群最推崇的經典案例是HBM。HBM是由DRAM數層堆疊而成，上下之間以矽穿孔（TSV）來連通電源、信號，這是典型的3D堆疉先進封裝。HBM的規格沿襲DRAM的優良傳統，規格已制定至HBM4、HBM4e，雖然現在產品實際只用到HBM3e。 看似HBM是先進封裝規格標準制定的經典範例，但是廠商已經放話了：要在DRAM晶片堆疊的底層置入邏輯線路的基底晶粒（base die），以針對特定客戶的客製化。看，這是寡頭壟斷產品業者的意向—邁向客製化而非標準化，而這意向自然是業者考慮自身利益最大化的結論。綜合目前先進封裝技術進展的狀況以及經濟面的考慮，我認為先進封裝規格標準的制定以及產業界的接納還有一段很長的路要走。

我過去創作插畫，必須親手完成所有細節。有了AI，只需勾勒輪廓，它便能自動補全。起初它常誤解原意，畫面失去神韻，例如我畫的Julie Andrews白描稿在AI生成後嚴重走樣。但經多次訓練，它逐漸掌握我的風格，這讓我驚覺：AI是否正從助手邁向取代插畫家？數位時代的商業插畫、遊戲設計與小說封面皆採主畫家與助手分工：前者掌構圖與人物，後者負責上色與背景。AI正改寫這一模式。它能生成完整場景與統一風格的角色，甚至依文字指令完成整幅作品。於是問題浮現：當AI成為主要執行者，作品還能稱為「插畫家的創作」嗎？傳統分工清晰，例如日本工作室由主畫家定構圖神韻，助手執行上色修飾。AI的價值，在於接手重複性高的技術任務。Midjourney、Stable Diffusion與DALL·E等工具能精準模擬筆觸與光影。插畫家輸入草圖或文字描述，AI即可快速生成背景與配色。有畫家稱它是「永不疲倦的助手」，能即時測試多種風格方案。然而，當AI能力逼近人類，界線日益模糊。若AI負責大部分視覺產出，插畫家是否仍為創作者？法律上，只要人類給予明確指令並審核成果，仍屬人類作品；但在倫理與感知上，觀眾已難分辨「人筆」與「機筆」，藝術家的獨特風格也可能被壓縮成演算法模板。插畫家如我者，選擇與AI共生，把繁瑣細節交予AI，自己專注於構圖與概念。例如先手繪草稿，再指令AI生成多種背景方案取其佳者；或在AI生成的服飾光影上再創作，注入筆觸的溫度。這種「AI助筆」模式維持藝術主導權，也提升創作效率。相對地，全由AI生成的插畫雖快速完美，卻缺乏人性的意圖與情感。AI能複製「美」的形式，卻無法體會創作的動機。正如攝影未取代繪畫，AI亦難取代插畫家，但它將重新定義插畫，使創作者更像「導演」，專注於構想與審核，而非執筆描繪。這股轉變正重塑教育與產業。傳統插畫訓練強調技藝，如今學院課程已納入AI繪圖，重點轉向提示設計與風格管理。未來插畫家或將成為「視覺策劃」或「美術監製」，其專業核心不在技術，而在圖像敘事與文化感知。我如此禱告，AI或許能取代插畫助手，卻難取代插畫家。真正的創作超越圖像輸出，重點在於觀點與情感。AI能模仿風格，卻不懂其精神。當人類視AI為協作夥伴而非敵手，插畫藝術將邁入新紀元：從筆尖延伸至演算法，從勞動密集轉向創意驅動。最終，AI取代的不是插畫家，而是耗損創作熱情的重複勞務。人類插畫家的價值，仍在於以想像構築世界，並以情感賦予畫面靈魂。我如此期盼。