思科：2021年网路流量达3.3ZB，数据分析和处理成为重点

目前半导体产业正处于数据分析的中途点，除了大量数据已被产生及分析之外，新技术的开发也让分析数据更有效率。

不过，评论认为，随之而来的问题是如何进一步利用数据，因此也可望激发更多实验与投资潮出现，一举推升半导体到新的成长阶段。

据Semiconductor Engineering报导，思科(Cisco)预估，2021年每年网路流量将从2016年的1.2ZB(Zettabyte；1ZB为1兆GB)，来到3.3ZB，而且从每日最忙碌60分钟期间的流量来看，在2016年已增加51%，相对整体流量成长则仅有32%。

评论指出，如今真正问题不在于数据量，而是有价值的数据数量为何，但目前并没有清楚定论。Synopsys执行长Aart de Geus表示，目前许多产业已发现自家业务、产品与营业模式会被不同数据运用而受影响，如果能加以利用找到捷径与效率，除了带来巨大影响力之外，也可能产生巨大获利。

于是此举也将带动许多投资，包括资料探勘(Data Mining)与云端服务以及机器学习与工业物联网(IIoT)等技术的投资。

Mentor执行长Wally Rhines指出，拥有数据、分析与处理上述数据能力者可为自己带来所有获利。目前并无法判断该市场是否是赢家全拿的局面，但至少已有许多大型公司虎视眈眈，例如亚马逊(Amazon)、Google、微软(Microsoft)、Facebook与IBM等都在争抢龙头。

其中IBM销售主管Christophe Begue指出，借由物联网(IoT)数据，外界可搜集到有关效能、行为与装置的使用资讯，下一步则是将数据丢给Watson以便执行数据分析，但该数据唯有与未从装置取得的大量外部数据或脉络数据(Context Data)配合才有意义，例如从卡车判定交通模式，借此了解人们与其社会行为。

评论认为，目前问题在于如何将数据化成获益以及确认潜在客户为何，但在这之前，企业必须了解数据真正价值，并且能快速因应数据的改变，以及具备为数据议价的能力。

另外，并非所有有用的数据都是来自外部，内部产生数据对工业运作也相当有价值。诸如智能制造或工业4.0(Industry 4.0)与工业物联网其实都是奠基在更佳利用内部数据。

Optimal+副总David Park指出，工业物联网目的就是改善工厂，目前业者虽有流程分析与即时化生产技术，但欠缺预测分析。而且问题在于并非所有数据都是好的，一旦决策来自不好的数据，也将带来无法预期的问题。Park也表示，如果数据良好，良率可大幅提升2~3%。

国际半导体产业协会(SEMI)副总Tom Salmon也指出，有效利用数据也是该协会智能制造顾问委员会(Smart Manufacturing Advisory Council)主题之一。虽然拥有数据相当重要，但问题并不在于拥有数据不足，而是目前仅使用1成的数据。

因此，业者必须厘清提出问题的方向为何，以及如何加以运用，以便达成为制造所设定的目标，例如虽然出现可靠度问题，但并非是制程问题。

评论也指出，机器学习基础在于搜集关键数据并让机器在预设参数下从中判读，目前汽车市场已利用相关系统来协助、并希望在最后取代现实世界的驾驶行为。机器学习也被运用在半导体设计与制造上来提升品质、可靠度与良率。 eSilicon行销副总Mike Gianfagna指出，一旦业者能建立具备详细程度的数据，便可运用在未来设计上，但让数据过于细或粗糙都无济于事，运用目的在于让数据产生获利并降低风险与提高作业效率。对于半导体设计与测试来说，所产生的数据量虽然远比部分由大型云端业者执行的大数据分析还要小，但更为复杂。

美国国家仪器(National Instruments；NI)副总George Zafiropoulos认为，目前技术现况在于取得数据，下一阶段则是厘清数据分析可发挥功用的地方，但有可能会导致更好的芯片设计出现。

ANSYS副总John Lee则指出，7纳米是业者首度需要产量、速度与机器学习与大数据分析的制程，由于热会影响系统可靠度，因此需要进行同时热分析。评论认为，半导体产业正处于数据分析的中间点，也衍生出许多新成长机会。

据Cadence执行长Lip-Bu Tan指出，连网车市场将从2015年240亿美元，2020年增加到370亿美元，深度学习会来到100亿美元，云端与资料中心则会来到800亿美元规模。Tan也认为，从物联网最大化到云端都会提供半导体庞大机会，但问题仍在于如何继续使用及应用数据。