舊金山最後一屆 SEMICON West 在一兆美元的里程碑上開場
SEMICON West 2026 日前在舊金山 Moscone Center 舉行，主題為 Transform Tomorrow。根據 Tech Times 的開幕報導，本屆吸引超過 35,000 名與會者、734 家參展廠商，1,500 個攤位全數售罄。
開幕當天 SEMI Americas 總裁 Joe Stockunas 以香檳開場，慶祝全球半導體產業年營收首度跨越一兆美元。依據 SIA 的統計，2025 年全球半導體銷售額為 7,917 億美元，SIA 預估 2026 年成長 26% 後跨越一兆美元門檻，比早先預測的 2030 年提早將近四年。推升力道主要來自 AI 基礎設施採購，2025 年邏輯晶片營收成長 40% 達 3,019 億美元，記憶體則受惠於 HBM 需求帶動的 DRAM 價格上漲。
這也是 SEMICON West 在舊金山的最後一屆。SEMI 已於 2026 年 7 月 30 日宣布，自 2027 年起展會永久移師鳳凰城，並改為春季檔期，首屆訂於 2027 年 3 月 30 日至 4 月 1 日。移師的理由很直接，台積電的北鳳凰城廠區已是美國本土最先進的半導體製造聚落，展會跟著晶圓廠走。
NVIDIA 在本屆的官方活動頁將主軸定為四件事，AI 驅動的晶片設計與製造、晶圓廠數位分身、自主機器人，以及支撐半導體工作負載的 AI 工廠。NVIDIA 並未以產品展示為主，而是透過 CEO Summit 主題演講、一場 Physical AI 論壇與多場技術議程，把合作夥伴的導入成果推到台前。
主題演講 下一代晶片從 AI 開始
10 月 13 日上午的 CEO Summit 由 NVIDIA 工業與計算工程部門副總裁暨總經理 Tim Costa 登台，講題為 The Next Generation of Chips Starts With AI。同場次的講者還包括 Synopsys 執行長 Sassine Ghazi、Intel Foundry 半導體研發副總裁 Lalitha Immaneni、Micron 美國前段擴產副總裁 Scott Gatzemeier，以及美國商務部、國務院與國家科學基金會的官員。產業與聯邦政府同台的規模，說明晶片製造已被視為國家政策議題。
Costa 提出的核心概念是 AI-Defined Fab。依據 NVIDIA 10 月 14 日的新聞稿，AI-Defined Fab 指的是由 AI 協助工程師最佳化製程、排除生產問題並提升效率的半導體工廠。隨著先進晶片需求攀升，晶圓廠必須在擴產的同時管理越來越複雜的製程，工程師需要新的方法建模材料、分析檢測資料，並在數位分身中先驗證製程變更，再套用到實際產線。
Costa 在新聞稿中的說法可以歸納為一句話，半導體產業促成了 AI 革命，如今 AI 反過來改變晶片的製造方式。NVIDIA 的解法是把 CUDA-X 與 Omniverse 函式庫交給 AI 代理人，讓代理人直接呼叫加速模擬與檢測工具，協助工程師處理複雜度並提升良率。
主題演講的完整內容尚無公開逐字稿或錄影，本文以新聞稿與活動頁所揭露的內容為準，演講現場細節待查。
本屆唯一的新函式庫 cuPotential 把原子級模擬交給 AI 代理人
NVIDIA 本屆唯一全新發表的產品是 cuPotential，一個加速原子與分子交互作用模擬的 CUDA-X 函式庫。理解原子如何互動是建模半導體材料與製程的基礎，但即使在已經為 GPU 最佳化的軟體中，這類計算仍相當耗時。cuPotential 提供可嵌入既有軟體的 GPU 加速函式，協助研究人員在大量原子之間建模電場力與其他交互作用。依據 NVIDIA 新聞稿，早期測試顯示它在原本已經 GPU 最佳化的工作流程上再加速 2 到 3 倍，目前為早期存取階段，Synopsys 是首批採用者。
真正值得注意的設計是，cuPotential 把這些建模能力開放給 AI 代理人呼叫，讓代理人自行執行、評估並反覆修正分子模擬。這與 NVIDIA 過去把 cuLitho 交給 EDA 廠商的模式不同，函式庫的使用者從工程師變成代理人。
下表整理本屆揭露的 CUDA-X 函式庫與 EDA 夥伴的導入成果。
| 函式庫 | 用途 | 導入夥伴與產品 | 宣稱效益 |
|---|---|---|---|
| cuPotential | 原子與分子交互作用模擬 | Synopsys 材料模擬 | 在 GPU 最佳化流程上再加速 2 到 3 倍 |
| cuEST | 電子行為建模 | Synopsys QuantumATK | 潛在 30 倍加速 |
| cuDSS | 工程模擬求解器 | Synopsys S-Device | 12 倍加速 |
| cuDSS | 工程模擬求解器 | Cadence AuraStack AI Super Agent 搭配 Celsius | 先進封裝熱與應力最佳化快 8 倍 |
| cuDSS | 工程模擬求解器 | COMSOL 多物理模擬 | 最高 10 倍加速 |
| cuDSS 與 CUDA-X | 3D-IC 電熱機械模擬 | Voltai Voltaire 代理式平台 | 模擬流程由數月縮短為一天 |
代理式 AI 的佈局也在同步推進。Synopsys 的 AgentEngineer 可與 NVIDIA Nemotron 開放模型及 NeMo 互通，Cadence 以 Nemotron 驅動 ChipStack AI Super Agent 進行設計與驗證，COMSOL 即將推出的 COMSOL MCP Server 則採用 Nemotron Ultra 模型提供 AI 輔助建模。新創 ChipAgents 正與 NVIDIA 共同開發 Build-A-Chip Bench 基準測試，評估代理人從規格到 GDS 輸出的端到端能力，NVIDIA 將它定位為衡量全自主半導體工程進展的指標。
從製程到晶圓廠 數位分身的三層堆疊
晶圓廠仰賴數千道製程步驟，每一道都必須在投產前完成建模、調校與驗證。NVIDIA 在這一層端出三個開放函式庫，cuLitho 加速晶片圖形的運算微影，NanoVDB 加速 3D 資料的製程模擬，PhysicsNeMo 則用於訓練預測物理系統行為的 AI 模型。
10 月 14 日下午的 Smart Manufacturing 議程串成一條從製程模擬到整廠數位分身的敘事線，講者依序來自 Lam Research、Applied Materials 與 Siemens。
| 時間 (PT) | 講題 | 講者 |
|---|---|---|
| 2:25 | AI Physics for Real-Time Process Digital Twins | Russell Dover，Lam Research 自主晶圓廠策略與技術主管 |
| 2:50 | From Process to Fab: Scaling Digital Twins for Semiconductor Manufacturing | Pradeep Subrahmanyan，Applied Materials 物理輔助計算解決方案副總裁 |
| 3:15 | From Computational Lithography to Intelligent Semiconductor Manufacturing | Jim Shiely，Siemens 工程總監 |
各家揭露的導入成果如下，數據為廠商宣稱。
- Lam Research 計畫把 NanoVDB 整合進製程建模平台 SEMulator3D，預期特定晶圓蝕刻建模最高加速 30 倍，此功能目標在 2026 年底前釋出。Lam 另以 PhysicsNeMo 將電漿預測模擬從數天縮短到毫秒等級。
- Applied Materials 結合 Omniverse 與 cuDSS、cuEST、PhysicsNeMo，橫跨材料探索、製程開發與晶圓廠最佳化，腔體模擬最高加速 35 倍，並以晶圓廠數位分身最佳化廠房配置與物料流動。
- Siemens 以 cuLitho 加速 Calibre 的圖形修正與光罩準備，旗下 Solido 團隊則以 Nemotron 與 NeMo 開發代理人驅動的特性化流程。
- imec 以 cuLitho 執行運算量龐大的製程視窗光學鄰近修正，微影製程視窗改善 30%。
- Luminary 以 PhysicsNeMo 訓練封裝熱與應力預測模型，工程師可在相同時程內探索 100 倍的設計方案。
- SK hynix 的 TCAD Intelligence 團隊以 PhysicsNeMo 開發 TCAD 代理模型，NVIDIA 活動頁連結了其技術部落格，但具體加速數據待查。
可用性方面，NanoVDB 已以開放原始碼形式納入 OpenVDB，cuLitho 與 PhysicsNeMo 為既有產品，本屆主要是導入案例的更新而非新版本發布。
檢測與測試 影像函式庫與異常偵測模型進入測試機台
AI-Defined Fab 必須以足夠快的速度分析檢測影像與測試資料，才能即時攔截缺陷、維護設備並拉高良率。NVIDIA 在這一層主推兩個既有函式庫，NPP 負責 GPU 影像處理，RAPIDS cuDF 負責大型資料集處理。10 月 14 日上午的 Test Vision Symposium 開幕主題演講由 NVIDIA 可靠度工程副總裁 Gaurav Verma 主講，顯示 NVIDIA 本身作為晶片設計公司，同時也是測試技術的需求方。
| 廠商 | 導入技術 | 應用 | 宣稱效益 |
|---|---|---|---|
| KLA | NPP 新 NCC 核心 | 以產線最佳化核心的經驗改寫正規化交叉相關運算 | 比舊版 CPU 快 50 倍，與 KLA 手工調校版本相當 |
| Teradyne | NPP、RAPIDS cuDF、CuPy | 影像感測器測試與探針維護推論 | 探針劣化推論約快 85 倍 |
| Advantest | Nemotron、Kumo-Anomaly、Grace Blackwell 系統 | ACS RTDI 即時診斷並建議測試單元的矯正措施 | 以 NeMo Switchyard 代理人自動選模型，回應時間由數小時縮為數分鐘 |
| imec | NVIDIA 加速運算 | 掃描式電子顯微鏡影像去噪，用於次奈米量測 | 未揭露量化數據 |
| OMRON | Cosmos 世界模型、Metropolis 影片搜尋摘要藍圖 | 檢測設備內的代理人，結合視覺資料、設備文件與製造知識分析 PCB 缺陷 | 未揭露量化數據 |
Advantest 的案例最能說明 AI-Defined Fab 的實際樣貌。ACS RTDI 不只做資料分析，而是在 Grace Blackwell 系統上即時推論，直接對測試單元提出矯正建議，再由 NeMo Switchyard 代理人決定該用哪個模型。Kumo-Anomaly 是 NVIDIA 在 Hugging Face 上公開的異常偵測模型，這代表測試機台的決策邏輯正在從封閉韌體走向可下載的開放權重模型。
Physical AI 論壇 台積電與四大設備商同台談晶圓廠自主化
10 月 14 日下午 1 點，NVIDIA 全球半導體事業開發主管 Yiyi Wang 主持的論壇 Physical AI in the Fab: Robotics, Simulation, and Next-Generation Fab Autonomy，是本屆 NVIDIA 議程中陣容最強的一場。與談人涵蓋晶圓代工、記憶體與三大設備商。
| 公司 | 與談人 | 職稱 |
|---|---|---|
| TSMC 台積電 | Mao-Chih Huang | 製造 AI 與系統開發部門處長 |
| Applied Materials | Brad Eaton | Applied Global Services 產品行銷董事總經理 |
| Lam Research | Chris Carter | 客戶支援事業群資深副總裁暨總經理 |
| Tokyo Electron | Akihisa Sekiguchi | 美國研發資深副總裁 |
| Micron | Aaron Lum | 智慧製造 Physical AI 處長 |
論壇本身沒有公開錄影或逐字稿，與談內容待查。不過從同一下午的議程安排可以看出 NVIDIA 想談的範圍。論壇結束後，NVIDIA 半導體與 EDA 產品資深總監 Da Yang 接著講 Physical AI for Next-Generation of Semiconductor Manufacturing，傍晚則由 FANUC 研發總經理 Rick Wunderlich 與 Universal Robots 生態系主管 Michael DeGrace 分別從機器人廠商角度說明如何把 AI 機器人帶進晶圓廠。
新聞稿揭露的機器人相關導入案例有三個。FANUC 與鴻海 Foxconn 將各自的機器人模型接上 Mega NVIDIA Omniverse Blueprint，讓製造商在工廠數位分身中先模擬並驗證機器人作業，再進行實體佈署。Analog Devices 結合 Synopsys 物理模擬與 NVIDIA Isaac Sim，開發高擬真感測模擬與機器人基準測試。這些案例的共同點是先在虛擬環境中驗證，再進入無塵室。
台積電的參與值得台灣讀者留意。NVIDIA 活動頁同時連結了一篇 TSMC 與 NVIDIA 合作的新聞，說明台積電已在微影、製程模擬、晶圓廠最佳化與視覺缺陷檢測四個領域導入 NVIDIA 加速運算與 AI。
研究議程 能源牆才是一兆之後的下一道關卡
除了製造端的議程，NVIDIA Research 派出兩位研究科學家談更底層的問題。10 月 13 日 Nikola Nedovic 主講 Optical Integration for the Next Generation of AI，10 月 14 日 Brian Zimmer 主講 Energy-Efficient Data Movement for AI。兩個題目指向同一件事，AI 運算的瓶頸正從電晶體轉移到資料搬移的能耗。
這與大會的整體氛圍一致。Tech Times 的報導指出，本屆議程中最具指標性的場次是 10 月 14 日下午的 Future of AI Computing: Bending the Curve for Radical Efficiency Improvement，SEMI 把維持 AI 基礎設施成長所需的能源與電力消耗列為產業的下一個結構性問題。該報導引述 IEA 預估，2026 年全球資料中心用電約 1,000 TWh，接近日本全國用電量，並預估 2030 年再翻倍。
產業的技術回應集中在先進封裝與異質整合高峰會 APHI Summit，核心是共同封裝光學 CPO。傳統架構把訊號從運算晶片經銅線走到機箱邊緣的可插拔光模組，當每通道資料率超過 800 Gbps，這段電氣路徑的訊號完整性與功耗都成為瓶頸。CPO 把光收發器直接放進晶片封裝內或緊鄰封裝，縮短電氣路徑以降低延遲與功耗損失。NVIDIA 在 GTC 2025 發表的 Spectrum-X Photonics 與 Quantum-X Photonics 交換器是首批量產的 CPO 平台，Nedovic 的光學整合議題正是這條路線的延伸。
資安工程師的觀察 AI-Defined Fab 擴大了哪些攻擊面
以下為筆者的觀點。NVIDIA 本屆揭露的架構，把晶圓廠的決策鏈接上了三個過去不存在的介面，每一個都值得資安團隊在導入前先畫出資料流。
第一是代理人取得工具呼叫權。cuPotential 的設計目標是讓 AI 代理人自行執行並修正模擬，Advantest 的 ACS RTDI 讓代理人對測試單元提出矯正建議，COMSOL 則以 MCP Server 開放建模能力。當代理人從建議者變成執行者，提示注入與工具濫用的後果就從錯誤回答變成錯誤的製程參數。MCP 介面的身分驗證、權限範圍與稽核紀錄，應視為製程控制系統的一部分納管。
第二是模型供應鏈。本屆案例大量採用 Nemotron 開放模型，Kumo-Anomaly 直接從 Hugging Face 下載，PhysicsNeMo 訓練的代理模型則會嵌入 Lam 與 Applied Materials 的商用平台。模型檔案的來源驗證、版本固定與完整性檢查，與傳統軟體物料清單 SBOM 的要求並無二致，但多數晶圓廠的變更管理流程尚未涵蓋模型權重。
第三是數位分身與實體廠房的同步通道。FANUC 與鴻海把機器人模型接上 Mega Omniverse Blueprint，Applied Materials 以數位分身最佳化物料流動，這些分身必須持續從設備讀取資料，部分場景還會把驗證過的參數回寫實體設備。這條雙向通道正是 IT 與 OT 邊界最容易被忽略的位置。
大會本身也呼應這些疑慮。10 月 13 日有 AI and Cybersecurity Workshop 專談 AI 製造環境的資安風險，10 月 14 日的 Cybersecurity Forum 分為四個區塊，包括供應鏈韌性、標準治理與合規、新興威脅與董事會層級風險，以及 AI 在半導體資安的攻防雙面性。10 月 15 日則有 SEMI 半導體製造資安聯盟 SMCC 的年度會議，檢視產業標準的採用進度。這些場次的具體內容待查，但議程結構本身說明主辦方已把資安視為與製程同級的議題。
對台灣的意義有兩層。台積電製造 AI 部門處長在論壇上與四大設備商同台，鴻海與 FANUC 並列為機器人數位分身案例，顯示台灣供應鏈已在這套架構的核心位置。另一方面，展會明年移師鳳凰城，距離台積電亞利桑那廠區更近，北美半導體議程的重心正在從設計端的灣區移向製造端的沙漠，台灣業者的參展與觀展策略也需隨之調整。
延伸閱讀
NVIDIA at SEMICON West 2026 活動頁
Tech Times，SEMICON West 2026 Opens as Chips Cross $1 Trillion
