在 10 月 15 日至 16 日於加州舊金山舉行的PDF Solutions CONNECT活動中，PDF Solutions 將發表並展示 Exensio® Aurora——這是其 Exensio 分析解決方案的一項全新、高度可擴展的架構。 Exensio Aurora 專為處理 petabyte 級別的半導體製造數據而設計，並能將代理式人工智慧安全地部署於製造營運及供應鏈各環節。
在這篇部落格文章中，PDF Solutions 總經理暨開發部門主管 Said Akar，針對促使 Exensio Aurora 開發的四個重要問題，闡述了他的見解。
- PDF Solutions 是如何持續將 IT 技術的最新發展融入 Exensio 中的？
- 為何在半導體製造領域中，我們必須超越傳統的商業智慧（BI）工具？
- 同時支援線上與線下製造應用情境的價值何在？
- 在關鍵任務級的工業應用中，該如何善用並強化大型語言模型（LLM）解決方案所提供的功能？
第一題
PDF Solutions 在半導體製造領域擁有 30 年的經驗，Exensio Solution 的新架構演進至 Exensio Aurora 的背後，究竟有何原因？
我們實際上使用「演進」這個詞是件好事，因為這正是我們每隔幾年所做的事。基本上，每隔幾年，總會出現一套當時亟待解決的新問題組合，同時也會伴隨著各種新技術或新機會，用以解決這些問題。
這並非我們第一次這麼做。過去我們已經這樣做過好幾次了。特別是上一次，主要涉及資料儲存與資料匯入。當時在儲存和匯入方面，有需要能夠處理規模大得多的資料集。而那正是上一階段的重大演進。
那麼，近期出現了哪些需求與機會呢？這些需求與機會不僅涉及需要分析的數據量，更需要將更多自動化、機器學習，以及更廣泛的人工智慧技術融入分析過程中。當然，近期這些領域的技術進步，也使得這種結合得以實現。
這意味著現在我們需要處理——讓我們的系統能夠處理更多、更多的數據，不僅限於儲存層面，還包括分析層面，尤其是半導體數據，因為它具有非常獨特的形狀、尺寸等特徵，且數據類型繁多。此外，還需將此與自動執行分析的能力相結合，並將機器學習、平行處理及人工智慧融入分析流程中，這正是需求與技術的結合。 我們覺得現在正是時候，該思考如何邁出這一步，實現這場下一次的演進。
第二題
為什麼傳統的商業智慧（BI）解決方案不足以分析半導體製造數據？
這其實是一個非常、非常常見的問題，因為現有的資料儲存或分析技術——順帶一提，這不僅僅是指 BI 工具，還包括 BI 工具以及各類資料儲存技術，例如資料庫等等。 這些技術在過去幾年來雖有許多進步，但它們總是會對特定領域內可能存在的資料形態及資料多樣性做出某些假設。
半導體真正特別之處在於：首先，我們不僅僅是擁有龐大的資料量。這些資料量極其龐大，這意味著客戶經常告訴我們，我們的資料庫及其資料量是最大的，也就是說，半導體資料是他們組織內規模最大的資料。
但除此之外，半導體之所以獨特，在於其種類繁多。因此，當提到「半導體資料」時，這並非指某一種資料，而是指數不勝數、彼此差異極大的各類資料。所以，並不能靠單一解決方案來應對所有情況。為了讓系統正常運作，您在相關方法中必須採用多種解決方案。
此外，這些元件的形狀也各不相同。以半導體數據形狀為例，其非常獨特之處在於：數據往往極為寬闊，但深度可能很淺，這便帶來了獨特的——你知道的——處理上的挑戰。因此，通用的解決方案或許可行。
總而言之，如果你能了解品種的多樣性、理解這些多樣性，並且意識到即使在同一個品種內，不同品種的形狀也大不相同，那麼你的表現將會好上許多、許多。
第三題
在新的 Exensio 架構中，該如何將雲端資料管理與線上即時解決方案結合起來？
這對我們來說是另一個非常、非常重要的議題，因為我們持續與客戶互動，協助他們建置諸如資料湖、湖屋這類系統——這類系統高度聚焦於分析需求，以及所需的離線解決方案部分。他們通常不太關注邊緣端的情況，所謂的邊緣端是指生產線工作檯、生產線現場、組裝線等區域。 而從我們的角度來看，這始終是此類情境下的一大弱點。
原因當然在於，若能擁有一個整合式系統，不僅能管理離線分析、資料湖或資料倉儲，還能以整合的方式管理邊緣解決方案，將帶來巨大的優勢。為什麼？邊緣端發生的狀況通常是資料蒐集與控制的結合。這兩者若能與分析功能（尤其是離線分析）相互整合，各自都能獲得提升；反之亦然。離線分析同樣也能透過與這兩者的整合而得到提升。
以資料蒐集為例。從分析的角度來看，其中最重要的就是資料品質。因此，資料是否完整？能否更完整？是否正確？是否經過驗證？ 若在生產現場能以整合的方式部署同一套系統，上述所有方面都能獲得改善。這對晶圓廠而言至關重要，因為如此一來，您便能證明：數據蒐集不僅能提升分析品質，還能以整合的方式優化數據蒐集與控制，進而進一步提升分析品質。
舉例來說，以控制為例。控制若具備反饋迴路功能，將能獲得顯著效益，這意味著我能將從分析中獲得的洞見，應用於實施更完善的控制措施。因此，針對我從辦公室分析中建構的模型，我可以對其進行優化，進而驗證控制層面在——例如——工作站區域所發生的狀況，同理亦適用於其他情境。 分析工作高度依賴資料品質。由於處於資料蒐集階段，這意味著我可以蒐集更多、更多樣化且更優質的資料，也就是說，從某種意義上來說，這些資料品質更高、更完整等等。
將邊緣端的資料蒐集控制與後端分析整合起來，實際上正是我們系統的關鍵環節，而我們通常認為，若缺乏這種整合性的視角，便是一種失誤。雖然在沒有整合系統的情況下，這些事情仍有可能實現，但要達成起來會困難得多、困難得多。
第四題
機器學習已應用多年，在 Exensio，我們如何支援包括大型語言模型（LLMs）在內的一系列 AI 方法？
當然，大型語言模型（LLM）的表現越來越出色。大家都不禁想說：「好吧，大型語言模型能幫我處理一切。」而且當然，大家都認同大型語言模型的表現已經非常出色了。
它們仍在持續進步。 通常會出現指數級的進步，且預期還會有更大的提升。因此，關鍵問題並非在於它們當前的能力如何，或是大型語言模型（LLM）在一個月後或六個月後會有多強大。真正的問題始終在於：身為供應商，你能否對其進行改進？特別是，無論該模型當下的狀態如何，或是它一個月後會有多好，你能否對大型語言模型進行改進？
而我們對這個問題的回答是：是的，大型語言模型（LLM）的運作方式確實存在某些固有特性，而且基於這些固有特性，無論它在某個階段已達到多麼高的水準，仍有改進的空間。這其中包含幾層含義。大型語言模型（LMM）會產生幻覺。 但沒錯，這確實可以改善。隨著系統不斷進步，這種現象會逐漸減少，但它們並非確定性系統。這意味著，歸根結底，產生「幻覺」的可能性始終存在。因此，我們需要一種既能運用大型語言模型（LLMs），又能有效控制這種現象的系統。「幻覺」在某種意義上可視為一種創造力。我們希望系統具備創造力，但並非在所有情境下都需如此。
有時候，你會希望在方法上採取更為確定性的做法。我們始終能夠有所貢獻的一個領域，就是釐清何處需要創意、何處不需要，以及需要多少創意、不需要多少。而這正是領域知識，以及系統中具備能實現此類控制的功能，之所以重要的原因。因此，對創意部分的控制至關重要。 而這通常不僅僅需要一個通用解決方案，更需要領域知識來判斷何處需要控制此類創意——是增加還是減少——以及如何基於核心知識與專業經驗來實現這一點。
此外，大型語言模型（LLM）素來以難以確保可重複性、可追溯性等特性而聞名。這意味著，如果我讓大型語言模型執行某項任務，它今天可能以某種方式處理，明天卻可能採用另一種方式。 又或者，如果我使用該大型語言模型的另一個版本，或是不同變體，得到的答案可能會大不相同。這些情況有時尚可接受，但多數時候，當你隔天提出相同問題時，理想情況下——如果那是正確答案的話——應該會得到相同的答案。
所以，就是這類情況。此外，它不一定要是「黑箱」。我們需要能夠說明：「這是生成的結果」、「這是生成的原因」、「為什麼它是正確的」，甚至可能還能輕鬆編輯這些結果。因此，可重複性、可編輯性，以及對生成內容的可視性都至關重要，而我們相信自己能夠做到這一點。
最後一點通常是，任何領域內都蘊含大量領域知識，特別是在半導體領域，而這些知識未必能被一般的大語言模型所獲取。
這種背景資訊是可以提供的。可以為這些大型語言模型（LLM）提供多種形式的客製化選項。因此，透過客製化大型語言模型，並使其具備可重複性、更高能見度等特性——這實際上等同於為系統增添記憶力——我們認為這點是必要的，無論任何特定的大型語言模型（LLM）發展到多麼先進的程度。
有關 PDF Solutions CONNECT 2026 的更多資訊及報名詳情，請點擊此連結：PDF Solutions CONNECT
PDF Solutions CONNECT 提供了一個難得的機會，讓您能與開發 Exensio Aurora 的團隊會面，並聆聽首批採用其部分功能的客戶分享經驗。
請造訪PDF Solutions CONNECT 2026會議網站，進一步了解議程、講者、地點、後勤安排及報名事宜。