Tony Funderburk is Director of Global Electronics & High Tech PLM Sales at PTC, where provides guidance and support for companies looking to accelerate innovation, manage product complexity, and drive digital transformation through Product Lifecycle Management (PLM) solutions. With more than 25 years of experience in enterprise software sales and leadership, Tony brings deep expertise across the electronics and semiconductor industries, working closely with organizations to improve product development, strengthen collaboration, and build more resilient operations.
重點摘要： 半導體企業正大力投資 AI，但許多專案因產品資料分散、缺乏完善治理機制或難以有效存取而停滯不前。成功起點在於建立工程連續性：透過 Digital Thread，將設計、製造、品質及供應鏈資料串聯於單一可追溯且完善治理的基礎架構中。
半導體產業正處於 AI 定義新時代的最前線。先進晶片的需求持續攀升，產品架構日益複雜。企業正運用 AI 縮短設計週期、提升良率、減少返工，並在整個產品生命週期中做出更明智決策。
AI 無法彌補產品資料彼此孤立問題。當需求、物料清單(BOM)、工程變更、測試結果、品質記錄及供應商資訊分散於不同系統時，AI 模型便缺乏產出可靠結果所需的完整脈絡。
組織若要擴大 AI 應用規模，首先必須先解決 工程資料分散在 PLM、MES、ERP、品質及供應商等系統所帶來隱藏成本 。
AI 發展雄心超越了資料就緒程度
這種資料就緒度落差已經在拖慢 AI 專案速度。
- Accenture 發現，61% 的企業領導者表示其企業資料資產尚未準備好無法有效支援生成式 AI 的應用。
- Gartner 研究發現，63% 的組織不確定自身是否具備適當的資料管理機制，以支持 AI 的應用與發展。
對半導體企業而言，這類風險難以有效控制，且會帶來實質的商業成本。IBM 報告指出，超過四分之一的組織估計，每年因資料品質不佳而損失逾 500 萬美元。
對半導體企業而言，這些損失往往表現在重複返工、決策延遲、工程資源重複投入，以及無法及時回應製造或品質問題。
創新之路充滿挑戰，但企業已無法再繼續等待
探索我們的資訊圖表，深入瞭解當流程瓶頸拖慢創新步伐時，企業所付出的高昂代價。
探索資訊圖表AI 就緒度取決於工程資料的連續性
對半導體企業而言，AI 就緒是一項工程連續性挑戰。產品組合可能包含數萬個 庫存品項 (SKU)、高度複雜的產品變體，以及生產周期長達數十年的產品。AI 不僅需要大型資料集，更需要具備完善治理機制的產品脈絡。
為何混合型整合元件製造商(Hybrid IDMs) 面臨半導體產業最艱鉅的挑戰
同時管理內部與外部製造單位，為產品資料的整合與管理帶來獨特挑戰。
閱讀部落格需求、產品配置、工程變更、製造記錄、測試資料、品質事件及供應商提供資料，都必須彼此連結，確保資料的原始意義與可追溯性。若無法做到這一點，團隊將耗費更多時間清理資料、整合分散的資訊，以及釐清資料差異與爭議，而非真正運用資料創造價值。
Digital Thread 正式建立這種連結的關鍵。它能串聯產品整個生命週期中的資料，從需求與設計延伸至製造、測試、品質及供應鏈。有了這些脈絡，AI 便能掌握事件發生經過、為何發生，以及可能對下游造成哪些影響。
Digital Thread 如何賦能半導體 AI
完善的 Digital Thread 可為半導體團隊帶來三項優勢：
1. 受治理的產品資料。
AI 需要乾淨、具備版本控制且具權威性的資料來源。Digital Thread 可讓產品資料保持結構化並有效控管，避免資料散落在試算表、重複的系統或僅存特定人員的隱性知識裡。
2. 跨領域可視性。
半導體開發涵蓋電子設計自動化 (EDA) 工具鏈、PLM、MES、ERP、測試及供應商系統。Digital Thread 可串聯這些不同領域資料，讓 AI 能從完體產品生命週期脈絡中學習，而非依賴彼此孤立的資料快照。
3. 知識再利用。
經驗證的 IP 區塊、已驗證的設計及已特性化的製程組態，代表多年工程工作的成果。當這些知識經過編目與治理後，AI 便能找出再利用機會，協助團隊避免從零開始。
衡量產品可視性是否到位的一項實際指標，是在設計定案後，當資料流入晶圓代工、封裝、測試及品質管理等工作流程時，仍否持續保有產品脈絡完整與關聯性。探索設計定案後的協調挑戰。
半導體產業的領導者應優先關注的事項
AI 就緒度提升，最適合採取有計畫、循序漸進的方式；半導體產業的領導者應聚焦於五項優先要務：
- 盤點資料全貌。找出關鍵產品資料的存放位置、彼此未連通系統，以及可能造成營運風險的追溯性缺口。
- 建立完善治理的產品資料基礎。以 PLM 系統作為零組件、BOM、產品配置、需求及工程變更的資料來源，讓 AI 能以權威資料為基礎運作。
- 擴展產品全生命週期的追溯能力。串聯設計、製造、測試、品質及供應鏈資料，讓團隊能夠全面掌握各項決策與 AI 生成建議所帶來的影響。
- 將知識重用融入工作流程。以可搜尋且具完善治理機制的架構，集中管理經驗證的智慧財產(IP)、經驗證的設計及歷史決策，讓 AI 能協助團隊重用既有的有效成果。
- 循序漸進導入 AI。從良率預測、變更影響分析、智慧零組件重用或品質異常偵測等高價值、資料豐富的領域著手。優先在資料基礎最最完善領域驗證AI 實際效益，再逐步擴展應用範圍並實現規模化佈署。
邁向 AI 的道路始於可信賴的資料
在 AI 驅動市場中，能夠脫穎而出的半導體企業，未必是擁有最宏大 AI 藍圖的企業，而是具備最完善、連接最緊密且最可信賴的產品資料的企業。工程資料的連續性不會拖慢 AI 導入進程，反而能讓 AI 應用更具擴展性、更可靠也更能創造實質價值。
準備好強化您的基礎了嗎？首先找出目前產品生命週期中資料與流程銜接中斷的環節。最常見的缺口包括工程與製造之間資料斷層、與外部合作夥伴交接時資訊落差，以及封裝與產品認證流程中的協作斷點。
接下來