產業資料庫 | 匯智科技

產業資料庫

AI賦能生活

09/03

AI賦能新藥研發：從蛋白質結構預測走向候選藥物設計，驗證能力成為競爭關鍵

AI賦能新藥研發：從蛋白質結構預測走向候選藥物設計，驗證能力成為競爭關鍵

2026/09/03－生技醫療－匯智研究團隊人工智慧正在改變新藥研發的早期流程。過去，研究人員需要透過實驗解析蛋白質結構，再從大量化合物中尋找可能與疾病標靶結合的候選分子；如今，AI可協助預測蛋白質結構與分子交互作用、篩選化合物、設計新分子，並分析臨床及真實世界資料。 AlphaFold的發展使AI藥物研發受到高度關注，但從預測一個具有潛力的分子，到證明其安全、有效且可量產，仍需經過濕實驗、動物試驗、臨床試驗及監管審查。AI能大幅擴張早期探索空間，卻不會消除生物學的不確定性。未來產業真正的瓶頸，將由「找不到候選分子」逐步轉向「是否有能力快速驗證候選分子」。目錄 • AlphaFold推動生物研究進入結構預測時代 • AI藥物研發平台由工具走向商業模式 • 價值由加速運算延伸至提高決策品質 • 實驗驗證與監管可信度仍不可取代 • 台灣可從資料、實驗與特定疾病領域切入 AlphaFold改變蛋白質結構研究蛋白質的三維結構會影響其生物功能，也是辨識藥物標靶及設計分子的重要基礎。Google DeepMind推出的AlphaFold，可根據胺基酸序列預測蛋白質結構；AlphaFold 3的範圍則進一步延伸至蛋白質、DNA、RNA、配體、離子及化學修飾之間的交互作用。這項突破並不等於AI已經「解決新藥研發」。結構預測提供的是研究起點，研究人員仍須確認疾病機制、標靶有效性、分子選擇性、毒性與人體反應。不過，當部分前期工作可以先在電腦中完成，實驗團隊便能優先驗證較具潛力的假設，降低無效嘗試。 AI藥物平台形成新商業模式 AI藥物研發業者的商業模式，大致可分為自建藥物管線、與藥廠合作，以及提供模型或平台服務。Alphabet旗下Isomorphic Labs將AlphaFold相關能力延伸至藥物設計，結合內部模型進行疾病標靶與候選分子研究。傳統藥廠也開始將內部研發資料平台化。Eli Lilly於2025年推出TuneLab，向生技公司提供由藥廠資料訓練的AI模型。Lilly表示，相關模型建立在超過10億美元的研究投入之上，顯示大型藥廠正嘗試把專有實驗資料轉化為平台優勢。這類模式可能改變藥廠與新創公司的合作關係。小型生技公司可取得原本難以負擔的運算及模型能力，大型藥廠則可透過合作取得更多疾病標靶、實驗回饋及潛在授權機會。 AI的價值在於提高決策品質新藥研發的成本不只來自實驗費用，也來自錯誤專案持續投入多年。AI若能更早排除缺乏成藥性、毒性過高或選擇性不足的分子，其價值便不只是縮短單一步驟，而是改善整個研發組合的資源配置。生成式模型還能提出過去資料庫中不存在的新分子結構，再利用性質預測模型評估溶解度、穩定性與合成難度。不過，「能夠生成」並不代表「值得製造」，候選分子仍須符合化學可合成性、專利空間、製程放大及臨床需求等條件。驗證能力與監管可信度不可取代 AI模型高度依賴訓練資料。如果特定族群、疾病或失敗實驗的資料不足，預測結果可能產生偏差。藥廠還必須處理資料來源、模型更新及結果可重現性，以證明AI產生的證據適合特定用途。美國FDA已提出以使用情境及風險為基礎的AI模型可信度評估框架，要求開發者說明模型用途、風險、資料品質及驗證方式。這說明AI可以支援監管決策，但不能以演算法輸出取代科學證據。匯智觀點 AI藥物研發的競爭，不會只由模型準確度決定。當演算法逐漸普及，真正稀缺的資源將是高品質實驗資料、疾病領域知識、濕實驗能力與臨床驗證網絡。能讓「模型預測—實驗驗證—資料回饋」快速循環的企業，才可能形成持續改善的研發優勢。台灣若只從大型基礎模型切入，較難與國際科技公司競爭；但可結合醫療體系、生技研發、臨床試驗與精密製造能力，聚焦癌症、感染症或特定亞洲族群疾病。AI帶來的機會不只是更快找到分子，而是建立以資料與驗證為核心的新型研發服務模式。

09/03

生成式AI走進工廠維修現場：工業Copilot由回答問題走向設備診斷

生成式AI走進工廠維修現場：工業Copilot由回答問題走向設備診斷

2026/09/03－智慧製造－匯智研究團隊生成式AI最初主要應用於文字生成與程式開發，如今正逐步進入工廠營運。與一般辦公場景不同，製造現場包含PLC程式、設備手冊、感測資料、維修紀錄及安全程序，任何錯誤建議都可能造成停機、品質異常甚至人員風險。因此，工業AI的競爭關鍵不在語言模型規模，而在於能否理解設備脈絡、取得即時資料，並提供可驗證的維修建議。 Siemens、Microsoft等業者正將生成式AI整合至自動化工程與維護平台，使操作員可以自然語言查詢設備異常，由系統彙整錯誤代碼、歷史維修紀錄及零件資料。這代表預測性維護正由少數資料科學專案，逐漸轉型為一般工程人員可以使用的工業Copilot。目錄 • 傳統預測性維護為何難以規模化 • Siemens將生成式AI導入工程與維修流程 • 工業AI代理開始串聯多項現場任務 • 資料斷裂與安全責任限制自主操作 • 台灣製造業應優先建立設備知識層傳統預測性維護為何難以規模化預測性維護並非新概念。工廠早已利用振動、溫度、電流與聲音資料判斷設備健康狀態，但許多導入計畫仍停留在單一機台或示範產線。主要原因是不同年代與品牌的設備使用不同通訊協定，維修紀錄格式也不一致，資料科學家即使建立模型，現場人員仍可能無法理解預警原因。生成式AI提供新的互動介面。操作員不必自行搜尋數百頁手冊，而可直接詢問錯誤代碼代表什麼、過去是否發生過類似問題，以及應先檢查哪些零件。語言模型在此扮演的是知識整合層，將分析結果轉換為現場人員能採取的行動。 Siemens將AI導入自動化與設備維修 Siemens Industrial Copilot已被導入自動化工程與產線營運。thyssenkrupp Automation Engineering使用該系統協助建立TIA Portal專案、產生PLC結構化控制語言程式，並製作機台視覺化介面；Siemens也將其用於焊接設備，使維修人員能以自然語言理解錯誤訊息，並根據設備歷史、手冊及零件清單取得建議。根據Siemens與Microsoft於2024年公布的資料，當時已有超過100家歐美企業使用Industrial Copilot。官方案例顯示，工程師可在30秒內建立操作面板視覺化內容，而系統生成的程式碼僅需約20%調整；這些數據屬供應商公布的導入結果，仍須視設備及工作內容個別評估。 2025年Siemens進一步推出工業AI代理，並將Senseye Maintenance Copilot由預測性維護擴展至反應式、預防式及預測式維護。Siemens表示，試點導入平均降低25%的反應式維修時間，反映生成式AI開始從資訊查詢走向維護流程協調。工業AI代理串聯多項現場任務傳統系統通常只能發出「設備可能異常」的警報，後續仍要由工程師查資料、調閱庫存及安排工單。工業AI代理的發展方向，是在權限允許下串聯更多任務，包括分析感測資料、判斷可能故障原因、查找維修程序、確認備品庫存並建立工單。然而，這種模式仍不代表AI可以無條件控制生產設備。較合理的導入方式，是依風險建立權限層級：低風險資訊查詢可由AI直接完成；維修排程與參數建議需經工程師確認；涉及安全連鎖、停機或設備控制的動作，則保留人工授權。資料斷裂與安全責任限制自主操作工業AI能否準確，取決於企業是否具備完整的設備履歷。如果維修紀錄仍以紙本、試算表或個人訊息保存，即使導入大型模型，也只能產生缺乏現場脈絡的一般性回答。此外，模型可能出現幻覺或引用過期版本的操作手冊。工廠必須建立文件版本、設備身分、使用者權限及建議追蹤制度，讓每項AI回答都能回溯資料來源。對連續製程、半導體及化工等高風險產業而言，資安隔離與地端部署也會成為採購評估重點。匯智觀點工業Copilot真正要解決的問題不是「工廠有沒有AI」，而是經驗能否被保存與重複使用。當資深技師退休或人員輪調，過去依靠師徒傳承的故障判斷容易流失；生成式AI若能連結設備資料與維修知識，便有機會將個人經驗轉化為組織能力。台灣製造業不宜一開始就追求全自主工廠，而應優先整理高停機成本設備的手冊、警報、感測與維修紀錄，建立可追溯的設備知識層。未來競爭力不只來自自動化設備數量，更取決於企業能否讓AI理解自己的工廠。

09/03

AI賦能先進封裝檢測：從缺陷辨識走向良率預測，製程控制成為新戰場

AI賦能先進封裝檢測：從缺陷辨識走向良率預測，製程控制成為新戰場

2026/09/03－半導體－匯智研究團隊隨著AI晶片採用HBM、Chiplet、2.5D與3D堆疊架構，先進封裝已由後段製程轉為影響系統效能與供貨能力的關鍵環節。然而，晶粒數量增加、互連間距縮小，加上矽中介層、微凸塊、混合鍵合與矽穿孔等結構日益複雜，使缺陷可能出現在表面、深層或不同材料界面。傳統抽樣檢查與固定規則演算法，愈來愈難兼顧速度、靈敏度及誤判率。 AI因此開始進入先進封裝檢測流程，透過機器視覺、深度學習與製程資料分析，辨識細微缺陷、排除影像雜訊，並協助工程師追查異常來源。這場轉型的重點並非單純導入更聰明的相機，而是將檢測結果與設備、材料及製程參數串聯，使品質管理由「發現瑕疵」逐步轉向「預測良率」。目錄 • 先進封裝複雜化推高檢測難度 • KLA、應用材料與台積電加速導入AI • AI價值由影像分類延伸至製程診斷 • 資料品質與漏檢風險仍是落地門檻 • 台灣供應鏈應建立跨站點良率資料平台先進封裝複雜化推高檢測難度傳統封裝主要負責保護晶片與建立外部連接；在AI運算架構中，封裝則承擔GPU、HBM與不同功能晶粒之間的高速互連。KLA指出，異質整合正在推動2D、2.5D與3D封裝發展，混合鍵合、嵌入式橋接、玻璃基板及共同封裝光學等技術，也使製程控制要求持續提高。封裝內只要一顆高價值晶粒或一組互連失效，便可能影響整個模組，因此缺陷造成的成本不再局限於單一晶片。當結構由平面走向立體，檢測設備還必須面對高深寬比、隱藏界面及多材料反射差異，單一光學影像已難以涵蓋所有缺陷。設備商與晶圓代工廠加速導入AI KLA已將AI導入晶圓、光罩、封裝與IC基板檢測，利用深度學習區分真正缺陷、圖案訊號及製程雜訊。其先進封裝檢測方案強調追蹤製程偏移，協助工程師監控3D IC及高密度扇出型封裝。台積電亦公開說明，智慧封裝廠利用機器學習執行自動缺陷分類，並採取Human-in-the-loop模式，結合工程師經驗與模型判讀。這說明半導體製造並未把AI視為完全自主的黑箱，而是以人機協作持續校正分類結果。應用材料則持續擴充電子束量測與缺陷複檢能力，處理混合鍵合焊墊、矽穿孔及微凸塊等2D與3D結構。其布局顯示，未來檢測競爭將是感測器、電子束、演算法與資料平台的整體競爭，而非單一設備規格比較。 AI價值由影像分類延伸至製程診斷目前AI最成熟的應用，是把大量缺陷影像自動分群，降低工程師逐張判讀的負擔。下一階段則是把缺陷位置與設備狀態、材料批次、製程條件及前後站資料連結，找出異常的共同原因。例如，模型若發現特定缺陷集中在晶圓邊緣，並與某項溫度或壓力變化同步，系統便可提早要求設備調整或安排維護。檢測設備因而從品質關卡轉變為製程回饋節點，AI的商業價值也將由節省人力，延伸至縮短良率爬升時間、減少報廢及提高產能利用率。資料品質與漏檢風險仍是門檻半導體缺陷通常具有樣本不平衡問題：正常影像數量龐大，真正影響良率的罕見缺陷卻很少。若訓練資料不足，模型可能擅長辨識既有問題，卻無法發現新型態缺陷。不同產品、封裝材料及設備產生的影像分布亦不相同，使模型難以直接跨產線移植。因此，AI檢測系統必須保留人工複核、模型版本管理、異常追溯及重新訓練機制。企業不能只以辨識準確率評估效益，更應觀察漏檢率、誤報率、檢測速度及對最終良率的實際貢獻。匯智觀點 AI賦能先進封裝的核心，不是讓機器取代品管工程師，而是把分散在影像、設備及工程人員腦中的資訊轉化為可持續累積的製程知識。未來最具價值的資產，可能不是單一缺陷辨識模型，而是能夠跨設備、跨站點追蹤缺陷來源的資料平台。台灣擁有晶圓製造、封裝測試、設備與材料供應鏈優勢，具備發展在地化AI檢測方案的條件。業者若能建立一致的缺陷標記、資料交換與模型驗證標準，不僅能提高自有產線良率，也有機會形成設備升級、分析軟體與工程服務的新市場。

研究報告

動態產能調控（按需生產）與面板價格新常態：G8.5/G10.5稼動率精準控制與面板廠獲利藍圖

動態產能調控（按需生產）與面板價格新常態：G8.5/G10.5稼動率精準控制與面板廠獲利藍圖

2026/09/10

上游核心顯示材料與設備斷鏈風險：蒸鍍機、OLED發光材料、FMM掩模版與供應鏈安全藍圖

上游核心顯示材料與設備斷鏈風險：蒸鍍機、OLED發光材料、FMM掩模版與供應鏈安全藍圖

2026/09/10

地緣政治與全球顯示供應鏈重組：China+1策略、東南亞/墨西哥LCM模組移轉與關稅避險藍圖

地緣政治與全球顯示供應鏈重組：China+1策略、東南亞/墨西哥LCM模組移轉與關稅避險藍圖

2026/09/10

空間運算與AI眼鏡微型顯示面板（Micro-displays）革命：OLEDoS、LEDoS與矽基半導體顯示藍圖

空間運算與AI眼鏡微型顯示面板（Micro-displays）革命：OLEDoS、LEDoS與矽基半導體顯示藍圖

2026/09/10

高世代8.6代（G8.6）OLED面板資本競逐與技術革命：IT用OLED、Tandem雙層架構與中韓產業鏈對決藍圖

高世代8.6代（G8.6）OLED面板資本競逐與技術革命：IT用OLED、Tandem雙層架構與中韓產業鏈對決藍圖

2026/09/10

智慧財產聲明免責聲明

Copyright © 光量子供應鏈 All Rights Reserved.