觀點|半導體產業應如何在大數據中淘金？

形形色色設備產生的數據量時刻不停地飛速增長，如何利用每天產生的天文數字量級數據，成為科技業面臨的一道難題。

根據思科的數據，全球互聯網吞吐量在2016年為1.2ZB（1ZB相當於10億TB或1萬億GB），預計到2021年將增長到3.3ZB每年。洶湧上漲的數據洪流，波峰越來越高，在2016年，每天數據流量同比增長了32%，而流量最高的1小時數據吞吐量同比增長了51%。

當上述統計也不完整，實際上沒有人知道全球每天產生多少數據，因為並不是所有設備的數據都會連入互聯網。

數據量本身意義不大，如何量化數據的價值才是關鍵所在，但在如何應用數據，以實現其價值方面，當前還沒有行之有效的方法。

想挖掘數據的真正價值，就要對天量數字與模擬數據進行過濾，並充分考慮應用場景，這就像沙裡淘金，大多數可能無功而返。不過，隨著計算力的提高以及大規模并行計算工具的成熟，數據過濾分析--即找到更好的應用數據方法--已經能夠創造出頗具市場前景的商業模式。

「眾多行業人士指出，不同數據應用方法與其器件和商業模式相互關聯，並對其商業、市場以及商業模式產生影響，」Synopsys董事長兼共同CEO Aart de Geus說道，「如果你能夠從中找到捷徑，提升效率，或者全新的商業模式，那就會是非常大的影響。」這也意味著高利潤的可能，「你會看到，所有從事數據處理的人都在仔細聆聽，以解碼市場未來需求，或者自行判斷當前市場需求，」deGeus繼續說道，「或者更進一步，他們準備置身於數據通路之中，從而最靠近數據商業化的中心。」

這正是資本瘋狂湧入的原因，從數據挖掘到雲端服務，從機器學習到工業物聯網，每一個數據應用場景都戰況激烈。

「誰擁有數據，具備數據分析及處理能力，誰就能把所有錢都賺走，」西門子Mentor事業部總裁兼CEO Wally Rhines這樣表示。

現在還難說數據應用是一個勝者通吃的遊戲，不過確實有不少科技巨頭在這個領域跑馬圈地，奮勇爭先，例如亞馬遜、谷歌、微軟、Facebook和IBM等掰著手指頭就可以輸出來的大傢伙。

「收集上來的物聯網數據中，包含了設備大量的性能、行為及應用數據，」IBM美洲區銷售主管Christophe Begue說道，「我們接下來會把收集到的數據丟給Watson（IBM人工智慧平台）去分析。」

現在的大問題是如何將這些數據變現，有哪些人願意為數據付費。要將數據變現，首先要做到如下幾點：第一，行業里的公司要真正懂數據的價值；其次，公司要能夠快速應對數據變化，只要比別人快百分之一秒，券商就能夠以此牟利，但現在大公司應對數據變化的反應時間通常是幾天甚至幾周；第三，變現數據的價格要有競爭力，不能波動太大。

IBM正準備將全球供應鏈的數據商業化。「供應鏈數據分為兩層，」Begue說道，「第一層是零售與快速消費品（CPG）等數據，就是那些可能會影響到食品與飲料等銷售的數據。你可以在附近的一個商店收集天氣、交通或運動賽事等相關信息，並通過交通模式追蹤它。我們用Metro Pulse平台來做數據分析，該平台會覆蓋500個數據元素，用戶既可以購買數據用於深度學習或機器學習分析，也可以全部委託IBM來做分析。第二層即我們正在導入市場的概念：供應商風險。IBM將天氣與政局變化等諸多因素納入考慮，從數據中分析供應鏈的安全程度，並根據分析結果來提升供應鏈的安全。如果注意到15個因素有風險，那麼你就會對這15個因素嚴密監控。」

IBM的服務並不是值分析已有數據，還會給出建議，洞見未來。「我們收集公開與半公開數據，有些數據只在IBM內部使用，我們建立預測模型。當然，我們也意識到，在計劃和反應之間，仍然存在差距，『決策室』概念有助於縮小計劃和行動之間的鴻溝。」

並不只外部收集的數據才有用，工業生產中，內部產生的數據就很有價值。事實上，整個智能製造的概念（德國稱為工業4.0，也有人稱之為工業互聯網）就是如何把內部數據利用好。

「一言以蔽之，工業物聯網是為了提升生產效率，」Optimal+市場副總裁David Park說，「現在這些公司都偏愛流程分析和無庫存生產，但它們真正需要的是預測性分析。預測性分析可以讓工廠受益，不過受益最多的是品牌商，品牌商和工廠可不一定是一回事。」

風險在於，數據不一定都是正確的。基於錯誤數據而做出的決定，將導致結果難以預期。

「如果數據沒問題，那麼可以把良率提高2%到3%，非常顯著的提高，」Park說道，「供應鏈上通過檢測的任何元器件的所有時間段數據都會被收集。當你拿到一些有划痕的晶圓，根據數據就能查出在哪一個環節晶圓被劃破，你也可以查看元器件在現場的老化過程。如果汽車配備了預測性維護服務，那麼你就能看到汽車在路上的相關數據。金融業同樣會受益，如果你手上有數十萬張發票，靠人工是捋不清發票之間的相互關係的。」

這種數據分析對於複雜供應鏈特別重要，半導體製造本身在數據分析與應用上先進，但整個半導體供應鏈對數據的應用，並不都能達到製造環節的水平。

「有效利用數據是智能製造顧問委員會（隸屬於SEMI）的一大主題，」SEMI協作技術平台副總裁Tom Salmon說道，「獲取數據很重要，但現在問題不是我們獲取的數據量不夠，而是因為數據利用率只有10%左右。真正的挑戰在於我們應該問什麼樣的問題，如何把數據應用於製造。所以可能會有可靠性問題，但不會有製程問題。」

）