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相當于10億TB或1萬億GB），預計到2021年將增長到3.3ZB每年。洶涌上漲的數據洪流，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%。

數據源于思科

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，因為并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，并充分考慮應用場景，這就像沙里淘金，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，并對其商業、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，”de Geus繼續說道，“或者更進一步，他們準備置身于數據通路之中，從而最靠近數據商業化的中心。”

這正是資本瘋狂涌入的原因，從數據挖掘到云端服務，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游戲，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家伙。

“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人工智能平臺）去分析。”

現在的大問題是如何將這些數據變現，有哪些人愿意為數據付費。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，并通過交通模式追蹤它。我們用Metro Pulse平臺來做數據分析，該平臺會覆蓋500個數據元素，用戶既可以購買數據用于深度學習或機器學習分析，也可以全部委托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，并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，那么你就會對這15個因素嚴密監控。”

IBM的服務并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’概念有助于縮小計劃和行動之間的鴻溝。”

智能制造

并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，整個智能制造的概念（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。”

風險在于，數據不一定都是正確的。基于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，那么可以把良率提高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。當你拿到一些有劃痕的晶圓，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，那么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系的。”

這種數據分析對于復雜供應鏈特別重要，半導體制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，并不都能達到制造環節的水平。

“有效利用數據是智能制造顧問委員會（隸屬于SEMI）的一大主題，”SEMI協作技術平臺副總裁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。真正的挑戰在于我們應該問什么樣的問題，如何把數據應用于制造。所以可能會有可靠性問題，但不會有制程問題。”

機器學習

找到關鍵數據，在預設參數下利用機器對數據規律進行外推，這就是機器學習的基礎。這種方法已經應用于汽車自動駕駛領域，機器學習系統將輔助并最終取代人類去駕駛汽車，自動駕駛系統做決策時，需要根據行駛場景給出多種預案。

在半導體設計與制造中，也會利用機器學習來提高質量、可靠性及良率。

“采用合適的比例來抽取數據做分析，就能應用于未來的設計，”eSilicon市場副總裁Mike Gianfagna說道，“如何將機器學習算法應用于新領域是關鍵，在過去7年中，我們在這方面積累了很多經驗，我們知道如何挖掘開發數據的價值。當你擁有大量數據時，怎么去抽取分析這些數據？如果抽取數據比例太高，你會迷失在大量數據中，如果抽取數據比例過低，又可能得不出結論。”

Gianfagna表示，在降低風險與增加效率的基礎上，實現數據變現是機器學習的目標。“要做到這一點，你需要從全局上來看待大數據分析。”

與很多由大云端服務商提供服務的大數據分析相比，半導體設計和測試行業產生的數據量很少，不過半導體設計與測試數據可能更復雜。

“當前主要任務是收集數據，”NI解決方案市場總監George Zafiropoulos說道，“下一階段的目標是通過數據分析來給出改進方法。無須刻意尋找，你就能發現數據中的價值嗎？你要找的，是數據的趨勢和相關性，可以將機器學習應用于任何環節。如果軟件提示，本周四產線產出較低，為什么會產出低？或者特定溫度與特定電壓對產品性能的影響。（這些都可以用數據分析來指導）”

Zafiropoulos指出，可以將更好的芯片設計作為目標。“作為工程師，我們圍繞設計來制定規則，但如果你想面面俱到，那么效率就不會高。如果在保證可靠性與性能基礎上，可以減少保護規則，那將會有很大價值。很多大數據分析都是針對多個數據采集點，一座城市可能有一萬個傳感器，每天產生大量數據，而亞馬遜的訂單更是數不勝數。半導體數據比個人能處理的數據顯然要多，但也遠達不到亞馬遜交易數據這個量級。”

然而，系統數據可能就比設計數據高幾個數量級了，特別是涉及多物理層仿真時。“我們認為，7納米將是首次導入機器學習和大數據分析的節點，數據量將會膨脹，處理速度也需要增加。” ANSYS總經理兼副總裁John Lee說道，“你需要做同步熱分析。熱效應影響系統的可靠性，但如果數據量增大到當前技術無法解決，那么就要引入新的方法，所以我們需要大數據技術。最新的GPU有210億個晶體管，而且可應用于汽車，但這種規模的芯片發熱量巨大，（如果散熱設計不好），發熱時會增加對電路板的壓力，并可能導致板子彎曲，但要知道，車用芯片使用壽命長達十年。”

總結

大數據分析在半導體產業應用還處于中段（發展期）。一方面，為提高芯片的性能、效率和可靠性，半導體產業的數據量在增長，數據分析任務在增加；另一方面，半導體產業也在發展各種技術，以充分挖掘數據用途。

這為產業帶來了新的增長機會。Cadence 總裁兼CEO 陳立武表示，2015年全球聯網汽車市場規模為240億美元，到2020年，將發展到370億美元，與之相應，深度學習市場規模2020年將達100億美元（2015年為6億美元），云和數據中心市場規模將達800億美元（2015年650億美元）。“這將給半導體產業帶來機會，”他說道，“從優化物聯網到云端，都將給半導體帶來很大的機會。”

現在的問題是，圍繞這些數據還能做些什么，以及到底如何去實現。這將是半導體產業的一個全新機會，也許會推動半導體產業發展登上一個新臺階。