AI晶片更新速度加快，材料研發週期也被迫同步縮短。德國默克集團（Merck KGaA；法蘭克福證交所：MRK）執行董事暨電子科技事業執行長Benjamin Hein 2日在SEMICON Taiwan 2026大師論壇指出，半導體創新週期已從過去3至4年，逐漸壓縮至每年一次；默克並利用材料模型，在進入實驗室前預測關鍵性質，部分預測的信心水準約達85%。
Hein表示，AI正在加快自身發展速度，晶片架構、記憶體與先進封裝必須頻繁更新，材料開發也不能維持傳統節奏。
「過去我們可能擁有3年或4年的創新週期，現在則逐漸變成每年一個週期。」他認為，產業若要跟上AI發展，必須將材料、製程、輸送、量測、缺陷檢測及軟體整合成共同工作流。
AI效能成本每年改善5至10倍
Hein以「取得特定能力所需的成本」（Cost to Capability）觀察AI進步速度，也就是達成特定模型能力或運算成果所需付出的成本。
依其演講中的方向性估計，AI效能成本每年可改善5至10倍，速度超過傳統摩爾定律。他將這種由晶片、記憶體、封裝、網路及軟體共同推動的進步，形容為「加速版的摩爾定律」。
Hein指出，這類改善並非來自單一元件，而是多項技術累積的結果。例如運算晶片效能提高、HBM頻寬增加、先進封裝縮短互連距離，以及軟體提高硬體利用率，都可能共同降低達到特定AI能力的成本。
因此，半導體材料不能只追求單一規格。材料即使符合純度、沉積速度或電性要求，若未能與輸送設備、製程條件及量測方法配合，仍可能無法達到量產所需的穩定度與良率。
進入實驗室前，先用模型篩選材料
面對更短的產品週期，默克已將AI導入材料研發。Hein表示，默克使用SYNTHIA軟體及材料模型，在實際合成材料之前預測關鍵性質，部分預測的信心水準約達85%。
這項模型可協助研究人員從大量候選分子或配方中，挑選較可能符合要求的組合，再進入實驗室驗證，減少無效實驗並縮短研發時間。
「材料AI不是未來式，它現在就已經存在。」Hein說。
不過，約85%指的是模型對部分材料性質的預測信心水準，不等同所有材料實驗的準確率或量產成功率。材料仍須經過實體合成、製程測試、客戶驗證及可靠度評估，才能正式導入生產。
鉬前驅物搭配輸送系統，利用率逾99%
Hein以鉬薄膜材料為例，說明整合工作流如何提高材料使用效率。默克將MoO₂Cl₂鉬前驅物與固態材料輸送系統整合，透過控制儲存、加熱及輸送條件，使材料利用率超過99%。
他指出，化學分子本身只是解決方案的一部分。若材料無法穩定輸送至製程腔體，或在不同生產批次間維持一致性，即使實驗室數據符合要求，也不一定能在量產環境中發揮效果。
先進封裝呈現「後段前段化」
AI晶片也使前段與後段製程的界線逐漸模糊。Hein指出，先進封裝對純度、缺陷及製程控制的要求，開始接近晶圓前段標準，可視為「後段製程前段化」。
過去主要用於晶圓前段的沉積、圖案化、平坦化、清洗及量測技術，如今有多項已進入2.5D、3D封裝、晶圓對晶圓及晶粒對晶圓堆疊。晶粒愈薄、鍵合間距愈小，微小顆粒、表面不平整或材料殘留，都可能造成連接失效。
默克旗下Unity-SC的相位移繞射（PSD）技術，便是將量測與缺陷檢測結合，應用於晶圓和晶粒堆疊結構，以判讀鍵合介面及結構變化。 （相關報導： SEMI大師論壇》從液晶材料轉向半導體！默克：不到十年，晶片業務占35億歐元電子事業營收八成 ｜ 更多文章 ）
Hein認為，先進封裝、共同封裝光學、量子運算與神經形態運算不會相互取代，而會同時發展。面對一年一代的創新速度，AI模型可以協助縮小材料候選範圍，但真正縮短產品上市時間的關鍵，仍是把材料、製程、設備、量測與量產驗證連接成一套工作流程。
