封測廠導入 AI 為什麼最後全部走地端？關鍵不在保守，在客戶的保密義務

過去這段時間接觸南部封測廠的 AI 導入評估，有一個一致的結果：最後全部採用地端部署，沒有例外。

表面理由是「擔心資料外洩」。但如果理解停在這裡，就會誤判成「傳產保守」，進而給出「雲端其實很安全」這種沒有用的建議。實際的原因是結構性的。

封測廠保護的不是自己的資料

封測是代工。廠內流動的資料——晶圓良率、測試程式、失效分析報告、製程參數——絕大多數的所有權屬於 IC 設計客戶，不屬於封測廠。

這個歸屬關係改變了問題的性質。封測廠與客戶簽的保密協議，通常明文禁止將受託資料傳輸給任何第三方，而公有雲上的商用 LLM 服務在法律定義上就是第三方。

封測廠即使評估後認為雲端服務足夠安全，也沒有權限做這個決定。要用雲端，得回頭去問每一家客戶，而客戶沒有任何動機承擔這個風險。所以答案在提問之前就已經確定了。

這也修正了一個常見的誤解：業界常說傳產保守、不敢碰新技術。但封測廠拒絕雲端 AI 是在履行合約義務，不是保守。把它當成心態問題來說服，只會浪費雙方時間。

地端的實際代價

確定走地端之後，接下來的問題才是真正需要評估的：

• 硬體是一次性資本支出　不是月租。這改變了預算科目與核決層級，通常要走設備採購流程而非軟體訂閱，時程完全不同。
• 模型能力有上限　能在廠內硬體跑起來的模型，能力落後最前沿的雲端模型，這個差距在複雜推理任務上特別明顯。
• 維運責任落在自己身上　模型更新、向量庫重建、權限管理都得有人負責。這是最常被低估的一項。
• 跟進新模型有延遲　前沿模型發布後，能不能在既有硬體上跑、要多久才跑得動，是另一個變數。

所以地端該拿來做什麼

關鍵在於：選擇不需要前沿模型能力就能做好的任務。地端模型能力有限是事實，但很多真正有價值的廠內任務，本來就不需要最強的推理能力。

適合的：

• SOP 與規範文件的檢索問答——資料量大、答案有標準、價值在於省下翻文件的時間
• 工單與異常回報的分類與路由
• 會議紀錄與日報表的整理
• 教育訓練教材的初稿產出

不適合的：

• 良率分析與製程最佳化。這是統計與領域知識的問題，不是語言模型的問題。把良率分析和 LLM 混為一談，是這個產業目前最常見的認知落差，也是最容易造成期待落空的地方。
• 需要跨大量結構化資料做精確計算的任務

給評估中的封測廠

建議的順序是：

一、先確認資料歸屬與 NDA 條款，而不是先比較模型。這一步會直接刪掉大部分選項，省下大量評估時間。很多廠是花了好幾輪會議比較各家雲端服務之後，才發現合約根本不允許。

二、選一個文件密集、答案有標準的任務當第一個標的。不要一開始就挑良率——那是最難的，失敗了會讓整個組織對 AI 失去信心。

三、先確定維運由誰負責，再談採購。沒有指定負責人的導入案，通常在半年內回到原本的做法。

地端之後，還有三件事要決定

確定走地端只是第一步。真正花時間的是接下來這三個決定：

一、模型放在哪一層。放在廠內的中央機房，還是各產線的邊緣裝置？前者好管理但有網路延遲，後者反應快但要維護多份模型。判準是：這個判斷需要多快回應？如果是即時的製程控制，邊緣；如果是報告彙整與查詢，中央。

二、誰有權限問什麼。地端不等於全公司都能查。封測廠的資料按客戶隔離，AI 系統也必須沿用同一套隔離——A 客戶的工程師不能透過問答系統問出 B 客戶的良率。這件事在導入前就要設計，事後補會很痛。

三、模型更新怎麼進來。地端最容易被忽略的長期成本。新版模型出來時，誰負責測試、誰決定要不要換、換的時候產線要不要停。這個流程沒有先講好，系統會停在導入時的版本好幾年。

常見問題

封測廠為什麼不能用雲端 AI 服務？

關鍵不在於封測廠自己怕，而在於資料所有權。廠內流動的良率資料、測試程式、失效分析報告，所有權多屬於 IC 設計客戶。與客戶簽的保密協議通常明文禁止把受託資料傳給任何第三方，而公有雲上的商用 LLM 在法律定義上就是第三方。因此封測廠即使評估後認為雲端夠安全，也沒有權限做這個決定——這是履行合約，不是保守。

地端部署是不是就等於符合資安要求？

不是。地端解決的是「資料不離開廠區」這一件事，但存取控管、稽核軌跡、留存期限、客戶間的資料隔離這些要求，一項都不會因此自動滿足。特別是客戶隔離——封測廠的資料按客戶分隔，AI 問答系統也必須沿用同一套隔離，否則會出現 A 客戶的工程師問出 B 客戶良率的情況。

地端導入最容易被低估的成本是什麼？

模型更新的流程成本。新版模型出來時，誰負責測試、誰決定是否更換、更換時產線要不要停——這個流程若沒有事先講好，系統往往會停留在導入當時的版本好幾年，逐漸失去效益。硬體採購是一次性的，維運流程才是長期負擔。

出處與延伸依據

本文為賴家榮的顧問現場觀察，非編譯外電，不含實測統計數字。不同封測廠的客戶結構與資料治理成熟度差異很大，實際做法需個案評估。

關於地端不等於自動合規的討論，可參考本站的地端不等於隱私一文；跨法域的治理要求可參考 NIST AI RMF（AI 100-1）。

延伸來源

以下為與本文論點相關、且經實際查閱確認的外部來源。標示為預印本者尚未經同儕審查，引用時請留意。

• NIST, "AI Risk Management Framework"（NIST AI 100-1，2023-01-26）：www.nist.gov
• Zhang et al., "Long Context Compression with Activation Beacon", arXiv:2401.03462（2024-01-07）：arxiv.org
• EU Artificial Intelligence Act — Implementation Timeline（法案整理與追蹤網站，非官方發布管道）：artificialintelligenceact.eu