知識不是力量，跨越知識的鴻溝才是力量

Google了嗎？Google Generation and Search

Google能做的事，概括結論 --「分享知識」！例如當我們出門旅行時會先「google」所有所需要的資訊，住宿旅館、旅遊景點；會使用Google map和Google earth了解地理環境及交通方式；通知朋友一同陪行，我們會使用Google mail 以及 Google Calendar 分享彼此行程。回到家後，我們會用Google document 共同編寫旅遊日誌及經歷，最後再上傳Blog，成為下一個被Google的對象。 這就是Google所帶來的改變，分享知識！

Google又是如何整理、蒐集各式不同的資訊，使得知識不停的被搜尋、被利用、被傳遞呢？以下稍微簡介Google搜尋的原理，如圖一。當然，這也是Google來的。

圖一 Google 搜尋原理

收集網頁資訊

由網路蜘蛛機器人(Spider)去拜訪各個網站，將每個網頁的超連結和網頁內容檔案存放到資料庫。

整理資訊

將得到的資訊建立索引，以方便快速查找。Google使用了Bigtable資料庫，將網頁資料如excel般的存放，用空間換取時間，不介意是否有重複資料，有別於一般關聯式資料庫。

回應查詢

當使用者鍵入關鍵字時，使用Page rank將網頁評分，列出與關鍵字最相關的網頁資訊，其中page rank是一種由搜索引擎根據網頁之間相互的超鏈接計算的網頁排名技術，以Google公司創辦人拉里·佩奇（Larry Page）之姓來命名，Google的創始人拉里·佩奇和謝爾蓋·布林於1998年在史丹福大學發明了這項技術。

人工智慧 Machine learning

最近，Google的搜尋已經往Machine learning發展，利用使用者的搜尋歷史，當使用者還沒打完句子就預測出需要的結果，如圖二、圖三。

圖二 使用者歷史資料範例

圖三 Machine Learning

Machine learning，是藉由大量的資料(Data)，轉換成有意義的資訊(Information)的過程，例如累積歷史資料，進而進行預測(Prediction)。

實際的狀況，當然無法做完全的預測，但可以找到一個比較好且近似的法則，這個近似法則無法吻合所有現實情形，但至少可以代表大部份的資料訊息，例如規律性、邏輯性，就可以當作我們預測的基準，對未來進行預測(Future Prediction)。這個就是機器學習(Machine Learning)的雛型。

Google廠房設計規劃 Google Thinking Application for New FAB Plan

如何「Google」廠房設計規劃呢？舉例來說，一個新建的晶圓廠房，由於3C產業需求的波動以及研發製程的發展，設計初期產能規劃的往往是不斷變動，例如生產所需要的製程機台種類及數量，而這對廠房設計是相當重要的資訊。  

廠務(facility)規劃必須根據上述資訊，計算所需的廠務用量，例超純水、特殊氣體、化學劑量等等，然而機台數量動輒800多台，種類多達300多種，隨著先進製程的進步，機台的種類也有所變化，於是建立機台廠務用量(Utility Matrix)的資料庫便相當重要 ，可減少人工搜尋、計算的時間，以因應快速變動的產能規劃。如圖四。

圖四 Utility Matrix Database

但機台所包含的資訊相當繁雜，隨著不同部門，對於資訊量便有不同的需求，而且在建立資訊的過程中，摻雜不同的命名規則及方式，如何在眾多的資訊中獲得所需呢？藉由google資訊蒐集及搜尋的概念，利用機台的Function, Model , Vendor 作為關鍵字命名，並輸入廠務用量資訊建立資料庫，如同google index servers和doc servers。每當不同產能規劃釋出，便可利用關鍵字搜尋，快速比對資料庫中的資訊，找出相同或相似的機台廠務用量資訊。

甚至將來可以利用Machine learning的概念自動比對發現新種類或是相似於已有種類的機台，以提醒建立新的廠務用量，不斷修正該資料庫內容；以及Page Rank 的概念，將產能規劃中的最常見以及數量最多的機台，影響廠務用量最大的關鍵字權重，例如Function，列為資料庫中最重要且優先的資訊，可以更精確的搜尋、修訂其內容，以利廠房設計的規劃。

結論 - 跨越知識的鴻溝 = 力量 Conclusion

培根說「知識就是力量」，而在現今的時代，「跨越知識的鴻溝才是力量」。一個晶圓廠的設計與興建，需要各部門的知識與支援，例如RD研發的製程需求、IE部門的產能規劃、Equipment的機台需求用量、FAC的廠務用量設計等等，如何整合跨部門的資訊，藉由分享設計資訊的平台，為設計者提供更完整的知識，是我們未來可以努力的方向！