TSMC พลิกโฉมโรงงานผลิตชิป ใช้ AI ของ NVIDIA ในทุกขั้นตอนการออกแบบและผลิต

นี่คือรายละเอียดที่ได้รับการยืนยันจากการประกาศในงานเปิดตัว GTC Taipei เมื่อวันที่ 1 มิถุนายน 2026 ซึ่ง NVIDIA และ TSMC ได้เปิดเผยถึงการใช้ AI และ Accelerated Computing ในทุกขั้นตอนการทำงานของ TSMC

---

บริบทของการประกาศครั้งสำคัญ

ในการกล่าวปาฐกถาเปิดงาน GTC Taipei เจนเซ่น หวง (Jensen Huang) ซีอีโอของ NVIDIA ประกาศว่า TSMC จะเริ่มใช้งานหน่วยประมวลผลแบบเร่งความเร็ว (Accelerated Computing) ของ NVIDIA ในสัดส่วนที่มากขึ้นเรื่อยๆ สำหรับงานออกแบบและผลิตทั้งหมด โดยมีเป้าหมายเพื่อให้ได้เวลาตอบสนองที่เร็วขึ้น ประสิทธิภาพด้านพลังงานที่สูงขึ้น ผลผลิตที่มากขึ้น และการควบคุมกระบวนการผลิตที่แม่นยำยิ่งขึ้น

ด้าน ซี.ซี. เว่ย (C.C. Wei) ประธานและซีอีโอของ TSMC มองว่าความร่วมมือครั้งนี้เป็นการขยายบทบาทของ TSMC จาก "การจัดหาชิป AI" ไปสู่ "การใช้ชิป AI เพื่อผลิตชิป" ซึ่งจะทำให้ความสัมพันธ์ทางเทคโนโลยีระหว่างสองบริษัทแน่นแฟ้นยิ่งขึ้น

---

เทคโนโลยีของ NVIDIA ที่ถูกนำไปใช้และผลลัพธ์ที่วัดได้

1. การพิมพ์หินด้วยคอมพิวเตอร์ — NVIDIA cuLitho

• เครื่องมือ: cuLitho เป็นคลังคำสั่ง (Library) สำหรับการเร่งความเร็วการคำนวณการพิมพ์หิน (Computational Lithography) ซึ่งเป็นขั้นตอนการออกแบบหน้ากากชิปที่สำคัญและซับซ้อนที่สุดขั้นตอนหนึ่ง
• ผลลัพธ์: ลดต้นทุนหรือระยะเวลาในการผลิตหน้ากากชิปได้ 20–50% เมื่อเทียบกับวิธีการแบบดั้งเดิมที่ใช้ CPU โดยที่ต้นทุนรวมในการเป็นเจ้าของ (Total Cost of Ownership) ยังคงเท่าเดิม นอกจากนี้ cuLitho ยังเร่งความเร็วการพิมพ์หินแบบผกผัน (Inverse Lithography) ได้เร็วกว่าระบบ CPU ถึง 40 เท่า

2. การจำลองทรานซิสเตอร์ อุปกรณ์ และกระบวนการผลิต — NVIDIA cuEST

• เครื่องมือ: cuEST เป็นคลังคำสั่งสำหรับการจำลองโครงสร้างอิเล็กทรอนิกส์ที่ถูกเร่งด้วย GPU
• ผลลัพธ์: ทำให้การจำลองทางเคมีสำหรับการออกแบบวัสดุเซมิคอนดักเตอร์เร็วขึ้นโดยเฉลี่ยถึง 50 เท่า ทำให้นักวิจัยสามารถประเมินวัสดุใหม่ๆ สำหรับทรานซิสเตอร์และสูตรทางเคมีได้อย่างรวดเร็ว

3. การควบคุมกระบวนการผลิตขั้นสูงและการลดความแปรปรวน — NVIDIA cuML

• เครื่องมือ: cuML เป็นคลังคำสั่ง Machine Learning ที่เร่งความเร็วด้วย GPU (ส่วนหนึ่งของแพลตฟอร์ม RAPIDS)
• ผลลัพธ์: TSMC ใช้ cuML ในการวิเคราะห์ข้อมูลขนาดใหญ่บน GPU เพื่อกลั่นกรองพารามิเตอร์การผลิตนับแสนรายการจากขั้นตอนการผลิตนับพันขั้นตอน ให้กลายเป็นข้อมูลนำเข้าที่แม่นยำสำหรับโมเดล Machine Learning ซึ่งช่วยลดความแปรปรวนในกระบวนการผลิตและปรับปรุงผลผลิต (Yield) ได้อย่างมีนัยสำคัญ

4. เพิ่มประสิทธิภาพการผลิตในโรงงาน — การจัดตารางงานด้วย GPU บน NVIDIA H200

TSMC ใช้ NVIDIA H200 Tensor Core GPUs และคลังคำสั่ง CUDA-X เพื่อเร่งขั้นตอนวิธีการหาค่าเหมาะที่สุด (Optimization Algorithms) สำหรับการจัดตารางการผลิตและการดำเนินงานในโรงงาน ส่งผลให้เวลาที่ใช้ในการคำนวณตารางงานลดลงและปริมาณการผลิตโดยรวมของโรงงานดีขึ้น

5. การตรวจสอบข้อบกพร่อง — NVIDIA Metropolis + TAO Toolkit

• แพลตฟอร์ม: NVIDIA Metropolis (แพลตฟอร์ม AI สำหรับการมองเห็น) และ NVIDIA TAO Toolkit (ชุดเครื่องมือสำหรับการปรับแต่งโมเดล AI)
• ผลลัพธ์: การตรวจสอบข้อบกพร่องแบบอัตโนมัติด้วย AI ด้านการมองเห็นที่สามารถตรวจจับข้อบกพร่องในระดับนาโนเมตรได้ดีขึ้น และลดรอบการทำป้ายกำกับและฝึกโมเดลใหม่ด้วยมือที่ต้องทำซ้ำๆ

6. แฝดดิจิทัลสำหรับการจำลองโรงงาน — NVIDIA Omniverse (FabTwin)

• แพลตฟอร์ม: NVIDIA Omniverse ถูกใช้เพื่อสร้างและจำลอง FabTwin หรือฝาแฝดดิจิทัลของโรงงานผลิตเซมิคอนดักเตอร์
• วัตถุประสงค์: ช่วยให้ TSMC สามารถจำลองและปรับแผนผังโรงงาน ระบบการไหลของวัสดุ การกำหนดค่าอุปกรณ์ และโลจิสติกส์การผลิตในสภาพแวดล้อมเสมือนจริงที่แม่นยำก่อนที่จะทำการเปลี่ยนแปลงใดๆ ในโรงงานจริง

---

ตารางสรุปภาพรวม

กลุ่มงาน	เทคโนโลยีของ NVIDIA	ผลลัพธ์ที่สำคัญ
การพิมพ์หินด้วยคอมพิวเตอร์	cuLitho	ลดต้นทุน/เวลาในการออกแบบได้ 20–50%
การจำลองทรานซิสเตอร์และวัสดุ	cuEST	จำลองเคมีได้เร็วขึ้น 50 เท่า
การควบคุมกระบวนการ/ลดความแปรปรวน	cuML	วิเคราะห์พารามิเตอร์การผลิตได้เร็วขึ้นหลายเท่า
การจัดตารางงานและเพิ่มประสิทธิภาพในโรงงาน	H200 GPUs + CUDA-X	เร่งขั้นตอนวิธีหาค่าเหมาะที่สุดในการผลิต
การตรวจสอบข้อบกพร่อง	Metropolis + TAO Toolkit	ตรวจจับข้อบกพร่องในระดับนาโนได้ดีขึ้น
แฝดดิจิทัล/การจำลองโรงงาน	Omniverse (FabTwin)	วางแผนและปรับปรุงโรงงานเสมือนจริงก่อนลงมือทำจริง

ระบบทั้งหมดนี้ทำงานบนคลังคำสั่ง NVIDIA CUDA-X และ โมเดล AI ที่ติดตั้งบน GPU ของ NVIDIA ภายในโรงงานผลิตชิปจริงของ TSMC