台積電全面導入 NVIDIA AI 與加速運算：從光刻到數位孿生的半導體製程革命

以下是 2026 年 6 月 1 日 GTC 台北開幕大會上，NVIDIA 與台積電共同揭露，關於 AI 與加速運算大規模導入半導體設計與製造的具體細節 。

---

合作背景：從供應 AI 晶片到用 AI 晶片製造晶片

NVIDIA 執行長黃仁勳在 GTC 台北主題演講中宣布，台積電將把更多設計與製造環節的運算負載，轉移至 NVIDIA 加速運算平台，以追求更短的週期時間、更高的能源效率、更佳的良率，以及更嚴密的製程控制 。

台積電董事長暨總裁魏哲家則將這次合作定位為，台積電的角色正從「供應 AI 晶片」延伸到「用 AI 晶片來製造晶片」，進一步深化兩家公司在技術層面的羈絆 。

---

導入的技術平台與具體成效

1. 運算光刻：NVIDIA cuLitho

• 採用工具：cuLitho，一款專為 GPU 加速運算光刻設計的函式庫 。
• 關鍵成效：相較於傳統仰賴 CPU 的運算光刻方案，在總體擁有成本（TCO）不變的前提下，晶片光罩設計的成本效益或生產週期改善了 20% 至 50% 。
• cuLitho 同時將逆向光刻技術的運算速度，相較於 CPU 系統提升了約 40 倍 。

2. 電晶體、設備與製程模擬：NVIDIA cuEST

• 採用工具：cuEST，一款 GPU 加速的電子結構模擬函式庫 。
• 關鍵成效：在半導體材料設計的化學模擬中，平均速度提升 50 倍 。這讓工程師能夠快速評估先進電晶體材料與化學配方，加速新材料的開發週期。

3. 先進製程控制與變異降低：NVIDIA cuML

• 採用工具：cuML，一款 GPU 加速的機器學習函式庫（隸屬於 RAPIDS 生態系） 。
• 關鍵成效：台積電利用 cuML 在 GPU 上執行大規模數據分析，將橫跨數千道製程步驟中的數十萬項製程參數，提煉為機器學習模型的精準輸入，藉此顯著降低製程變異並提升良率 。

4. 晶圓廠產能最佳化：NVIDIA H200 GPU 與 CUDA-X

台積電將廠務排程與營運最佳化這類繁重運算，轉移至 NVIDIA H200 Tensor Core GPU 上執行，並搭配 CUDA-X 函式庫來加速離散最佳化演算法。這不僅縮短了排程的週轉時間，更提升了整體晶圓廠的生產吞吐量 。

5. 缺陷檢測：NVIDIA Metropolis 與 TAO 工具包

• 採用平台：NVIDIA Metropolis（視覺 AI 平台）與 NVIDIA TAO 工具包（模型微調工具） 。
• 關鍵成效：透過視覺 AI 實現自動化缺陷檢測，強化了對奈米級缺陷的辨識能力，同時顯著減少了需要人工重複標註與重新訓練模型的頻率 。

6. 數位孿生探索：NVIDIA Omniverse（FabTwin）

• 採用平台：NVIDIA Omniverse，用於構建並探索名為 FabTwin 的晶圓廠數位孿生 。
• 目的：讓台積電在對實體工廠進行任何更動前，能在一個具備物理精確度的虛擬環境中，事先模擬並優化工廠佈局、物料流程、設備配置與生產物流 。

---

技術部署一覽表

工作負載領域	採用的 NVIDIA 技術	關鍵成效
運算光刻	cuLitho	成本/週期時間改善 20%–50%
電晶體/材料模擬	cuEST	化學模擬速度平均提升 50 倍
製程控制／變異降低	cuML	加速數十萬項製程參數的大數據分析
廠務排程與最佳化	H200 GPU + CUDA-X	加速離散最佳化演算法，提升產能
缺陷檢測	Metropolis + TAO 工具包	改善奈米級缺陷的自動檢測能力
數位孿生／工廠模擬	Omniverse（FabTwin）	虛擬工廠規劃與營運模擬

整個技術堆疊均運行在台積電生產廠區內部的 NVIDIA CUDA-X 函式庫與 AI 模型上，並由 NVIDIA GPU 提供算力基礎 。