形形色色设备产生的数据量时刻不停地飞速增长，如何利用每天产生的天文数字量级数据，成为科技业面临的一道难题。
根据思科的数据，全球互联网吞吐量在2016年为1.2ZB(1ZB相当于10亿TB或1万亿GB)，预计到2021年将增长到3.3ZB每年。汹涌上涨的数据洪流，波峰越来越高，在2016年，每天数据流量同比增长了32%，而流量最高的1小时数据吞吐量同比增长了51%。
数据源于思科
当上述统计也不完整，实际上没有人知道全球每天产生多少数据，因为并不是所有设备的数据都会连入互联网。
数据量本身意义不大，如何量化数据的价值才是关键所在，但在如何应用数据，以实现其价值方面，当前还没有行之有效的方法。
想挖掘数据的真正价值，就要对天量数字与模拟数据进行过滤，并充分考虑应用场景，这就像沙里淘金，大多数可能无功而返。不过，随着计算力的提高以及大规模并行计算工具的成熟，数据过滤分析--即找到更好的应用数据方法--已经能够创造出颇具市场前景的商业模式。
“众多行业人士指出，不同数据应用方法与其器件和商业模式相互关联，并对其商业、市场以及商业模式产生影响，”Synopsys董事长兼共同CEO Aart de Geus说道，“如果你能够从中找到捷径，提升效率，或者全新的商业模式，那就会是非常大的影响。 ”这也意味着高利润的可能，“你会看到，所有从事数据处理的人都在仔细聆听，以解码市场未来需求，或者自行判断当前市场需求，”de Geus继续说道，“或者更进一步，他们准备置身于数据通路之中，从而最靠近数据商业化的中心。”
这正是资本疯狂涌入的原因，从数据挖掘到云端服务，从机器学习到工业物联网，每一个数据应用场景都战况激烈。
“谁拥有数据，具备数据分析及处理能力，谁就能把所有钱都赚走，”西门子Mentor事业部总裁兼CEO Wally Rhines这样表示。
现在还难说数据应用是一个胜者通吃的游戏，不过确实有不少科技巨头在这个领域跑马圈地，奋勇争先，例如亚马逊、谷歌、微软、Facebook和IBM等掰着手指头就可以输出来的大家伙。
“收集上来的物联网数据中，包含了设备大量的性能、行为及应用数据，”IBM美洲区销售主管Christophe Begue说道，“我们接下来会把收集到的数据丢给Watson(IBM人工智能平台)去分析。”
现在的大问题是如何将这些数据变现，有哪些人愿意为数据付费。要将数据变现，首先要做到如下几点：第一，行业里的公司要真正懂数据的价值;其次，公司要能够快速应对数据变化，只要比别人快百分之一秒，券商就能够以此牟利，但现在大公司应对数据变化的反应时间通常是几天甚至几周;第三，变现数据的价格要有竞争力，不能波动太大。
IBM正准备将全球供应链的数据商业化。“供应链数据分为两层，”Begue说道，“第一层是零售与快速消费品(CPG)等数据，就是那些可能会影响到食品与饮料等销售的数据。你可以在附近的一个商店收集天气、交通或运动赛事等相关信息，并通过交通模式追踪它。我们用Metro Pulse平台来做数据分析，该平台会覆盖500个数据元素，用户既可以购买数据用于深度学习或机器学习分析，也可以全部委托IBM来做分析。第二层即我们正在导入市场的概念：供应商风险。IBM将天气与政局变化等诸多因素纳入考虑，从数据中分析供应链的安全程度，并根据分析结果来提升供应链的安全。如果注意到15个因素有风险，那么你就会对这15个因素严密监控。”
IBM的服务并不是值分析已有数据，还会给出建议，洞见未来。“我们收集公开与半公开数据，有些数据只在IBM内部使用，我们建立预测模型。当然，我们也意识到，在计划和反应之间，仍然存在差距，‘决策室’概念有助于缩小计划和行动之间的鸿沟。”
智能制造
并不只外部收集的数据才有用，工业生产中，内部产生的数据就很有价值。事实上，整个智能制造的概念(德国称为工业4.0，也有人称之为工业互联网)就是如何把内部数据利用好。
“一言以蔽之，工业物联网是为了提升生产效率，”Optimal+市场副总裁David Park说，“现在这些公司都偏爱流程分析和无库存生产，但它们真正需要的是预测性分析。预测性分析可以让工厂受益，不过受益最多的是品牌商，品牌商和工厂可不一定是一回事。”
风险在于，数据不一定都是正确的。基于错误数据而做出的决定，将导致结果难以预期。
“如果数据没问题，那么可以把良率提高2%到3%，非常显著的提高，”Park说道，“供应链上通过检测的任何元器件的所有时间段数据都会被收集。当你拿到一些有划痕的晶圆，根据数据就能查出在哪一个环节晶圆被划破，你也可以查看元器件在现场的老化过程。如果汽车配备了预测性维护服务，那么你就能看到汽车在路上的相关数据。金融业同样会受益，如果你手上有数十万张发票，靠人工是捋不清发票之间的相互关系的。”
这种数据分析对于复杂供应链特别重要，半导体制造本身在数据分析与应用上先进，但整个半导体供应链对数据的应用，并不都能达到制造环节的水平。
“有效利用数据是智能制造顾问委员会(隶属于SEMI)的一大主题，”SEMI协作技术平台副总裁Tom Salmon说道，“获取数据很重要，但现在问题不是我们获取的数据量不够，而是因为数据利用率只有10%左右。真正的挑战在于我们应该问什么样的问题，如何把数据应用于制造。所以可能会有可靠性问题，但不会有制程问题。”
机器学习
找到关键数据，在预设参数下利用机器对数据规律进行外推，这就是机器学习的基础。这种方法已经应用于汽车自动驾驶领域，机器学习系统将辅助并最终取代人类去驾驶汽车，自动驾驶系统做决策时，需要根据行驶场景给出多种预案。
在半导体设计与制造中，也会利用机器学习来提高质量、可靠性及良率。
“采用合适的比例来抽取数据做分析，就能应用于未来的设计，”eSilicon市场副总裁Mike Gianfagna说道，“如何将机器学习算法应用于新领域是关键，在过去7年中，我们在这方面积累了很多经验，我们知道如何挖掘开发数据的价值。当你拥有大量数据时，怎么去抽取分析这些数据?如果抽取数据比例太高，你会迷失在大量数据中，如果抽取数据比例过低，又可能得不出结论。”
Gianfagna表示，在降低风险与增加效率的基础上，实现数据变现是机器学习的目标。“要做到这一点，你需要从全局上来看待大数据分析。”
与很多由大云端服务商提供服务的大数据分析相比，半导体设计和测试行业产生的数据量很少，不过半导体设计与测试数据可能更复杂。
“当前主要任务是收集数据，”NI解决方案市场总监George Zafiropoulos说道，“下一阶段的目标是通过数据分析来给出改进方法。无须刻意寻找，你就能发现数据中的价值吗?你要找的，是数据的趋势和相关性，可以将机器学习应用于任何环节。如果软件提示，本周四产线产出较低，为什么会产出低?或者特定温度与特定电压对产品性能的影响。(这些都可以用数据分析来指导)”
Zafiropoulos指出，可以将更好的芯片设计作为目标。“作为工程师，我们围绕设计来制定规则，但如果你想面面俱到，那么效率就不会高。如果在保证可靠性与性能基础上，可以减少保护规则，那将会有很大价值。很多大数据分析都是针对多个数据采集点，一座城市可能有一万个传感器，每天产生大量数据，而亚马逊的订单更是数不胜数。半导体数据比个人能处理的数据显然要多，但也远达不到亚马逊交易数据这个量级。”
然而，系统数据可能就比设计数据高几个数量级了，特别是涉及多物理层仿真时。“我们认为，7纳米将是首次导入机器学习和大数据分析的节点，数据量将会膨胀，处理速度也需要增加。” ANSYS总经理兼副总裁John Lee说道，“你需要做同步热分析。热效应影响系统的可靠性，但如果数据量增大到当前技术无法解决，那么就要引入新的方法，所以我们需要大数据技术。最新的GPU有210亿个晶体管，而且可应用于汽车，但这种规模的芯片发热量巨大，(如果散热设计不好)，发热时会增加对电路板的压力，并可能导致板子弯曲，但要知道，车用芯片使用寿命长达十年。”
总结
大数据分析在半导体产业应用还处于中段(发展期)。一方面，为提高芯片的性能、效率和可靠性，半导体产业的数据量在增长，数据分析任务在增加;另一方面，半导体产业也在发展各种技术，以充分挖掘数据用途。
这为产业带来了新的增长机会。Cadence 总裁兼CEO 陈立武表示，2015年全球联网汽车市场规模为240亿美元，到2020年，将发展到370亿美元，与之相应，深度学习市场规模2020年将达100亿美元(2015年为6亿美元)，云和数据中心市场规模将达800亿美元(2015年650亿美元)。“这将给半导体产业带来机会，”他说道，“从优化物联网到云端，都将给半导体带来很大的机会。”
现在的问题是，围绕这些数据还能做些什么，以及到底如何去实现。这将是半导体产业的一个全新机会，也许会推动半导体产业发展登上一个新台阶。
