●教授您是 GIS 的董事長，想請問GIS有什麼樣的產品跟光電相關的嗎？

那我大概介紹一下 GIS，我們成立於2012年，產品一開始是先從顯示器模組跟觸控模組為主。第一個客戶是蘋果(Apple)，第一個產品是顯示器模組跟觸控模組。顯示器和光電密切相關，而觸控其實有很多形式，雖然沒有直接相關，但其實會跟光電的元件搭在一起。到後來我們的產品有繼續延伸到光學的 Component ，比如說我們在做 XR 眼鏡的時候，就開始開發客戶所需要用到的光學 Component。比較知名的是去年蘋果發表的 Vision Pro，此 MR 眼鏡是一個摺疊光路，由三片叫做 Pancake 的晶片疊起來，和上面很多的光學膜組成，可以達到把光的空間縮小的效果， GIS 也從原來的顯示跟觸控的領域，跨到了 XR 眼鏡。

第二個轉型的專案是朝 AR 眼鏡的方向研發。 AR 眼鏡需要把微型顯示器的影像，導兩個角度，然後打到人眼裡面，這部分我們會進行它的波導(waveguide)的製造跟設計，也搭配微型顯示器的開發，做出Total Solution。

第三個轉型專案，我們專注在 HUD (head-up display) ，也就是抬頭顯示器。這項技術主要應用的場域為汽車駕駛，因為前擋玻璃現在可以做成顯示器，為了讓人不要低下頭來，而是可以直接看前面的路況，所以現在的影像也是直接投到前擋玻璃的螢幕上。由這些新的發展可以發現光學顯示已經突破原本我們叫 Direct View，就是直接直視型的方式，已經開始有一些光學系統的概念。這些光學系統成像為虛像，而使用者看到的影像會有一個深度，基本上我們的產品已經朝這樣的方向前進。

 

●您剛有提到 AR VR 相關，請問 Near Eye Display 是否也是這個領域會應用到的技術？

是的， Near Eye Display 搭配剛才提到的 AR 眼鏡使用，現在的模式大概有幾個模式，一個是用 LCOS 液晶在 Silicon 上面的一個驅動背板，它的面積和體積可能很小，是一個優勢。那現在最新的方式做用 MicroLED 來做，因為它的亮度也比較高，貼近人的眼球時，在近場的顯示可以達到成像的結果。

 

●之前有聽到像 NVIDIA 最近的 GTC (GPU Techonology Conference) ，就有聽說有一個東西叫 Simulation Universe ，概念是把在這個世界裡面的東西，把它移到另外一個虛擬的線上空間，想請問這個目標是否也跟 AR VR 相關？

一般講的 AR VR 眼鏡，以前是 for fun, for amusement 所以應用在一些遊戲，但事實上娛樂不足以代表現在應用的市場。例如工作場合也會用到這項技術，像以後我們工廠在做很多事情，可能有一些先端的工程師不一定要即時到現場，那當然現場也要有經驗的工程師，但更多的時候工程師不一定有時間，或是受到空間上的限制，所以我們有一個名詞叫 digital twin，也就是現在很有名的，叫數位孿身或數位雙身。這個意思是可以把現場所有的東西建模，然後可以在遠端模擬你在那個場域或情境。如果結合配戴眼鏡的話，可以有不用手持的顯示器，也可以直接融入那個現場，甚至你可以對照要去修理，或者去處理的那個裝置或case，達到親臨現場的感覺。因此顯示器在實現身歷其境的效果，是非常重要的。而 AI 扮演的角色就是驅動建構資料的部分，因為人工智慧建在蒐集很多資料然後進行訓練的基礎上。

 

●那不知道在研發或測試這些產品，或蒐集資料訓練的時候，有沒有遇到什麼問題？聽說在人工智慧的領域常常伴隨隱私或是不當的使用資料的問題，因此想請問有沒有遇到這類的困難，或遇到相似的情境？

GTC的時候黃仁勳講說人工智慧有四個階段，第一個叫 Perception AI，也就是我們講的感知。如果我們做了很多顯示或感測的相關應用，會停留在感知的階段。第二階就是生成式AI (Generative AI)，可以幫忙生成出可以對話的語言，或是可以擬真的一段文字。 第三階段會進到的是代理人 (Agentic AI)，而這個代理人才是真正依照個人的 database 去做決策，並不是好像表面會講一些話，可以告訴你一些東西，但事實上那些內容不是很實用的。Agentic的AI是依據你真正的資料和背景，幫你做決策，而才是一個有用的助理。有時候AI看起來像一個真正在對話的人，但其實運作模式很像是一隻鸚鵡，不代表他真的能夠幫你再做進一步的思考 。第四個是 Physical AI，是比較有形體的，像機器人等，那是未來的事。

回來講現在我們有的經驗，最多是在 Perception AI，因為當初我們拿來做顯示或者是感測的時候，Perception AI 幫助我們去解決語音、影像的一些問題。它主要是做辨識，所以我們必須要訓練很多的資料，才能達到元件上面所需要的辨識的引擎。這個過程當中，我們確實要收集很多資料，這裡簡單分享一下兩個問題。首先是資料的特性，可以細分成三個部分。第一個是這些資料要去做選擇。你要有很多的 Database 去訓練，如果訓練的資料裡面有錯，要把它挑出來，否則這些錯誤資料其實會徒增困擾，所以還是要藉由人工去把它挑出來，讓資料是比較正確的。第二個是數量的樣本也蠻重要的。我們也會用生成的方式或借助軟體，去生成類似的資料，讓你的 DataBase 比較大 。第三個值得提的是生成資料的過程當中，錯誤其實蠻重要的，要告訴模型這是錯的，會是它的訓練的一環。 以這樣的角度看，大概就可以自己掌握一些影像辨識或是語音辨識， AI 所需的數據。

第二個想要講的是，訓練過程也會有一些困擾，例如個資的問題。其實我們在光學的 感測上面的應用 ，會傾向於採用的 IR 這個波長，因為透過紅外線只會看到一個外觀或輪廓 ，或是材質的反射，並不會很仔細的看到那個人的長相或他的表情，有去識別化的功能，可以解決你講的個資問題。這些大概是我們的一些經驗分享，就是我們會自己訓練這些資料，而資料其實是需要做過選擇的，或我們也可以自己來訓練。另外一個就是去識別化，剛好某些感測器很適合做去識別化，特別是不可見光這個波長段蠻適合的。

 

●您在業界十分有經驗，因此想請問跟隨著這波人工智慧的風潮，未來有哪些趨勢是值得期待的，或即將起飛的產業？

其實我認為，不論研究的主題是屬於近用型還是遠用型，在不同時間點上，每個人對於研究的期待都不太一樣。但可以確定的是，大家最終仍然期望自己的研究能夠真正推進到應用層面。即便是看似距離應用還很遙遠的題目，我們仍然希望有一天它能發揮實際影響力。基於這個前提，我從學生時代一路到工作經驗中，深刻體會到一個現象：很多當初以為已經被淘汰或過時的技術，後來反而又被重新拿回來使用，而且成為非常重要的一環。我想以兩個例子來說明這件事。

首先，以我比較熟悉的顯示器產業為例。過去液晶顯示技術主要有三種模式：TN（Twisted Nematic）、MVA（Multi-domain Vertical Alignment）以及IPS（In-Plane Switching）。這三種技術各有優缺點。在當時，TN因為製程簡單且成本低廉，所以被廣泛應用於入門型產品上；MVA則因為對比度高，在大型電視市場很吃香。相較之下，IPS因為製程較為困難，而且當初的特點沒有被市場特別重視，因此一度被忽略。然而，後來蘋果公司看中了IPS技術的「超廣視角」特性，並且在其手持裝置中採用了IPS或其後來衍生的FFS（Fringe Field Switching）技術。由於蘋果的影響力非常大，市場隨即出現跟風現象，各大品牌也開始大量使用FFS技術。如今，FFS已經成為非常重要的主流技術，甚至我認為它的出貨量應該已經超過了傳統電視用面板的數量。事實上，當時台灣的顯示器大廠如友達、群創，初期對於FFS並沒有投入太多資源，直到蘋果大量採用之後，這些廠商才跟進投入資源發展手機、筆電等產品線。這個例子說明了：一項技術即使在某個階段看似被市場放棄，但如果未來有企業願意去強調它、重新賦予價值，特別是當這些企業本身具有市場主導力時，它依然有可能扭轉命運，成為重要主流。

第二個例子，我想談談光通訊（Optical Communication）。在我大學求學的九零年代，光電領域大致分為兩個被認為具有高度未來性的方向：一個是顯示器，另一個就是光通訊。那時候（大約1995年左右），光通訊的研究相當熱絡。2000年左右，鴻海集團甚至推動了所謂的「鳳凰計畫」，試圖大規模投入光纖通訊技術。然而，這波努力最終並未成功，台灣當時的光電人才也因此大多往顯示器產業發展，導致從1995年一直到2000多年之後，台灣基本上是以顯示器為主導，光通訊反而沒能成為主流產業。直到近年來，因為AI技術的崛起，光通訊又重新成為焦點。尤其在AI伺服器領域，資料傳輸量已經到達每秒兆位元（Tera bits per second）的規模，這樣巨大的資料處理需求，使得原本靠電來傳輸的方式變得不敷使用，必須轉向以光來進行高速傳輸。原本光纖通訊主要應用在長距離的資料傳輸，但現在因為AI伺服器的需求，近距離、中距離的高速光通訊也變得極為重要，甚至帶動了光電整合技術的新革命。過去這塊領域台灣沒有很大的投入，主要是由中國大陸企業主導，但如今因為AI的需求重新定義了這個產業格局。

從更廣義來看，例如台積電從高階晶圓製造到異質整合（Chiplet 整合）技術的發展，下一個重要的方向，就是要把光的傳輸技術直接整合進封裝（封裝光子學，Photonic Packaging）中。這樣的發展趨勢，預期在未來十年左右，將會成為非常重要的技術領域與應用市場。綜合以上兩個例子，不論是從硬體技術還是從光電應用來看，我個人是非常看好光電技術與半導體技術的整合發展，特別是在資料傳輸這個領域。即使某些技術在一開始看似被忽略，或未有明確應用場景，但只要保有耐心和技術深耕，一旦時代條件成熟，它們仍然有可能重新煥發新的價值與生命力。

 

●AI在製程或相關方面，是否有可能協助我們突破現有技術的限制？

其實，AI有一個很大的好處，就是它可以基於大量資料與過往經驗，進行推衍與衍生。也就是說，雖然AI需要有潛力、有品質的前期資料來做訓練，但一旦有了這些資料，它在很多領域上都能夠提供非常大的幫助。不只是剛才提到的應用面，AI在研發領域，其實也開始展現出非常重要的輔助能力。

舉例來說，我最近了解到，AI現在已經可以協助我們進行化學材料合成，特別是在分子結構創新的過程中。這裡的邏輯是：AI基於過往的資料庫，去嘗試推演出新的分子結構與合成路徑。傳統上，人類在化學創新上是透過經驗與 trial and error 的方式來摸索；但現在，AI可以基於既有知識，大幅提升的效率，而且這種嘗試並不是盲目的，是有基礎、有邏輯依據的。這樣一來，創新的速度與成功率都能被有效提升。這是AI輔助研發的一個例子。第二個例子是設計領域。不論是產品設計還是研發設計，目前也有不少人嘗試將AI導入，看看能不能設計出一些新的東西。當然，我認為這部分目前還有一段路要走，但它已經顯示出了一個很明確的發展方向。未來，AI有潛力成為設計流程中的重要輔助工具。

至於你特別提到的製程，那更是AI可以大展身手的地方。只要我們能夠累積足夠多的製程大數據，AI就可以幫助我們從中找出規律，甚至預測與延伸這些規律。這樣一來，不僅能優化現有製程，還有可能開發出新的製程路徑或解決方案。因此，無論是從研發、設計，還是製程角度來看，AI的導入都是值得期待的。它的潛力，正逐步被更多領域認識並加以運用。

 

●矽光子在晶片上的影響不可忽略。請問這對於未來的人才需求或是生產模式會有重大的改變嗎？或是對於光電這個產業會有什麼樣的影響？

剛才提到的，其實我覺得可以先從一個比較大的角度來回答。在很多專業領域當中，我們可以觀察到：隨著時間推進，後來真正價值越來越高的技術，往往都是微型化（miniaturization）的技術。不論是從電機電子的角度看、或光學光電的角度看，或是從機械材料的角度來看，微型化都變成了一個關鍵趨勢。

我反而想先從一個比較不一樣的例子──機械領域──來談。其實機械領域發展到後來，更有價值的部分，反而是在微機電（MEMS）這一塊，也就是從微米級（micrometer）做到奈米級（nanometer）的微小結構製作（micro machining）。為了製作一些光波導（optical waveguide）或光的調變元件，我們必須做到跟光波長相當的尺寸，因此必須進入奈米等級的精密製程。這就使得機械領域逐步轉向類似半導體製程的方法，朝著微型化與精密化的方向發展。如果從這個角度回頭來看，不論是電氣電子，或是光電光學相關的領域，只要能夠做到微型化、集成化（integration），它的價值就會變得非常高。集成電路（IC, Integrated Circuit）是電機電子領域的代表，而光電領域中，也有類似的趨勢──從早期的機體光學（integrated optics），到現在所謂的機體光路（integrated photonics）。

在當前這個時代，無論是攜帶輕便化，還是資料大量處理的需求，微型化、集成化都是不可避免的趨勢。而且，正如剛才提到的，在傳輸領域，電傳輸與光傳輸的結合將變得越來越重要。如果從產業需求來看，以往電氣電子領域最吃香的地方是IC產業，因為IC的更換與更新速度非常快，需求量極大。而顯示器雖然重要，但一個人一輩子可能只換過幾台顯示器，量體遠遠無法與IC相比。因此，能夠參與到晶片（chip）處理、控制、或各種應用上的微型化與集成化設計，將會是未來技術發展非常核心的一環。這也牽涉到一個更大的現象──跨領域整合。未來的技術一定不是單一領域能夠支撐的，會是電機、電子、光電、機械、材料等多領域的整合。從這個角度看，光電專業的人才，未來會有更大的機會，尤其是在光與電的整合領域。

另外一個值得注意的現象是，過去半導體產業，尤其是台積電這樣的領頭企業，長期以來專注於半導體物理與製程技術，而且發展得非常成功。不過，相對來說，這樣的發展也使得他們在光電領域的人才培育與應用整合上，顯得有些薄弱。這部分真正做得比較好的是Intel，他們在光電整合上其實走得很前面，只是因為整體經營層面沒有跟上，沒有把技術完全轉化成市場競爭力。這就顯示出一個問題：資源、研發能力與產業化之間的落差（mismatch）。從這點來看，未來如果像台積電這樣的企業，願意吸納更多具有光電背景的人才，或者從設計、製程、應用層面真正結合光電技術，我認為對於整個科技創新，會有非常正面的推動力。

我自己認為，目前光電領域的人才在台積電內部主要被用在一些比較製造端的工作，比如光罩修正（mask correction），但真正關於光電開發與訊號處理的應用，參與的人才還是非常少。事實上，目前的光電應用（尤其跟微型製程相關）大量需要的是光機、機械材料相關的人才，比如像清華大學奈米研究所那類，專門做微機電製程與微結構加工的領域。然而，真正需要被強化的，是光與電結合、訊號處理與調變（modulation and signal processing）這一塊。這裡其實是一個非常值得投入的新方向。特別是最近6G技術的興起，也需要大量高速訊號處理與光電傳輸技術，這是台灣過去比較忽略、但未來將極具潛力的領域。

總結來說，我認為：微型化、集成化與跨領域整合，加上光電與電訊號處理的深度結合，將是未來光電人才非常值得投入與期待的重要方向。光電專業的人才，如果能稍微轉向結合電機、通訊、訊號處理的領域，未來不但更有發展空間，也能在即將到來的新技術潮流中扮演更重要的角色。

 

●目前AI功能十分強大，也可以幫忙生成程式碼，因此想請問學長覺得人工智慧的時代，學生應用什麼樣的角度去因應，並學會什麼樣的能力？

對，其實這件事情我也很有感觸。在AI崛起之前，我自己曾在液晶實驗室做研究。那時候，我親自撰寫過液晶Director（液晶分子取向）隨著電場分佈變化而轉動的模擬程式，並且將光學模組放進去，最終能夠解出液晶經過調變後的光學特性。當時在實驗室，我們是自己寫程式的。正因如此，我們對液晶的物理特性和光學行為理解得非常深刻。不論最後自己寫出來的程式結果，跟後來市面上的商業軟體相比如何，我們對這些基礎原理的掌握都是非常紮實的。

其實早年也沒有什麼成熟的商業模擬軟體。後來我才知道，很多商業軟體，其實就是把學校研究出來的理論跟方法，經由合作或技術轉移，變成自己的產品。他們很樂意在初期提供免費軟體，跟各個學術單位密切合作，目的就是希望將各校的研究成果吸收進來，轉化成他們日後可以販售給更多使用者的商品。但我一直認為，回到fundamental（基礎原理），自己動手去做最基礎的研究，是非常重要的。因為這樣會讓你對技術本身有真正的「手感」，這種紮實的理解無法單靠操作現成軟體獲得。

類似的情況，其實在其他領域也存在。比如很多人在學電路設計時，現在有很多模擬軟體可以直接使用，讓人感覺好像不需要深入理解電路的運作原理就能完成設計。但事實上，這樣的方式對於真正想要深入解決問題、推動創新的工程師來說，是不夠的，因為缺乏那種對本質的直覺和敏感度。所以，我始終認為：每個專業領域的fundamental，絕對不能放棄學習。基礎的專業知識，將在未來進行技術延伸與創新時，發揮不可取代的價值。舉例來說，現在很多人覺得顯示器領域不像過去那麼熱門，但如果你真的去上顯示器相關的課程，你會發現裡面有很多基本卻重要的專業知識。這些知識，不僅能讓你了解技術背後的運作機制，還能在未來進行各種創新時，提供你更深層次的思考出發點。這是我認為非常重要的一件事。

回到AI這個話題，現在有很多新的AI工具出來，確實讓人感覺「只要訓練AI」就可以做到很多事情。從某種角度來看，這也推動了AI應用的普及——希望將AI推向「白工白業」（泛指各行各業），讓各種領域都能用上AI。但是，我認為，如果我們已經有幸身處科技最先端，站在這個能夠直接接觸fundamental、深入學習的位置上，那麼我們更應該珍惜這個機會，不應該只停留在學習工具或應用層次，而是要真正去掌握背後的基本原理，像我常常跟小孩說，會玩game的人還不是最厲害的，會寫game才是。真正從fundamental出發去學習與思考，才能在未來的技術變革中，成為推動者而不是單純的使用者。