重點解讀台積電的玻璃核心載板投影片 台積電在 6 月 11 日的日本 JPCA Show 2026，進行主題為「AIの進化に不可欠な先端パッケージング技術」的簡報，該份簡報約40頁，當中某張標題為「Glass Substrate Development for CoWoS」的投影片流出，引發廣泛關注。 以下是對該投影片（見附圖）的重點解讀，能網路科普查到的技術細節就不多說了，要注意的是投影片上的 COP 不是 Chip-on-Package 的縮寫，而是 Coplanarity、也就是平整度 / 共面度。 ▌重點結論： 1. 台積電正式宣布與 Ibiden 以及群創合作，開發玻璃核心載板（glass core substrate），結構為玻璃上下各黏合 ABF 的三層結構設計，該技術就是用於 CoPoS 的 oS。 2. 市場低估玻璃核心載板的重要性，該技術對台積電是「must have」，意即 CoPoS 中，oS 的重要性高於 CoP，這也是該技術進行測試時，先搭配既有的 CoW 而非 CoP 的原因。 3. 玻璃核心載板單價較既有 ABF 載板高出數倍，群創加工的玻璃單價非常高，為最核心的材料。除 Nvidia 外，目前已有兩家美系客戶同樣表達高度興趣。 ▌與本投影片相關的產業調查： 1. 本投影片提及的玻璃核心載板由 250x250mm 切割而來，ABF 增層主要採用 Ajinomoto 的 GL107 並混搭 ABF-GCP，以 2027–2028 主流 AI 晶片 ABF 規格的 24-28 層進行測試 2. 台積電實驗時的 CoW 是測試載具（test vehicle），足以驗證採用複合材料時最具挑戰性的機械結構問題。測試結果良好意味著台積電、Ibiden 與群創已合作突破關鍵技術瓶頸。 3. 目前是由 Ibiden 負責切割 250x250mm 的玻璃核心載板。待 2H27 採用 510x515mm 做量產前模擬時，若 Ibiden 仍想降低生產複雜性以維持超高毛利率，可能會改交由更熟悉玻璃特性的群創切割。 ▌流出的投影片內容是將 CoPoS 中的 oS、也就是玻璃核心載板（投影片中的 glass-SBT）與 CoW 搭配的技術驗證結果，這是為解決該投影片前一頁所提到的「Substrate mechanical and electrical Dilemma」，而這顯著凸顯了 CoPoS 中 oS 的重要性。 1. CoPoS 中，CoP 要解決的是生產效率 / 切割經濟性的問題，這與成本與售價有關；而 oS 要解決的是翹曲與耐用性問題，這牽涉到能否做出晶片，以及晶片能否運作。 2. CoP 與 oS 兩者整合相得益彰，但展望未來數年，兩者的技術定位還是有些差異。CoP 是可選的絕佳優化選項（very-nice-to-have），沒有它的代價就是晶片更貴；但 oS 是必需品（must-have）， 沒有它可能連能否做出可用晶片都是問題。 3. 比較定位差異不是為了捧 oS 貶 CoP，這牽涉到客戶願意為哪個技術環節付錢的現實問題，細節下面分析。 ▌投影片中含金量最高的是電源完整性（power integrity；PI）改善，這對客戶意義重大，這也代表玻璃核心載板生產穩定後，台積電獲利能力與競爭優勢可望同步提升。 1. 技術說明：玻璃核心載板薄 → TGV（through glass via）垂直導通路徑短 → 導通路徑電阻（R）跟迴路電感（L）同降 → PI 改善 2. 對客戶意義重大原因：PI 改善 → 供電更穩 → 釋出功率餘裕（power headroom）→ 可整合更多電晶體、或拉高運作時脈 → AI 晶片算力提升 3. 對客戶而言，生產效率是台積電的基本責任，客戶不會為此多付錢；但 AI 算力提升能直接轉化為客戶的競爭力與獲利，故客戶願意為此買單。這也是 Nvidia 積極看待玻璃核心載板的原因。 4. 對台積電而言，玻璃核心載板可提升良率並降低成本，同時提高 AI 晶片的算力與售價，既是降本工具，也是漲價籌碼，對獲利與競爭力都是加分。 5. 目前載板成本佔 AI 晶片 BOM 約低個位數，封裝良率造成的損失約載板成本的 5-10 倍，故即便未來玻璃核心載板成本高於目前的數倍以上，但佔 BOM 比重仍低，且可改善封裝良率造成的損失，故預期玻璃核心載板的高單價不會影響客戶採用意願。 ▌簡報後的問答環節，有聽眾提問關於玻璃核心載板的 TGV 細節，台積電當場拒絕回答，因為玻璃核心載板的關鍵技術就是 TGV，核心 know-how 目前掌握在台積電與群創手中。相較下，另一個提問者的問題是關於 IVR、eDTC、與 LSI 的整合，台積電就回答了不少。 ▌根據產業調查，若一切順利，台積電的目標是在 4Q28-1Q29 開始量產玻璃核心載板，以符合 Nvidia AI 晶片迭代節奏。順帶一提，許多人在傳的 Ibiden 的法說投影片，上面將玻璃核心載板時程列為 CY30，我對此的解讀是：對外向來保守謹慎的 Ibiden 將玻璃核心載板正式列為發展路線，這更確定了該技術長期趨勢。但從 Ibiden 投影片的其他細節與市場資訊不完全一致來看，例如 reticle 時程與台積電公開宣稱的差約一個世代、Rubin Ultra 載板尺寸明顯大於其在 CY26-27 標示的 90x90 等，這說明了在預測未來時，需隨時多方交叉驗證。

バイトダンスとアリババ、人格や話し方を設定できるAIエージェント機能を相次ぎ終了へ　中国の擬人化AI新規制が7月15日施行 | #感情表現#

陸自部隊のロゴ、批判相次ぎ使用中止　ドクロや小銃、生成AIで作成 《陸自によると、今回のロゴは2002年から使っていたロゴを新しくしようと、隊員が生成AI「チャットGPT」を使用して作った。以前のロゴにもあった「ゾウ」に加え、「擬人化」「青い炎」「かっこいい」「自衛隊」といったキーワードを入力してAIに指示。 完成したロゴは中隊長が許可し、公式Xでの投稿は第1普通科連隊長が認めたという》

帰宅。 ピアノのステージ練習を終えて、ドレスのまま外に出たら迎えを頼んでた友人が来てなくて超焦りましたが(外33℃だし着替え持ってきてない)、なんとか帰宅できて良かったです。 帰宅してからストレスで乙女ゲームのプロンプト組んで遊んでました。 Days AIアプリの方でプロンプトを提供予定です。 朝のみかん擬人化MVポスト、多分朝のX不具合の影響で見られなかった人もいるかもだから後でセルフリポストします。 やれやれ、ゆったりしよう。

ついに！ 上原亜衣（Ai‑ue）の Virtual Idol デビュー曲がついに Spotify で公開されました💿✨ これはただの曲じゃない。 これは 私の物語。夢、欲望、孤独、そして希望が詰まっています。 聴いて、感じて、私と一緒に育ててください🥺💖 ▶️ 今すぐ聴く → 👂 もし聴いてくれたらどのジャンルが合うと思うかぜひ教えてね。 👇 🔥 Hot Hits Asia -いまアジアで最も熱いサウンド- 💔 Broken Hearts & Soft Synths -やさしく胸にしみる、切ないシンセポップ- 🌌 Night Drive Tokyo -都会の夜を駆けるようなクールな一曲- 🧬 Future Ballads -静かに心を揺さぶる、未来型バラード- どのジャンルに合うかどうか絵文字でコメントしてね🔥💔🌃 🧬 「いいね！」と思ったら、シェアもよろしくお願いします🙏 #AiUehara# #バーチャルアイドル# #新曲リリース# #AIDOL# #ai-ue# 上原亞衣（Ai‑ue）的Virtual Idol出道曲終於在Spotify上公開了💿✨ 這不是一般的曲子。 這是我的故事。 充滿了夢想、慾望、孤獨和希望。 請聽一聽，感受，和我一起成長吧🥺💖 ▶️ 現在就聽 → 👂 如果你聽的話，一定要告訴我你覺得哪個體裁合適。 👇 🔥 Hot Hits Asia -現在亞洲最火爆的聲音- 💔 Broken Hearts & Soft Synths -溫柔地沁人心脾，哀切地電子流行音樂- 🌌 Night Drive Tokyo -一首酷酷的曲子,彷彿穿越了城市的夜晚.- 🧬 Future Ballads -靜靜地打動人心的未來型敘事曲- 請用表情包留言，看看適合哪種類型🔥💔🌃 🧬 如果覺得"不錯"的話，也請多多關照佔有率🙏 #AiUehara# #虛擬空閒# #發佈新歌#

# AIエージェント開発の意思決定ポイント # トレース・サンプリング率｜Trace Sampling Rate 🎯 ポイント エージェントのトレース、全量記録していますか？それとも全く記録していませんか？ 「全量か無か」ではなく「何を全量にするか」が正しい問いです。AIエージェントの1リクエストは数千〜数万トークンのトレースデータを生成します。全量記録すると観測コストが爆発し、記録しなければ障害時に原因究明が不可能。条件付きサンプリングがこのジレンマを解決します。 📋 概要 トレース・サンプリング率は、エージェントの実行トレース（各LLM呼び出し、ツール実行、意思決定のステップごとの記録）をどの割合で収集・保存するかを制御するパラメータです。100%ならすべてのリクエストのトレースを記録し、1%なら100リクエストに1件だけ記録します。 AIエージェントのトレースは従来のWebサービスのログとは質的に異なります。プロンプト全文、出力全文、ツール引数・戻り値、中間的な推論ステップなどを含めると、1リクエストで数十KB〜数百KBのデータが生成されます。さらにLLMの出力は確率的なため、「同じ入力を再投入すれば再現できる」という前提が成り立ちません。 🔍 意思決定のポイント サンプリング率はaccountability（説明責任）とcost_sensitivity（コスト感度）のバランスで決まりますが、最も重要なのは条件付きサンプリングの設計です 🎯 一律の確率ではなく、リクエストの属性に応じて率を変えます。 判定基準の優先順位: 1. エラー/例外が発生したリクエスト → 100%記録（必須） 2. HITL（人間介在）が発生したリクエスト → 100%記録 3. 高リスク操作（副作用あり、不可逆）を含むリクエスト → 100%記録 4. レイテンシがP95を超えたリクエスト → 100%記録 5. コストが閾値を超えたリクエスト → 100%記録 6. 成功したリクエスト → 標本率で記録（1〜10%） 💡 要点と詳細 目安値 📊 - エラー/例外発生 → 100%。再現性のない障害のデバッグに不可欠 - HITL発生（人間承認/エスカレーション） → 100%。承認判断の妥当性を事後検証 - 高リスク操作（送金、データ削除等） → 100%。不可逆操作の監査に必須 - レイテンシP95超過 → 100%。性能劣化の根本原因分析に必要 - 成功かつ低リスク → 1〜10%。品質の統計的モニタリングに十分 - 開発・ステージング環境 → 100%。コストが問題にならない範囲で全量記録 トレースの粒度をサンプリング率とは別に制御するのも重要です 📦 全量記録するリクエストでも、プロンプト全文はコールド層に、メタデータ（モデル名、トークン数、レイテンシ、ステータス）はホット層に分離します。 ⚖️ トレードオフ サンプリング率が低すぎると、障害の再現が不可能になります 🔍 LLMの出力は確率的なため、同じプロンプトを再投入しても同じエラーが再現するとは限りません。品質劣化の見逃し、監査要件の不達成、コスト異常の遅延検知も深刻なリスクです。 サンプリング率が高すぎると、観測コストが本番のLLM呼び出しコストに匹敵するか上回ることがあります 💸 パフォーマンスへの影響、PII（個人情報）の拡散リスク、大量データ中の信号がノイズに埋もれる問題も発生します。 サンプリング率は運用開始後に段階的に下げてください。最初は高い率（50〜100%）で始め、安定性を確認してから成功リクエストの率を徐々に下げます。 🛠️ ユースケース サンプリング判定はリクエストの終了時に行うことも検討してください 🔄 head-based sampling（開始時に決定）は実装が簡単ですが、エラーが発生するかどうかは事前に分かりません。tail-based sampling（完了後に決定）なら結果に基づいて判定できます。ただし中間データを一時的にバッファする必要があります。 correlation ID（trace ID）の伝播を確実にしてください 🔗 マルチステップのエージェント実行では、最初のリクエストから最後のツール呼び出しまで一貫したtrace IDが紐づいていないと、部分的なトレースしか得られません。非同期処理やキューを介する場合にIDが途切れやすいので要注意です。 ホット/コールド分離と組み合わせるのが効率的です。サンプリングされたトレースはコールド層に全文を、それ以外はホット層にメタデータのみを記録する構成が実用的です。 #AIエージェント# #ソフトウェアアーキテクチャ#

AIエージェントをエンタープライズシステムに組み込むプラクティス 【サーキットブレーカ＋モデルフォールバック】 💡 LLMプロバイダは落ちる。それを前提に設計していますか？サーキットブレーカとフォールバックで、単一障害点を構造的に排除しましょう。 🔥 解決する課題 - LLMプロバイダの障害・メンテナンスでエージェントが完全停止する - 障害中のプロバイダへのリトライが蓄積し、システム全体の負荷を悪化させる - 単一プロバイダへの依存が全エージェントの可用性リスクになる 🏗️ 提案パターン プライマリモデルのエラー率やレイテンシが閾値を超えたら、セカンダリモデル（別プロバイダや別リージョン）へ自動切替します。セカンダリも不可なら、キャッシュ応答や「現在対応できません」メッセージで縮退応答を返します。サーキットブレーカ（Open/Half-Open/Closed）で障害時のリクエスト洪水を防止し、復旧後はHalf-Open状態で段階的にプライマリへ戻します。この仕組みはAIゲートウェイに組み込み、個別アプリでの重複実装を避けるのが鉄則です。 ✅ 選定条件 - 向き：全本番環境（LLMの可用性変動は前提として備えるべき） - 不向き：特になし（本番運用であれば原則適用） ⚠️ 落とし穴 - タイムアウトを長くしすぎるとユーザー離脱やリソース枯渇を招く - 副作用を伴う操作のリトライは冪等キーなしでは重複実行の危険がある - フォールバックモデルの品質差を事前にevalで検証しておかないと、切替後の品質劣化に気づかない 🛠️ 実装方針 1. マルチプロバイダ抽象レイヤ（LiteLLM / Portkey）を導入し、プライマリ・セカンダリモデルの切替をアプリコードから分離します 2. サーキットブレーカ（resilience4j / Polly）をAIゲートウェイに組み込み、エラー率・レイテンシ閾値（P99の2〜3倍を起点）で Open/Half-Open/Closed を自動遷移させます 3. フォールバック先モデルの品質をevalデータセットで事前検証し、許容範囲を確認してから登録します 4. 副作用を伴う操作には冪等キーを付与し、リトライ時の重複実行を防止します 5. ヘルスチェックエンドポイントを設け、復旧検知後にHalf-Open状態で段階的にプライマリへトラフィックを戻します #AIエージェント# #エンタープライズアーキテクチャ#

AIに意識宿る？クロード内部に“ヒトの意識によく似た領域”出現→アンソロピックが「Jレンズ」で発見、「Jスペース」と命名…5ch「スカイネットや！」