CPU 是怎麼做出來的?

更新於 發佈於 閱讀時間約 9 分鐘
raw-image

你手上的手機裡、家裡的電腦中,心臟都是同一類的小東西:CPU(中央處理器)。

它小得像螞蟻,卻包含了超過 260 億顆電晶體(transistors)。這是什麼概念?等於在一個指甲大小的空間裡,要裝入數十個國家所有人的手指指紋那麼多的元件。這不是一個我們日常會仔細想像的技術,但它早已成為現代文明的機械心臟。


現代 CPU 有多複雜?

現代 CPU 不再是單一核心,而是設計階段就佈局好多個核心模組,彼此透過共享快取、互聯結構與時脈協調機制協同運作。一顆晶片內常搭載 24 個核心以上,還有圖形處理器(GPU)、記憶體控制器、優先執行單元、系統串行、計時器……這一切都要穩定地執行。

而這顆處理器的元件,是超過 260 億顆的電晶體,這些電晶體是由計算、記憶、分支邏輯的基礎組成。這些電晶體的設計目前多以 FinFET(鰭式場效電晶體)為主,並逐步邁向 GAA(環繞閘極)與 CFET(互補式場效電晶體)架構,雖然內部結構不同,但所依賴的製程平台是一致的。我們日常使用的 CPU,其實背後主要分成兩個不同角色:

  1. CPU 設計商:他們負責設計 CPU 的架構與邏輯電路,不一定自己動手製造晶片。包括Apple、Qualcomm、MediaTek、NVIDIAIntel、AMD
  2. CPU 製造商:他們擁有晶圓廠,專門負責實際把設計變成實體晶片。包括TSMC、Samsung、Intel

每一道製程的良率有多重要?

做一顆 CPU,可能要經過超過 1000 道製程步驟,包含數百次光刻、蝕刻、鍍膜、沉積與清洗等動作。只要一個步驟出錯,整片晶圓可能就報廢。假設每一道製程的良率是 99%,那麼 0.99 的一千次方 ≈ 0.000043,也就是萬分之四的整體良率。因此,實務上晶圓廠會追求:

  • 單步良率達 99.95%~99.99%
  • 整體晶圓良率 70~95%(邏輯晶片)
  • 記憶體晶片良率甚至超過 95~99%

良率不只是技術問題,更是經濟問題,直接影響一片晶圓能夠出貨多少顆合格晶片。


前段製程前置:從沙變成矽,一塊晶圓的誕生

raw-image

在電晶體誕生之前,我們得先有矽晶圓。這些晶圓並不是直接從石頭切下來,而是來自一種極高純度的熔融矽液,將其拉伸成單晶矽棒,再切割、研磨與拋光成一片片平整晶圓。這個過程的關鍵是單晶性,因為只有原子排列一致的晶體,才能在之後的電晶體製作中,確保電子流動精確與高速。

為什麼用矽?因為矽的能隙(band gap)約為 1.1 eV,適合可控導電。這也是半導體名稱的來源。透過摻雜(doping)形成 N 型(加磷)與 P 型(加硼)區域,就能建構出所有邏輯電路的核心結構:PN 接面。


CPU 製造旅程

1. 前段製程(FEOL, Front-End of Line)

建構電晶體本。包含電晶體的種植與通道形成,如離子佈植、退火處理,對應電晶體結構建立。這一階段的尺寸最小,也是整個製程中最關鍵的部分,需要仰賴最先進的光刻技術,例如 ASML 的 EUV 光刻機。

2. 中段製程(MOL, Middle of Line)

打通電晶體與金屬互連的橋梁。建立接觸孔(contact)與中介層結構,連結電晶體與第一層金屬(M0)。在半導體領域,我們常以 M0(第一層金屬互連)作為起點,向上一路命名至 M17,代表第 17 層金屬連線結構。實際層數依晶片設計而異,不一定每一顆都做到 17 層,但這樣的命名方式提供了一種構造理解。這些金屬層與電晶體、vias 層穿插排列,組成了一顆 CPU 的立體邏輯與資料通道。

3. 後段製程(BEOL, Back-End of Line)

從 M0 到 M17 的金屬互連堆疊。堆疊金屬線、絕緣層與 vias,負責整體數據傳輸路徑的建立。目前最上層的金屬結構主要負責供電,但隨著電晶體密度提升、功耗增加,傳統「由上而下」的供電路徑已逐漸成為瓶頸。因此未來可能朝向「從晶圓背面供電」(Backside Power Delivery)的架構,將大幅改變 BEOL 與封裝的協作方式。

4. 封裝階段(Packaging): 將切割好的晶片(Die)裝配到封裝基板上,並整合電力與訊號的輸入輸出。此階段包含焊球、打線、模塑、測試與最終組裝。

目前各家晶片廠商如 TSMC 使用 CoWoS(Chip-on-Wafer-on-Substrate)來堆疊高頻記憶體與加速器,Intel 則發展 EMIB(Embedded Multi-die Interconnect Bridge)與 Foveros 等先進封裝技術實現異質整合。這些封裝策略將在日後針對 AI 晶片與高效能運算中扮演越來越關鍵的角色。

5. 測試與分級(Testing & Binning): 每顆晶片都必須經過功能測試與穩定性評估。根據良率與效能表現,進行分類與命名,例如同一批晶片可能會出現 i5、i7、i9 等等。

6. 出貨與封裝整合(Final Assembly & Shipping): 合格晶片會被裝配到正式產品中,可能是主機板上的插槽、筆電的主板或手機的系統單晶片封裝(SoC)。

補充:一顆晶片是否就等於一個 CPU?一顆晶片(chip / die)可以是一個 CPU(例如桌上型處理器;多核心 CPU(像是內建 4 核、8 核、24 核的處理器)或一個 SoC(System on Chip),包含 CPU 核心、GPU、記憶體控制器、I/O 等功能整合。多核心不是靠後期佈線拆分而成,而是在設計階段就同時規劃多個邏輯核心,彼此透過共享快取、高速互聯與共同控制器協作運作。隨著製程演進與面積壓縮,一顆晶片中容納多個核心已成為主流。


前段製程:在晶圓裡「種」出開關

raw-image

這些最底層的電晶體區塊是透過離子佈植種入矽晶片中,形成 P/N 型結構。離子佈植→退火→沉積閘極→建立接觸孔→連接至 M0 金屬層,這整段過程構成中段製程(MOL)與前段製程(FEOL)核心。

電晶體就是一種開關,而 FinFET 只是其中一種設計。未來的新型電晶體還包含了 GAA(環繞閘極)、CFET(互補堆疊)等結構,它們雖然外形不同,但本質都是為了實現「高速」、「低功耗」、「高密度」這三大目標。


中段製程:一層金屬是怎麼做出來的?

TSMC N3E 產品剖面圖

TSMC N3E 產品剖面圖

想像你要做一顆八十層的蛋糕,每一層都要用不同形狀的模具切出圖案、再塗上不同材料、堆起來還不能垮,這就是製作 CPU 的過程。讓我們從其中一層金屬互連的製程說起。

第一步,是在晶圓上先鍍上一層絕緣材料,通常是氧化矽(silicon dioxide)。接著會塗上一層光阻劑(photoresist),這是一種對紫外線(UV)光敏感的材料。

第二步,把晶圓送進光刻機(photolithography tool),經過光罩投影後,光阻劑會出現圖案。未曝光的區域將被溶劑沖掉,接著再進行等離子體蝕刻,把裸露的氧化矽刻出微溝。

然後會沉積一層金屬(例如銅或鎢),填滿這些微溝。最後透過化學機械研磨(CMP),把多餘的金屬磨掉,留下只在需要區域的連線。這樣的流程,從 M0 金屬層一路往上延伸到 M17,是 CPU 整體資料高速傳輸網路的骨架。


測試與封裝

晶圓完成後,進入後段工序(Post-Fabrication)。這不再是半導體製程中的物理堆疊,而是進入封裝測試:

  • 雷射切割晶粒
  • Flip Chip 焊接至封裝基板
  • 加裝導熱片、覆蓋金屬封殼
  • 測試、包裝、貼標出貨

這個階段將晶圓上的數百顆裸晶,轉化為市面上熟悉的方形 CPU 成品。


那記憶體晶片又是怎麼做的?

如果你將目光轉向記憶體晶片(例如 DRAM 或 NAND Flash),會發現它們走的是完全不同的製程邏輯與架構。以 3D NAND 為例,記憶體的儲存單元會「垂直堆疊」起來,不再像早期那樣平鋪在同一層面上。這讓記憶體晶片的層數可以從 24 層、48 層一路推進到 176 層、232 層,甚至超過 300 層。

  • 提升單位面積的儲存密度,讓手機、SSD 擁有更大容量
  • 壓低儲存成本,讓每 GB 價格更親民
  • 提升傳輸效率,降低功耗與延遲

之所以能垂直堆高,是因為記憶體單元的結構相對簡單(通常是電容+開關),不像 CPU 那樣需要精密的邏輯運算與控制。3D NAND 可說是現代記憶體製程中最具代表性的架構,未來甚至還可能進一步導入 DRAM 的堆疊或 MRAM 等新型態技術,形成像摩天大樓般的超高層記憶系統。




留言
avatar-img
留言分享你的想法!
avatar-img
邊喝邊想的沙龍
1會員
55內容數
有些問題,邊喝點東西,邊想,會比較有答案。這裡是我閱讀、觀察、懷疑,然後慢慢轉化的地方。寫的東西有科技、咖啡、酒,偶爾是神話。如果你也喜歡慢慢想事情,跟著我的節奏,這裡或許適合你。
邊喝邊想的沙龍的其他內容
2025/07/13
Intel以EMIB與Foveros重塑封裝,挑戰台積電CoWoS霸主地位。
Thumbnail
2025/07/13
Intel以EMIB與Foveros重塑封裝,挑戰台積電CoWoS霸主地位。
Thumbnail
2025/07/12
百年來太空探索從國家競賽轉向私營革命,夢想與成本成為未來的真正戰場。
Thumbnail
2025/07/12
百年來太空探索從國家競賽轉向私營革命,夢想與成本成為未來的真正戰場。
Thumbnail
2025/07/11
TSMC 全新 SoW-X 封裝,打造去基板的晶圓級超級系統
Thumbnail
2025/07/11
TSMC 全新 SoW-X 封裝,打造去基板的晶圓級超級系統
Thumbnail
看更多
你可能也想看
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
創作者營運專員/經理(Operations Specialist/Manager)將負責對平台成長及收入至關重要的 Partnership 夥伴創作者開發及營運。你將發揮對知識與內容變現、影響力變現的精準判斷力,找到你心中的潛力新星或有聲量的中大型創作者加入 vocus。
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 總結一下目前有的素材: AI說書 - 從0開始 - 103:資料集載入 AI說書 - 從0開始 - 104:定義資料清洗的函數 AI說書 - 從0開始 - 105
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 總結一下目前有的素材: AI說書 - 從0開始 - 103:資料集載入 AI說書 - 從0開始 - 104:定義資料清洗的函數 AI說書 - 從0開始 - 105
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 回顧 AI說書 - 從0開始 - 87 說:Wang 等人 2019 年的論文,提供了合理答案的選擇 (Choice of Plausible Answers, COP
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 回顧 AI說書 - 從0開始 - 87 說:Wang 等人 2019 年的論文,提供了合理答案的選擇 (Choice of Plausible Answers, COP
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 回顧 AI說書 - 從0開始 - 87 說:Wang 等人 2019 年的論文,提供了合理答案的選擇 (Choice of Plausible Answers, COP
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 回顧 AI說書 - 從0開始 - 87 說:Wang 等人 2019 年的論文,提供了合理答案的選擇 (Choice of Plausible Answers, COP
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 以下陳述任務 (Task)、模型 (Model)、微調 (Fine-Tuning)、GLUE (General Language Understanding Evalu
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 以下陳述任務 (Task)、模型 (Model)、微調 (Fine-Tuning)、GLUE (General Language Understanding Evalu
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 目前我們已經完成: Single-Head Attention 數學說明:AI說書 - 從0開始 - 52 Multi-Head Attention 數學說明:AI
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 目前我們已經完成: Single-Head Attention 數學說明:AI說書 - 從0開始 - 52 Multi-Head Attention 數學說明:AI
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 延續AI說書 - 從0開始 - 45,我們介紹了 Google 於2017 年提出的 Transformer 架構的 Positional Encoding (PE)
Thumbnail
我想要一天分享一點「LLM從底層堆疊的技術」,並且每篇文章長度控制在三分鐘以內,讓大家不會壓力太大,但是又能夠每天成長一點。 延續AI說書 - 從0開始 - 45,我們介紹了 Google 於2017 年提出的 Transformer 架構的 Positional Encoding (PE)
追蹤感興趣的內容從 Google News 追蹤更多 vocus 的最新精選內容追蹤 Google News