台積電廠房裡，有兩百台機器正在不間斷地製造數據。
每台機器每週產出 31 terabyte 的感測器資料——比哈伯太空望遠鏡一整年的觀測數據還多三倍。這些機器，是 ASML 製造的 EUV（極紫外光）光刻機。它們的任務是把奈米等級的電路圖案蝕刻在矽晶圓上，每秒完成兩萬次位置測量，精準到六十皮米——比一顆矽原子還小。
問題是：這些數據，要誰來讀懂？
二○二五年九月，ASML 給出了答案：Mistral AI。荷蘭這家半導體設備巨頭，以 €13 億領投了法國 AI 新創的 Series C，取得約 11% 股份，CFO Roger Dassen 同時進入 Mistral 的策略委員會。
這不是一筆純財務投資。這是一個工業 AI 戰略宣示，同時也是一個「數據該歸誰管」的立場聲明。
ASML 的壟斷，和它不為人知的副業
EUV 光刻機，全球只有 ASML 一家能製造。三奈米、兩奈米——你手機裡的晶片，以及接下來幾年所有最先進的處理器，都要透過 ASML 的機器才能量產。一台 EUV 機器造價 $1.5 億到 $4 億美元，重達一百八十噸，零件超過十萬個，需要十七架 747 貨機分批運送。
這個壟斷地位讓 ASML 獲得了別人沒有的東西：全球最先進製程的第一手數據。
每當一台 EUV 機器在台積電、三星或英特爾的廠房裡運作，它的幾百個感測器就在記錄光學系統的位置、溫度、雷射能量、機械震動，以及每一次曝光的結果。這份數據，技術上屬於 ASML，不是客戶的。
每台機器，每週 31 TB。台積電就有兩百台。
AI 對 ASML 的意義不是「更快」，是「更對」
很多公司導入 AI 是為了提升效率。ASML 的問題不一樣——他們需要 AI 來降低失誤率，而失誤率的代價是幾億美元。
EUV 良率是晶片業最燒錢的問題之一。一個晶圓上可能有幾百顆晶片，因為光學對準偏差、隨機缺陷、或設備的微小飄移，某批晶圓的良率可能從 90% 跌到 85%。聽起來只差 5%，但對台積電這樣每天曝光幾十萬片晶圓的工廠而言，0.1% 的良率差距就值幾億美元。
ASML 的目標是讓 AI 做到三件事：自主修正奈米等級的誤差、最大化晶圓良率，以及即時診斷設備故障。
但這裡有一個根本性的困難：訓練這樣的模型，需要的不是通用語言模型。它要能讀懂 ASML 的內部術語、設備拓撲、感測器命名規範，以及幾十年的工程知識。它必須理解為什麼某個感測器的讀數偏了 0.3 奈米、這代表什麼問題、以及歷史上同樣情況是怎麼被修正的。
ChatGPT 做不到這件事，不是因為它不夠聰明，而是因為它從來沒見過這種數據。
那 ASML 為什麼不選 OpenAI？台積電在這筆交易裡扮演什麼角色？Mistral 真的做得到嗎？
——完整分析與數據請至原站閱讀全文 → https://tech.lennychen.com/blog/asml-mistral-ai-euv-data-sovereignty/
