半导体AI的最大谎言：你的数据还不够多
做半导体设备AI的这几年，我听到最多的一句话就是：
“你们的AI需要多少数据训练？”
当我说”10-15片晶圆就够了”，对方通常两个反应：要么觉得我在吹牛，要么觉得这AI肯定不靠谱。
因为所有人都被通用AI洗脑了——GPT要万亿token，自动驾驶要百万小时视频，所以AI就该吃大数据。
但半导体产线上，大数据路线根本走不通。
为什么半导体拿不到”大数据”？
三个死结：
1. 新设备没有历史数据
设备商交付一台新CMP到客户产线，历史数据为零。你让客户先跑三个月积累数据再用AI？人家等不了，调机工程师已经在跑片了。
2. 工艺变更让旧数据作废
半导体工艺迭代快，换一批耗材、调一个目标膜厚，之前积累的数据分布就变了。你精心训练的模型，可能一次PM（预防性维护）就废了。
3. 数据是命根子，不给你
Fab的工艺数据比营收数据还敏感。你跟客户说”把数据传到云端训练模型”，安全部门第一个把你拦住。数据不出厂，这是底线。
所以那些号称”先积累数据、再训练AI”的方案，在半导体产线上就是个死循环：没数据→不能用AI→没法积累数据。
小数据为什么能行？因为物理规律不需要”学习”
通用AI面对的是开放世界——一张照片里可能出现任何东西，所以需要海量数据覆盖各种可能性。
但半导体设备不一样。CMP抛光的物理过程是确定的：Preston方程告诉你去除速率和压力、转速、浆料的关系；Stribeck曲线描述了摩擦状态的转变。这些规律不需要从数据里”学”，物理学家已经研究了几十年。
我们的做法是四层架构：
第一层：物理模型打底。 用Preston方程、流体力学等建立基础模型，它不精确，但方向对。这一层不需要任何数据。
第二层：神经网络修偏。 物理模型和实际设备之间有偏差（每台机器都不一样），用少量数据训练一个轻量网络来补偿。因为只需要学”偏差”而不是学”全部规律”，所以10-15片就够。
第三层：在线自适应。 设备运行中会漂移（耗材磨损、温度变化），用卡尔曼滤波实时跟踪漂移趋势，逐片修正。不需要重新训练，模型自己跟着调。
第四层：不确定性评估。 每次预测同时给出置信区间。如果模型”不确信”，主动触发实测，不让漏检溜过去。
物理先验就是最大的”数据”。 你已经知道了90%的规律，AI只需要学剩下那10%的设备个体差异。这就是10片能建模的原因——不是魔法，是因为搜索空间被物理约束大幅压缩了。
小数据的另一个好处：越用越准
这套架构有个副产品——数据飞轮。
每一片晶圆跑完，在线自适应层都会更新模型参数。也就是说，设备每跑一片，模型就多”认识”这台设备一分。
实际效果是这样的：
- 第1片：误差可能有8%（物理模型兜底）
- 第5片：误差降到4%（神经网络开始补偿）
- 第50片：误差<2%（自适应已经摸透了这台设备的脾气）
- 第500片：误差稳定在1%以内，而且能预判漂移趋势
不需要一次性喂大量数据，每一片都是训练数据。 用得越久，越懂你的设备。
对设备商来说还有一个更大的价值：第一台设备交付积累的模型参数，可以迁移到第二台同型号设备。第一台花了15片调好，第二台可能5片就行。到第十台，几乎零试片。
这不是卖一次软件的生意，是越交付越值钱的AI资产积累。
为什么这件事现在才跑通？
不是因为算法多新——物理信息神经网络（PINN）、迁移学习、主动学习，这些技术论文十年前就有了。
是因为算力终于够便宜了。
以前要在产线边上放一台GPU服务器做推理，成本高、维护难、IT部门不批。现在一颗边缘AI芯片就够了，模型压缩到82KB，推理延迟<100ms，功耗几瓦，直接部署在设备旁边。
算法早就ready了，是部署条件成熟了。
最后说句实话
“数据不够多”这个说法之所以流行，是因为它给了所有人一个完美的借口——AI效果不好？数据不够。还没开始做？先攒数据。
但在半导体场景，等数据够了再做AI，等于永远不做。
真正的问题不是”数据够不够”，而是你的AI架构是不是为小数据设计的。
如果你的模型从第一天就知道物理规律，从第一片就开始自适应，那10片就是够的。
