AI 在半导体制造中的真实落地:一份给工程师的诚实地图

过去一年,很多工业企业都被同一句话推着走:把 AI 用起来,提高效率。但真正做设备、工艺、CIM、APC、FDC 和能源管理的人都知道,从 PoC 到生产之间还有很长一段路。AI 演示可以很快,真正进设备、进产线、进工程师工作流,难度完全不同。

这篇文章不讨论泛泛的工业 AI 概念,而是从半导体制造的真实链条出发,看 AI 已经在哪些环节进入生产,哪些仍然是厂商声明或试点,以及为什么很多项目卡在最后一公里。

我们的核心判断是:AI 在半导体行业的机会不只在更大的模型,而在能接入设备、理解工艺、被工程师信任的落地层 AI。

1. AI 已经在哪些环节进入生产

如果把半导体链条摊开看,AI 的进展是真实的,但成熟度很不均衡。证据最硬的地方主要在两端:芯片设计和计算光刻。

在计算光刻和 OPC 环节,TSMC、Synopsys、NVIDIA 已经联合宣布将 NVIDIA cuLitho 投入生产。相关材料中提到的 40-60 倍加速、20-50% 成本或周期改善属于三方官方 PR 和联合测试口径,不等同于独立审计结果。[3] IMEC 相关研究也提供了部分独立技术佐证,但仍应谨慎区分实验结果、厂商联测和量产审计。[4]

在芯片设计和 EDA 环节,Google AlphaChip 经 Nature 论文发表,并在 Google TPU v5e、v5p、Trillium 等项目中使用。[5] 这说明强化学习和 AI 优化已经进入部分真实设计流程。但关于 AlphaChip 是否已经被独立证明强于全部商用工具,学术界仍有争议。[6] 所以更稳妥的说法是:AI 已经进入部分先进芯片设计流程,但不能简单宣传为“全面超越工程师或商用 EDA”。

商用 EDA AI 工具也已经有具名客户 PR,例如 Synopsys DSO.ai、Cadence Cerebrus 等。但这类收益通常来自厂商或客户新闻稿,适合作为采用趋势的证据,不适合作为独立验证的 ROI 结论。[7]

对设备商来说,这些案例证明 AI 进生产不是 PPT。但它们离设备制造、P&ID、SolidWorks、调机、FDC、VM、R2R 仍有距离。真正贴近设备商和 Fab 现场的机会,在更靠近设备和工艺的环节。

2. 越靠近设备现场,证据越软,机会也越真实

前道过程控制、虚拟量测、故障检测、缺陷分类、数字孪生和能耗优化,是最接近 Fab 和设备现场的 AI 战场。这里的真实状态可以概括为一句话:产品能力在成熟,但公开量化证据大多仍是厂商口径。

TSMC 公开披露过使用 NVIDIA Metropolis/TAO 做缺陷分类,使用 cuML 做 APC 分析,但相关公开材料没有给出量化改善数据。[8] Applied Materials 的 E3 平台很早就覆盖 APC、FDC、R2R 等功能,2008 年发布稿中提到工艺能力和 OEE 改善,但那是厂商发布稿里的历史口径,不应被当作新的独立验证。[9]

虚拟量测 VM 也需要讲清楚。一篇 2024 年同行评审综述把 VM 定义为辅助 APC 的工具:用设备状态、工艺变量和稀疏真实量测来预测产品质量。[10] 换句话说,VM 的诚实定位不是“完全替代物理量测”,而是“补充物理量测,并用真实量测持续校准”。

先进封装、良率闭环、数字孪生和自主工厂也在快速推进。例如 Siemens 和 PDF Solutions 讨论过 EOL 测试到 Fab 良率闭环,但公开口径更接近仿真验证和方案声明。[12] SK hynix 也提出过面向 2030 的自主工厂路线图,但它仍应被理解为路线图和探索方向,不是已经全面落地的自主 Fab。[13]

这些并不削弱 AI 的价值。相反,它说明了真正的空间在哪里:谁能把 AI 从厂商演示和离线分析带到具体设备、具体工序、具体工程任务里,谁就抓住了产业落地的机会。

3. 真正卡住落地的,不是算法,是集成、数据、信任

把宣传语言拨开,半导体 AI 落地的核心瓶颈不是“模型够不够大”,而是三件非常工程化的事:集成、数据、信任。

集成:设备原本不是为 AI 分析而设计的

大量设备和产线系统基于 SECS-I、SECS-II、GEM 等标准完成通信、状态上报和设备自动化。这套体系对半导体制造极其重要,但它主要服务事件、状态、命令和自动化控制,并不是为高频传感数据、复杂分析和 AI 工作流而设计。

SEMI 后来定义 EDA / Interface A,就是为了支持更高吞吐的数据采集和更丰富的数据访问场景。[14] 这解释了为什么很多 AI 项目不是卡在模型,而是卡在数据接口、设备协议、老系统集成、现场权限和数据质量。

对设备商来说,如果设备要变得更智能,第一道问题不是“用哪个大模型”,而是:数据怎么出得来、接得上、对得齐、能持续稳定地用。

数据:基准测试不等于产线可用

很多论文可以在公开数据集上取得高准确率,但公开论文很少披露真实产线部署、长期漂移表现和 ROI。以晶圆缺陷识别为例,许多研究仍主要基于 WM-811K 等公开基准展开。[15]

公开基准有价值,但它和真实 Fab 之间还隔着小样本、数据孤岛、工艺保密、标注成本、设备差异和工况漂移。工程师真正关心的问题不是“论文准确率多高”,而是“我这条线、这台设备、这个配方、这个小样本条件下能不能用”。

信任:工程师不会轻易让黑盒接管设备

在高风险制造场景中,黑盒模型的不透明会带来安全、信任和运维风险。[16] 另一个更实际的问题是漂移。工业现场不是静态环境,传感器、设备状态、材料批次、腔体条件、维护状态都会变化。研究显示,多种算法在漂移下都会出现性能下降。[17]

所以 AI 落地不是换一个更大的模型就结束了。真正要解决的是:模型怎么知道自己失准,怎么提示工程师,怎么解释判断依据,怎么在工程师确认后再闭环。

这就是“工程师在环”的意义。半导体设备 AI 的第一阶段,不应该追求黑盒全自动,而应该先追求可解释、可复核、可回放、可逐步闭环。

4. 为什么设备端侧 AI Agent 是下一阶段机会

如果把前面的事实连起来,就会得到一个很清楚的判断:下一阶段的价值不只在云端模型,而在装进设备、贴近工艺、靠近工程师的端侧 AI Agent。

传统 CIM、MES、EAP 更偏生产执行、设备自动化和系统集成。很多工业 AI 项目是在这些系统外面再接一层分析工具。但设备端侧 AI Agent 的区别在于,它把数据采集、模型推理、异常判断、工程师复核尽量靠近设备本身。

这对半导体设备商尤其重要。设备商不只是卖硬件,未来还要回答客户的新问题:

• 这台设备能不能更快调起来?
• 能不能少用 dummy wafer?
• 能不能把工程师经验沉淀进交付流程?
• 能不能在客户现场更早发现 drift 和异常?
• 能不能把设备数据以安全、可控、可解释的方式变成 AI 能用的资产?

这也是“AI-enabled equipment”的机会。设备出厂不再只是硬件和控制软件,而是带着可部署、可验证、可持续优化的智能能力。

5. 最先落地的三个设备商场景

设备设计:P&ID 到 SolidWorks 原生装配

设备设计中有大量重复但高度依赖经验的工作,例如 P&ID 理解、气路连接关系、客户零件库调用、有限空间布局、装配约束处理和工程复核。这里的目标不是让 AI 取代工程师,而是让 AI 先生成可复核的工程草案,再由工程师确认。

这类场景适合端侧 AI,因为它靠近工程师工作站、客户零件库和企业设计规范,也更强调可编辑、可复核、可追溯。

设备调机:Smart DOE 和工程师经验沉淀

调机目标明确、成本高、反馈闭环清晰,是 AI 比较容易切入的设备商场景。AI 可以帮助工程师设计实验、记录过程、减少无效试片、总结参数窗口,但前提仍然是保留工程师判断,不能直接把黑盒建议当成最终 recipe。

产线在线:VM、R2R、FDC 更靠近设备端

VM、R2R、FDC 的价值在于提前发现偏移、减少停机、提升稳定性。但它们必须接得上设备数据,并且能解释、能追踪、能和现有 MES、EAP、APC、SPC 体系协同。

这类系统不应该只是“云端分析报表”,而应该逐步靠近设备端,成为工程师现场判断的一部分。

6. 工程师判断 AI 方案的 12 个问题

下次有人推 Fab AI、设备 AI 或工业大模型,不要只问“准确率多少”,可以先问这 12 个问题:

1. 能不能接入现有 SECS-II、GEM、EDA / Interface A,还是要重新布线?
2. 起步需要多少标注数据?小样本条件下能不能开始?
3. 数据能不能本地或边缘部署,不出厂?
4. 漂移后系统怎么知道自己失准?有没有告警、回放和再训练机制?
5. 判断结果能不能解释给工程师看?
6. 是黑盒自动闭环,还是给建议后由工程师确认?
7. VM 是替代量测,还是补充量测并用真实量测校准?
8. 所谓 ROI 来自仿真、基准数据、厂商 PR,还是真实产线长期数据?
9. 上线要改多少 MES、EAP、APC、recipe 和现场流程?
10. 它解决的是具体设备和具体工序,还是泛泛声称“全自主”?
11. 出错时有没有兜底、回退和人工确认机制?
12. ROI 怎么量化:试片量、调机时间、OEE、良率、能耗,基线是什么?

能落地的 AI 经得起这些问题。经不起这些问题的,往往只是演示系统。

7. 迈烁集芯的判断

我们的判断是:半导体 AI 的下一阶段机会,不只在更大的模型,而在能接入设备、理解工艺、被工程师信任的落地层 AI。

迈烁集芯围绕这个判断设计产品:

• NeuroBox D:面向设备设计,聚焦 P&ID 到 3D 空间布局与 SolidWorks 原生装配,沉淀客户零件库和工程规则。
• NeuroBox E5200 / E5200V:面向调机、交付和视觉检测,支持 Smart DOE、调机建模、参数窗口分析和设备视觉异常识别。
• NeuroBox E3200:面向产线在线智能,覆盖 VM、R2R、FDC、SPC、预测性维护等设备端场景。
• NeuroEnergy:面向工厂能耗优化,覆盖 HVAC、CDA、PCW、UPW、真空等大宗辅助系统与设备能耗。

这些方案适合从历史数据回放、离线复盘和单机 POC 开始验证,再逐步走向产线。原因很简单:半导体制造的 AI 落地,必须先在可控范围内建立工程师信任,再谈规模化闭环。

参考来源

• [1] RL 晶圆厂排程仿真研究:https://arxiv.org/abs/2302.07162
• [2] RL 排程真实工业数据复现:https://arxiv.org/abs/2505.11135
• [3] NVIDIA cuLitho 与 TSMC/Synopsys/NVIDIA 联合声明:https://nvidianews.nvidia.com/news/tsmc-synopsys-nvidia-culitho
• [4] IMEC 相关预印本:https://arxiv.org/abs/2602.15036
• [5] AlphaChip Nature 论文:https://www.nature.com/articles/s41586-024-08032-5 ; DeepMind 博客:https://deepmind.google/blog/how-alphachip-transformed-computer-chip-design/
• [6] AlphaChip 争议与复现讨论:https://arxiv.org/abs/2302.11014 ; https://arxiv.org/abs/2411.10053
• [7] 商用 EDA AI 客户 PR:Synopsys https://news.synopsys.com/2023-02-07-AI-designed-Chips-Reach-Scale-with-First-100-Commercial-Tape-outs-Using-Synopsys-Technology ; Cadence https://www.cadence.com/en_US/home/company/newsroom/press-releases/pr/2022/cadence-cerebrus-ai-based-solution-delivers-transformative.html
• [8] TSMC 与 NVIDIA 关于 ADC/APC 的公开材料:https://nvidianews.nvidia.com/news/nvidia-and-tsmc-bring-ai-into-fabs-to-advance-semiconductor-design-and-manufacturing
• [9] Applied Materials E3 发布稿:https://ir.appliedmaterials.com/news-releases/news-release-details/applied-materials-launches-breakthrough-e3-equipment-and-process/
• [10] 虚拟量测综述,Expert Systems with Applications, DOI 10.1016/j.eswa.2024.123559:https://www.sciencedirect.com/science/article/abs/pii/S095741742400424X
• [11] Onto Innovation Dragonfly G5:https://investors.ontoinnovation.com/news/news-details/2026/Onto-Innovation-Launches-Dragonfly-G5-Inspection-System/
• [12] Siemens 与 PDF Solutions 良率闭环材料:https://news.siemens.com/en-us/siemens-tessent-pdf-ic-yield/
• [13] SK hynix 与 NVIDIA 多年技术合作声明:https://news.skhynix.com/multi-year-tech-partnership-with-nvidia/
• [14] SEMI 设备自动化标准演进:https://www.semi.org/en/blogs/the-evolution-of-semiconductor-equipment-automation-standards-from-the-1980s-to-now
• [15] 晶圆缺陷公开基准相关同行评审研究:https://pmc.ncbi.nlm.nih.gov/articles/PMC11773255/
• [16] 高风险制造中的黑盒风险:https://link.springer.com/article/10.1007/s42452-025-07908-z
• [17] 工业数据漂移研究:https://arxiv.org/abs/2112.06986
• [18] 格创东智国产 CIM 与案例:https://www.getech.cn/ ; https://www.getech.cn/en/newdetail-1201.html
• [19] SMIC 创始人与中微 CEO 呼吁国内 Fab 测试国产工具的媒体报道:https://www.tomshardware.com/tech-industry/semiconductors/smic-founder-and-amec-ceo-urge-chinese-fabs-to-test-domestic-chip-tools-on-production-lines