Fab 用电账本拆解：被忽视的 50% 电费和 AI 能耗优化的 3 个层次
晶圆厂 50-60% 电费花在 HVAC、CDA、PCW 等辅助系统上，但这块长期缺乏 AI 优化。本文拆解 Fab 电费结构、3 个层次的 AI 落地路径，以及为什么 MES 数据打通是关键难点。
核心结论
晶圆厂的电费账单中，制程工艺设备只占 40-50%，另外 50-60% 来自辅助系统（HVAC、压缩空气、真空、冷却水）。这些系统传统上被当作”物业工程”管理，缺乏过程级别的 AI 优化。基于多厂运营数据分析，合理部署 AI 能耗优化平台可在 6-12 个月内把辅助系统能耗降低 15-25%，对一座 10 万片/月的 8 寸厂年化节省 2000-4000 万元人民币。迈烁集芯 NeuroEnergy 专门面向这块被忽视的 50% 电费。
一、一座 Fab 的电费到底花在哪
如果你问 Fab 厂长：”厂里最耗电的是什么？”大多数人第一反应是刻蚀机、炉管、CMP。这个答案对一半错一半——工艺设备确实是单机最耗电的，但累加起来，它们只占 Fab 总耗电的 40-50%。剩下的 50-60% 花在一组容易被忽视的”辅助系统”上：
| 系统 | 占 Fab 总电费比例 | AI 可优化空间 |
|---|---|---|
| HVAC（洁净室温湿度） | 20-30% | 15-25% |
| 压缩空气 CDA / 氮气 | 8-12% | 20-35% |
| 工艺冷却水 PCW | 6-10% | 10-20% |
| 真空 / scrubber | 5-8% | 15-25% |
| 照明 / 其他 | 3-5% | 5-10% |
用一座 10 万片/月的 12 寸厂举例：总耗电约 120-150 GWh/年，按 0.7 元/kWh 计，年电费约 9 亿元人民币。其中 50% = 4.5 亿花在辅助系统上。即使只优化到 20% 节能，年化节省 9000 万元——比引入一套新工艺软件的 ROI 高几个量级。
二、为什么辅助系统至今没有 AI 优化
这个问题我们问了三家大陆 Fab 和两家台系 Fab 的 Facility 负责人，得到的答案高度一致：
原因一：工艺和 Facility 的数据系统是分割的。制程设备的数据通过 SECS/GEM 走到 MES/EDA，而 HVAC/CDA/PCW 的数据通过 BMS (Building Management System) 采集，走的是 Modbus/BACnet 协议。两套系统从设计之初就没打算互通，结果就是——你看不到”今天蚀刻机跑了多少批，对应 CDA 多用了多少立方米”这种关联。
原因二：Facility 团队的 KPI 是”不停机”，不是”省钱”。厂务工程师最怕的是洁净室温湿度超标导致生产停摆。所以他们的默认策略是极度保守——温度设定在 22±0.5°C 但实际控制在 21.5-22°C 窄带、CDA 压力冗余拉高、冷却水流量过饱和。这些保守设定在几十年运行下来都被写进了 SOP，没人敢改。
原因三：传统节能公司只能做”设备级”优化。市面上的能源管理公司（EMS 厂商）擅长换变频器、换高效电机、改管路。这些是一次性的”硬改造”，但 Fab 产线的节能潜力更多来自”动态调度”——根据生产负载实时调整 HVAC/CDA 输出，而不是把它们永远开到最大。这需要的是软件 AI，不是硬件改造。
三、AI 能耗优化的三个落地层次
基于对国际先进 Fab 的 benchmark 和我们的工程经验，Fab AI 能耗优化可以分三层，层次越深 ROI 越大但实施难度也越高：
层次 1：可视化与异常检测（入门）
把 BMS + 电表 + 生产数据汇总到一个平台，做实时仪表盘和异常报警。这一层解决的是”看不见”的问题——过去厂长只能看月度报表，现在可以分钟级看到”压缩空气瞬时功率 / 每台设备对应用电”。
典型收益：8-12% 节能（主要来自发现跑冒滴漏、设备空转等”低垂果实”）。实施周期：3-4 个月。
层次 2：基于生产计划的动态调度（主流）
把 MES 生产计划和 Facility 系统打通，让 HVAC/CDA 跟着生产节奏动态调整。比如：周日凌晨维修日 CDA 需求量下降 60%，传统设定仍满负荷运行——AI 系统识别到这种 pattern 后自动降载。
典型收益：15-20% 节能（累加层次 1）。实施周期：6-8 个月。难点在 MES-BMS 数据打通和调度算法。
层次 3：端到端预测控制（先进）
用 MPC（模型预测控制）或强化学习做整厂能耗联合优化——预测未来 15 分钟的生产负载和室外温湿度，反算最优的 HVAC/CDA 设定。这是国际最前沿的做法，主要 fab 像 TSMC 和 Intel 都在做。
典型收益：20-25% 节能（累加前两层）。实施周期：12-18 个月。需要强 AI 团队配合。
四、技术难点：不是算法，是数据
很多团队以为 AI 能耗优化是算法问题——买个 TensorFlow 团队、训个模型就行了。实际做下来，80% 的时间花在数据上：
难点 1：BMS 数据质量差。老 Fab 的 BMS 协议五花八门（Modbus RTU、BACnet MS/TP、Siemens S7），很多传感器标定已失效、采样率不一致（5 秒到 5 分钟混用）。第一步经常要做”传感器健康普查”。
难点 2：生产-能耗数据时间对齐。MES 里一个”lot 完成”事件时间戳是分钟级，BMS 里对应的电耗变化是秒级。要把”这批产品生产了多少 kWh”算清楚，需要在秒级做多源数据融合，这对老 Fab 挑战很大。
难点 3：边界条件复杂。洁净室 HVAC 优化必须考虑 AMC (Airborne Molecular Contamination)、ACPH (Air Change per Hour)、recipe 间的交叉污染。纯”节能”目标下容易触碰工艺边界。这需要 AI 算法和工艺工程师深度合作，不是通用 AI 团队能独立解决的。
五、NeuroEnergy 的定位
迈烁集芯 NeuroEnergy 专门面向 Fab 辅助系统的能耗优化，做法区别于传统 BMS 厂商和通用 EMS 公司：
1. 半导体工艺原生。我们不做办公楼节能也不做数据中心 PUE，只做半导体 Fab。产品预置了 HVAC + CDA + PCW + 真空的标准数据模型，部署不需要客户自己梳理 500+ tag。
2. MES 深度集成。通过 SECS/GEM 和 MES/EDA 接口直接读生产数据，不依赖 BMS 自己重建产线视图。这让”每批晶圆耗了多少电”这种业务级指标从第 1 个月就可用。
3. 分层渐进部署。客户可以从层次 1（可视化）起步，3 个月见效后再投入层次 2 / 3。不搞一次性大项目，降低客户决策门槛。
4. 和 NeuroBox 产线 AI 打通。NeuroEnergy 不是孤立的能源系统——它与 E3200 的 VM/R2R 共享数据层，可以把”工艺参数调整”和”能耗变化”关联分析。比如 etch 参数调整让 CDA 用量增加 3%，这种数据只有和工艺 AI 打通才能看见。
六、投资回报率（对一座 10 万片/月 12 寸厂）
- 层次 1 部署（4 个月）：首年节省 7000-9000 万元，投资回收期 <6 个月
- 层次 2 扩展（8 个月累计）：年化节省 1.2-1.5 亿元
- 层次 3 完整（18 个月累计）：年化节省 1.8-2.2 亿元 + 碳排减少 25%（对应国内 CBAM / ESG 要求）
这是除了 yield 提升以外，Fab 级 AI 投资中 ROI 最高的方向之一——而且和 yield 不冲突，两条路径可以并行。
七、Fab Facility 负责人的三个行动建议
建议一：先做数据普查，再谈 AI。动手之前找一周时间清查：BMS 有多少 tag？多少失效？多少采样率不达标？这个基础工作做完，后面 80% 的问题可以预判。
建议二：从 CDA 和真空切入，不要从 HVAC 开始。HVAC 是大头但边界条件最复杂，容易踩工艺合规的坑。压缩空气和真空系统的边界清晰得多，节能潜力 20-35% 非常直观，适合快速拿结果建立团队信心。
建议三：和 IT/工艺团队早期联合。能耗优化最后一定会触及 MES 接口和工艺 SOP，越早把工艺团队拉进来越好。单纯 Facility 团队推这个事，后期会在 MES 数据权限和工艺边界上卡住。
如果你负责 Fab 的 Facility 或 ESG 相关工作，NeuroEnergy 提供从数据接入、可视化到端到端预测控制的分阶段落地方案。首次 PoC 可以聚焦 CDA 单系统，3-4 个月见效。预约 Facility 视角的 45 分钟技术评估。
