文章作者：Bob Smith

普迪飛首席執(zhí)行官兼聯(lián)合創(chuàng)始人、ESD聯(lián)盟（ESDA）理事會成員John Kibarian，將在10月的SEMICON West展會的 CEO 峰會上發(fā)表主題演講，題為《革新半導體合作模式：人工智能驅(qū)動的行業(yè)平臺崛起》，基于演講的內(nèi)容，John Kibarian與 SEMI Bob Smith 分享了幾個核心的內(nèi)容：

Bob

哪些行業(yè)重大變革或趨勢讓【合作】變得如此關(guān)鍵？

John

半導體產(chǎn)業(yè)已從簡單的線性流程深度演進為復雜的協(xié)作生態(tài)系統(tǒng)。在產(chǎn)業(yè)發(fā)展初期，全流程均在晶圓廠內(nèi)完成：晶圓分選階段同步開展測試，封裝良率維持高位，終測流程簡易，產(chǎn)品隨即完成出貨。彼時的協(xié)作主要存在于代工廠與無晶圓廠客戶之間 —— 在早期認證與測試芯片階段協(xié)作緊密，待量產(chǎn)進入穩(wěn)定期后，便轉(zhuǎn)為常規(guī)化的良率監(jiān)控。

當前，先進封裝技術(shù)將多顆小芯片集成至單一封裝體中，導致測試插入點呈爆發(fā)式增長，顯著推高了測試的復雜度與成本。前端晶圓廠已配備全球最精密的制造設(shè)備；而曾以簡易流程為主的測試與封裝工廠，也升級為配備集成機器人技術(shù)的精密系統(tǒng)級測試基地。封裝工具的復雜度大幅提升，芯片貼裝工藝對公差的要求愈發(fā)嚴苛。

時至今日，無論是新產(chǎn)品推向市場，還是持續(xù)的生產(chǎn)維護，要實現(xiàn)成功均需全產(chǎn)業(yè)鏈協(xié)同參與 —— 從系統(tǒng)廠商到設(shè)備供應商，無一例外。

企業(yè)正引入人工智能（AI）與機器學習（ML）技術(shù)管理這些復雜生產(chǎn)流程，覆蓋測試與設(shè)備控制等多個環(huán)節(jié)。這進一步推動合作范圍的擴大 —— 由于 AI 運行需整合來自代工廠、無晶圓廠企業(yè)、外包半導體封裝測試廠商（OSAT）、設(shè)備供應商等多方的數(shù)據(jù)，而這些數(shù)據(jù)并非由單一主體掌控。曾經(jīng)簡單的雙邊交接模式，已演變?yōu)殄e綜復雜的依存網(wǎng)絡(luò)，需要持續(xù)動態(tài)協(xié)調(diào)。

Bob

小芯片及基于小芯片的架構(gòu)持續(xù)成為行業(yè)焦點，被視為應對摩爾定律放緩的核心路徑。這一模式的推進，需要全價值鏈開展極致水平的協(xié)同與協(xié)調(diào)。那么，它能否實現(xiàn)規(guī)?；涞夭④Q身主流？

John

半導體產(chǎn)業(yè)實現(xiàn)小芯片制造規(guī)?；?，需開展前所未有的協(xié)作，且具備可行性。以極紫外（EUV）光刻技術(shù)的發(fā)展為例：其最初計劃應用于65nm制程，雖技術(shù)復雜度極高，實際落地時間較預期延后數(shù)年，但這一過程不僅依托卓越的工程突破，更離不開 ASML、供應商、客戶及整個無晶圓廠群體的廣泛協(xié)同。

既然行業(yè)能為 EUV 達成此類協(xié)作，小芯片領(lǐng)域同樣可實現(xiàn)。不過，小芯片制造對協(xié)作的深度要求更高 —— 更多企業(yè)將采用多家供應商的小芯片構(gòu)建系統(tǒng)。

當前的小芯片系統(tǒng)中，組件多來自單一制造商，因此 UCIe 等標準的重要性尚未凸顯，因企業(yè)可掌控整條供應鏈。但隨著企業(yè)為降本而更多采用第三方組件，這一局面將發(fā)生改變。

未來，更多系統(tǒng)將整合多家廠商的組件，以更經(jīng)濟的方式推向市場。這將導致生產(chǎn)流程大幅復雜化，需協(xié)調(diào)襯底與基片、第三方芯片與中介層、OSAT 及特定配置的專用測試設(shè)備。這類協(xié)作不僅要在初始啟動階段有效，還需支撐持續(xù)生產(chǎn)；針對不同產(chǎn)品重新配置小芯片組合時，更需快速的自動化響應。

這一系列流程均需實現(xiàn)自動化以保障快速響應。鑒于制造流程的復雜性，借助 AI/ML 預測各類產(chǎn)品的生產(chǎn)狀態(tài)將成為必然。

規(guī)模化生產(chǎn)中，手動監(jiān)控制造環(huán)節(jié)的每顆芯片與每個封裝已不現(xiàn)實，需由自動化 AI 代理承擔監(jiān)控與質(zhì)量控制工作。而要擴大此類自動化應用，制造方與產(chǎn)品企業(yè)的工程團隊需密切協(xié)作。

此外，此外，管理這類跨企業(yè)的復雜流程的所有軟件需實現(xiàn)更高水平的協(xié)同：財務部門的 ERP 系統(tǒng)掌握物料流向、需求及預測信息；MES系統(tǒng)則需明確設(shè)備的可用時段。

但這些制造系統(tǒng)多運行于產(chǎn)品企業(yè)未掌控的工廠中。產(chǎn)品企業(yè)的產(chǎn)品生命周期管理（PLM）系統(tǒng)控制物料清單與測試流程，而測試需在 OSAT 完成 —— 這要求控制不同流程領(lǐng)域的多家企業(yè)，其軟件系統(tǒng)必須實現(xiàn)復雜協(xié)同。這種協(xié)同跨越組織邊界，需基于上游測試結(jié)果確定下游測試內(nèi)容，以此保障小芯片高效集成封裝、縮短周期，無需依賴高強度人工干預維持運轉(zhuǎn)。

Bob

數(shù)據(jù)量大得驚人，尤其是現(xiàn)在的設(shè)計數(shù)據(jù)。要實現(xiàn)這種萬物互聯(lián)的愿景并規(guī)模化落地，需要具備哪些條件？

John

這需要兩方面結(jié)合：工程師設(shè)定系統(tǒng)運行邊界，系統(tǒng)中的代理則負責處理日常高頻工作。

MES 系統(tǒng)與 ERP 系統(tǒng)的數(shù)據(jù)互聯(lián)可為典型案例。

企業(yè)構(gòu)建協(xié)同機制時，會制定系統(tǒng)間信息流轉(zhuǎn)規(guī)則。例如，明確告知 ERP 系統(tǒng)：“計算各流程步驟成本時，需采用這些工藝配方信息。”

規(guī)則確立后，將作為準則指導日常運營。AI 代理會基于 MES 收集的實際數(shù)據(jù)自動生成洞察，并依據(jù)規(guī)則在系統(tǒng)間傳輸數(shù)據(jù)。ERP 的 AI 代理可據(jù)此識別成本上升趨勢并發(fā)出警報、察覺良率波動并測算其對成本的影響，進而采取糾錯措施。

設(shè)備供應商與制造工廠間的協(xié)作邏輯與此一致：基于預設(shè)規(guī)則自動共享數(shù)據(jù)，借助 AI 識別問題并實施糾正。晶圓廠會明確設(shè)備訪問權(quán)限及時段、數(shù)據(jù)傳輸類型、渠道及頻率；當引入新軟件或 AI 模型用于設(shè)備控制時，系統(tǒng)會規(guī)定安裝前必須完成的病毒掃描與安全核查流程。

操作員的核心職責是配置這些控制系統(tǒng) —— 確定最有效的協(xié)作協(xié)議。但由于數(shù)據(jù)規(guī)模龐大且運營中持續(xù)產(chǎn)生海量交易，日常執(zhí)行工作需由自動化代理承擔。

工程師無法逐一審閱全部數(shù)據(jù)，可從兩個案例具體說明，其一來自行業(yè)外，其一來自行業(yè)內(nèi)。

在2019年普迪飛用戶大會上，董事會成員、哈佛商學院教授Marco Iansiti 分享了其關(guān)于商業(yè) AI 的研究成果。他對比了傳統(tǒng)銀行與螞蟻集團（阿里巴巴旗下金融板塊）—— 早期螞蟻集團曾實現(xiàn)爆發(fā)式增長。

螞蟻集團的 AI 技術(shù)并非高度復雜，但其流程具有革命性突破。傳統(tǒng)銀行要求客戶填寫貸款申請后，由人工信貸員審核；而螞蟻集團的系統(tǒng)會自動從互聯(lián)網(wǎng)及社交媒體抓取信息驗證申請人資質(zhì)，通過算法在數(shù)秒內(nèi)完成審批。兩者的核心差異在于：螞蟻集團可實現(xiàn)指數(shù)級增長，因其唯一限制是計算能力；而傳統(tǒng)銀行要擴大業(yè)務規(guī)模，需增聘信貸員 —— 這種人力瓶頸制約了增長。

對于半導體產(chǎn)業(yè)而言，要打造規(guī)模達萬億美元、具備復雜集成系統(tǒng)的產(chǎn)業(yè)，需在數(shù)據(jù)密集型流程中最大限度減少人工干預。盡管行業(yè)利益相關(guān)者間存在信任壁壘，但協(xié)作仍是核心需求。解決方案在于建立系統(tǒng)性原則，使 AI 代理能夠自主運行 —— 這是實現(xiàn)指數(shù)級增長的可行路徑。

螞蟻集團的案例精準詮釋了行業(yè)需求。在我們看來，這種模式對行業(yè)發(fā)展至關(guān)重要。目前我們管理的數(shù)據(jù)已達 PB 級，而人類僅能查看其中的 5%-10%。這表明，AI 完全有能力在無需人工監(jiān)督的情況下處理絕大多數(shù)操作。

事實上，我們的客戶每周生產(chǎn)數(shù)百萬顆芯片，每年產(chǎn)量高達數(shù)十億顆。他們無法逐一審閱所有數(shù)據(jù)集，但算法與 AI 可以。去年我們推出了 “引導式分析（Guided Analytics）” 產(chǎn)品，一位工程師在去年的用戶大會上提到，其所在企業(yè)有數(shù)千種產(chǎn)品，團隊無法實現(xiàn)每日全量跟蹤，但“引導式分析” 可完成這項工作：每天早晨，日報會顯示90%的芯片狀態(tài)良好，或通過警報定位問題所在。這本質(zhì)上是一個簡易AI機器人，通過遍歷數(shù)據(jù)識別潛在根本原因。

行業(yè)要實現(xiàn)規(guī)模化發(fā)展，需要更多此類代理。這些代理將覆蓋全行業(yè)，而人類的職責是制定其運行準則。唯有如此，才能應對海量設(shè)計與制造數(shù)據(jù)，提升行業(yè)所需的運營效率，并真正從為業(yè)務打造的 AI 中獲益。