文章作者：Bob Smith

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

Bob

哪些行業重大變革或趨勢讓【合作】變得如此關鍵？

John

半導體產業已從簡單的線性流程深度演進為復雜的協作生態系統。在產業發展初期，全流程均在晶圓廠內完成：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，產品隨即完成出貨。彼時的協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作緊密，待量產進入穩定期后，便轉為常規化的良率監控。

當前，先進封裝技術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的精密系統級測試基地。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嚴苛。

時至今日，無論是新產品推向市場，還是持續的生產維護，要實現成功均需全產業鏈協同參與 —— 從系統廠商到設備供應商，無一例外。

企業正引入人工智能（AI）與機器學習（ML）技術管理這些復雜生產流程，覆蓋測試與設備控制等多個環節。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、外包半導體封裝測試廠商（OSAT）、設備供應商等多方的數據，而這些數據并非由單一主體掌控。曾經簡單的雙邊交接模式，已演變為錯綜復雜的依存網絡，需要持續動態協調。

Bob

小芯片及基于小芯片的架構持續成為行業焦點，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同與協調。那么，它能否實現規模化落地并躋身主流？

John

半導體產業實現小芯片制造規模化，需開展前所未有的協作，且具備可行性。以極紫外（EUV）光刻技術的發展為例：其最初計劃應用于65nm制程，雖技術復雜度極高，實際落地時間較預期延后數年，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同。

既然行業能為 EUV 達成此類協作，小芯片領域同樣可實現。不過，小芯片制造對協作的深度要求更高 —— 更多企業將采用多家供應商的小芯片構建系統。

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

未來，更多系統將整合多家廠商的組件，以更經濟的方式推向市場。這將導致生產流程大幅復雜化，需協調襯底與基片、第三方芯片與中介層、OSAT 及特定配置的專用測試設備。這類協作不僅要在初始啟動階段有效，還需支撐持續生產；針對不同產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 預測各類產品的生產狀態將成為必然。

規模化生產中，手動監控制造環節的每顆芯片與每個封裝已不現實，需由自動化 AI 代理承擔監控與質量控制工作。而要擴大此類自動化應用，制造方與產品企業的工程團隊需密切協作。

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

但這些制造系統多運行于產品企業未掌控的工廠中。產品企業的產品生命周期管理（PLM）系統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域的多家企業，其軟件系統必須實現復雜協同。這種協同跨越組織邊界，需基于上游測試結果確定下游測試內容，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。

Bob

數據量大得驚人，尤其是現在的設計數據。要實現這種萬物互聯的愿景并規模化落地，需要具備哪些條件？

John

這需要兩方面結合：工程師設定系統運行邊界，系統中的代理則負責處理日常高頻工作。

MES 系統與 ERP 系統的數據互聯可為典型案例。

企業構建協同機制時，會制定系統間信息流轉規則。例如，明確告知 ERP 系統：“計算各流程步驟成本時，需采用這些工藝配方信息。”

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

設備供應商與制造工廠間的協作邏輯與此一致：基于預設規則自動共享數據，借助 AI 識別問題并實施糾正。晶圓廠會明確設備訪問權限及時段、數據傳輸類型、渠道及頻率；當引入新軟件或 AI 模型用于設備控制時，系統會規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 —— 確定最有效的協作協議。但由于數據規模龐大且運營中持續產生海量交易，日常執行工作需由自動化代理承擔。

工程師無法逐一審閱全部數據，可從兩個案例具體說明，其一來自行業外，其一來自行業內。

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 分享了其關于商業 AI 的研究成果。他對比了傳統銀行與螞蟻集團（阿里巴巴旗下金融板塊）—— 早期螞蟻集團曾實現爆發式增長。

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

對于半導體產業而言，要打造規模達萬億美元、具備復雜集成系統的產業，需在數據密集型流程中最大限度減少人工干預。盡管行業利益相關者間存在信任壁壘，但協作仍是核心需求。解決方案在于建立系統性原則，使 AI 代理能夠自主運行 —— 這是實現指數級增長的可行路徑。

螞蟻集團的案例精準詮釋了行業需求。在我們看來，這種模式對行業發展至關重要。目前我們管理的數據已達 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督的情況下處理絕大多數操作。

事實上，我們的客戶每周生產數百萬顆芯片，每年產量高達數十億顆。他們無法逐一審閱所有數據集，但算法與 AI 可以。去年我們推出了 “引導式分析（Guided Analytics）” 產品，一位工程師在去年的用戶大會上提到，其所在企業有數千種產品，團隊無法實現每日全量跟蹤，但“引導式分析” 可完成這項工作：每天早晨，日報會顯示90%的芯片狀態良好，或通過警報定位問題所在。這本質上是一個簡易AI機器人，通過遍歷數據識別潛在根本原因。

行業要實現規模化發展，需要更多此類代理。這些代理將覆蓋全行業，而人類的職責是制定其運行準則。唯有如此，才能應對海量設計與制造數據，提升行業所需的運營效率，并真正從為業務打造的 AI 中獲益。