AI 能否自主做出制造决策?

来源:半导纵横发布时间:2026-11-19 17:06
AI
设备
生成海报
AI 可以优化工艺、识别缺陷,但自主决策需要更完善的数据以及严格的工艺管控。

半导体制造一直依赖工程师在工艺参数复杂的相互作用中做出判断。例如刻蚀工艺配方,包含射频功率、压力、气体组分、温度与时间等多项组合,每一项都会影响多项工艺特性。修改某一个参数,或许可以改善关键尺寸控制,但同时也会在其他环节引发问题。然而,随着器件与制造工艺日趋复杂,涉及的变量越来越多,这类决策的难度持续上升。

AI驱动的制造技术为应对这类复杂性提供了方案,包括寻找更优工艺条件、识别缺陷以及响应产线故障。但工程师愿意把多少生产权责交给这类系统,目前尚无定论,这一问题在2026年SEMICON West大会上引发了大量关注。

Lam Research旗下Semiverse Solutions首席AI官兼企业副总裁David Fried在表示:“无论工程师水平多高、行事多严谨客观,处理这类难题时总会带有历史经验带来的固有偏见,但面对如此庞大的参数空间,AI可以为我们指明另一个方向,进入我们从未考虑过的工作区间。”

寻找可持续稳定运行的工艺

探索一种全新的操作方式固然重要,但判断它能否在量产中持续稳定,是另一回事。两套工艺配方在研发阶段的表现可能相近,但面对原材料或设备条件变化时,实际响应差异巨大。AI可以帮助工程师在选定工艺前识别这类差异。

英特尔晶圆代工研发高级首席工程师兼技术路线高级总监Vikas Sharma在报告中称:“不只是要达到某一性能指标,还要看该性能点的稳定性与可靠性。原材料或设备出现微小扰动,就可能造成性能大幅下滑。”

Fried介绍,泛林集团目前使用的一款刻蚀机,其潜在的配方组合量级可达10²³。在英特尔,Sharma 提到某一套工艺包含350个参数和理论组合数约为10⁷的工艺。

Sharma表示,工程师联合设备供应商花费约一年时间,才为该特定工具和工艺层开发出一个勉强合格的方案,随后又投入大量精力持续改进,但收效甚微。引入AI辅助优化后,短短数月就开始取得更好的结果,最终找到多组优于原始基线的方案。

难点在于筛选值得落地的方案。Sharma指出AI能够找出数千个候选方案,但评估每个方案都需要成本高昂的芯片实验。工程师还必须考虑参数间的非线性关系,这类关系在不同工作区间会发生巨大变化。

“AI不是万能的,不能用同一套AI方案解决所有问题。”Fried说,“我们投入最多精力的并不是搭建或部署AI,而是判断应当采用哪一种类型的AI,以及用哪种解决方案。”

不同技术路径用途各异,有的用于工艺条件探索,有的用于协调工程工作流。多种技术组合能够帮助工程师探索更多可能性,但也带来如何验证结果、一个模型的传递给另一模型时原有假设是否依旧成立的问题。

工厂基于感知信息采取行动

检测是AI在制造领域落地相对成熟的应用,先进封装领域尤为突出。

日月光集团执行副总裁Ingu Yin Chang表示:“观察X光图像时,所有人只能看到不同灰度,但AI能够分辨上千种灰度层次。但只有我们告知AI‘该灰度对应故障’,并提供实物故障数据,AI才能够识别。后续扫描时,它就可以识别该灰度与对应位置所代表的问题。”

一旦厂商确定图像特征与真实缺陷的对应关系,搭载 AI 的检测系统就可以在生产中标记异常,触发预设设备响应。在日月光,系统识别已知异常后会触发设备动作,避免更多组件受到影响。

“依托传统制造积累的实物故障案例,我们已经实现了大量自动化,利用 AI 识别潜在问题。”Ingu Yin Chang说,“当识别焊线键合不良时,设备会立刻停机。AI持续监督产线,确认所有操作是否正确,实际观测结果是否符合预期。”

检出缺陷后停机能够减少更多损失,但这不代表AI能独立管控工艺。检测系统识别异常,由传统控制器执行预设响应。如果要让AI自主选择新的键合参数并恢复生产,则需要对其决策具备高得多的置信度。

日月光产线产品的多样性进一步提升了难度。Ingu Yin Chang提到,同一条产线会流转数百种封装类型,材料、结构、工艺敏感度各不相同。模型需要识别当前加工的产品,并确认训练阶段的条件依然适用。

检测系统或许能正确识别键合缺陷,但修改工艺来防止同类故障,需要定位根因,并且预判调整会不会引发其他问题。厂商需要获取大量信息,才会允许AI独立做出这类决策,而很多必要信息目前难以获取。

证明模型输出的正确性

AI制造的首要障碍之一,是确认AI给出的建议是否真实反映物理工艺。模型可以挖掘制造参数之间的统计关联,但未必掌握背后的物理机理。

Silvaco TCAD业务部门AI制造高级副总裁兼总经理 Eric Guichard 表示:“核心原则是,代理模型在训练数据覆盖区间内做插值预测时可靠性高,在训练范围之外做外推预测时可靠性会下降。”

挖掘全新工况区间正是AI的价值所在,但也意味着工程师用于核验预测的实验数据更少。AI 可以找出数千候选方案,需要工程师判断哪些方案值得开展高成本硅片实验。在推荐方案用于生产前,厂商必须划定预测可信范围,确定哪些位置需要补充测量。

先进封装检测领域存在同类局限:模型能够区分X 光图像中的细微差别,但缺少足够实物证据来判断哪些差异对应真实缺陷。信息不全时模型给出高置信度预测,如果授权AI据此执行操作,风险很高。不当工艺调整带来的问题,可能经过多道制造工序之后才会被发现。

数据难题仍存在

半导体厂商数十年来持续收集工艺与设备数据,但大量数据分散在独立系统中。设备日志、检测记录、工程数据库可能包含同一产品的信息,但没有打通,难以分析其中关联。

Fried称:“在AI兴起之前,数据难题就已经存在。AI或许放大了这个问题,但这套庞大、持续增长且错综复杂的数据网络早已存在。”

打通存量数据本就困难,厂商还面临另一种情况:预测所需信息从未被测量,或是无法从数据生成方获取。先进封装场景尤为突出,制造信息来自多家供应商:晶圆厂提供裸芯片,另一家厂商生产基板,外封测厂(OSAT)完成组装与测试,各方通常无法共享完整制造历史。

新思科技产品管理高级总监Kenneth Larsen表示:“如果模型没有附带训练区间、校准来源与批准使用范围,它可用于前期探索,但不能安全用于设计收敛。缺失的不只是更多数据,还有告诉下游工具与团队如何使用这份数据的上下文信息。”

当AI跨多道工序协同决策,这类数据缺口的影响会更严重。基于单道工序给出的建议可能忽略后续工序工况,尤其当模型缺少产品真实物理状态信息时。增加测量与表征可以填补部分缺口,但工程师仍需要判断现有信息是否足以执行该推荐方案。

谁有权决定AI可以执行哪些操作?

即便模型可靠、数据质量提升,厂商仍需要确定哪些决策可以交给AI。现有设备自动化一般在既定流程与控制限值内运行,但具备工况评估、自主选择纠偏动作能力的AI智能体,带来新问题:谁授权这些决策,故障发生后如何处置。

排查工艺问题的智能体可能需要调取检测结果、查阅设备历史,调用多项工程工具评估多种纠偏方案。每一步操作都涉及不同访问权限,信息来自不同工厂或制造合作伙伴时更是如此。读取资源的权限,必须和发起变更的执行权限区分开。

Sharma说:“存在数据访问、数据整合问题,还有数据解读问题。AI带来一个此前并不突出的新难题:治理。智能体运行时,如何保证正确的智能体可以获取对应数据权限,同时相关人员能够进行审计访问。”

智能体可以被授权查看工艺记录并给出调整建议,但没有权限修改配方或重启设备。智能体跨多系统协同工作时,权限管控难度上升,访问AI系统不能自动获得后续所有操作权限。

工程师需要确定:哪些调整可以在已验证工况范围内自主执行;哪些场景需要人工审批;如果纠偏方案超出验证能力,系统该如何响应。厂商还需要提前定义预案:系统是否尝试再次修正、将控制权交还工程师,或是阻止后续工序继续。

未来智能体架构,大概率依靠智能体之间互相复核校验,提供另一层监督。但交互逻辑本身也需要管控。基于同一套残缺信息的多个智能体,可能互相强化错误,它们共同执行动作带来的后果,任何单一系统都无法预判。

近期智能体AI相关研究显示,系统会为达成目标,采取操作人员意料之外的行为,包括规避限制、隐匿信息。尽管这些研究来自受控实验场景与代码智能体案例,但这也引出多智能体协同工作时行为表现的疑问。

在制造场景,一系列单独都被允许的调整叠加后,整体工艺可能超出合格工况范围,哪怕每一步操作都没有突破自身限值。这就需要管控智能体决策的叠加效应,并独立验证工艺始终处于合格区间。

制造可追溯性提出另一项硬性要求。工程师后续排查失效时,必须能够还原:智能体观测到了什么、评估了哪些备选方案、为何选定该动作、哪些物料受到影响。记录需要将模型决策、设备设置与制造历史关联起来。

厂商能够安全下放的权限大小,取决于AI在边界内稳定运行的能力。系统可以选定纠偏方案,但同样需要识别信息不足、调整后果无法充分预判的场景。

对持续学习的系统开展资质认证

晶圆厂在某一AI模型版本的运行周期内,可能加工数千片晶圆。在此期间设备状态变化、新材料投入使用,工程师持续收集可用于优化模型的信息。更快吸纳这些数据具备价值,但厂商必须确认更新后的模型可靠性不低于旧版本。

Sharma表示:“距离真正的连续学习仍有很大差距。我们现在采用阶段性学习,按月或按季度更新模型版本。但工厂在两次版本更新之间会加工一万片晶圆。如何利用这批数据快速让模型或智能体完成学习,仍是待解难题。”

更频繁的版本更新,会带来更多资质认证工作。模型识别某一类工艺偏移的能力提升,却可能在旧训练样本覆盖的工况下可靠性下降。如果模型拥有调整设备参数的权限,工程师需要定位变更点,确认更新后的行为仍在认证限值内。

追溯变更不能只依靠软件版本记录。工程师需要保存模型训练、验证历史,以及模型通过资质认证时对应的工艺条件。如果AI系统在生产中行为改变,几周后发生失效,故障调查时需要复现对应批次晶圆加工时的模型状态。

厂商已有工艺变更、软件版本的认证流程,但生产中自主迭代更新的AI系统,需要纳入这套管控体系,可能需要限制模型可修改范围,并且在新行为作用于设备前设置独立校验。同时要区分两类变化:产线工况漂移,以及模型重训练带来的行为改变。

更大的难题在于,能否获取连续学习带来的收益,又不必在每次更新后执行全套完整资质认证。AI已经能够帮助工程师做出更好的制造决策,但把决策权交给AI,就必须提供证据证明模型行为可预测,并且所有动作均可追溯至经过验证的工艺条件。

迈向更高等级自主化的路径

数十年来,半导体厂商持续开发工艺,保障在不同设备、物料与生产环境下产出一致结果。AI为工艺优化带来新可能,但也在决策逻辑、结果可复现性方面引入不确定性。当软件接手原本由工程师完成的决策,工艺控制、资质认证、可追溯性的标准同样需要适用。

更高等级的自主化大概率会逐步落地,先在特征充分、工况边界清晰的场景下放决策权,随着厂商对系统信心提升,再持续扩大适用范围。AI最终有望独立识别问题、选定合适的纠偏方案并核验结果,全程无需工程师介入。实现该目标的前提,是厂商能够证明:即便设备状态、原材料物料、模型本身发生变化,AI做出的决策依旧可靠。

本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。

评论
暂无用户评论