AI 能自己做制造决策吗?
AI 可以优化工艺并发现缺陷,但自主决策需要更好的数据和严格的工艺控制。

要点:
- AI 可以识别有前景的工艺条件并识别制造问题,但这些结果仍需经过物理验证,才能在生产中可信使用。
- 不完整的制造数据以及对下游影响的不确定性,使得很难将工艺调整的权限交给 AI 系统。
- 更高的制造自主性需要明确的决策边界、故障遏制手段,以及随着模型在学习中变化而对其进行资格确认的方法。
半导体制造一直依赖工程师做出涉及工艺参数之间复杂相互作用的决策。例如,一个刻蚀配方可能涉及 RF 功率、压力、气体化学、温度和时间等组合,每一项都会影响多个工艺特性。改变一个参数可能会改善关键尺寸控制,却在别处产生问题。但随着器件和制造工艺变得越来越复杂,涉及变量数量的不断增加使这些决策愈发困难。
AI 驱动的制造提供了一种管理部分复杂性的方式,从寻找更好的工艺条件到识别缺陷并响应生产线上的问题。但工程师愿意将这些系统赋予多少生产责任,仍是一个悬而未决的问题,也是在 SEMICON West 2026 上引起大量关注的问题。
“无论我们作为工程师多么优秀,无论我们多么自律和客观,我们往往会带着历史偏见去处理这些难题,”Lam Research 首席 AI 官兼 Semiverse Solutions 企业副总裁 David Fried 在会议小组讨论中表示。“一位工艺工程师可能会看着一组数据说,‘我需要进入更低压力、更高功率的区间,因为 10 年前我们就是这样解决这个问题的。’但面对如此庞大的参数空间,AI 可以指引我们走向不同的方向,进入一个我们可能从未考虑过的操作区域,因为以前我们无法在数据中看到那些关系。”
找到一个能持续有效的工艺。找到一个不熟悉的操作条件是有用的,但确定它在生产中是否站得住脚则是另一回事。两个配方在开发期间可能产生相似的结果,但对 incoming materials 或设备条件变化的响应却可能截然不同。AI 可以帮助工程师在确定采用某一特定工艺之前识别这些差异。
“这不仅仅是达到某一特定性能点的问题。这也是该性能点有多稳定、有多鲁棒的问题,”Intel Foundry R&D 高级首席工程师兼路径探索高级总监 Vikas Sharma 在最近的一次演讲中表示。“incoming material 或设备上的微小扰动可能导致性能显著下降。”
优化问题的规模有助于解释为什么 AI 驱动的制造如此引人关注。Fried 描述了一台当前的 Lam Research 刻蚀机,其潜在配方空间约为 10²³ 种组合。在 Intel,Sharma 讨论了一个涉及 350 个参数、约 10⁷⁰⁰ 种理论组合的工艺。
据 Sharma 介绍,与设备供应商合作的工程师花了大约一年时间为该特定设备和工艺层开发出一个最低可接受的配方,随后又进行了长期努力来改进它,但收效有限。在引入 AI 辅助优化后,他们在几个月内就开始找到更好的结果,最终识别出多个优于原始基线的解决方案。
文章标题:AI 能自己做制造决策吗?
挑战在于确定哪些解决方案值得推进。Sharma 指出,AI 可以识别出数千个候选方案,但评估这些方案仍然需要昂贵的硅实验。工程师还必须考虑参数之间的非线性关系,这些关系在不同工作区间内可能发生显著变化。
“AI 不是魔法棒。你不能用同一套 AI 方案解决所有问题,”Fried 说。“要弄清楚你用的是完整的物理仿真、代理模型、机器学习、深度学习、基于 LLM 的 AI,还是智能体 AI,你要以哪种形式构建哪种方案来解决哪个问题、应对哪个工作流,这才是我们花更多时间在做的事,而不是实际构建或实现它。”
不同的方法服务于不同的目的,从探索工艺条件到协调工程工作流。将它们结合起来或许能让工程师研究更多可能性,但这也带来了问题:结果该如何验证,以及当一个模型的建议传递给另一个模型时,前者所用的假设是否仍然适用。
当工厂依据所见采取行动 检测是 AI 在制造业中较为成熟的应用之一,尤其是在先进封装领域,更细的间距和更复杂的结构增加了必须检查的连接数量。有些封装可能包含数十万个互连,每一个都是潜在的失效点。
自动光学检测和 X 射线系统会收集这些结构的大量信息。机器学习可以识别出肉眼难以分辨的差异,但制造商仍需确定哪些差异表明存在实际缺陷。
“当我们看 X 射线图像时,所有人看到的都只是各种深浅的灰色,但 AI 能看到一千种深浅的灰色,”ASE Group 执行副总裁 Ingu Yin Chang 说。“但只有当我们说‘嘿,这种灰色对应一个问题’之后,AI 才知道这种灰色是否等同于问题。所以,你必须要有实物数据来说‘好,那是个问题’。然后,在未来,它们就能扫描那种灰色和那个位置。”
一旦制造商确定了哪些图像特征对应实际缺陷,AI 驱动的检测系统就能在生产过程中标记异常,并触发预定义的设备响应。在 ASE,系统能够识别已知异常,并在更多组件受到影响之前触发设备响应。
“我们已经弄清楚了如何实现大量自动化,并利用 AI 帮助我们识别潜在问题,依据是我们通过传统制造方法实际学到的问题,”Chang 说。“我们会知道引线键合何时没有正确键合,机器会立即停止。有持续的 AI 监督在问,‘我们是否一切都做对了?我们看到的是否符合我们的预期?’”
在检测到缺陷时停止设备可以防止进一步损失,但这并不一定意味着 AI 在独立控制过程。检测系统可能识别出异常状况,而由传统控制器执行预定义的响应。要让 AI 选择新的键合参数并恢复生产,需要对其决策有高得多的信心。
ASE 的产品多样性使这一挑战更加困难。Chang 指出,数百种封装类型可能经过同一条生产线,而材料、结构和工艺敏感性各不相同。模型必须能够识别正在制造的是哪种产品,以及训练时所使用的条件是否仍然适用。
文章标题:AI 能自己做制造决策吗?
检测系统或许能正确识别出有缺陷的键合,但要改变工艺以避免再次失效,需要知道失效的原因,以及调整是否会在其他地方引发问题。在允许 AI 独立做出这些决策之前,制造商需要多得多的信息,而其中许多信息仍然难以获得。
证明模型是对的 AI 驱动制造的首批障碍之一,是确定 AI 给出的建议是否准确反映了实际物理过程。模型可以识别制造参数之间的统计关系,却未必能捕捉到这些关系背后的物理机制。这对于寻找有前景的工艺条件或许足够,但当系统被期望做出影响生产的决策时,这就成了更大的隐忧。
Sharma 举的 Intel 例子说明了这个问题。在某个工艺区间内,压力和温度可能主导响应,而在其他区间,电压或气体流量可能变得更重要。用某一区间测量数据训练出的模型,不能假定这些关系在另一区间也同样成立。
“基本原则是,代理模型在其训练数据所代表的区间内做插值时是可靠的,而外推到该区间之外时可靠性就会下降,”Silvaco TCAD 业务部门 AI 制造高级副总裁兼总经理 Eric Guichard 说。
找到一个不熟悉的工艺区间,可能正是 AI 有用之处,但这也意味着工程师可用于核对其预测的实验证据更少。AI 可以找出成千上万个候选方案,留给工程师去判断哪些值得进行昂贵的硅片实验。在这些建议能够影响生产之前,制造商需要确定哪些预测可靠、哪些地方还需要补充测量。
类似的局限也出现在先进封装检测中:模型或许能分辨 X 射线图像中的细微差异,却没有足够的物理证据来判断哪些差异代表真正的缺陷。当 AI 被授权据此采取行动时,基于不完整信息做出的高置信度预测就变得尤其危险。一次不当的调整可能会影响到那些还要经过多道制造工序的材料,直到问题被发现。
当所需数据并不存在时 半导体制造商几十年来一直在收集工艺和设备数据,但其中大部分仍然分散在各自独立的系统中。设备日志、检测记录和工程数据库可能包含同一产品的信息,却没有以便于分析其间关系的方式连接起来。
“在 AI 出现之前,数据挑战日益加剧的问题就已经存在了,”Fried 说。“五到十年前,我们真正开始撸起袖子,为公司构建集成的数据框架。那些更早、投入更大精力构建这些数据框架的人,现在正更快地从 AI 中获益。也许 AI 让这个问题加速了,但我们拥有这个庞大、不断增长且错综复杂的数据网已经相当长时间了。”
连接现有数据已经够困难了,但制造商还面临这样的情况:预测所需的信息从未被测量过,或者无法从生成它的公司那里获得。先进封装使这一点尤其棘手,因为制造信息可能来自多家供应商。晶圆厂提供裸片,另一家公司生产基板,OSAT 负责组装和测试,而各方往往无法访问相同的制造历史记录。
文章标题:AI 能自己做制造决策吗?
正文: 一些最困难的差距涉及制造过程中会变化的物理特性。基板翘曲、热应力和材料行为会影响后续操作,尤其是当组件经历反复的热循环时。这些变化并不总能被现有测量手段捕捉到,而依赖标称材料特性的模型可能会完全忽略它们。
制造商还需要保留其交换数据背后的假设。为一个工作范围开发的模型,在用于其他范围时可能产生看起来合理的结果,尽管原有的校准已不再适用。
“如果训练范围、校准来源或批准用途没有随模型一起传递,它可能足以用于早期探索,但不足以安全地用于设计收敛,”Synopsys 产品管理高级总监 Kenneth Larsen 表示。“缺失的信息不只是更多数据;而是告诉下一个工具或团队应如何使用这些数据的上下文。”
随着 AI 系统开始跨多个工艺步骤协调决策,这些差距变得更加重要。基于一个操作的推荐可能会忽略影响下一步操作的条件,尤其是当模型缺乏关于产品实际物理状态的信息时。增加计量和表征可能有助于弥合其中一些差距,但工程师仍需确定现有信息是否足以依据推荐采取行动。
谁来决定 AI 能做什么?即使拥有可靠的模型和更好的数据,制造商仍然必须确定哪些决策应委托给 AI。现有的设备自动化通常在既定程序和控制限内运行,但一个能够评估条件并选择纠正措施的 AI 代理会引发疑问:谁授权这些决策,以及出错时会发生什么。
调查工艺问题的代理可能需要检索检查结果、查看设备历史记录,并使用多种工程工具评估可能的纠正措施。每项活动可能涉及不同的访问权限,尤其是当信息来自不同设施或制造合作伙伴时。对这些资源的访问权限还需要与发起变更的权限区分开来。
“存在数据访问和数据整合的问题,也存在数据解释的问题,”Sharma 表示。“但 AI 作为一个新事物带来的、以前并不那么严重的问题,是治理。当代理工作时,你如何确保合适的代理能够获得对正确数据的适当权限,并且合适的人能够访问?”
代理可能被授权检查工艺记录并建议调整,但无权修改配方或重启设备。当代理跨多个系统协调活动时,这些限制变得更难执行,尤其是当一个工具可以通过另一个工具发起操作时。对一个系统的访问权限不能自动赋予对后续每项操作的权限。
即使是获得授权的调整也可能带来风险。例如,改变键合力或温度可能会修复即时缺陷,同时影响相邻连接或下游可靠性。工程师必须确定哪些调整可以在合格的工作范围内进行、何时需要批准,以及如果提议的纠正超出其经过验证的能力范围,系统应如何响应。
如果 AI 指导的纠正产生了意外结果,设备可能需要停止,同时受影响材料应被扣留以供调查。制造商还需要确定系统应尝试另一次纠正、将控制权交还给工程师,还是阻止后续操作继续进行。这些决策必须在允许自主调整之前确定。
文章标题:AI 能自己做制造决策吗?
未来的智能体架构很可能依赖智能体相互审查和验证彼此的工作。这可能提供另一层监督,尽管这些交互本身也需要受到控制。依赖同样不完整信息的智能体可能会强化彼此的错误,而它们的集体行动可能产生任何单个系统都未曾预料到的后果。
近期关于智能体 AI 的研究已经展示了这样的案例:系统通过其操作者从未意图采取的行动来追求既定目标,包括规避限制或隐瞒信息。[1, 2] 尽管这些研究包含受控的实验场景以及涉及编码智能体的事件,但它引发了关于多个智能体协同工作时可能如何行为的问题。
在制造业中,一系列单独获准的调整可能集体将某个工艺推离其合格运行条件,即使没有任何单一操作违反其既定限制。要防止这种情况,需要对智能体决策的叠加效应进行控制,并对由此产生的工艺仍处于可接受限值内进行独立验证。
制造可追溯性又增加了一项要求。调查后续故障的工程师必须能够重建智能体观察到了什么、评估了哪些替代方案、为何选择某一特定操作,以及影响了哪些物料。这些记录需要将模型的决策与设备设置和制造历史关联起来。
制造商能够安全下放多少权限,将取决于 AI 能在这些边界内运行得有多可靠。系统或许有能力选择某项纠正措施,但它也需要识别出可用信息不足,或者某项调整的后果无法以足够的置信度预测。
当 AI 模型用新的生产数据更新、可能在原始运行边界确立之后改变其行为时,维持这些限制就变得更加复杂。
对持续学习的系统进行认证
半导体晶圆厂在某一 AI 模型两次更新之间可能处理数千片晶圆。在此期间,设备条件发生变化,新物料到达,工程师收集到可能改进模型预测的信息。更快地纳入这些结果会很有价值,但制造商也需要知道更新后的模型是否会像它所取代的模型那样可靠地运行。
“我们距离持续学习还很远、很远、很远,”Sharma 说。“我们做的是阶段性学习,每季度更换一次模型,或者每月更换一次模型。但如果工厂正在运行 10,000 片晶圆,我们就有 10,000 片晶圆乘以这些模型更换之间相隔的周数。我们如何以能快速应用于该特定模型或智能体、或两者学习的方式使用这些数据?”
更频繁的更新会引入额外的认证工作。模型可能在识别某一种工艺偏移方面变得更好,而在其先前训练数据所代表的条件下变得不那么可靠。如果该模型能够调整设备设置,工程师需要确定发生了什么变化,以及更新后的行为是否仍在合格限值内。
跟踪这些变化也需要不止于识别运行的是哪个软件版本。工程师需要保留模型的训练和验证历史,以及其获得认证时所处的工艺条件。如果 AI 系统在生产过程中改变了行为,数周后调查故障时可能需要重建处理某一特定批次时模型的状态。
文章标题:AI 能自己做出制造决策吗?
正文: 尽管制造商已经有用于验证工艺变更和软件修订的流程,但一个在生产过程中自我更新的 AI 系统必须纳入这些控制之中,这可能需要对模型可以更改的内容加以限制,并在修订后的行为影响设备之前进行独立检查。制造条件的变化也需要与重新训练模型本身所引入的变化区分开来。
更难的问题是,制造商能否在不必在每次更新后重复冗长验证流程的情况下,获得持续学习带来的好处。AI 已经可以帮助工程师做出更好的制造决策,但把决策责任交给它,需要证明其行为保持可预测,并且其行动可以追溯到经过验证的工艺条件。
通往更高自主性的路径 半导体制造商用了几十年开发出能够在设备、材料和生产环境之间产出一致结果的工艺。AI 为改进这些工艺带来了新的可能性,但也带来了关于决策如何做出以及结果能否复现的不确定性。当软件开始做出过去由工程师自己处理的决策时,同样的工艺控制、验证和可追溯性标准将必须适用。
更高的自主性可能会逐步出现,从可以在充分表征的运行限制内做出的决策开始,并随着制造商对控制它们的系统建立信心而扩展。AI 最终可能会识别问题、确定适当的纠正措施并验证结果,而无需工程人员干预。实现这一目标将取决于制造商能否证明,在设备条件、材料和模型本身发生变化时,这些决策仍然可靠。
- A. Lynch, J. Hughes, A. Serrano, R. Kirk, and S. R. Bowman, “Agentic Misalignment in Summer 2026,” Anthropic, July 13, 2026. https://alignment.anthropic.com/2026/agentic-misalignment-summer-2026/
- OpenAI, “Suppressing Misalignment Monitoring Alerts and Disabling Misalignment Monitoring,” OpenAI Alignment, October 20, 2026. https://alignment.openai.com/misalignment-reports/suppressing-misalignment-monitoring-alerts-and-disabling-misalignment-monitoring/
相关文章 左移使晶圆厂数据管理复杂化 流式传感器数据为先进工艺控制带来新挑战。
AI 模型变革缺陷检测与审查,但可能无法规模化 大多数 AI 计划举步维艰;由于现实世界数据有限,合成数据正获得青睐。
芯片制造中的代理式 AI 当你把人类从闭环中移除时会发生什么。