CEO主题演讲抢先看！半导体产业万亿市场破局：协作 + AI 成关键，SEMICON West 将深度解析

文章作者：Bob Smith

普迪飞首席执行官兼联合创始人、ESD联盟（ESDA）理事会成员John Kibarian，将在10月的SEMICON West展会的 CEO 峰会上发表主题演讲，题为《革新半导体合作模式：人工智能驱动的行业平台崛起》，基于演讲的内容，John Kibarian与 SEMI Bob Smith 分享了几个核心的内容：

Bob

哪些行业重大变革或趋势让【合作】变得如此关键？

John

半导体产业已从简单的线性流程深度演进为复杂的协作生态系统。在产业发展初期，全流程均在晶圆厂内完成：晶圆分选阶段同步开展测试，封装良率维持高位，终测流程简易，产品随即完成出货。彼时的协作主要存在于代工厂与无晶圆厂客户之间 —— 在早期认证与测试芯片阶段协作紧密，待量产进入稳定期后，便转为常规化的良率监控。

当前，先进封装技术将多颗小芯片集成至单一封装体中，导致测试插入点呈爆发式增长，显著推高了测试的复杂度与成本。前端晶圆厂已配备全球最精密的制造设备；而曾以简易流程为主的测试与封装工厂，也升级为配备集成机器人技术的精密系统级测试基地。封装工具的复杂度大幅提升，芯片贴装工艺对公差的要求愈发严苛。

时至今日，无论是新产品推向市场，还是持续的生产维护，要实现成功均需全产业链协同参与 —— 从系统厂商到设备供应商，无一例外。

企业正引入人工智能（AI）与机器学习（ML）技术管理这些复杂生产流程，覆盖测试与设备控制等多个环节。这进一步推动合作范围的扩大 —— 由于 AI 运行需整合来自代工厂、无晶圆厂企业、外包半导体封装测试厂商（OSAT）、设备供应商等多方的数据，而这些数据并非由单一主体掌控。曾经简单的双边交接模式，已演变为错综复杂的依存网络，需要持续动态协调。

Bob

小芯片及基于小芯片的架构持续成为行业焦点，被视为应对摩尔定律放缓的核心路径。这一模式的推进，需要全价值链开展极致水平的协同与协调。那么，它能否实现规模化落地并跻身主流？

John

半导体产业实现小芯片制造规模化，需开展前所未有的协作，且具备可行性。以极紫外（EUV）光刻技术的发展为例：其最初计划应用于65nm制程，虽技术复杂度极高，实际落地时间较预期延后数年，但这一过程不仅依托卓越的工程突破，更离不开 ASML、供应商、客户及整个无晶圆厂群体的广泛协同。

既然行业能为 EUV 达成此类协作，小芯片领域同样可实现。不过，小芯片制造对协作的深度要求更高 —— 更多企业将采用多家供应商的小芯片构建系统。

当前的小芯片系统中，组件多来自单一制造商，因此 UCIe 等标准的重要性尚未凸显，因企业可掌控整条供应链。但随着企业为降本而更多采用第三方组件，这一局面将发生改变。

未来，更多系统将整合多家厂商的组件，以更经济的方式推向市场。这将导致生产流程大幅复杂化，需协调衬底与基片、第三方芯片与中介层、OSAT 及特定配置的专用测试设备。这类协作不仅要在初始启动阶段有效，还需支撑持续生产；针对不同产品重新配置小芯片组合时，更需快速的自动化响应。

这一系列流程均需实现自动化以保障快速响应。鉴于制造流程的复杂性，借助 AI/ML 预测各类产品的生产状态将成为必然。

规模化生产中，手动监控制造环节的每颗芯片与每个封装已不现实，需由自动化 AI 代理承担监控与质量控制工作。而要扩大此类自动化应用，制造方与产品企业的工程团队需密切协作。

此外，此外，管理这类跨企业的复杂流程的所有软件需实现更高水平的协同：财务部门的 ERP 系统掌握物料流向、需求及预测信息；MES系统则需明确设备的可用时段。

但这些制造系统多运行于产品企业未掌控的工厂中。产品企业的产品生命周期管理（PLM）系统控制物料清单与测试流程，而测试需在 OSAT 完成 —— 这要求控制不同流程领域的多家企业，其软件系统必须实现复杂协同。这种协同跨越组织边界，需基于上游测试结果确定下游测试内容，以此保障小芯片高效集成封装、缩短周期，无需依赖高强度人工干预维持运转。

Bob

数据量大得惊人，尤其是现在的设计数据。要实现这种万物互联的愿景并规模化落地，需要具备哪些条件？

John

这需要两方面结合：工程师设定系统运行边界，系统中的代理则负责处理日常高频工作。

MES 系统与 ERP 系统的数据互联可为典型案例。

企业构建协同机制时，会制定系统间信息流转规则。例如，明确告知 ERP 系统：“计算各流程步骤成本时，需采用这些工艺配方信息。”

规则确立后，将作为准则指导日常运营。AI 代理会基于 MES 收集的实际数据自动生成洞察，并依据规则在系统间传输数据。ERP 的 AI 代理可据此识别成本上升趋势并发出警报、察觉良率波动并测算其对成本的影响，进而采取纠错措施。

设备供应商与制造工厂间的协作逻辑与此一致：基于预设规则自动共享数据，借助 AI 识别问题并实施纠正。晶圆厂会明确设备访问权限及时段、数据传输类型、渠道及频率；当引入新软件或 AI 模型用于设备控制时，系统会规定安装前必须完成的病毒扫描与安全核查流程。

操作员的核心职责是配置这些控制系统 —— 确定最有效的协作协议。但由于数据规模庞大且运营中持续产生海量交易，日常执行工作需由自动化代理承担。

工程师无法逐一审阅全部数据，可从两个案例具体说明，其一来自行业外，其一来自行业内。

在2019年普迪飞用户大会上，董事会成员、哈佛商学院教授Marco Iansiti 分享了其关于商业 AI 的研究成果。他对比了传统银行与蚂蚁集团（阿里巴巴旗下金融板块）—— 早期蚂蚁集团曾实现爆发式增长。

蚂蚁集团的 AI 技术并非高度复杂，但其流程具有革命性突破。传统银行要求客户填写贷款申请后，由人工信贷员审核；而蚂蚁集团的系统会自动从互联网及社交媒体抓取信息验证申请人资质，通过算法在数秒内完成审批。两者的核心差异在于：蚂蚁集团可实现指数级增长，因其唯一限制是计算能力；而传统银行要扩大业务规模，需增聘信贷员 —— 这种人力瓶颈制约了增长。

对于半导体产业而言，要打造规模达万亿美元、具备复杂集成系统的产业，需在数据密集型流程中最大限度减少人工干预。尽管行业利益相关者间存在信任壁垒，但协作仍是核心需求。解决方案在于建立系统性原则，使 AI 代理能够自主运行 —— 这是实现指数级增长的可行路径。

蚂蚁集团的案例精准诠释了行业需求。在我们看来，这种模式对行业发展至关重要。目前我们管理的数据已达 PB 级，而人类仅能查看其中的 5%-10%。这表明，AI 完全有能力在无需人工监督的情况下处理绝大多数操作。

事实上，我们的客户每周生产数百万颗芯片，每年产量高达数十亿颗。他们无法逐一审阅所有数据集，但算法与 AI 可以。去年我们推出了 “引导式分析（Guided Analytics）” 产品，一位工程师在去年的用户大会上提到，其所在企业有数千种产品，团队无法实现每日全量跟踪，但“引导式分析” 可完成这项工作：每天早晨，日报会显示90%的芯片状态良好，或通过警报定位问题所在。这本质上是一个简易AI机器人，通过遍历数据识别潜在根本原因。

行业要实现规模化发展，需要更多此类代理。这些代理将覆盖全行业，而人类的职责是制定其运行准则。唯有如此，才能应对海量设计与制造数据，提升行业所需的运营效率，并真正从为业务打造的 AI 中获益。