大会演讲回顾 - 高通 | 从 DTCO 到 SoC： AI 破解数据爆炸与协同困境，护航半导体下一个十年转型攻坚！

小插曲：

原定上午 9 点的演讲，8 点 50 分核心演讲稿却在传输链路中陷入停滞 —— 对方系统用户名集体失效，文件下载通道全面阻塞；更换账号重试仍无法突破壁垒，反向上传又被我方信息技术部门拦截，仅得到 “抽空处理” 的回应。时间分秒流逝，直至 9 点 13 分，核心演示文件仍未送达，最终只能舍弃原版文件与关键演示动画，以简化版本仓促应急。

这场看似偶然的传输意外，实则是半导体行业日常运营中屡见不鲜的协同梗阻缩影，更直观投射出行业核心痛点：数据格式异构、系统接口割裂、跨组织跨部门协同效率低下，早已成为制约行业发展的隐形壁垒。而在数据爆炸式增长、技术复杂度指数级飙升的行业新常态下，对高效数据流转与系统协同的需求，正变得前所未有的迫切。

一、行业现状：复杂度与数据双压下，DTCO 转型迫在眉睫

在座企业高管已达成共识：我们明确数据分布，对AI技术落地需求迫切，力求快速兑现价值。这一迫切性的根源，在于行业运行模式的根本性变革 ——长期依赖的异构化线性工作流程已失效，非线性协同成为主流，系统互联互通从 “加分项” 变为 “必选项”。

1. 行业复杂度：堪比 “单日管控 45 层高楼” 的极致挑战

以建筑行业为参照：建造一栋 45 层高楼，需对建材实现克级追溯、环境全周期监测，规划施工周期长达 4.5 年；而半导体行业日常运营，需在单日完成同等量级的精细化管控 —— 这仅是行业复杂度的冰山一角。

技术迭代更印证行业难度：处理器主频从 1 GHz 普及至 5GHz，英特尔曾因 3GHz 主频功耗过高遭遇芯片融化难题；过去 5 年制程从 14nm 迭代至 2nm，过去 10 年芯片功能模块翻倍、表征工况增长 2 倍，核心驱动是电源轨与电压控制要求的持续提升。

2. 数据爆炸：2022 年至今增长 6 倍，Chiplet技术加剧增量压力

数据爆炸已成核心挑战：2022 年至今，行业数据量增长 6 倍、系统复杂度提升 5 倍、数据互通依赖度提高 5 倍；Chiplet 技术规模化应用，进一步推高数据量 5 倍；仅高通一家，每周就需处理 36TB 的半导体相关数据，并整合晶圆厂、客户等外部数据开展分析。

在此背景下，行业站在设计 - 技术协同优化（DTCO） 的关键转型节点。2020 年，行业技术路线图仍以 “顶尖工程师主导” 为核心，AI 未被纳入；如今向系统级芯片（SoC） 转型已成必然，固守传统模式将无法满足性能、成本与尺寸的严苛要求。

普迪飞正致力于破解这一难题 —— 我既是其重度用户，也是持续提优化建议的 “挑剔用户” 。其目标极具挑战性：整合多来源、多格式异构数据，处理测试程序变量，实时构建统一数据集。需要说明的是，我并非为其背书，而是强调行业对这类数据整合解决方案的迫切需求。

二、AI 应用真相：90% 项目折戟，症结在人而非技术

行业内对 AI 的理想化认知甚嚣尘上，“程序员将失业”“信息技术团队会被替代” 等说法广为流传。但麻省理工学院 2021 年的研究报告给出了冷峻现实：90% 的企业级 AI 项目最终失败，仅 10% 的成功项目能创造巨大商业价值。

项目失败的根源，绝非技术瓶颈，而在于行业自身的三重桎梏：

1

思维模式滞后—— 我们惯于 “甲 + 乙 = 丙” 的线性因果逻辑，AI 则遵循 “基于数据推测结果、再验证优化” 的概率迭代逻辑，二者存在本质鸿沟；

2

组织壁垒森严—— 数据孤岛现象普遍，同公司团队常以 “保密” 为由拒绝共享数据，甚至出现 “数据囤积者” 将数据锁在本地服务器、沾沾自喜的情况；

3

认知偏差显著—— 要么盲目迷信 AI，认为其输出无需验证，要么以 “AI 会产生幻觉”“表格处理更高效” 为由，顽固排斥新技术。

AI 的核心价值从不是取代人类。以英伟达为例，其研发的图形处理器（GPU）作为全球顶尖 AI 算力平台，芯片尺寸堪比水杯，却集成了数十亿乃至上百亿颗晶体管。这类复杂芯片的稳定运行，依赖互联技术、热管理、良率优化等多环节数据协同—— 而 AI 的作用，正是高效处理海量数据，放大人类的专业能力。

三、落地实践：AI 赋能半导体行业的三大核心应用

1. 良率学习：让 “废品芯片” 变身合格产品

通过 AI 为半导体芯片失效模式建立云端 “指纹” 档案，当检测到不合格芯片时，系统可精准识别非核心功能区域的错误并予以规避，无需增加额外测试时间，即可将不合格品转化为合格产品，性能与可靠性达到高通同级水准。

我们与爱德万测试（Advantest）、泰瑞达（Teradyne）联合开发的边缘计算盒子，将云端数据分析能力下沉至测试设备，实现实时决策，最终达成良率提升、测试时长零增加的双重效益。

2. 供应链优化：释放产能核心红利

借助 AI 分析企业间数据传输、转换、映射等全链路变量，优化预测模型，通过微调时间节点、剔除低效环节，释放宝贵产能。这一应用不仅助力芯片量产爬坡更顺畅，还能改善工程与生产环节的衔接效率，在当前成本高企的行业背景下，每一分释放的产能都价值千金。

3. 热管理：破解 2 nm先进制程难题

随着芯片制程迈入 2 nm时代，电源轨数量与电压控制要求呈指数级增长，热管理难度随之陡增。AI 可通过深度分析海量测试数据，精准预判芯片热分布，提前优化设计方案，从源头规避因过热引发的性能损耗或硬件故障。

四、核心指南：数据与AI集成的“十一行动准则”与“八大行业弊病”

【十一行动准则】：源于实践的核心纲领

1. 以价值为核心导向，整合团队资源与数据资产，最大化释放AI技术效用.

2. 依托应用程序接口（API）打通数据孤岛，实现多源数据的价值互通.

3. 坚持方案简洁性原则——可采用无代码/低代码工具，但使用者必须理解底层逻辑.

4. AI “幻觉” 问题多源于参数设置不当，而非系统本身的技术缺陷.

5. 建立持续学习机制，动态适配AI模型的快速迭代特性.

6. 强化企业内部知识共享，代码学习与数据学习同等重要.

7. 构建快速更新推送机制，支持用户基于自身数据特性定制工具.

8. 重视数据语境差异， “优质数据集” 的定义需结合具体应用场景判定.

9. 坚守安全与合规底线——本次文件传输风波，也暴露出部分系统的安全性短板.

10. 确保AI输出洞察清晰易懂，建立反馈闭环，推动方案持续优化.

11. 保障数据洁净度——其维护难度，远超行业普遍预期。

【八大行业弊病】：亟待规避的认知与行为误区

1. 贪多求全：过度采集无关数据。例如半导体测试中，0.5%的连续性故障率需重点关注，但无需深究所有波动细节.

2. 囤积居奇：垄断数据或工具，拒绝协同共享，典型如团队中 “数据囤积者” 将数据私有化管控.

3. 盲目攀比：简单复刻他人方案，陷入 “竞品有则我必优” 的误区，缺乏基于自身需求的创新.

4. 因循守旧：以 “AI会产生幻觉” “数据准确性不足” “表格处理更高效” 为由，顽固排斥AI技术.

5. 盲目迷信：将AI神化，认为其输出结果无需验证，直接跳过测试用例环节.

6. 刚愎自用：过度自信，拒绝接纳合理反馈，最终导致方案优化停滞.

7.盲目投入：在不适配的AI方案调试上耗费大量时间，投入产出比严重失衡.

8. 急功近利：片面追求短期效益，忽视技术与数据能力的长期价值沉淀。

AI方案的重新验证成本高昂，无需每次开展全量验证，但必须设计针对性测试用例以保障输出结果精准；方案推广前，需厘清数据背景、明确预期目标与价值定位。

五、未来方向：议程式AI与自主智能体的进阶路径

Agentic AI 是半导体行业未来的核心发展方向，目前已实现阶段性突破，但在大规模普及与易用性提升上仍有较长路径。其核心价值并非取代人类，而是通过高效数据处理，助力行业更快解决问题、创造商业价值。

关于无代码AI，行业需建立核心认知：“无代码人工智能绝不等于不动脑筋的人工智能”。这类工具虽降低了操作门槛，却对使用者的逻辑思维与概率模型认知提出了更高要求——缺乏深度思考的盲目操作，终将产出低效甚至错误的结果。

当前行业自主智能体的成熟度集中在 3 级与 4 级（高通等头部企业处于同一梯队），5 级技术仍处于远期探索阶段。未来的自主智能体，必须具备跨数据库、跨工具的整合能力，其核心目标始终是创造价值，而非取代人类。

行业日常需应对多类数据与工具协同的挑战：电子设计自动化（EDA）工具各有专属语言与独立安全系统，叠加测试台数据、现场数据等多源资源，还需配套数据分析工具与“容错型”数据探索平台，支撑工程师创新尝试。这些工具需通过应用程序接口（API）实现互联互通，而自主智能体的核心作用，正是简化数据查找与利用流程，提升协同效率。

六、结论：AI是半导体行业的价值赋能工具，而非对手

半导体行业复杂性加剧与数据爆炸的趋势已不可逆。AI的核心价值，在于为企业创造利润、缩短产品上市周期、提升芯片良率、加快价值变现。实践证明，即便仅将芯片良率提升1-2个百分点，也能为企业带来显著的利润增长。而AI落地成功的关键，在于易用性：若一款工具的基本操作需超过5分钟才能掌握，用户终将回归表格等传统工具，即便完成任务需耗费更长时间。

以普迪飞为代表的行业工具，虽在易用性上具备一定基础，但仍有优化空间。作为工具的最终使用者，企业应主动反馈真实需求与优化建议，推动工具持续完善——这不仅是对提供商的核心价值输入，更是打造适配行业需求解决方案的关键。坦诚的反馈终将转化为更优质的产品、更高效的流程，这是实现行业共赢的唯一路径。

最后，需强调两大核心认知：

第一，人工智能不是行业的敌人。《星际迷航》《星球大战》等科幻作品早已呈现AI的多种发展可能，其中的挑战场景值得行业借鉴。我期待未来能实现类似《星际迷航》中智能电脑的应用场景——通过简单操作即可获取精准答案，而AI正是推动这一愿景落地的核心加速器。

第二，AI绝非华而不实的噱头，而是半导体行业穿越周期、实现高质量发展的价值赋能工具。驾驭AI、挖掘其核心价值，是行业从业者共同的使命。