美光科技如何利用AI技术在硅晶圆上制造内存

制造芯片的复杂程度超过制造火箭。阅读本案例研究，了解美光如何率先在制造、物流和业务流程中应用 AI，并将其大规模部署，从而实现技术优势地位。

美光在利用人工智能 (AI)技术方面绝不仅限于空谈。公司将数据分析和 AI 应用于自身制造流程，真正做到了言行一致。美光将 AI 融入业务运营的核心，通过业界前沿内存和存储解决方案，彰显其赋能技术的卓越价值。

智能制造是自动化的更高阶段。其关键在于大规模智能感知、决策与优化。智能制造涵盖内容广泛，从仿真和预测分析，到机器学习和生成式 AI 等。这是一项更广泛的企业战略，其中感知 AI 和智能体 AI 发挥着关键作用：感知 AI 通过计算机视觉、声学监听和热成像等技术，使机器能够“看到、听到、感觉到”周围的环境。智能体 AI 系统能够解读这些输入信息并自主行动，持续学习、在复杂的工作流程中进行协调。

这些能力相结合，为美光的制造战略转型提供了支撑，使智能系统能够实时检测异常、优化流程并灵活适应新变化。智能制造带来了诸多优势：更高的良率、更安全的工作环境、大幅提升的效率、更短的产品上市时间，以及更可持续的业务。本案例研究探讨美光如何利用 AI 技术来应对全球最复杂的工程挑战之一：在硅晶圆上制造内存。

复杂的制造工艺

美光的制造工厂在基于硅晶圆开发内存技术时需要使用高度复杂和精密的工艺，耗时数月，涉及约 1,500 个步骤。出错和浪费的可能性很高。利用数据分析和 AI，有助于降低这种可能性。如果仅依靠人类警觉性来发现和跟踪缺陷、机械问题和其他潜在问题领域，公司将会损失时间和金钱。而通过利用当今的前沿 AI 技术来提高准确性和检出率，就可以避免这些损失。

美光智能制造和人工智能企业副总裁 Koen de Backer 表示：“我们在这里打造的东西完全与众不同，能够实现更高水平的准确性。现在，我们可以将产品上市速度加快一倍，同时每年节省 100 万工时。这确实是革命性的成就。”

美光如何将晶圆转化为先进内存

制造先进内存的起点是二氧化硅——一种经提纯后纯度高达 99.999% 的沙子。这种电子级硅原料先被熔铸成硅锭，再切成厚度仅为 0.67 [BG1] 毫米 [E]2] 的超薄晶圆。美光从专业供应商处采购电子级晶圆，然后通过先进的制造系统进行加工，最终生产出高性能内存芯片。

通过扩散工艺，晶圆上的涂层能够均匀分布。添加涂层材料时，每个晶圆都在高速旋转（有时在超热环境中），材料在离心力的作用下沿着表面扩散。

在美光的尖端制造工厂中，这些采购而来的晶圆将经历一系列精密设计的加工步骤——每个环节都旨在将电子级硅原料转化为智能内存，加工精度可达微米级别。

抛光：去除从硅锭切割下来的初始晶圆表面的微小瑕疵，确保形成后续加工所需的光洁表面。

光刻胶涂覆：涂覆光敏材料，以便能够通过光刻技术刻印精密电路图案。

光刻：利用紫外线将设计好的精密电路逐层转印到晶圆上，类似于相片曝光的过程。

掺杂与金属化：加入离子化等离子体（掺杂）来改变晶圆的电学特性，并添加导电金属层以形成互连结构。

添加防护层：用薄膜密封晶圆，以便在测试和搬运过程中保护其中的电路。

检验与检测：通过 AI 增强成像和分类系统验证功能性和结构完整性，并检测人眼无法察觉的缺陷。

整个制造过程在无菌制造室（称为洁净室）中进行，以防止微小的灰尘污染原始晶圆。然而，尽管采取了这些预防措施，晶圆仍然可能存在瑕疵。微小的划痕、保护膜下的气泡、细微的结构缺陷等——若未及时检出，这些小缺陷可能导致整批产品报废。

这些瑕疵通常很微小，肉眼完全看不见。即使可见，检测人员在扫视每片晶圆的 30 到 40 张照片时，也可能会因为眼睛疲劳或暂时走神而未注意到缺陷。眨眼之间，瑕疵品便流向了下一个环节。

如果到测试阶段才发现问题，就会浪费大量时间和金钱。这些瑕疵的根源问题不仅仅只影响一片晶圆，而可能影响成千上万片晶圆。

在生产中还有其他方面也可能会出现问题。设备零部件磨损；管道危险化学品泄漏或滴落到产品或员工身上。我们必须及早发现这些问题并予以纠正。一旦停工，往往就要付出很高的代价，导致收入损失并错失生产良机。由于半导体制造的复杂性，恢复生产需要耗费大量的时间，这可能会使真实成本达到数百万美元。并且，还存在很多与员工受伤相关的风险。最后，为践行美光对可持续发展和卓越运营的承诺，我们应当尽力实现每个流程的高效节能、稳定可靠。

及时检测出产品和机械问题，对于生产效率、效能和安全至关重要。遗憾的是，人难免会犯错。即使是最专业的员工也未必总能察觉出细微的问题迹象。

这正是 AI 大显身手的领域。AI 系统能以激光般的精度和速度检测出人类不易觉察的异常，比如划痕、气泡、设备磨损等，其能力远远超过人类。AI 系统会从超过 590,000 个源收集 PB 级的制造数据 [JB1]——这些数据持续流入美光的云分析环境，以供优化生产流程以及实时发现问题。这些系统包括计算机视觉、声学监听和热成像，当机器具备了这些感知 AI 能力，便能够感知周围环境。

计算机视觉让制造过程“被看见”

美光的 AI 制造基于图像分析技术。Koen 解释道：“图像在半导体制造工艺中具有强大的作用，我们可以分析每个工艺步骤的详细图像。”

他还表示：“通过利用 AI 计算机视觉并分析每个阶段的图像，我们可以快速识别发生的任何偏差。所有过程都完全采用自动化方式。这种分析涵盖各个方面，包括前道、封装与测试。”

在整个晶圆厂和制造工艺中，美光通过 AI 计算机视觉寻找微观层面的潜在瑕疵。

除了图像，美光还采用视频分析来消除封装和测试中的质量问题。您也许会认为视频的数据量太大，因而不太可行。但是，美光同样使用了 AI，来确定需要分析的关键时间点。AI 会适时启动和停止视频流，仅捕获关键过程，从而控制数据量的大小。美光的一大优势是，同时生产内存和存储设备，确保这些宝贵数据能够被采集、保存并随时可用。

图像和视频非常有用，因为晶圆瑕疵有很多种形式。大多数瑕疵属于以下这些常见类型：晶圆边缘附近有小孔，或外层薄膜上有划痕和气泡。在晶圆制造过程中，光刻机在晶圆上蚀刻电路时，其摄像头会捕获一些图像，美光的 AI 系统使用计算机视觉技术在这些图像上识别上述缺陷。

根据工程师的指示，系统会自主扫描晶圆边缘的小点（孔），或者连续或轻微断开的线条（划痕），也可以根据深浅不同的斑点来发现颜色变化。某些缺陷能以近乎实时的速度检出，在拍摄图像后数秒内触发警报。在照片存储几分钟后的二次扫描中可能会发现其他缺陷。所有这些过程都依赖于 AI 系统对数据库环境中存储的数百万张图像进行比较和对照。

事实证明，这些结果比工程师的评估要准确得多，因为 AI 计算机视觉具有更高的准确性和效率。最重要的是，工程师们现在可以专注于数据采集以及根本原因的解决。

美光的 AI 自动缺陷分类 (ADC) 系统进一步简化了这项工作。技术人员和工程师不再需要手动对晶圆缺陷进行分类。借助深度学习技术，AI-ADC 每年可对数百万个缺陷进行分类和归类，并能够自主学习，在迭代中不断提升准确率。这种机器学习方式按类型对缺陷进行聚类处理，可帮助工程师追溯缺陷产生的根本原因，并使 AI 系统能够自主发现缺陷及优化结果。

监听声音

美光除了将 AI 成像作为制造工艺的核心外，还利用声学监听来预防问题。异常声音往往表示部件存在磨损或即将发生故障。

美光的 AI 系统可以通过声学传感器监听工厂机械的异常情况。这些传感器通常有计划地安装在机器人执行装置或泵设备附近。这些麦克风可以连续数周对正常工作状况录音，软件将检测到的频率转换为图形或图表，以视觉数据来描述声音。当出现新的音高或频率时，系统会发出警报。很多情况下，系统甚至可以辨别出发生异常的原因。

搜索这些庞大的数据库可能非常耗时。但当机器有可能发生故障时，工厂经理又需要立即知晓情况。相比基于 CPU 的系统，将数据发送到由 GPU、加速器以及美光的内存和存储设备组成的 AI 系统可以更快获得智能结果。这些 AI 系统具有数十万个 GPU 核心和高带宽内存，可以同时协同工作，瞬间优化结果，几乎无需人工干预。此外，它们还可以在每次迭代中改进诊断机制。

热成像感知

并不是每种故障都会发出声响。在制造环境中，寂静无声也可能隐藏着致命危险。有时候，唯一的预警信号是温度的变化。直到最近，检测温度骤升的方法仍然只有观察红光、火花或烟雾。当这些状况出现时，意味着事态已进入危险阶段，工厂需要尽快疏散员工。

因此，除了图像分析和声学监听外，美光还使用热成像技术测量关键器件的温度。

Koen 解释道：“测量变压器的温度是防止过热的关键。及早发现问题也许只需要进行简单的修理，而如果错过了时机，可能就只能更换整套昂贵的设备。”

最终，这些用于采集图像、声音和温度的 AI 传感器将直接影响公司的利润。Koen 补充道：“这些传感器在提高质量和效率方面表现出色，在成本节约方面同样作用巨大。它们能够实现细粒度的能源计量，从而显著节约原材料和能源。”

数据

美光通过 590,000 个传感器生成 1 亿张晶圆图像，涉及到 4.36 亿个控制点。所有这些数据每周都会通过 AI 模型进行处理。此外，已存储 77 PB 数据，并且每天捕获 58 TB 的新数据。

AI 的大规模采用可支持多种应用，包括良率分析、数字孪生规划、物联网 (IoT) 和图像分析、优化和高级算法、过程自动化以及移动应用。

结果1毋庸置疑：

制造工具可用性提高 4%

每年劳动生产率增加 100 万工时

新品上市时间缩短 50%

产品报废率降低 50%

其效益不仅限于晶圆厂。从销售和市场营销，到人力资源、业务运营、研发及业务系统——AI 现已融入美光运营的方方面面。

Koen 表示：“这是整个企业层面的转型，而不仅仅是车间改造。我们已将 AI 应用于公司内部所有业务流程。”

生态系统合作伙伴关系

美光不仅在内部优化制造工艺，在与供应商直接合作时也使用 AI，向他们提供与产品相关的详细反馈，以确保尽可能提高能效。美光同这些供应商一起协调 DIMS（数据摄入美光系统），尽可能提高数据摄取的频率。美光工程师会实时监控这些摄取状态，同时持续进行精益求精的校正和优化。

此外，美光还使用遥测数据来衡量旗下产品在供应商数据中心内的效果。这些数据与美光内部数据相结合，可支持实时协作，以便改进产品，使其满足特定工作负载的需求。

美光也会密切监控这些模型的表现。使用 AI 处理传入的数据并进行反复训练，工程师能够专注于自动化机器学习的流程。如果不使用 AI，可能数据科学家永远无法腾出手来推动技术发展，他们将忙于研究那些已经发生的各种事件。

这些计划得到了内部数据科学学院的支持，同时公司也在内部数据科学家、工程师和解决方案架构师方面进行了持续投资。通过这些资源以及美光的公民数据科学模型，职能专家能够有效利用 AI 支持的工具和见解。

行业领导力

如今，美光正在将丰富的核心工艺知识与 AI 出类拔萃的效率相结合。数据专家们创建了大型良率管理平台，公司内有 14,000 名员工正在使用这些平台。与此同时，以前专注于日常良率优化的专业团队正在快速集成周期中构建新的原型。团队成员经常会应用这些原型来优化主要平台。

得益于美光团队成员的敬业精神及其开发的 AI 增强型先进制造工艺，公司在多代内存技术的采用过程中均实现了创纪录的良率。凭借最新创新成果，美光的近几代技术能够比前几代更快达到成熟良率，彰显出公司的工程研发与卓越运营能力，并进一步巩固了美光的技术优势地位。

美光针对产品制造不断优化 AI。AI 已不仅是一种工具，更是一种智能系统，彻底改变了生产流程。而真正让美光在 AI 应用领域脱颖而出的，则是通过大规模应用 AI 来重塑整个企业。从仿真与预测分析，到机器学习、生成式 AI 以及实时工艺优化，美光的 AI 战略已渗透至业务的每个角落。新技术不仅不会取代团队成员的工作，反而会为团队助力和赋能，让他们无需再忙于获取数据并进行大量基础分析。现在，他们可以专注于自己擅长的事情——通过创新来开发行业前沿产品及良好业务实践。

1改进结果基于美光 2016-2025 年收集的内部数据和分析

本文作者

Dan Combe

全球传播与营销部门营销活动经理