筆者按：2024，行業(yè)“GPT時(shí)刻”來(lái)臨。筆者看到，在匯聚人類頂尖智慧與精湛工藝的半導(dǎo)體行業(yè)，以智現(xiàn)未來(lái)為代表的工業(yè)軟件供應(yīng)商，正發(fā)揮著其深耕行業(yè)數(shù)十年的數(shù)據(jù)積淀、技術(shù)儲(chǔ)備和深厚的一線服務(wù)經(jīng)驗(yàn)，以大模型為武器，盤活工廠數(shù)據(jù)資產(chǎn)，解決晶圓廠數(shù)據(jù)孤島困局、“經(jīng)驗(yàn)沉沒(méi)”和“人才密度不足”等諸多難題，開啟全新的工業(yè)智能時(shí)代。

ChatGPT引爆了新一輪的人工智能浪潮，各行各業(yè)都在翹首期盼擁有專屬于自己的“AI引擎”。正如每一次技術(shù)革新都將人類生產(chǎn)力推向新的高度一樣，在特定行業(yè)內(nèi)，對(duì)垂直領(lǐng)域大模型的需求日益增長(zhǎng)。與應(yīng)用廣泛的通用大型語(yǔ)言模型不同，這些垂直領(lǐng)域的大模型專注于深入理解和處理特定領(lǐng)域的信息，提供更專業(yè)化的服務(wù)，并從根本上提升相關(guān)行業(yè)的生產(chǎn)力。同時(shí)，利用大模型洞察垂直領(lǐng)域更為復(fù)雜的隱藏邏輯，讓大模型涌現(xiàn)出像人一樣去使用工具甚至制造工具的能力，提供切實(shí)的生產(chǎn)力的改進(jìn)，將是我們一同面臨的機(jī)遇和挑戰(zhàn)。

作為國(guó)內(nèi)首家推出專在泛半導(dǎo)體領(lǐng)域應(yīng)用的大語(yǔ)言模型的企業(yè)，深圳智現(xiàn)未來(lái)工業(yè)軟件有限公司無(wú)疑在行業(yè)變革中扮演著領(lǐng)軍角色。其發(fā)布的“靈犀”大語(yǔ)言模型及其在泛半導(dǎo)體行業(yè)應(yīng)用案例不僅展示了該技術(shù)在提升芯片制造效率、降低成本以及增強(qiáng)產(chǎn)品質(zhì)量方面的巨大潛力，可以預(yù)見，其將為晶圓廠的智能制造提供強(qiáng)大助力。

半導(dǎo)體晶圓廠：數(shù)據(jù)資產(chǎn)的困局與大模型破局之道

半導(dǎo)體制造代表了當(dāng)前工業(yè)的最高水準(zhǔn)，其工藝極其復(fù)雜，往往涉及數(shù)千個(gè)步驟，在生產(chǎn)中會(huì)產(chǎn)生海量的數(shù)據(jù)；而單個(gè)工程師一般只具備某個(gè)小領(lǐng)域的專業(yè)知識(shí)，服務(wù)于不同的工程師的各種應(yīng)用應(yīng)需求而生，造成了數(shù)據(jù)割裂的現(xiàn)象；數(shù)據(jù)分析起來(lái)耗時(shí)費(fèi)力，且高度依賴工程師的個(gè)人經(jīng)驗(yàn)。

以下是現(xiàn)階段以晶圓廠為代表的高端制造業(yè)面臨的典型問(wèn)題：

?管中窺豹，問(wèn)題處理效率低下：囿于個(gè)人經(jīng)驗(yàn)和精力的限制，工程師們雖精于一隅，卻難以窮盡全域。面對(duì)突發(fā)問(wèn)題，工程師可依據(jù)過(guò)往經(jīng)驗(yàn)對(duì)知識(shí)能力范圍內(nèi)的特定問(wèn)題作出迅速響應(yīng)，當(dāng)超出自身經(jīng)驗(yàn)范疇時(shí)，只能從頭摸索，耗費(fèi)大量時(shí)間和精力。只有當(dāng)一線工程師處理不了的問(wèn)題才會(huì)升級(jí)到?線，這無(wú)疑減緩了生產(chǎn)的步伐，影響整體效率。

?數(shù)據(jù)孤島，知識(shí)壁壘阻礙協(xié)作：?jiǎn)蝹€(gè)工程師可能只負(fù)責(zé)產(chǎn)線的一小段，不同工藝段的數(shù)據(jù)互不貫通，難以理解其工藝段的數(shù)據(jù)結(jié)構(gòu)和具體含義，處理問(wèn)題就需要跨領(lǐng)域協(xié)調(diào)(Inter-Module Meeting)，甚?反復(fù)多次，溝通成本較高，延誤問(wèn)題解決。

?經(jīng)驗(yàn)沉淀和知識(shí)傳承成難題：海量生產(chǎn)數(shù)據(jù)是晶圓廠寶貴的“資產(chǎn)”。然而，問(wèn)題往往是在發(fā)生后才被追溯，大量的經(jīng)驗(yàn)和知識(shí)散落在各個(gè)角落，難以積累沉淀。而且即使有意去調(diào)用這些數(shù)據(jù)，?檔、報(bào)告難以檢索，更難以借鑒，利?率低，造成“經(jīng)驗(yàn)沉沒(méi)”。

?重復(fù)操作易出錯(cuò)，自動(dòng)化機(jī)制亟需建立：晶圓廠生產(chǎn)過(guò)程中存在大量需要人工決策的重復(fù)性工作，不僅浪費(fèi)了寶貴的人力資源，也容易導(dǎo)致人為失誤，降低生產(chǎn)質(zhì)量。

為了應(yīng)對(duì)這些挑戰(zhàn)，一方面，不少晶圓廠開始著手打造大數(shù)據(jù)底座，實(shí)現(xiàn)數(shù)據(jù)集成，雖然減少了數(shù)據(jù)對(duì)齊時(shí)間，卻仍未能擺脫對(duì)工程師個(gè)體經(jīng)驗(yàn)的依賴。

另一方面，雖然產(chǎn)業(yè)也在不斷地培養(yǎng)新人才。但是，新入行的初級(jí)工程師需要較長(zhǎng)的訓(xùn)練和學(xué)習(xí)時(shí)間，難以快速積累經(jīng)驗(yàn)。案例研究Case study和培訓(xùn)手段匱乏、導(dǎo)師人手不足等問(wèn)題，也制約了人才的培養(yǎng)速度和質(zhì)量。此外，過(guò)往案例檢索困難，導(dǎo)致知識(shí)難以有效傳承，也成為人才培養(yǎng)的一大難題。更令人擔(dān)憂的是，好不容易培養(yǎng)出來(lái)的人才如果流失，寶貴的經(jīng)驗(yàn)也隨之付諸東流。

大語(yǔ)言模型的出現(xiàn)，為晶圓廠的困境帶來(lái)了破局的曙光。大語(yǔ)言模型一個(gè)已經(jīng)驗(yàn)證的能力是把非結(jié)構(gòu)化的數(shù)據(jù)結(jié)構(gòu)化，一方面能夠有效的把歷史上積累的數(shù)據(jù)資產(chǎn)盤活，另一方面通過(guò)整合結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)形成對(duì)工廠全貌的認(rèn)識(shí)。此外，大語(yǔ)言模型還具備強(qiáng)大的推理能力，特別是能夠從歷史分析、操作和報(bào)告中學(xué)習(xí)并進(jìn)行邏輯推理。通過(guò)對(duì)大量數(shù)據(jù)的深度學(xué)習(xí)，大模型能夠打通信息孤島，實(shí)現(xiàn)全局的智能分析。同時(shí)，大模型還有希望從大量的數(shù)據(jù)和積累中，洞察出更為復(fù)雜的高階關(guān)聯(lián)，實(shí)現(xiàn)智能涌現(xiàn)的價(jià)值。

“種子”選手智現(xiàn)未來(lái)：用大模型打造半導(dǎo)體工廠的智能數(shù)字底座

面對(duì)全面的挑戰(zhàn)，?模型極有可能是實(shí)現(xiàn)下?代的智能制造的最佳路徑。通過(guò)大模型的思考鏈（chain of thought）和驗(yàn)證鏈（chain of verification），進(jìn)而結(jié)合多個(gè)專家系統(tǒng)，將不同的大模型串聯(lián)起來(lái)，形成價(jià)值鏈（chain of value），使大模型能夠從“被動(dòng)調(diào)用”轉(zhuǎn)變?yōu)椤爸鲃?dòng)發(fā)現(xiàn)問(wèn)題”，通過(guò)“舉一反三”，創(chuàng)造涌現(xiàn)性價(jià)值，為制造業(yè)帶來(lái)革命性的變革。

然而，并不是簡(jiǎn)單的遷移就可以讓大模型發(fā)揮理想的價(jià)值，想要參與到晶圓廠紛繁復(fù)雜的工藝制造中，大語(yǔ)言模型需要行業(yè)大量高質(zhì)量的語(yǔ)料結(jié)合經(jīng)驗(yàn)的積淀來(lái)完成訓(xùn)練，同時(shí)需要對(duì)行業(yè)充分的理解并贏得客戶的信任。行業(yè)大模型對(duì)數(shù)據(jù)、算法、算力皆有要求，需要深厚工程化思維的不斷積累，業(yè)內(nèi)鮮少有企業(yè)能夠具備轉(zhuǎn)化的所有條件。在擁有并理解大量專業(yè)數(shù)據(jù)這方面，只有占據(jù)半導(dǎo)體數(shù)據(jù)高地、深耕工程智能領(lǐng)域幾十年的寥寥數(shù)家公司，可以生成并系統(tǒng)化、規(guī)范化地積累了大量的高質(zhì)量語(yǔ)料。

智現(xiàn)未來(lái)在這場(chǎng)已經(jīng)到來(lái)的技術(shù)革新浪潮中，就像是“天生”的種子選手一樣，具備發(fā)展泛半導(dǎo)體行業(yè)垂直大模型的所有先天條件。智現(xiàn)未來(lái)脫胎于工程智能全球“三大家”之一的BISTel，其在工程智能領(lǐng)域深耕20多年，具備深厚的經(jīng)驗(yàn)、清晰的行業(yè)認(rèn)知、技術(shù)儲(chǔ)備及大量標(biāo)桿客戶的成功案例，積累了豐富的生產(chǎn)數(shù)據(jù)和工藝數(shù)據(jù)。這些寶貴的數(shù)據(jù)財(cái)富、全面的行業(yè)理解、構(gòu)建高質(zhì)量模型的人才積累，為智現(xiàn)未來(lái)打造國(guó)內(nèi)首個(gè)半導(dǎo)體垂直類大語(yǔ)言模型——“靈犀”，奠定了堅(jiān)實(shí)的基礎(chǔ)。

以下是智現(xiàn)未來(lái)“靈犀”大語(yǔ)言模型的價(jià)值實(shí)現(xiàn)路徑：

①在當(dāng)前市場(chǎng)中，眾多基礎(chǔ)大型語(yǔ)言模型（LLM）如GPT 4、Llama 3等紛紛涌現(xiàn)，它們具備基礎(chǔ)的讀寫能力，類似于知識(shí)面廣泛的“高中生”。盡管對(duì)半導(dǎo)體這類專業(yè)領(lǐng)域有所涉獵，但理解尚淺。如何對(duì)這些基礎(chǔ)大模型進(jìn)行測(cè)評(píng)？一方面需要AI專家，另一方面，需要將其接入成熟的半導(dǎo)體行業(yè)應(yīng)用軟件做基準(zhǔn)測(cè)試（benchmark）。

②為進(jìn)一步提升，模型需深入學(xué)習(xí)專業(yè)知識(shí)，仿佛“高中生”進(jìn)入大學(xué)專攻半導(dǎo)體專業(yè)，通過(guò)吸收半導(dǎo)體領(lǐng)域公有域的知識(shí)和資料，逐步成長(zhǎng)為知識(shí)豐富的“半導(dǎo)體專業(yè)大學(xué)生”。語(yǔ)料選擇和如何教授成為這一階段的關(guān)鍵點(diǎn)。

③接下來(lái)，由具備數(shù)十年實(shí)戰(zhàn)經(jīng)驗(yàn)和行業(yè)積累的資深專家“智現(xiàn)未來(lái)”擔(dān)任導(dǎo)師，結(jié)合智現(xiàn)未來(lái)20余年積累的私有數(shù)據(jù)（包括設(shè)備和工藝數(shù)據(jù)、文檔、模型、算法、代碼等等）深化訓(xùn)練。

④經(jīng)過(guò)上述的培育，模型蛻變?yōu)?strong>工程智能領(lǐng)域的“研究生”，這就是智現(xiàn)未來(lái)的“靈犀”大語(yǔ)言模型。

⑤進(jìn)一步，“靈犀”大模型被放入客戶的晶圓廠實(shí)地環(huán)境中，采用智現(xiàn)未來(lái)提供的專業(yè)工具鏈和流程，由工廠和智現(xiàn)未來(lái)的專家共同指導(dǎo)，經(jīng)過(guò)二次訓(xùn)練和客戶私有數(shù)據(jù)的定制化學(xué)習(xí)，錘煉成為該領(lǐng)域的技術(shù)專家。

⑥作為工廠的技術(shù)專家，大模型能夠提供智能缺陷檢測(cè)、智能報(bào)告生成、智能故障分析以及客戶專屬的行業(yè)服務(wù)。

這樣的一個(gè)大模型集合了所有?程師的視?和經(jīng)驗(yàn)，既懂設(shè)備，又懂工藝、制造、良率分析，涌現(xiàn)出超越個(gè)體之和的分析和解決問(wèn)題的能?，成為生產(chǎn)制造過(guò)程的“超級(jí)大腦”。

此外，區(qū)別于人類，AI可以實(shí)現(xiàn)24小時(shí)不間斷運(yùn)行且錯(cuò)誤率極低。AI更大的優(yōu)勢(shì)在于，它不僅能處理常規(guī)數(shù)據(jù)，還能洞察更高維的關(guān)聯(lián)，提取到?看不到的信息，實(shí)現(xiàn)從“類人（like human）”到“超越人類（beyond human）”的智能飛躍。例如：為了適應(yīng)人的感知，以往的wafer map通過(guò)晶圓網(wǎng)格配合顏色可以展現(xiàn)芯片的三個(gè)維度(x, y, Good/NG)，但對(duì)于每個(gè)芯片（die）來(lái)說(shuō)，除了基本的良品（good）與不良品（NG）分類外，其下還隱藏著更多維度的測(cè)試結(jié)果，如電性特性等關(guān)鍵參數(shù)，而AI能夠直接處理這些高維的數(shù)據(jù)。

“靈犀”大語(yǔ)言模型：半導(dǎo)體“智造”利器已光芒初現(xiàn)

盡管大語(yǔ)言模型在行業(yè)應(yīng)用才處于探索階段，但是“靈犀”已經(jīng)在有限的探索范圍內(nèi)閃現(xiàn)了其可能照亮未來(lái)的光芒。基于前期長(zhǎng)期的積累，僅僅不到半年的驗(yàn)證及探索，“靈犀”大模型已經(jīng)在缺陷圖像識(shí)別、Wafer Map失效自動(dòng)分類、FDC設(shè)備異常監(jiān)控、良率分析預(yù)測(cè)、設(shè)備預(yù)防維護(hù)、智能專家推理、群體智能知識(shí)中臺(tái)等多個(gè)領(lǐng)域都已展現(xiàn)出巨大潛力，迸發(fā)“靈犀”之光。

1.案例一：多模態(tài)缺陷識(shí)別

半導(dǎo)體生產(chǎn)中存在大量缺陷分析需求，傳統(tǒng)方法依賴人工標(biāo)注和分析，需要大量（可能是上萬(wàn)個(gè)）缺陷樣本的積累才能建立出一個(gè)缺陷識(shí)別機(jī)制，且依賴樣本照?與標(biāo)記的質(zhì)量，這不僅耗時(shí)且易出錯(cuò)。如何有效整合多維度數(shù)據(jù)以提升分析的深度和積累經(jīng)驗(yàn)，從而提高缺陷分析的效率和準(zhǔn)確性，成為行業(yè)面臨的一個(gè)重大挑戰(zhàn)。

基于“靈犀”大語(yǔ)言模型的多模智能缺陷改良系統(tǒng)，通過(guò)實(shí)時(shí)監(jiān)控生產(chǎn)線，能夠結(jié)合圖?特征、產(chǎn)線數(shù)據(jù)、?本經(jīng)驗(yàn)等多模態(tài)的數(shù)據(jù)，構(gòu)建復(fù)合矩陣的多元分析，實(shí)現(xiàn)自動(dòng)識(shí)別缺陷，快速準(zhǔn)確分類，并自主生成缺陷報(bào)告和根因分析。該方案僅需要以前2%的數(shù)據(jù)即可做到更準(zhǔn)確的識(shí)別，將訓(xùn)練的樣本數(shù)量減少2個(gè)數(shù)量級(jí)。這不僅大幅提升了效率，還減少了樣本標(biāo)錯(cuò)的機(jī)率。原來(lái)數(shù)百工程師一年的工作量，“靈犀”大模型只需要2~3個(gè)月就可以完成，分類準(zhǔn)確率更是提升超過(guò)10%。

“靈犀”之光的閃現(xiàn)點(diǎn)：

?“靈犀"的多模態(tài)能力突破了單個(gè)工程師對(duì)單一知識(shí)領(lǐng)域的局限，打破了"管中窺豹"的狹窄視角，實(shí)現(xiàn)了對(duì)復(fù)雜工程問(wèn)題的全面理解和深入洞察，真正做到知識(shí)集合、共享的群體智能。

?借助AI技術(shù)，“靈犀”大語(yǔ)言模型幫助工程師實(shí)現(xiàn)了對(duì)數(shù)據(jù)的即時(shí)分析，極大減少了人工干預(yù)，顯著提高了報(bào)告的準(zhǔn)確性與及時(shí)性。

?至關(guān)重要的是，所有分析過(guò)程和結(jié)果都被有效整合并沉淀至大語(yǔ)言模型之中，為模型的持續(xù)學(xué)習(xí)與訓(xùn)練提供了寶貴資源，確保了智能缺陷改良能力的不斷演進(jìn)與升級(jí)。

2.案例二：良率分析應(yīng)用（Yield Analysis)

良率(Yield)是半導(dǎo)體產(chǎn)業(yè)的終極挑戰(zhàn)，芯片的良率也直接關(guān)乎著芯片制造的成本，因此良率分析對(duì)于半導(dǎo)體制造商來(lái)說(shuō)極為關(guān)鍵。通過(guò)系統(tǒng)分析不良品和確定造成不良的原因，可以采取措施提高良率，進(jìn)而降低成本。

目前市場(chǎng)上廣泛使用的如YMS良率管理系統(tǒng)、DMS缺陷管理系統(tǒng)等良率分析平臺(tái)，均屬于管理系統(tǒng)。這些系統(tǒng)在設(shè)計(jì)時(shí)面臨一定挑戰(zhàn)，由于良率分析方法因人而異，對(duì)自由度有極高要求，使得軟件設(shè)計(jì)和操作起來(lái)都很復(fù)雜，也很難滿足高級(jí)分析需求，且常常無(wú)法有效關(guān)聯(lián)原始追蹤數(shù)據(jù)（Raw Trace Data）。

基于“靈犀”大語(yǔ)言模型的良率分析系統(tǒng)能夠根據(jù)歷史和實(shí)時(shí)數(shù)據(jù)自動(dòng)建模，提供“千人千面”的分析工作臺(tái)，增強(qiáng)數(shù)據(jù)探索自由度?！办`犀”極大地簡(jiǎn)化了交互流程，加快了問(wèn)題解決速度。

不同于其他YMS良率管理系統(tǒng)，搭載“靈犀”的良率分析系統(tǒng)(YAS)融合了半導(dǎo)體領(lǐng)域資深A(yù)I工程師的智慧與能力，隨時(shí)在線的Copilot“老師傅當(dāng)助理”，可快速調(diào)用數(shù)據(jù)、自動(dòng)執(zhí)行建模與分析，找到影響良率的根因，并提供優(yōu)化建議，形成報(bào)告，幫助工廠快速做出更加精準(zhǔn)的生產(chǎn)決策，大幅提升了生產(chǎn)管理的智能化水平。

除此之外，“靈犀”還在多個(gè)領(lǐng)域能夠創(chuàng)造令人驚嘆的價(jià)值。例如，“靈犀”大模型通過(guò)自動(dòng)化建模和分析，使設(shè)備預(yù)測(cè)性維護(hù)從被動(dòng)轉(zhuǎn)為主動(dòng)，優(yōu)化維護(hù)計(jì)劃，讓設(shè)備維護(hù)更加精準(zhǔn)，既避免出現(xiàn)安全生產(chǎn)事故，又避免“過(guò)度”維護(hù)，從而提高半導(dǎo)體晶圓廠的生產(chǎn)效率并減少經(jīng)濟(jì)損失。

可以預(yù)見，“靈犀”大模型的應(yīng)用，將為半導(dǎo)體行業(yè)帶來(lái)一場(chǎng)深刻的變革，推動(dòng)半導(dǎo)體制造業(yè)智能化升級(jí)，提高生產(chǎn)效率、降低生產(chǎn)成本、提升產(chǎn)品質(zhì)量，釋放巨大的生產(chǎn)潛力，為行業(yè)發(fā)展注入新的活力。

展望：大模型碰撞工程智能，涌現(xiàn)高質(zhì)量新質(zhì)生產(chǎn)力的無(wú)限可能

目前，業(yè)界普遍認(rèn)為大模型的能力在于其對(duì)復(fù)雜符號(hào)關(guān)系的把握以及對(duì)世界高階相關(guān)性的認(rèn)知，這些能力正在超越人類的認(rèn)知極限。特別是在智能制造這一領(lǐng)域，大模型通過(guò)分析和處理大量數(shù)據(jù)，能夠識(shí)別現(xiàn)階段人類工程師難以察覺(jué)的模式和關(guān)聯(lián)，從而優(yōu)化生產(chǎn)流程，提升制造效率和質(zhì)量。這種超越人類的認(rèn)知能力，不僅加速了智能制造的發(fā)展，也必將會(huì)對(duì)其他相關(guān)領(lǐng)域產(chǎn)生深遠(yuǎn)的影響。

工程智能作為高階智能制造技術(shù)，面對(duì)的是極復(fù)雜、高標(biāo)準(zhǔn)、擁有大量樣本數(shù)據(jù)和經(jīng)驗(yàn)積累的場(chǎng)景，而這些都作為大量的優(yōu)質(zhì)數(shù)據(jù)樣本，沉淀在代碼和文檔中。大模型與工程智能的相遇，更像是各自準(zhǔn)備，相向而行的不期而遇。

可以預(yù)見的是，以智現(xiàn)未來(lái)為代表的工程智能解決方案供應(yīng)商，將會(huì)用數(shù)十年來(lái)構(gòu)建的成熟可靠的產(chǎn)品體系，在大模型的深度融合和加持下，實(shí)現(xiàn)革命性的全面煥新。大模型作為中間能力，必將深度滲透并強(qiáng)化了工程智能系統(tǒng)中數(shù)據(jù)搜集、智能監(jiān)測(cè)、智能分析、智能預(yù)測(cè)、智能決策等各個(gè)關(guān)鍵環(huán)節(jié)。大模型與工程智能的碰撞，是如虎添翼的優(yōu)勢(shì)相乘，天然的優(yōu)質(zhì)土壤遇到基因優(yōu)良的種子，一定可以結(jié)出豐碩的成果。

“GPT時(shí)刻”已經(jīng)到來(lái)。根據(jù)預(yù)測(cè)未來(lái)3年，AI在整個(gè)制造業(yè)的投入規(guī)模和產(chǎn)出價(jià)值都將會(huì)成倍增長(zhǎng)。像”靈犀“這樣的工業(yè)大模型的崛起，正悄然開啟半導(dǎo)體工廠的全新篇章。在這個(gè)新的章節(jié)中，所有的數(shù)據(jù)、操作都必須接入大模型，所有的決策都將以大模型為基礎(chǔ)；每個(gè)?程師都需要?組?程師助理，以便集中精力解決更重要的問(wèn)題，提升產(chǎn)線效率；每個(gè)??都需要?個(gè)專屬于自己的專家系統(tǒng)，將分散的知識(shí)經(jīng)驗(yàn)形成資產(chǎn)沉淀，打造可泛化的群體智能，靜待智能涌現(xiàn)，為“智造”創(chuàng)造無(wú)限可能。

審核編輯 黃宇