|
筆者按：2024，行業(yè)“GPT時(shí)刻”來(lái)臨。筆者看到，在匯聚人類(lèi)頂尖智慧與精湛工藝的半導體行業(yè)，以智現未來(lái)為代表的工業(yè)軟件供應商，正發(fā)揮著(zhù)其深耕行業(yè)數十年的數據積淀、技術(shù)儲備和深厚的一線(xiàn)服務(wù)經(jīng)驗，以大模型為武器，盤(pán)活工廠(chǎng)數據資產(chǎn)，解決晶圓廠(chǎng)數據孤島困局、“經(jīng)驗沉沒(méi)”和“人才密度不足”等諸多難題，開(kāi)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(zhuān)屬于自己的“AI引擎”。正如每一次技術(shù)革新都將人類(lèi)生產(chǎn)力推向新的高度一樣，在特定行業(yè)內，對垂直領(lǐng)域大模型的需求日益增長(cháng)。與應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(zhuān)注于深入理解和處理特定領(lǐng)域的信息，提供更專(zhuān)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)域更為復雜的隱藏邏輯，讓大模型涌現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遇和挑戰。 作為國內首家推出專(zhuān)在泛半導體領(lǐng)域應用的大語(yǔ)言模型的企業(yè)，深圳智現未來(lái)工業(yè)軟件有限公司無(wú)疑在行業(yè)變革中扮演著(zhù)領(lǐng)軍角色。其發(fā)布的“靈犀”大語(yǔ)言模型及其在泛半導體行業(yè)應用案例不僅展示了該技術(shù)在提升芯片制造效率、降低成本以及增強產(chǎn)品質(zhì)量方面的巨大潛力，可以預見(jiàn)，其將為晶圓廠(chǎng)的智能制造提供強大助力。 半導體晶圓廠(chǎng)：數據資產(chǎn)的困局與大模型破局之道 半導體制造代表了當前工業(yè)的最高水準，其工藝極其復雜，往往涉及數千個(gè)步驟，在生產(chǎn)中會(huì )產(chǎn)生海量的數據；而單個(gè)工程師一般只具備某個(gè)小領(lǐng)域的專(zhuān)業(yè)知識，服務(wù)于不同的工程師的各種應用應需求而生，造成了數據割裂的現象；數據分析起來(lái)耗時(shí)費力，且高度依賴(lài)工程師的個(gè)人經(jīng)驗。 以下是現階段以晶圓廠(chǎng)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)驗和精力的限制，工程師們雖精于一隅，卻難以窮盡全域。面對突發(fā)問(wèn)題，工程師可依據過(guò)往經(jīng)驗對知識能力范圍內的特定問(wèn)題作出迅速響應，當超出自身經(jīng)驗范疇時(shí)，只能從頭摸索，耗費大量時(shí)間和精力。只有當一線(xiàn)工程師處理不了的問(wèn)題才會(huì )升級到⼆線(xiàn)，這無(wú)疑減緩了生產(chǎn)的步伐，影響整體效率。 數據孤島，知識壁壘阻礙協(xié)作：?jiǎn)蝹�(gè)工程師可能只負責產(chǎn)線(xiàn)的一小段，不同工藝段的數據互不貫通，難以理解其工藝段的數據結構和具體含義，處理問(wèn)題就需要跨領(lǐng)域協(xié)調(Inter-Module Meeting)，甚⾄反復多次，溝通成本較高，延誤問(wèn)題解決。 經(jīng)驗沉淀和知識傳承成難題：海量生產(chǎn)數據是晶圓廠(chǎng)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)驗和知識散落在各個(gè)角落，難以積累沉淀。而且即使有意去調用這些數據，⽂檔、報告難以檢索，更難以借鑒，利⽤率低，造成“經(jīng)驗沉沒(méi)”。 重復操作易出錯，自動(dòng)化機制亟需建立：晶圓廠(chǎng)生產(chǎn)過(guò)程中存在大量需要人工決策的重復性工作，不僅浪費了寶貴的人力資源，也容易導致人為失誤，降低生產(chǎn)質(zhì)量。 
為了應對這些挑戰，一方面，不少晶圓廠(chǎng)開(kāi)始著(zhù)手打造大數據底座，實(shí)現數據集成，雖然減少了數據對齊時(shí)間，卻仍未能擺脫對工程師個(gè)體經(jīng)驗的依賴(lài)。 另一方面，雖然產(chǎn)業(yè)也在不斷地培養新人才。但是，新入行的初級工程師需要較長(cháng)的訓練和學(xué)習時(shí)間，難以快速積累經(jīng)驗。案例研究Case study和培訓手段匱乏、導師人手不足等問(wèn)題，也制約了人才的培養速度和質(zhì)量。此外，過(guò)往案例檢索困難，導致知識難以有效傳承，也成為人才培養的一大難題。更令人擔憂(yōu)的是，好不容易培養出來(lái)的人才如果流失，寶貴的經(jīng)驗也隨之付諸東流。 大語(yǔ)言模型的出現，為晶圓廠(chǎng)的困境帶來(lái)了破局的曙光。大語(yǔ)言模型一個(gè)已經(jīng)驗證的能力是把非結構化的數據結構化，一方面能夠有效的把歷史上積累的數據資產(chǎn)盤(pán)活，另一方面通過(guò)整合結構化和非結構化數據形成對工廠(chǎng)全貌的認識。此外，大語(yǔ)言模型還具備強大的推理能力，特別是能夠從歷史分析、操作和報告中學(xué)習并進(jìn)行邏輯推理。通過(guò)對大量數據的深度學(xué)習，大模型能夠打通信息孤島，實(shí)現全局的智能分析。同時(shí)，大模型還有希望從大量的數據和積累中，洞察出更為復雜的高階關(guān)聯(lián)，實(shí)現智能涌現的價(jià)值。 “種子”選手智現未來(lái)：用大模型打造半導體工廠(chǎng)的智能數字底座 面對全面的挑戰，⼤模型極有可能是實(shí)現下⼀代的智能制造的最佳路徑。通過(guò)大模型的思考鏈（chain of thought）和驗證鏈（chain of verification），進(jìn)而結合多個(gè)專(zhuān)家系統，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)調用”轉變?yōu)椤爸鲃?dòng)發(fā)現問(wèn)題”，通過(guò)“舉一反三”，創(chuàng )造涌現性?xún)r(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(chǎng)紛繁復雜的工藝制造中，大語(yǔ)言模型需要行業(yè)大量高質(zhì)量的語(yǔ)料結合經(jīng)驗的積淀來(lái)完成訓練，同時(shí)需要對行業(yè)充分的理解并贏(yíng)得客戶(hù)的信任。行業(yè)大模型對數據、算法、算力皆有要求，需要深厚工程化思維的不斷積累，業(yè)內鮮少有企業(yè)能夠具備轉化的所有條件。在擁有并理解大量專(zhuān)業(yè)數據這方面，只有占據半導體數據高地、深耕工程智能領(lǐng)域幾十年的寥寥數家公司，可以生成并系統化、規范化地積累了大量的高質(zhì)量語(yǔ)料。 智現未來(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)展泛半導體行業(yè)垂直大模型的所有先天條件。智現未來(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、清晰的行業(yè)認知、技術(shù)儲備及大量標桿客戶(hù)的成功案例，積累了豐富的生產(chǎn)數據和工藝數據。這些寶貴的數據財富、全面的行業(yè)理解、構建高質(zhì)量模型的人才積累，為智現未來(lái)打造國內首個(gè)半導體垂直類(lèi)大語(yǔ)言模型——“靈犀”，奠定了堅實(shí)的基礎。 以下是智現未來(lái)“靈犀”大語(yǔ)言模型的價(jià)值實(shí)現路徑：
①在當前市場(chǎng)中，眾多基礎大型語(yǔ)言模型（LLM）如GPT 4、Llama 3等紛紛涌現，它們具備基礎的讀寫(xiě)能力，類(lèi)似于知識面廣泛的“高中生”。盡管對半導體這類(lèi)專(zhuān)業(yè)領(lǐng)域有所涉獵，但理解尚淺。如何對這些基礎大模型進(jìn)行測評？一方面需要AI專(zhuān)家，另一方面，需要將其接入成熟的半導體行業(yè)應用軟件做基準測試（benchmark）。 ②為進(jìn)一步提升，模型需深入學(xué)習專(zhuān)業(yè)知識，仿佛“高中生”進(jìn)入大學(xué)專(zhuān)攻半導體專(zhuān)業(yè)，通過(guò)吸收半導體領(lǐng)域公有域的知識和資料，逐步成長(cháng)為知識豐富的“半導體專(zhuān)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)，由具備數十年實(shí)戰經(jīng)驗和行業(yè)積累的資深專(zhuān)家“智現未來(lái)”擔任導師，結合智現未來(lái)20余年積累的私有數據（包括設備和工藝數據、文檔、模型、算法、代碼等等）深化訓練。 ④經(jīng)過(guò)上述的培育，模型蛻變?yōu)楣こ讨悄茴I(lǐng)域的“研究生”，這就是智現未來(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(hù)的晶圓廠(chǎng)實(shí)地環(huán)境中，采用智現未來(lái)提供的專(zhuān)業(yè)工具鏈和流程，由工廠(chǎng)和智現未來(lái)的專(zhuān)家共同指導，經(jīng)過(guò)二次訓練和客戶(hù)私有數據的定制化學(xué)習，錘煉成為該領(lǐng)域的技術(shù)專(zhuān)家。 ⑥作為工廠(chǎng)的技術(shù)專(zhuān)家，大模型能夠提供智能缺陷檢測、智能報告生成、智能故障分析以及客戶(hù)專(zhuān)屬的行業(yè)服務(wù)。 這樣的一個(gè)大模型集合了所有⼯程師的視⻆和經(jīng)驗，既懂設備，又懂工藝、制造、良率分析，涌現出超越個(gè)體之和的分析和解決問(wèn)題的能⼒，成為生產(chǎn)制造過(guò)程的“超級大腦”。 此外，區別于人類(lèi)，AI可以實(shí)現24小時(shí)不間斷運行且錯誤率極低。AI更大的優(yōu)勢在于，它不僅能處理常規數據，還能洞察更高維的關(guān)聯(lián)，提取到⼈看不到的信息，實(shí)現從“類(lèi)人（like human）”到“超越人類(lèi)（beyond human）”的智能飛躍。例如：為了適應人的感知，以往的wafer map通過(guò)晶圓網(wǎng)格配合顏色可以展現芯片的三個(gè)維度(x, y, Good/NG)，但對于每個(gè)芯片（die）來(lái)說(shuō)，除了基本的良品（good）與不良品（NG）分類(lèi)外，其下還隱藏著(zhù)更多維度的測試結果，如電性特性等關(guān)鍵參數，而AI能夠直接處理這些高維的數據。 “靈犀”大語(yǔ)言模型：半導體“智造”利器已光芒初現 盡管大語(yǔ)言模型在行業(yè)應用才處于探索階段，但是“靈犀”已經(jīng)在有限的探索范圍內閃現了其可能照亮未來(lái)的光芒�；谇捌陂L(cháng)期的積累，僅僅不到半年的驗證及探索，“靈犀”大模型已經(jīng)在缺陷圖像識別、Wafer Map失效自動(dòng)分類(lèi)、FDC設備異常監控、良率分析預測、設備預防維護、智能專(zhuān)家推理、群體智能知識中臺等多個(gè)領(lǐng)域都已展現出巨大潛力，迸發(fā)“靈犀”之光。 案例一：多模態(tài)缺陷識別 半導體生產(chǎn)中存在大量缺陷分析需求，傳統方法依賴(lài)人工標注和分析，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)缺陷識別機制，且依賴(lài)樣本照⽚與標記的質(zhì)量，這不僅耗時(shí)且易出錯。如何有效整合多維度數據以提升分析的深度和積累經(jīng)驗，從而提高缺陷分析的效率和準確性，成為行業(yè)面臨的一個(gè)重大挑戰。 基于“靈犀”大語(yǔ)言模型的多模智能缺陷改良系統，通過(guò)實(shí)時(shí)監控生產(chǎn)線(xiàn)，能夠結合圖⽚特征、產(chǎn)線(xiàn)數據、⽂本經(jīng)驗等多模態(tài)的數據，構建復合矩陣的多元分析，實(shí)現自動(dòng)識別缺陷，快速準確分類(lèi)，并自主生成缺陷報告和根因分析。該方案僅需要以前2%的數據即可做到更準確的識別，將訓練的樣本數量減少2個(gè)數量級。這不僅大幅提升了效率，還減少了樣本標錯的機率。原來(lái)數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(lèi)準確率更是提升超過(guò)10%。 “靈犀”之光的閃現點(diǎn)： “靈犀"的多模態(tài)能力突破了單個(gè)工程師對單一知識領(lǐng)域的局限，打破了"管中窺豹"的狹窄視角，實(shí)現了對復雜工程問(wèn)題的全面理解和深入洞察，真正做到知識集合、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)現了對數據的即時(shí)分析，極大減少了人工干預，顯著(zhù)提高了報告的準確性與及時(shí)性。 至關(guān)重要的是，所有分析過(guò)程和結果都被有效整合并沉淀至大語(yǔ)言模型之中，為模型的持續學(xué)習與訓練提供了寶貴資源，確保了智能缺陷改良能力的不斷演進(jìn)與升級。 案例二：良率分析應用（Yield Analysis) 良率(Yield)是半導體產(chǎn)業(yè)的終極挑戰，芯片的良率也直接關(guān)乎著(zhù)芯片制造的成本，因此良率分析對于半導體制造商來(lái)說(shuō)極為關(guān)鍵。通過(guò)系統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、DMS缺陷管理系統等良率分析平臺，均屬于管理系統。這些系統在設計時(shí)面臨一定挑戰，由于良率分析方法因人而異，對自由度有極高要求，使得軟件設計和操作起來(lái)都很復雜，也很難滿(mǎn)足高級分析需求，且常常無(wú)法有效關(guān)聯(lián)原始追蹤數據（Raw Trace Data）。 基于“靈犀”大語(yǔ)言模型的良率分析系統能夠根據歷史和實(shí)時(shí)數據自動(dòng)建模，提供“千人千面”的分析工作臺，增強數據探索自由度�！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，搭載“靈犀”的良率分析系統(YAS)融合了半導體領(lǐng)域資深AI工程師的智慧與能力，隨時(shí)在線(xiàn)的Copilot“老師傅當助理”，可快速調用數據、自動(dòng)執行建模與分析，找到影響良率的根因，并提供優(yōu)化建議，形成報告，幫助工廠(chǎng)快速做出更加精準的生產(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，使設備預測性維護從被動(dòng)轉為主動(dòng)，優(yōu)化維護計劃，讓設備維護更加精準，既避免出現安全生產(chǎn)事故，又避免“過(guò)度”維護，從而提高半導體晶圓廠(chǎng)的生產(chǎn)效率并減少經(jīng)濟損失。 可以預見(jiàn)，“靈犀”大模型的應用，將為半導體行業(yè)帶來(lái)一場(chǎng)深刻的變革，推動(dòng)半導體制造業(yè)智能化升級，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。
（ 圖源：攝圖網(wǎng)） 展望：大模型碰撞工程智能，涌現高質(zhì)量新質(zhì)生產(chǎn)力的無(wú)限可能 目前，業(yè)界普遍認為大模型的能力在于其對復雜符號關(guān)系的把握以及對世界高階相關(guān)性的認知，這些能力正在超越人類(lèi)的認知極限。特別是在智能制造這一領(lǐng)域，大模型通過(guò)分析和處理大量數據，能夠識別現階段人類(lèi)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(lèi)的認知能力，不僅加速了智能制造的發(fā)展，也必將會(huì )對其他相關(guān)領(lǐng)域產(chǎn)生深遠的影響。 工程智能作為高階智能制造技術(shù)，面對的是極復雜、高標準、擁有大量樣本數據和經(jīng)驗積累的場(chǎng)景，而這些都作為大量的優(yōu)質(zhì)數據樣本，沉淀在代碼和文檔中。大模型與工程智能的相遇，更像是各自準備，相向而行的不期而遇。 可以預見(jiàn)的是，以智現未來(lái)為代表的工程智能解決方案供應商，將會(huì )用數十年來(lái)構建的成熟可靠的產(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，必將深度滲透并強化了工程智能系統中數據搜集、智能監測、智能分析、智能預測、智能決策等各個(gè)關(guān)鍵環(huán)節。大模型與工程智能的碰撞，是如虎添翼的優(yōu)勢相乘，天然的優(yōu)質(zhì)土壤遇到基因優(yōu)良的種子，一定可以結出豐碩的成果。
（ 圖源：攝圖網(wǎng)） “GPT時(shí)刻”已經(jīng)到來(lái)。根據預測未來(lái)3年，AI在整個(gè)制造業(yè)的投入規模和產(chǎn)出價(jià)值都將會(huì )成倍增長(cháng)。像”靈犀“這樣的工業(yè)大模型的崛起，正悄然開(kāi)啟半導體工廠(chǎng)的全新篇章。在這個(gè)新的章節中，所有的數據、操作都必須接入大模型，所有的決策都將以大模型為基礎；每個(gè)⼯程師都需要⼀組⼯程師助理，以便集中精力解決更重要的問(wèn)題，提升產(chǎn)線(xiàn)效率；每個(gè)⼯⼚都需要⼀個(gè)專(zhuān)屬于自己的專(zhuān)家系統，將分散的知識經(jīng)驗形成資產(chǎn)沉淀，打造可泛化的群體智能，靜待智能涌現，為“智造”創(chuàng )造無(wú)限可能。 |
