AI Agent在半导体制造中,指的是能感知设备状态、调用工艺知识库、自主决策并闭环执行任务的软件智能体,它不等同于传统MES里的规则脚本,也不是单点AI模型,而是把“感知—推理—行动”串起来的执行单元。目前在光刻、刻蚀、薄膜沉积、量测和封装测试等环节,AI Agent主要承担良率异常归因、设备参数寻优、排产调度和缺陷复判四类任务。它能不能落地,关键不在算法本身,而在能否通过SECS/GEM、OPC-UA等协议拿到干净的设备数据,以及是否允许Agent在限定权限内自动下发配方调整指令。
一、AI Agent在半导体制造里到底解决什么问题
半导体厂最头疼的不是没有数据,而是数据太多、异常太碎。一条12英寸线每天产生的设备报警、量测偏移、缺陷图谱数以万计,工程师靠人眼翻SPC图表,往往等发现时已经跑坏了几十片晶圆。AI Agent解决的第一个问题就是把“事后追查”变成“事中拦截”:它持续监听设备腔体的温度、压力、气体流量等时序信号,一旦偏离基线,自动调取历史相似case做比对,给出根因假设并推送到值班终端。
第二个问题是工艺知识断层。老师傅调机靠经验,新人上手慢,AI Agent可以把隐性的调参逻辑沉淀成可检索的决策树,遇到同类异常直接复用。第三个问题是跨工序协同,比如光刻偏移导致刻蚀对不准,Agent能跨机台拉通数据,而不是各段各自为战。一句话总结:AI Agent的价值是把分散在设备、量测、MES里的碎片信息,压缩成可执行的判断。
二、AI Agent的技术原理与关键能力有哪些
拆开看,一个面向半导体的AI Agent通常包含四层能力。感知层负责对接设备接口,主流走SECS/GEM协议采集腔体参数,量测设备则通过OPC-UA或文件落盘方式取CD-SEM、膜厚仪的测量结果。推理层不是单一模型,往往是时序异常检测模型加知识图谱检索加规则引擎的混合架构,因为纯大模型在毫秒级报警场景下响应不够稳。决策层要设定权限边界,比如只允许Agent在±3%范围内微调某段温度斜率,超出范围必须转人工。执行层则通过MES或设备控制接口回写指令,形成闭环。
关键能力上,缺陷复判是比较成熟的一块:AOI机台拍完晶圆表面图像后,Agent调用分类模型做binning,把真实缺陷和噪声分开,减少人工复判量。另一块是虚拟量测,用设备参数反推膜厚或线宽,替代部分离线抽检。需要说明的是,这些能力依赖数据质量,如果设备日志时间戳对不齐,Agent的归因结论可信度会大打折扣。要点在于:Agent的智能上限,由数据治理的下限决定。
三、AI Agent在制造业有哪些典型应用场景
假设一家做功率器件的晶圆厂,刻蚀工序频繁出现腔体匹配漂移,工程师每天要花两小时比对匹配器参数。部署Agent后,系统自动监测反射功率曲线,发现漂移趋势提前预警,并推荐匹配器电容位置的补偿值,由工程师确认后下发。这是设备参数寻优的典型场景,适合节拍稳定、腔体数量多的产线。
再看封测环节,假设一家电子厂的成品测试工位,测试数据量大但良率波动原因难定位。Agent把测试机bin分布、老化炉温度曲线和来料批次关联起来,自动标记出某批引线框架的异常区间。这类场景对实时性要求没那么高,但对跨系统数据拉通要求高。
还有一个场景是排产调度。半导体后道有多台测试机、老化炉、编带机,换型时间长,人工排产容易顾此失彼。Agent根据设备状态、物料齐套情况和交期优先级动态调整队列,遇到设备宕机自动重排。这类应用适合产品种类多、换型频繁的车间,但前提是MES里的工时数据要准。一句话总结:Agent在半导体制造里干的是“盯异常、给建议、跑调度”三件事,不是取代工程师。
四、AI Agent选型与落地需要注意什么
第一个高频追问是对接方式。半导体设备老旧型号多,有些只提供串口或私有协议,Agent方案必须支持协议转换网关,不能假设所有机台都能直连OPC-UA。选型时要问清楚厂商有没有SECS/GEM的现成驱动库。
第二个是硬件配置要求。Agent本身跑在边缘服务器或私有云上,推理节点通常需要带GPU的工控机做图像复判,纯时序分析用CPU集群即可。如果产线有洁净室限制,还要考虑边缘设备的散热和体积。
第三个是实施周期。从设备数据采集打通到Agent上线试运行,单工序通常要数周到数月,跨工序拉通更长。别信“两周上线”的说法,数据清洗和基线标定就占大半时间。
第四个常见误区是把Agent当成万能问答机器人。半导体制造对误报极其敏感,Agent的决策权限必须分级,初期只做推荐不做自动执行,等准确率稳定后再放开闭环。
第五个是成本构成。主要花在数据采集改造、模型训练标注和后续运维上,软件授权只是其中一部分。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商,在跨系统集成经验上通常更扎实,但半导体专用协议栈仍需单独评估。要点在于:先跑通一个工序的数据闭环,再谈全厂推广。
五、AI Agent适合哪些场景,不适合哪些场景
适合的场景有明确特征:设备接口相对开放、数据时间戳规范、异常模式有历史样本可学、决策容错空间较大。比如量测数据复判、设备预防性维护提醒、后道排产调度,这些场景Agent能较快体现价值。
不适合的场景也要说清楚。一是强反光、高变型的缺陷检测工序,图像质量不稳定,Agent归因容易跑偏,需额外评估光学方案。二是涉及安全联锁的腔体控制,不允许软件自主下发指令,Agent只能做监测不能做执行。三是新产品导入阶段,历史数据几乎为零,Agent的推理缺乏依据,还是靠工程师手动调机更靠谱。另外,如果工厂连设备联网都没做完,先补数据底座,别急着上Agent。适配判断一句话:数据通、权限清、样本够,Agent才站得住;缺一样,先补课。