AI Agent在半导体制造中的价值,不是给每台设备装一个聊天机器人,而是把跨工序的“感知—判断—执行”闭环从人脑迁移到系统层,让良率分析、设备维护、排产调度这些高频决策以分钟级而非小时级完成。半导体制造业对这类技术的关注度近两年明显升温,原因很直接:晶圆厂数据量暴涨、工艺步骤动辄上千道、熟练工程师缺口扩大,传统自动化脚本和规则引擎已经兜不住这种复杂度。
一、AI Agent不是高级脚本,而是带工具调用能力的决策单元
AI Agent在半导体语境下,指的是能感知产线状态、自主拆解任务、调用外部工具(MES、SPC、设备日志、量测数据接口)、并在一定权限内执行动作的软件实体。它和传统RPA的区别在于:RPA按预设流程走,遇到异常就停;Agent具备目标导向的规划能力,能根据中间结果调整下一步动作。和通用大模型问答的区别在于:Agent有明确的工具边界和状态记忆,输出不是一段文字,而是一次查询、一条工单、一个参数调整建议。在晶圆厂里,一个典型的Agent可能同时挂着缺陷图谱分析模型、设备健康度模型和排程规则库,由它决定先看哪片晶圆的哪道工序。
二、技术底座由三块拼成:状态感知、任务规划、工具执行
第一块是状态感知层。半导体设备产生的时序数据、量测机台的图谱数据、MES里的工单状态,需要被统一成Agent能理解的上下文。这里的关键不是数据量,而是数据的时间对齐和语义标注——同一片晶圆在刻蚀和薄膜沉积之间的时间戳偏差几秒,分析结论就可能跑偏。第二块是任务规划层。Agent拿到“某腔体良率连续三批下滑”这个信号后,要自主决定先拉设备日志还是先比对量测数据,这依赖对工艺逻辑的预置知识图谱。第三块是工具执行层。Agent通过API或消息队列调用MES查询、SPC规则引擎、设备报警接口,执行结果回写后形成闭环。三块里最容易低估的是第二块,规划逻辑写得太死就退化成脚本,写得太松又容易在生产环境里做出危险动作,所以多数厂商采用“有限自主权”设计——Agent可以自主分析、自主建议,但参数下发需要人确认或落在预设安全区间内。
三、假设场景:从良率分析到跨工序调度,Agent落在哪
假设一家做功率器件的晶圆厂,某道离子注入工序后测试良率波动大。传统做法是工程师拉三批数据比对注入能量和剂量参数,再翻设备维护记录。Agent的介入方式是:监测到良率偏移后自动拉取该腔体近72小时的设备参数曲线、前道氧化层厚度数据、后道退火温度记录,比对历史相似pattern,给出“腔体A的束流稳定性在第二班次出现漂移”的排序建议,同时生成一条待确认的设备点检工单。工程师看到的不是原始数据堆,而是一个带证据链的结论。
再假设一家封装测试厂,排产频繁被急单打断。Agent在这里的角色是跨工序调度助手:它读取当前在机批次、设备可用窗口、物料齐套状态,当急单插入时,快速模拟三种排产方案对交期的影响,把“换线次数最少”和“整体延误最小”两个维度的折中方案推给计划员。计划员不需要自己跑排程软件,只需要在Agent给出的两三个选项里做取舍。
还有一个场景在设备维护侧。假设一家化合物半导体产线,真空泵的振动数据出现缓慢抬升。Agent结合该泵的历史维护记录、同型号泵的故障案例库,判断是轴承磨损早期特征,建议在下次预防性维护窗口更换,而不是等到报警停机。这个判断的难点在于区分正常波动和早期故障,Agent的价值是把设备工程师脑子里的“手感”变成可复用的推理链。
四、落地建议:先窄后宽,先辅后主,先数据后模型
第一条实操建议是场景选择上先窄后宽。不要一上来做全厂调度Agent,先选一个边界清晰、反馈周期短的场景,比如单台设备的异常根因推荐,或者单道工序的SPC规则自动调参。边界越窄,验证周期越短,工程师信任建立得越快。
第二条是权限设计先辅后主。Agent的输出先以“建议”形式进入人工确认流程,跑够一定周期、建议采纳率和准确率达到阈值后,再逐步放开到自动执行。半导体制造对误动作的容忍度极低,一个错误的参数下发可能报废整批晶圆,所以权限收紧不是保守,是必要。
第三条是数据治理先于模型调优。很多Agent项目卡住不是因为模型不够强,而是设备数据的时间戳不统一、量测数据和工艺数据的片号对不上、MES里的工单状态和实际在机状态有延迟。这些问题不解决,Agent的推理链就是建在沙子上。业界有厂商在推进这类方案时,会先花时间做数据对齐和语义层建设,再上Agent逻辑,这个顺序不能反。
第四条是选型时关注工具调用的开放性和可审计性。Agent要调MES、调SPC、调设备接口,如果厂商的工具接入层是封闭的,后续扩展场景就要重复开发。另外,Agent的每一次推理和调用都要留痕,出了问题能回溯到是哪条数据、哪个规则触发的判断,这在半导体行业是硬要求。
五、趋势:从单点Agent到多Agent协同,从辅助决策到闭环控制
第一个方向是多Agent协同。单点Agent解决单工序问题,但半导体制造的难点在跨工序耦合。未来两三年,业界会更多尝试让缺陷分析Agent、设备健康Agent、排产Agent之间做有限度的信息交换,形成一个小型协同网络。难点不在通信协议,而在冲突消解——排产Agent想换线保交期,设备Agent说该腔体该保养了,谁说了算需要规则设计。
第二个方向是从辅助决策走向闭环控制。目前多数落地案例停留在“Agent建议、人确认”阶段,但随着安全区间设计和仿真验证手段成熟,部分场景会走向Agent在限定范围内直接调参。比如SPC规则的自适应调整、设备预防性维护工单的自动触发,这类动作风险可控、反馈明确,适合先放开。
第三个方向是Agent与数字孪生的结合。数字孪生提供仿真环境,Agent在孪生体里先跑一遍策略再下发到物理产线,这个组合能显著降低试错成本。半导体产线不可能拿真晶圆给Agent练手,孪生环境是必要的缓冲层。
回到开头那个判断:AI Agent在半导体制造中的真正价值,是把分散在工程师经验里的高频决策变成可复用、可审计、可迭代的系统能力。这件事不会一夜发生,但路径已经清晰——从窄场景切入,把数据底座打牢,权限逐步放开,让Agent先成为工程师的副驾驶,再谈更深的闭环。