AI Agent在半导体制造中已经从概念验证走向产线边缘,它本质上是一类能自主感知设备状态、解析工艺数据并主动触发调整动作的软件实体,而非简单的自动化脚本。最近两年,晶圆厂对良率波动和碎片化订单的容忍度越来越低,这类具备推理与执行闭环能力的智能体开始被认真讨论。
一、核心概念与定义
半导体制造里的AI Agent,指的是部署在MES、EAP、APC等系统之上或之间的一层智能决策单元。它跟传统SPC系统的区别在于:SPC告诉你某台刻蚀机的某个参数漂了,AI Agent则能结合前后道数据判断漂移原因,并直接向设备端下发配方微调指令或触发工程干预工单。它通常具备四个特征:能读取多源异构数据(设备日志、量测结果、缺陷图谱)、能维护工艺知识库、能自主编排动作序列、能在限定权限内执行并回传结果。业界有时把它叫作“工艺决策智能体”或“设备自治代理”,叫法不一,内核一致。
二、技术原理与关键能力
拆开看,这类智能体在半导体场景下依赖三项关键能力。
1. 多模态工艺感知。半导体设备产生的数据形态极杂——时间序列(温度、压力、射频功率)、图像(缺陷检测图、SEM照片)、文本(工程师交接班记录、设备报警代码)。AI Agent需要把这些统一成可推理的语义表示。比如某电子厂的一台CMP设备,抛光头压力曲线和终点检测光谱同时出现异常波动,智能体能关联两个信号判断是研磨垫寿命到期而非配方问题。
2. 工艺知识图谱与推理。半导体制造有上千道工序,任意一道的参数调整都可能影响下游。智能体背后通常挂一张工艺知识图谱,记录设备、配方、产品、缺陷类型之间的因果关系。当量测站反馈某批次CD尺寸偏大时,智能体能沿图谱回溯到光刻环节的曝光剂量偏移,而不是盲目建议重工。
3. 受限自主执行。晶圆厂对“自动改参数”极其谨慎,所以AI Agent的执行权限通常分级:低风险动作(如调整某台设备的报警阈值、触发采样复测)可自主完成;中风险动作(如微调配方参数)需工程师一键确认;高风险动作(如停线)只给建议。这种分级授权机制是它能在产线落地的关键。
三、制造业应用场景
场景一:晶圆厂的良率异常溯源。假设一家12英寸晶圆厂某周发现某产品良率突然掉了一个百分点。传统做法是工程师拉数据、开会、逐站排查,耗时两三天。AI Agent可以在半小时内完成初步归因:它比对近三批产品的全流程数据,发现缺陷集中在某台干法刻蚀机的腔体B,进一步关联到该腔体近期更换过静电吸盘且匹配的工艺配方未同步更新。智能体自动生成一份归因报告并建议回退配方版本,工程师确认后执行。这缩短的是信息串联的时间,不是替代工程师判断。
场景二:封测厂的设备预防性维护。假设一家封测企业有上百台键合机,过去按固定周期换劈刀,要么换早了浪费耗材,要么换晚了出批量虚焊。AI Agent持续读取每台设备的键合功率曲线和图像检测结果,当发现某台设备的曲线特征与历史失效前兆匹配时,提前两天推送更换提醒并附上依据。它还能把不同机台的更换记录汇总成耗材寿命分布,帮设备主管优化备件库存。
场景三:Fabless设计公司与代工厂之间的工艺协同。假设一家设计公司流片前想评估某新产品的工艺窗口。AI Agent可以基于代工厂公开的PDK和过往类似产品的工艺数据,模拟不同参数组合下的良率风险,给出建议的工艺 corner。这减少的是反复试片的次数,对中小设计公司尤其有意义。
四、选型与落地建议
如果制造企业考虑引入这类方案,有几个实操维度值得先想清楚。
1. 数据底座是否够用。AI Agent的推理质量直接取决于设备数据采集的完整度和时间对齐精度。先确认关键设备的SECS/GEM接口是否全通、量测数据与设备日志的时间戳是否统一。数据没理顺就上智能体,等于让它在噪声里做决策。
2. 从单点闭环起步。不要一上来就做全厂调度智能体。选一个高频、边界清晰、后果可控的场景——比如某类设备的报警根因分析、或某个量测站的复测触发——先跑通感知到执行的完整链路,再横向扩展。业界经验是单点闭环跑三个月以上再谈复制。
3. 权限边界和审计日志必须前置设计。哪些动作智能体可以自己干、哪些必须人确认、每次决策的依据是否可追溯,这些规则要在上线前写进系统配置,而不是事后补。半导体产线对变更极其敏感,可解释性和可回滚性比智能程度更重要。
4. 工艺工程师的参与深度决定成败。AI Agent不是买来就用的工具,它需要工艺工程师把隐性经验(比如“这台设备冬天开机前两小时要空跑”)显性化地喂给知识库。选型时重点看厂商能否提供知识沉淀的协作机制,而不是只看算法指标。
五、趋势展望
往后看两三年,有三个方向值得关注。一是智能体之间的协同——光刻区的Agent和刻蚀区的Agent能否就一个良率问题交换假设、联合归因,这涉及多智能体通信协议在工业场景的适配。二是与数字孪生的结合,让Agent在虚拟产线上先验证调整方案再下发实体设备,降低试错成本。三是边缘侧推理能力的增强,随着设备端算力提升,部分Agent能力会下沉到机台侧,减少对中央系统的实时性依赖。
半导体制造的复杂度决定了AI Agent不会以“无人化”的面貌出现,它更像一个不知疲倦的工艺助理——把跨系统、跨工序的信息串联工作接过去,把判断权和责任边界留给工程师。这个定位想清楚了,落地路径反而清晰。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的产业信息化基础,也为这类智能体与现有制造系统的衔接提供了可复用的集成经验。