PDFSolutions推出ExensioAurora平台,应对芯片制造碎片化与AI融合新挑战

在2026年SEMICON West开幕日,PDF Solutions发布Exensio Aurora平台,旨在构建面向半导体行业的AI优先数据基础设施。该平台聚焦系统-工艺协同优化(STCO)、跨环...

半导体/芯片 阅读量: 5218

2026年10月13日,SEMICON West展会首日,ESD联盟举办全天专题论坛“以AI弥合设计与制造鸿沟”,多位行业专家探讨半导体产业在AI驱动下的结构性变革。PDF Solutions联合创始人兼产品与解决方案执行副总裁Kimon Michaels发表题为《从前端到先进封装:可扩展的AI就绪数据平台、安全数据交换与生态协作》的演讲,正式推出其全新平台Exensio Aurora。

这一发布并非孤立事件,而是对当前半导体产业链深度重构的直接响应。随着摩尔定律逼近物理极限,芯片性能提升 increasingly 依赖于系统级集成——特别是Chiplet异构集成与2.5D/3D先进封装技术。传统“前端设计—中段制造—后端封装测试”的线性分工已难以为继,制造环节本身也高度全球化、碎片化:晶圆厂、OSAT、基板供应商、EDA工具商、IP提供商各自为政,数据孤岛林立。在此背景下,系统-工艺协同优化(System-Technology Co-optimization, STCO)成为实现更高能效比与良率的关键路径,而STCO的前提是跨环节、高保真、实时的数据流动与模型训练能力。

文章配图

Michaels指出,AI已从“可选项”变为“必需项”,但现有工具链无法支撑企业级AI部署。问题不在于算法本身,而在于底层数据基础设施的缺失:制造数据格式不统一、权限管理粗放、模型迭代周期长、跨公司协作缺乏信任机制。Exensio Aurora正是为解决这些问题而生——它不是一个单一软件模块,而是一套面向半导体全供应链的AI就绪平台架构。

平台核心由三部分构成:首先是“新型数据平台”,专为半导体制造数据设计,支持连接各类工艺设备与检测系统,实现从晶圆厂到封装厂的全流程数据接入,并具备横向扩展能力,可支撑企业级AI代理(AI agents)的分布式训练与推理;其次是“安全数据交换”机制,通过加密协议与细粒度权限控制,使不同主体能在保护商业机密前提下共享关键参数(如缺陷图谱、工艺窗口),并支持远程故障诊断与过程监控;第三是“生态系统协作”层,整合内部研发与外部合作伙伴资源,直面Chiplet供应链协同难题,例如多厂商Die堆叠时的热应力预测、互连可靠性建模等。

值得注意的是,Exensio Aurora并非从零构建,而是基于PDF Solutions长期积累的半导体制造数据分析能力。该公司自2000年代起深耕良率提升与制造智能领域,拥有覆盖全球主要晶圆厂的实测数据网络。此次推出的平台进一步融合了大语言模型(LLM)与专用领域模型(Domain-Specific Models),形成所谓“Agentive AI”工作流:即由定制化AI代理自动完成数据清洗、特征提取、异常归因与建议生成,而非依赖人工干预。

  • 可扩展分析引擎:采用分布式计算架构,处理速度较传统方案快25倍,支持实时流式数据处理;
  • 企业级MLOps:统一管理模型开发、部署与治理流程,确保AI模型在产线环境中的稳定性与可追溯性;
  • Exensio制造数据仓库:整合多代工艺节点的结构化与非结构化数据(如SEM图像、电性测试结果),支持语义搜索与高级关联分析;
  • AI代理(Agentic AI):基于30年制造领域知识构建的定制化LLM代理,可在本地私有环境中运行,避免敏感数据外泄;
  • AI-first交互界面:提供独立客户端,集成自然语言助手,工程师可通过对话式指令调用复杂分析任务,降低AI使用门槛。
  • 这一架构设计体现出明确的“平台化”思维:不再追求单点工具的极致性能,而是构建一个可生长、可组合、可互操作的底层基座。PDF Solutions强调,Exensio Aurora的目标不是替代EDA或MES系统,而是作为“粘合层”(glue layer),将现有系统产生的数据转化为可行动的智能。

    行业背景进一步凸显该平台的必要性。据SEMI统计,2025年全球先进封装市场规模已达480亿美元,年复合增长率超12%;与此同时,Chiplet设计项目数量三年内增长近3倍。然而,封装集成带来的信号完整性、热管理与机械应力问题,远超传统单芯片设计经验范畴。某头部IDM企业曾透露,其一款3D堆叠芯片在量产前经历了17轮设计迭代,其中超过60%的修改源于封装引入的寄生效应——这些本可通过早期STCO仿真规避。

    Exensio Aurora五大功能模块:可扩展分析引擎、企业级MLOps、制造数据仓库、AI代理、AI交互界面

    AI在此场景的价值已获初步验证。台积电在其CoWoS工艺中引入机器学习模型预测翘曲变形,将试产周期缩短30%;英特尔在Foveros封装良率爬坡阶段部署异常检测AI,使关键层缺陷识别准确率提升至98.5%。但上述案例多为单点应用,难以复制推广。真正的瓶颈在于:制造数据的封闭性与异构性,使得模型训练成本高昂、泛化能力弱。

    Exensio Aurora试图打破这一僵局。其“AI-first数据平台”理念,意味着数据采集、标注、版本管理、模型训练与部署被统一纳入平台生命周期管理。例如,当某OSAT厂商上传一批新封装后的X-ray图像,平台可自动触发预设的缺陷分类流水线,生成结构化报告,并将匿名化特征向量同步至合作设计公司的模型训练池——整个过程无需人工介入,且符合ISO 27001信息安全标准。

    从更宏观视角看,该平台的推出标志着半导体行业正从“工具驱动”迈向“数据+AI驱动”的新阶段。过去二十年,EDA工具的演进极大提升了设计效率;未来十年,制造智能化将成为竞争主战场。而制造智能化的核心,不再是某台光刻机的精度,而是整个供应链对数据价值的挖掘深度。

    Exensio Aurora架构概览:1套架构、2层计算、6类解决方案、1个全球平台

    PDF Solutions并未公布具体客户名单,但其在演讲中提及已与多家Foundry及OSAT开展POC(概念验证)合作。考虑到其在良率分析领域的既有市占率(据Gartner 2025年报告,PDF Solutions在晶圆厂良率管理系统市场位列前三),Exensio Aurora有望快速切入主流产线。

    需要指出的是,平台成功与否仍取决于生态共建意愿。半导体产业高度依赖协作,但各方对数据主权极为敏感。Exensio Aurora虽提供技术方案,但能否推动行业建立通用数据标准与信任框架,尚需时间检验。短期内,其价值可能首先体现在大型IDM或垂直整合型企业的内部协同上;长期看,若能促成Chiplet联盟(如UCIe)采纳其数据交换规范,则将真正成为行业基础设施。

    目前,Exensio Aurora已开放早期访问计划,预计2027年Q1正式商用。对于正在应对先进封装复杂性与AI落地瓶颈的半导体企业而言,这或许是一个值得认真评估的新选项。