英特尔Foundry提出半导体制造自主化新路径,从端到端量测到工厂级智能决策

在SEMICon West 2026上,英特尔Foundry强调半导体制造正从孤立优化转向系统级连接智能,核心在于构建以可信量测为基础、可互操作平台为支撑的工厂自主化体系。端到端量测成为主动良率管理的...

半导体/芯片 阅读量: 28.62万

半导体制造正经历一场静默却深刻的范式迁移:从依赖人工经验与局部优化,转向基于数据闭环与系统协同的自主化运行。这一趋势在2026年SEMICon West大会上得到集中呈现——英特尔Foundry多位技术负责人通过14场报告与海报,系统阐述了面向AI时代晶圆厂的底层重构逻辑。

英特尔Foundry负责先进封装与制造研发的副总裁Lalitha Immaneni在主题演讲中指出,工厂自主化(Factory Autonomy)并非单纯由AI驱动,而需以“系统优先”思维为前提:即建立统一的可信测量基准、可互操作的软硬件平台,以及先进的测试基础设施。这意味着,自主化的起点不是算法模型,而是整个制造流程中数据的完整性、一致性与可追溯性。

过去数十年,量测(Metrology)主要承担质量检查的“守门人”角色;如今,它正演变为良率管理的“控制层”。随着芯片结构日益复杂,材料、设备、化学试剂、封装聚合物乃至洁净室环境之间隐藏的耦合效应,常在制造后期才暴露为良率损失,导致成本攀升与交付延迟。对此,英特尔Foundry等领先厂商已转向预测性工艺控制——通过连续采集与实时监控关键参数,实现对潜在缺陷的前置干预。例如,在EUV光刻环节,膜厚波动与套刻误差的微小关联,可通过多传感器融合建模提前预警,避免整批晶圆报废。

文章配图

这种转变的关键在于“端到端可见性”(End-to-End Visibility)的延伸。传统量测聚焦晶圆前道制造,但行业向异构集成(Heterogeneous Integration)演进后,芯片堆叠、Chiplet互联、混合键合、高带宽内存(HBM)及2.5D/3D封装等新架构,使失效模式跨越多个物理层级。一个微米级的凸点空洞可能在封装阶段才引发信号完整性问题,若缺乏跨环节数据贯通,根本无法定位根因。因此,量测体系必须覆盖从硅片到系统级封装的全链条,并与缺陷分析、电性测试、可靠性验证形成闭环。

值得注意的是,自主化不等于完全去人化。Immaneni强调,AI的价值在于增强而非替代工程师的判断力——当系统识别出某批次晶圆在特定温度窗口下出现重复性偏移时,它应提示“可能与腔体残余气体成分相关”,而非直接下达调整指令。真正的自主,是让人类专家从重复性监控中解放,聚焦于异常归因与工艺边界探索。

文章配图

这一思路与当前企业级AI部署的实践逻辑高度呼应。正如制造业中兴起的私有化AI平台方案,其核心诉求同样是“可控性+业务耦合”:通用大模型可外购或开源,但训练数据组织方式、任务定义逻辑、输出验证机制必须由企业自身掌握。杭州谱界智能科技推出的ClawX企业版即体现此路径——它并非仅提供对话接口,而是支持Agent自动操作MES/ERP系统,完成数据提取、加工与报表生成的完整工作流,使AI真正嵌入生产执行环节。

该架构图清晰映射出半导体制造自主化的分层逻辑:底层是算力与基础模型(如用于缺陷图像识别的视觉模型),中层是面向工艺场景的专用模型(如预测CMP后表面粗糙度的回归网络),上层则是能跨系统调用工具、执行诊断与建议的智能体(Agent)。每一层都需保留可解释性与可修正性——当模型误判某区域为颗粒污染时,工程师应能回溯至原始SEM图像、量测数据流与设备日志,快速验证并修正偏差。

在金融量化领域,亿博资产提出的“算法自主”理念同样指向类似原则:自主≠自研全部代码,而是对关键环节具备理解、修改与验证能力。通用模型可用开源方案,但数据清洗规则、因子构建逻辑、错误反馈机制必须内化。这与晶圆厂中“量测数据可信度校验”“工艺窗口敏感性分析”等环节高度一致——差异化的竞争力,往往藏在那些被外部供应商忽略的细节里。

更深层的挑战来自标准缺失。当前各设备厂商的量测数据格式、通信协议、元数据标签尚未统一,导致跨平台整合成本高昂。英特尔呼吁推动行业级标准建设,包括统一的缺陷分类编码、量测结果语义描述框架,以及测试平台的API规范。只有当不同来源的数据能在同一语义空间下对齐,AI模型才能真正实现跨产线泛化。

事实上,自主化路径已在部分头部代工厂落地验证。台积电在其3nm产线中部署了基于实时量测反馈的动态工艺调整系统,将关键层CD(关键尺寸)变异降低18%;三星则在先进封装段引入多模态检测Agent,整合X-ray、AOI与电测数据,将热应力失效检出率提升至99.2%。这些案例表明,技术可行性已无瓶颈,难点在于组织协同与投资回报周期的平衡。

对国内产业而言,自主化既是技术命题,更是供应链安全命题。当前高端量测设备仍高度依赖KLA、应用材料等厂商,国产设备在精度稳定性与数据接口开放性上仍有差距。但若仅聚焦设备国产替代,而忽视量测-分析-控制的数据链路打通,仍难实现真正的制造自主。未来竞争将不再局限于单点设备性能,而是整套“感知-决策-执行”闭环的成熟度。

值得警惕的是,过度追求自动化可能导致“黑箱依赖”。当所有决策由AI闭环完成,一旦模型漂移或训练数据偏差未被及时发现,后果可能是系统性良率崩塌。因此,任何自主化系统都必须内置人工干预通道与审计追踪能力——这不仅是工程冗余,更是制造伦理的底线。

半导体制造的自主化,本质上是一场从“经验驱动”到“证据驱动”的转型。它要求企业重建数据治理能力,将原本分散在设备日志、量测报告、工艺卡片中的碎片信息,转化为可计算、可推理、可行动的知识资产。这条路没有捷径,但每一步积累都将沉淀为难以复制的竞争壁垒。