PDF Solutions CEO 解析 AI 对半导体行业的效率挑战

本文基于 John Kibarian 于 2026 年 10 月 15 日在 PDF Solutions CONNECT 活动上发表的主题演讲。该演讲的录像和幻灯片可在此处查看：https://www.pdf.com/users-conference/connect-2026/next-generation-pdf-solutions-platform-for-the-global-semiconductor-industry/

AI 是半导体行业有史以来面临的最重大变革，不是因为它在推动一轮上行周期，而是因为它正在改变这个行业的运作方式。

这个行业此前经历过几次重大转型。移动互联网重塑了半导体公司卖什么，但并没有改变晶圆厂、无晶圆厂公司及其供应链的运作方式。而 AI 两者兼有。它带来了前所未有的硅片需求，同时也在重塑用于设计、制造和测试芯片的工具、数据和协作模式。

大约四年前，当 ChatGPT 刚刚问世时，我们就开始以“AI 优先”的理念重新构想我们的产品组合。如今，成果是一个下一代平台，涵盖了我们三个长期深耕的领域。前两个是：加速新技术的良率爬坡，以及将最新 IT 技术应用于制造数据。最后一个领域是连接整个供应链的制造运营，2025 年收购 secureWISE 进一步强化了这一主线。

效率是当今的关键词。效率才是关键。一位制造业高管最近告诉供应商，他已经无法获得比之前承诺更多的设备。他满足需求的唯一途径是从现有设备中挖掘更多产能——这种想法如今在整个行业都能听到，并构成了 AI 给半导体制造带来的三大挑战：

1. 能效：从正在建设的 AI 数据中心中获取更多算力。
2. 数据与算力效率：以可接受的成本利用 AI 从制造数据中创造洞察。
3. 供应链效率：运营一个全球分布且日益复杂的供应链。

挑战一：能效

增长数字已毋庸置疑，半导体行业提前实现了万亿规模。展望未来，麦肯锡（McKinsey & Company）的基准预测是，设备收入将从 2025 年的 9750 亿美元增至 2030 年的约 2.3 万亿美元。这意味着规模增长 83.5%，其中 58% 来自数据中心和服务器——这是唯一以每年 29% 复合增长的垂直领域。

换算成实际产能，这些数字令人震撼。2026 年 AI 数据中心装机容量为 45–60 GW，预计到 2030 年将达到 100–160 GW。按每吉瓦 15 万至 20 万片晶圆、其中一半为 HBM 计算，这意味着需要额外 960 万至 1750 万片晶圆，以及 16–29 座月产能 5 万片晶圆投片的新晶圆厂。这一估算可能偏保守，因为目前还没有公司建造 5 万片晶圆的前沿工艺晶圆厂。一座现代前沿逻辑晶圆厂的投片量更接近 2 万片，因此实际的晶圆厂数量可能翻倍。

预计 2030 年 AI 收入将达到 3.9 万亿美元，而每兆瓦的利润约为 3000 万美元，人们很容易把这当作一个资本问题。各国看着这些数字，认为自己可以开出支票。但任何运营过晶圆厂的人都知道并非如此。建设产能只是答案的一部分。更难的问题是从每个数据中心中获取更多算力。

这种压力已经在重塑行业格局，而效率正来自新的设计。多年来，我们的大多数新客户来自亚洲，那里的晶圆厂和 fabless（无晶圆厂）公司不断涌现。如今，基础模型公司和超大规模云厂商正在自行设计芯片，并将能效作为首要指标。工作负载也在朝着高效率方向调优。训练能让芯片持续运行在满载的设计工作点上，而做推理的 GPU 可能有超过 90% 的功耗花在内存更新和空闲时间上。

按照这一衡量标准，根据 Richard Feynman 在 20 世纪 80 年代关于计算基本极限的讲座，业界仍有约一百万倍的提升空间。

这对制造商意味着什么

Fabless 公司过去无法证明有必要去开发制造软件，因为它们不是制造商。现在它们是了。晶圆离开前道晶圆厂之后发生的事情，正是如今行业活动最集中的地方。

几个例子可以说明这种快速变化。高能效的定制设计带来的运营后果，直接落在制造和测试环节：生产批量更小、产品种类更多。定制设计不断涌现，而不是少数几种高产量器件。

新产品导入（NPI）测试的广度会延续到量产阶段，以便借助更宽的数据集和多达数百万项的测试程序实现良率快速爬坡。

而共封装光学等新技术和类似集成意味着在生产线上移动的不只是电子，需要新的工艺控制手段。

PDF Solutions 的产品组合正是为了应对这些压力。Characterization Vehicle 和 DirectScan 在 7nm 以下工艺节点上，利用更多设计信息来实现设计与制造的协同优化，明确该在哪里看、怎么看，其中包括专为在 3D 结构中发现隐藏系统性缺陷而设计的电子束技术。Exensio Aurora、Exensio Test Operations 和 Exensio Scalable Analytics 负责对宽测试数据进行快速分析，并在制造边缘部署规则和 AI 工作流。一个 Python 优先、原生并行的计算引擎将分析从客户端转移到可扩展的后端，通过更高效地利用核心，在相同硬件投入下实现 20–40 倍的性能。Sapience 和 Exensio Process Control 则扩展了先进过程控制、应用集成和供应链编排能力。

挑战二：数据与算力效率

根据《纽约时报》的一次采访，Nvidia 的 Jensen Huang 表示：“在过去 15 年的努力之后，仅仅在过去 6 个月里，AI 才变得有用。”AI 有用的时间其实更长一些，但这一说法为半导体制造提出了正确的问题。有用究竟意味着什么？

对半导体制造行业而言，这意味着将行业常识性数据与公司自有数据相结合；高效利用所有可用的制造数据；高效管理用于持续分析的 AI 算力成本；以及在制造边缘跨应用和供应链部署智能体。

每一项都比看起来更难。

大型语言模型已经对半导体有相当深入的了解。向它询问晶圆图（wafer map）、参数测试、bin、批次、SPC 图表、刻蚀速率漂移或失效机制，它都能进行像样的推理。它能选择方法、生成代码、解读结果并总结非结构化数据。给一个通用 LLM 一批批次中的良率损失，问它该跑什么分析，它会给出一份不错的第一轮方案，大致相当于一位初级工程师的提案。

问题在于接下来会发生什么。经验较少的工程师跑了分析，看到一个无法解释的信号，将其当作噪声忽略掉，然后报告说数据里没什么东西。资深工程师看到同一张图表，却能看出发生了什么，因为他们掌握着模型所不具备的背景信息。LLM 缺的是公司特定的数据和知识产权、历史基线、产品和工艺的细节（例如配方、设计规则、测试流程和 bin 定义），以及大规模的统计计算和验证。

利用现有数据本身就是一大挑战。我们的工具经历过许多次良率暴跌，事后分析几乎总是发现数据其实早已存在。在事件发生之前，工程师无法知道哪些数据相关。只有高效地处理宽表数据集，才能在良率暴跌之前做出反应。

私有企业数据的规模

将 AI 应用于半导体制造，最重要的因素是访问和处理复杂的私有企业数据。

规模之大令人望而生畏。领先的 fabless 和巨型代工厂每个厂区持有 PB 级数据，横跨 20 多个数据域，每个域有 100 种或更多文件格式。一款新的 3D-IC 在 NPI 阶段可能携带 200 万到 1000 万个测试参数。那些认为自己的测试程序比较克制（大约 1 万个参数）的混合信号公司，仍然累积了约 200 TB 的分析数据。它们的 ürün 产品数量都超过员工数量，更不用说产品工程师和测试工程师的数量了。在某家代工厂，任务是每周分析约 2000 款不同产品的 2–3 万亿个 sort 参数，每颗芯片有超过 10 万个特征。

正因如此，PDF Solutions 基于 30 年的半导体制造知识构建了 Exensio Aurora，为 AI 提供上下文。我们拥有在客户隔离云站点上管理的 PB 级制造数据、过去 15 年中为工艺表征流片的 1000 多颗测试芯片、以及客户在这些站点上构建的超过 66 万个分析模板和最佳实践。我们还拥有广泛的半导体本体（ontology），用于收集和对齐数据；数据在各站点之间绝不混杂，运行其上的智能体也是如此。

LLM 成本问题

Token 已成为最大且增长最快的单一 IT 开支。一位开发者在下午 2 点就耗尽了 token。剩余的工作手工做需要 5 个小时。解除上限后，用 token 只花了 5 分钟，这说明了 LLM 算力的价值与成本。

制造成本是个问题。制造分析在设计上就是重复性的，但对每次分析都运行 LLM 的成本高昂，而且这种成本不会随规模扩大而下降。试想反复分析一个 10 万行、10 列的数据样本这一目标：

LLM 创建的工作流的重复运行成本大约是完整 LLM 方案能耗的千分之一。对于可重复的分析任务，LLM 无法提供规模经济，而每次分析都使用它们的成本可能高得令人望而却步。

LLM 编写工作流，工作流完成工作

我们在构建 Exensio Aurora 时得出的结论是，LLM 需要一种语言，而那种语言就是以工作流形式表达的 Python。该方法包含四个要素：

1. 使用半导体本体（ontology）对齐并充实数据，使模型与工程师对批次、晶圆、Bin、测试和设备有相同的定义。
2. 在专为半导体数据设计的高度可扩展的计算引擎上运行分析，而不是通过 API 把数据拉出来再让 LLM 来处理。
3. 使用 LLM 创建工作流和智能体。不要求模型执行分析，而是要求模型构建分析。这基本上是代码生成，而这正是 LLM 最擅长的事情。
4. 使用工作流来编码上下文和可重复的分析。工程师以可视化工作流块而非 Python 代码行的形式检查结果，执行它，如果可行，就将其泛化并存入库中。下次时，系统运行已存储的工作流，跳过那 2 万个 token。

这种架构还将客户数据与 LLM 物理隔离。客户可以试用不同的模型，包括不在本地运行的模型，而无需让数据离开本地。所捕获的知识可以被重新审视，这正是防止幻觉的方式。最终结果是可预测性、可重复性和成本效率。工程师无法跟踪 1000 万个参数，但算法可以。

挑战 3：供应链效率

物料需要大量流转。在混合封装的世界里，所有制造都是复杂的供应链执行问题。晶圆制造、裸片制备、晶圆键合、裸片堆叠、TSV 与互连、先进封装以及测试与量测，都是在不同国家、由不同公司、在不同设施中完成的不同阶段。

这正是 PDF Solutions 收购 secureWISE 的原因。secureWISE 是连接晶圆厂及其设备供应商的最大安全网络，部署于 3nm 晶圆厂，并在设备供应商与工厂之间传输 EB 级数据。几家设备供应商自己的 AI 解决方案正是构建在它之上：通过跨其已装机群收集数据、驱动学习，并将改进后的算法推送回设备。

secureWISE 的差异化在于控制。流量经过双重加密，数据包内容不被共享。工厂团队决定哪些数据离开、何时离开、哪些数据和算法可以传回、对进入设施的任何内容应用何种病毒扫描，并对这一切保留完整的审计记录。

从人类协作到智能体协作

半导体产业是一个正在走向智能化的协作型产业，这对产业互联的紧密程度和安全性提出了更高的要求。

secureWISE 的创建初衷是让人类进行协作。但实际上，网络上的大部分流量以及与之相关的大部分收入，都是数据向外流动、软件或算法向内回流。它更多是由智能体和 AI 驱动，而不是由人驱动。这种平衡还将持续变化。

横跨设计、制造与供应链的单一平台

效率压力不会消失。数据中心需要在每兆瓦电力下获得更多算力。制造商需要从每个 token 和每个核心中获得更多洞察。供应链需要越来越多地在各智能体之间传输数据和算法，其安全性要达到以往人员往来的水平。

我们的架构在一个平台上将能效、数据与算力效率以及供应链效率联系在一起。在新产品开发、制造以及 OSAT 等供应链合作伙伴处，同样的技术栈不断重复。Exensio Aurora 和企业应用运行在 Sapience 上，其上再运行各种应用和智能体。在晶圆厂和 OSAT，Cimetrix 将包括 eProbe 在内的设备连接到制造系统和企业数据仓库。secureWISE 为这一切提供安全的边缘部署与控制，使数据、规则、工作流和智能体能够在数据所有者的掌控下在各站点之间流动。