近日，东芝宣布将在日本石川县建造一个300mm（12英寸）的功率半导体晶圆厂。据悉，该厂将采用人工智能技术和自动化晶圆运输系统，预计第一阶段产能满载后其产能将会达到2021年的2.5倍。

在全球仍面临芯片短缺的当下，各个厂商都在探索提升晶圆产能和良率的方法。在智能制造、工业4.0等新兴概念的驱动下，人工智能（AI）、云计算、大数据、物联网（IoT）等新兴技术屡被提及，应用材料等半导体设备巨头也在推出配有AI功能的产品。

远远望去，作为技术含量最高的产业之一，半导体制造似乎天生就和各类新兴技术完美契合，EUV光刻机、洁净室、全自动产线和人工智能、云计算的组合似乎描绘了一幅美好的画面。

但需注意的是，半导体制造本质上仍是传统制造业，从晶圆厂的角度，最终追求的是产能、良率、成本、晶圆质量和稳定性。据业内人士向芯东西透露，人工智能和云技术等新兴技术短期内仍难以应用于晶圆厂的关键系统中。

芯片设计是AI应用的最大市场

优化功耗、性能和面积（PPA）一直是芯片设计中的三个重要目标。但即使是最好的设备和经验最丰富的工程团队也无法保证优化结果的稳定性。

优化PPA的过程正受到越来越多因素的制约：应用、IP和其他组件的可用性不同，工程师对不同工具和方法的熟悉程度也不尽相同。例如，同样的设计目标既可以用更大的处理器实现更高性能，也可以用更小、更专业的处理元件更紧密的结合软件来实现。因此，即使在相同领域和相同的功率设计目标下，也会有许多不同的方法可以实现相同的目标。并且方案优劣的评价标准也是因领域和供应商的具体需求而异的。

另外，由于对芯片安全性的需求不断增加，优化过程变得愈加复杂。根据设备使用场景的重要性，其安全需求也各不相同。安全级别的高低会影响芯片功率和性能的设计，进一步影响IC制造成本、上市时间、交货时间和供应商的竞争力。

为了缕清这些因素，EDA供应商开始寻求人工智能和机器学习技术的帮助。芯片供应商们正致力于将各种AI功能集成到工具流中。根据麻省理工学院和德克萨斯大学奥斯汀分校的研究人员的论文，迄今为止该领域研究成果喜人。研究人员表示，使用了深度强化学习算法的设备在某些任务上的表现已经超过了人类。

在六个小时的实验中，研究人员通过对比使用强化学习的图卷积神经网络方法、传统的黑盒优化方法（贝叶斯优化、进化算法）、随机搜索方法、具有五年经验的设计师这四者的成果得到结论：带有迁移学习的强化学习方法可以取得更好的效果。换言之，基于人工智能的工具可以使晶体管设计更加高效。

如今，包括谷歌、英伟达、新思科技、Cadence、三星和西门子在内的许多公司都已经有在芯片设计中使用人工智能的计划，其中部分公司甚至已经在生产中进行这种尝试。

AI未来或可带来每年900亿美元收益，ASML用AI加速光刻流程

美国咨询公司麦肯锡认为，人工智能/机器学习等新技术能够有效地提升晶圆厂的收益。根据麦肯锡的数据，随着芯片制程节点的演进，晶圆厂建设成本正从65nm的4亿美元增加到5nm的54亿美元。

麦肯锡预判，在接下来的两到三年内，人工智能/机器学习每年可能产生350亿至400亿美元的价值。如果将这个时间线拉长到未来4年后，其每年的收益可能会上升到850亿美元到900亿美元。

对于晶圆厂来说，随着自动化、智能化水平的提升，其操作效率能够得到有效提升，这也就意味着更短的生产周期、更少的成本以及更高的良率。

在半导体供应链的各个环节中，制造业能够从人工智能和机器学习中获得最多的收益，麦肯锡预计这将使制造成本降低17%。

在半导体行业中，ASML、应用材料、博世等行业重要参与者都在探索人工智能在半导体设备和晶圆厂中的应用。

应用材料去年推出了新一代的光学半导体晶圆检测机。该机器引入了大数据和人工智能技术，不仅能自动检测更多芯片，而且大幅提升检测致命缺陷的效率，其系统每小时可减少260万美元的良率损失。

早在2017年，ASML便在SPIE（国际光学工程学会）的光掩模技术大会上发表了“Machine learning assisted SRAF placement for full chip（机器学习辅助SRAF放置全芯片）”论文，将深度卷积神经网络应用于全芯片布局中，且提升了光刻速度。

由于这种深度学习方法的准确性大概在95%，远低于半导体制造要求的7σ（99.999999999744%）。因此在这篇论文中，文章作者仅用深度卷积神经网络来加速计算，其输出结果仍采用传统的光刻程序进行处理，从而提升光学邻近校正（OPC）和逆光刻（ILT）的速度。

除了应用材料和ASML，德国电子巨头博世也同样一直关注人工智能技术在晶圆厂中的应用。

去年6月，博世宣布，其位于德国德累斯顿的晶圆厂建成。博世管理委员会主席Volkmar Denner称，这是博世第一座AIoT工厂，投资额约为10亿欧元，从一开始就实现了完全连接、数据驱动和自优化。

通过各类传感器，该工厂每秒能够产生500页文本的生产数据，一天的生产数据超过4200万页。博世通过人工智能方法对这些数据进行评估，其自优化算法根据数据可实时分析制造和维护过程。

此外，据国产CIM厂商芯享科技首席策略发展官邱崧恒分享，在智能分析层面，人工智能、计算机视觉、深度学习、大数据等技术在检测系统、检测与控制系统和决策系统中都有着一定的帮助和应用。

面临稳定、安全挑战，AI/云面临水土不服

邱崧恒早在1993年就参与到了台积电产线的自动化，之后曾任南亚科技、华亚科技、长江存储、泉芯的IT负责人，主导了长江存储和泉芯的CIM系统（计算机集成制造系统）整合。

据他分享，当前12英寸晶圆厂在自动化方面的进展已相当之高。此前他在华亚科技时，华亚科技的自动化能力，产品芯片的自动传输生产达到99.5%（也就是1000批中995批是OHT自动搬运生产）；而非产品芯片则可以达到97.5%的自动化水平。

在先进的工业4.0晶圆厂中，芯享科技能够从Excellent Manufacturing（最大化生产）、Intelligent Analysis（智能分析）、Productivity/cost（生产能效/成本）和Quality assurance（质量保障）等角度，帮助客户建立制造执行系统MES、装备控制平台EAP、良率分析控制系统YMS、实时调度排产系统APS等各类软件系统，最终带来晶圆生产良率、成本和质量的优化。

同时，尽管晶圆厂的很多系统都应用了深度学习、机器视觉等人工智能技术，但实际上新技术在半导体制造领域仍面临水土不服的情况，距离大规模应用仍有不短的距离。

具体来说，CIM系统可分为Critical system（关键系统）和Non-Critical system（非关键系统）。Non-Critical system如报表系统、良率分析系统、缺陷分析系统、生产效能改善系统等非直接影响到Fab生产作业的系统已逐步集成在大数据平台中，机器学习、深度学习、人工智能等应用正在这些系统中逐步发展。

近几年，晶圆厂排程（Scheduling及Planning系统）开始导入基因演算法等人工智能应用，但在芯享科技总经理沈聪聪和邱崧恒看来，MES、TCS/EAP SPC、R2R、FDC、RTD等直接影响到FAB生产作业的关键系统仍很难用到人工智能。

上扬软件的董事长兼CEO吕凌志也表达了类似的看法。他坦言，现在招一个大数据方面的人很容易，但如果想要实现数据分析，需要了解整个工艺场景、工艺知识、工艺规格、产品生产过程等。

在12英寸晶圆生产的一千多步工序中，每个数据可能和好几步工序有关。如果想要判断数据和哪些工序有关，需要工作经验达十年以上的工艺专家、场景专家出马进行判别、计算。

12英寸晶圆厂中，每片晶圆每天就要产生十几个G的数据，每个月晶圆厂要生产数万片晶圆。更复杂的是，每个晶圆厂中的设备有新有旧，其集体生成的数据质量和大小各不相同，想要跨部门、厂区的进行数据处理，难度十分之大。

美国半导体量测设备公司KLA的战略合作高级主管Jay Rathert曾在采访中透露，合适的数据必须经过多方处理。如果晶圆厂归属于IDM厂商，那么这片晶圆的所有数据都来自一个公司；如果晶圆厂归属于晶圆代工厂商或封测厂商，这就十分复杂了。

因为各个厂商都有着独特的工艺和IP，其挑战在于既保护工艺和IP等核心数据，又进行一定程度的数据共享。在如此复杂的情况下，晶圆厂采用深度学习分析数据就像大海捞针一样，短期内人工智能很难做到对晶圆厂数据的有效分析。

同时，先进12英寸晶圆厂的建设成本在千亿人民币左右，晶圆厂商必须要追求生产的稳定性和安全性。在沈聪聪和吕凌志他们看来，人工智能从某种程度上来说，类似一个“黑箱”，从训练到输出有着太多的不确定性。事实上，在行业内，很多看起来十分智能的系统，其背后是半导体CIM厂商们对这些软件系统的大量编写与定义。

在人工智能之外，半导体制造行业也对上云这件事比较忌讳。对于这些业内人士，信息安全是一个切实需要考虑的因素。

芯享科技邱崧恒分享了一个案例，当年某国产存储芯片厂商发布新技术后，遭到了大量的黑客攻击，其每个月遭受的黑客攻击次数都以十万次为单位。最多的两个月里，该企业每个月遭受的黑客攻击次数超过50万次，追踪攻击来源发现，攻击来自美国、俄罗斯、韩国、中国、越南等多个国家。

而当晶圆厂商存在人员流动时，不管有意还是无意的文件外泄或携入都会带来严重的经济纠纷。芯享科技因此也打造了一套主动的文件扫描系统，判断新员工是否会携带非法文件，以免诉讼纠纷。因此，虽然晶圆厂商可以打造一些企业的私有云或将非敏感信息上传，但核心资料与系统都有些“谈云色变”。

AI将改变EDA行业现状

人工智能的引入确实已成为EDA业界的一股浪潮，包括EDA三巨头在内的各大公司已进入这个战场。国际EDA三巨头即为新思科技、和西门子EDA，三巨头能够提供全套的芯片设计EDA 解决方案，根据赛迪智库数据，2020年国内EDA市场销售额约80%由国际三巨头占据，三大EDA厂商在AI领域的动作可以视为整个行业的风向标。

新思科技总裁兼联席首席执行官陈志宽博士曾在Hot Chips 2021 主题演讲中表示：“现在每个垂直市场都在投资人工智能，以变得更聪明、更高效、更有效。”他说，“人工智能可以设计芯片吗？答案是肯定的。”新思科技宣布其新一代集成人工智能技术的电子自动化设计工具DSO.ai平台，通过引入人工智能，芯片设计中不需要去完整模拟10的9万次方种可能布局，机器可以智能化筛选，不仅可以做到研发成本减半，时间甚至也可以从24个月减少到2周，主要优势包括降低开发成本、缩短投放市场的时间、提升性能、增加良率等。

楷登电子全球 AI 研发中心高级 AI 研发总监丁渭滨则表示AI在EDA中的应用可以从两方面来看：Inside注重于EDA工具本身，力图让EDA自身更智能，使用户获得更好的PPA和更快的引擎，从而提升测试和诊断性能表现；Outside则注重于人，让机器通过学习的方式积累经验，减少人工干预，极大地释放生产力。楷登电子已在今年七月推出 Cadence Cerebrus Intelligent Chip Explorer这款基于机器学习（ML）的设计工具。

另一EDA巨头西门子ED则在2019年5月就推出了人工智能/机器学习 (AI/ML) 开发套件，为其Calibre设计平台添加了AI/ML功能。

国内EDA公司同样注意到了人工智能的机遇，如国产EDA智能软件和系统创企芯华章针对芯片设计难、人才少、设计周期长、设计成本高企的问题，发布了《EDA 2.0白皮书》。芯华章认为在EDA 2.0时代，“EDA2.0的目标是要从现有的EDA1.0过程中大幅减少芯片架构探索、设计、验证、布局布线等工作中的人力占比，将过去的设计经验和数据吸收到EDA工具中，形成智能化的EDA设计。”。

《EDA 2.0白皮书》从智能化的设计需求分析、智能化的芯片架构探索、智能化的设计生成、智能化的物理设计等四个方面介绍了人工智能未来将在EDA上扮演的角色，芯华章强调：“基于强化学习之类的机器学习算法，可以缩小巨大的探索空间，节省智能物理设计所需要的算力和时间，最终目标是依靠人工智能和自动化流程实现布局布线和后端验证。”

虽然，我国EDA企业也已注意到了未来人工智能化的趋势，但若要迈入所谓“EDA 2.0时代”仍有一些“老问题”需要解决。

芯片产业环环相扣，EDA工具与下游芯片制造工艺同样关系紧密。EDA工具仿真的结果与芯片制造企业的具体工艺细节息息相关，这就需要将理论模型与工艺结果之间相互验证，当晶圆代工厂开发新的工艺，EDA 工具软件厂商就需要获得代工厂新工艺的相关数据，基于此来开发新的版本。

因此，EDA工具软件要支持最先进工艺节点，就必须与代工厂保持紧密合作，根据代工厂的工艺特点开发相应的算法和模型，在这一过程中实现自身产品和技术的进步，国际三大EDA龙头企业的成长都伴随着与全球各大芯片厂商的密切交流。可以说，未来我国晶圆代工厂的先进制程能力决定了我国EDA工具软件的先进程度。

这在EDA企业的AI应用上同样重要，EDA的AI化、ML（机器学习）化，必然是以大量可标注的高质量数据和案例作为基础才可能实现，而现在中国的EDA产业处于才刚刚蓬勃兴起的阶段，这意味国内EDA公司要发展AI获得高质量的数据，必须与芯片设计厂商、晶圆厂商通力合作，这无疑是一个挑战。

当然，这并不意味着国内EDA公司毫无机会。李俊超表示：“对于这些老牌公司来说，现在做AI可能也不轻松，而国内的一些初创公司来说可能是机遇更大，大公司需要在它原有几万行几十万行的代码里面插入AI的算法，这个工作量其实也很大，但是对于一个新公司从头开始设计的时候，就把AI考虑在内的话，或许整个实现起来会更简单。”

同时，现阶段即便对领先的EDA公司而言，AI技术也不能作为EDA行业发展的万能解药。新思科技对品玩表示：“目前人工智能驱动的芯片设计还不具备完全自主决策的能力。芯片设计流程的复杂性要求每一个步骤都必须得到最佳结果，否则便会面临流片失败的巨大损失。因此，在这些流程中，需要有经验丰富的工程师掌控全局，来确保AI跑出的结果是合理有效的。”

因此，AI虽然开始在EDA领域扮演更加重要的角色，但EDA企业以及芯片设计公司在实际AI的应用过程中仍需不少专业技术人员来作为支撑，可以说想要在AI领域走得更远，企业本身的人才、技术底蕴仍是关键，这也决定了对国内的芯片公司来说，想要抓住AI加速的契机还得凭硬本事。

未来人才是最重要的“筹码”北清联合成立集成电路高精尖创新中心

2月19日，集成电路高精尖创新中心在京揭牌成立。该中心是继未来区块链与隐私计算高精尖创新中心之后，北京市教委批准成立的第二个新一期北京高校高精尖创新中心，将聚焦相关前沿技术研究，突破一批关键核心技术，打造集成电路高层次人才培养特区，加快推动创新链、产业链与人才链的有机衔接与融合，为国家培养一批集成电路高层次领军人才。

市教委介绍，集成电路高精尖创新中心由北京大学、清华大学联合牵头，协同有关高校、科研机构及企业等单位共同建设，是北京服务国家重大战略、深化科研体制机制改革、建设集成电路科技创新高地的重要举措。中心主任由中国科学院院士、东南大学校长黄如和中国工程院院士、华中科技大学校长尤政共同担任。北大、清华两校整合资源，创新科研组织模式，树立产业导向，厘清产业需求，面向北京集成电路产业的实际问题，支撑开展来自产业的科研攻关任务，赋能探索新技术路径，构建应用需求和原始创新的聚合反应平台，推动实现技术引领产业的高质量发展模式，服务北京国际科技创新中心建设。

按照新一期高精尖创新中心建设要求，该中心将凝聚清华、北大两校的精锐力量和资源，联合北京集成电路产业相关单位，建立跨校际、产学研贯通的新型创新载体；重点突破产研壁垒，发挥高校和产业的两个积极性，加速推动技术链的垂直整合和协同创新；引入产业代表，参与立项与评估环节，确保科研成果的产业化实现路径和实际产业价值；设立项目经理人机制，紧密衔接项目管理流程中的产业需求。

文章来源：品玩，雷峰网，芯东西，北京日报