人工智能已融入半导体制造领域，为检测工具、统计过程控制和良率分析提供支撑。而如今，AI的角色正从技术辅助升级为先进晶圆厂的核心基础设施。随着芯片架构日趋复杂、工艺窗口持续收窄，英特尔代工业务正推动AI从孤立分析走向 “规模化应用智能”，将其深度嵌入芯片制造全流程，成为降本提效、提升良率的关键抓手。
英特尔代工数据分析与AI高级总监拉奥·德西内尼日前在接受媒体采访时表示，AI已渗透到英特尔芯片制造的每个环节，缺陷检测、生产调度、良率问题根因分析、异常检测等场景均实现AI驱动。其背后是一支约300人的专业团队，由数据科学家、软件工程师和数据工程师组成，负责管理数PB级的制造数据，并为全球工厂网络搭建AI解决方案，而英特尔IDM的基因，让其AI布局能覆盖从技术研发、大规模制造到先进封装、最终测试的全产业链，实现端到端的视野覆盖，这也是纯代工企业难以企及的优势。
预测性裸片筛选，从源头规避封装损失
在英特尔众多AI应用中，预测性芯片裸片筛选是最成熟且经济价值最高的落地场景，其核心遵循 “N-1/N+1” 理念：利用上游生产数据信号，在高成本的封装环节前预测下游可能出现的失效问题，从源头规避损失。
现代芯片制造中，晶圆虽能通过电气测试，却可能存在 “隐性缺陷裸片”，这类裸片在后续应力环境下极易失效，而先进多芯片封装技术的普及让风险进一步放大 —— 一个裸片失效，整包芯片都会被报废，造成严重的 “连带损失”。
英特尔的AI模型会整合上游工艺数据、晶圆分选结果和历史生产行为，在裸片进入封装环节前标记可疑产品，其核心挑战并非单纯提升预测精度，而是实现经济层面的约束优化，在提升产品质量和避免不必要的芯片报废之间找到最佳平衡点。这一技术并非全新概念，但随着数据量增长和芯片架构复杂化，其规模化落地和全流程集成能力实现了质的突破。
多策略破解芯片制造AI落地痛点
不过，半导体制造的AI落地面临着天然的数据难题。德西内尼指出，芯片制造会产生极度不平衡的数据集，一颗现代芯片包含数十亿晶体管，但决定良率的失效案例占比不足0.1%，可供模型训练的故障样本极度稀缺；同时，为节省生产周期，工厂通常仅抽检每批 25 片晶圆中的1-3 片，导致大量数据缺失；再加上制造数据融合了图像、时间序列信号、晶圆空间图谱、设备遥测数据等多种类型，面向消费或金融领域的通用 AI 工具难以直接适配。
为解决这些问题，英特尔采取了多重应对策略：针对新工艺节点的冷启动问题，利用条件生成对抗网络等技术生成合成数据，让工程师在大规模标注真实数据前即可开展模型训练，并随真实生产数据积累持续优化模型；针对计算机视觉这一高价值应用场景，持续升级自动化缺陷分类模型，该技术虽已在英特尔落地近20年，但如今每周能自动分类数百万张检测工具捕获的缺陷图像，成为制造洞察的重要数据来源。
如何实现代工厂AI规模化落地？
在英特尔看来，工厂AI的核心竞争力并非模型的复杂程度，而是运营成熟度，真正的规模化落地必须突破概念验证阶段，满足三大标准：基于包含极端案例的大规模数据集训练、深度集成至工厂自动化系统、能对实时生产数据进行推理分析，且成功方案需在同工艺节点的多个工厂实现复用。这也带来了模型生命周期管理的挑战，当工艺配方调整、新缺陷模式出现或设备运行状态漂移时，AI 模型的性能会随之衰减，需要持续迭代优化。
值得注意的是，英特尔始终强调领域专业知识的核心作用，即便模型架构不断升级，优质的成像数据、精准的标签标注、与工程流程的深度融合，以及嵌入模型设计的工艺知识，仍是 AI 发挥作用的关键，脱离制造场景的纯技术模型毫无价值。同时，半导体制造对缺陷零容忍的行业特性，让英特尔始终坚持人机协同的混合模式：AI仅作为决策支持工具，而非全自主控制器，所有AI推荐的决策都需人工介入审核，这一模式既契合技术现实，也满足企业的信任要求。
对于AI落地的投资回报，英特尔的评估维度多元，包括减少人工工作量、加快问题根因发现、提升芯片良率、加速技术迭代等，而易用性被放在与模型性能同等重要的位置。德西内尼坦言，工厂一线用户并不关注 AI 模型本身，便捷的操作体验才是技术落地的关键。
如今，随着芯片工艺节点持续进阶、先进封装方案日趋复杂，英特尔的务实AI策略仍在深化。在半导体制造领域，AI 的规模化落地仍处于发展阶段，但其定位已十分清晰：并非替代工程师，而是作为赋能工具，减少生产中的无效信息干扰，让工厂能更早发现潜在问题，为先进制造的稳定性和效率保驾护航。
