AI/ML在半导体行业具有巨大的代价创造潜力。
半导体公司如何大规模支配AI并获取这种代价?

从全体行业来看，制造环节将从AI/ML中得到最大的代价。
最大相对开支减少将发生在研究和设计方面，紧张是由于芯片设计和验证的自动化。
其他领域，包括操持、采购、发卖和定价，都将受益于AI/ML用例。
常日，这些用例并不特定于半导体行业。

半导体公司转型并进行大规模支配，须要关注六个推动成分，包括计策路线、数据、技能、人才、敏捷交付、集成等。

半导体行业正处于一个迁移转变点，那些不将大量资源投入AI / ML计策的公司可能会后进。
只管半导体公司可能会采取不同的方法，详细取决于业务模型，在AI / ML方面的履历以及计策重点，但目标是相同的：将生产力和创新提升到新的水平。

宣布 | 机器之能

从研究、设计莅临盆发卖，人工智能/机器学习(AI/ML)有潜力为半导体公司在每一个步骤产生巨大的商业代价。
但是，麦肯锡最近对半导体设备制造商的调查显示，只有大约30%的受访者表示，他们已经通过AI/ML创造了代价。
值得把稳的是，这些公司在AI/ML人才、数据根本举动步伐、技能和其他促进成分方面进行了大量投资，并且已经完备扩大了它们的初始用例。
其他的受访者(约70%)仍处于AI/ML的试点阶段，进展已经结束。

麦肯锡相信，AI/ML在半导体行业的运用将在未来几年内急剧加速。
现在采纳方法扩大规模将使公司充分利用这些技能的好处。

须要解释的，本文所说的设备制造商，紧张包括集成设备制造商(IDMs)、无厂半导体公司（fabless）、代工厂和半导体组装和测试做事商（SATS）。

由于对成本的高哀求，半导体公司处于赢者通吃或赢者通吃的环境中。
因此，他们一贯试图缩短产品生命周期，积极追求创新，以更快地推出产品，保持竞争力。
但赌注也越来越高。
随着每一个新技能节点的涌现，用度都会上升，由于随着构造变小，研究和设计投资以及生产设备的成本支出都会大幅增加。

例如，65纳米芯片的研究和设计本钱大约2800万美元，如今前沿5纳米节点的研发设计本钱已经暴增到大约5.4亿美元(表1)。
与此同时，相同节点的fab培植本钱已经从4亿美元增加到54亿美元。

表1：芯片设计以及工厂培植本钱，随着芯片日益繁芜而水涨船高。

随着公司试图提高研究、芯片设计和制造的生产率，同时加快上市韶光，AI/ML正成为全体代价链上越来越主要的工具。
麦肯锡研究表明，现在，AI/ML每年为半导体公司贡献50亿至80亿美元的息税前利润(表2)。
数字令人印象深刻，但仅反响出AI/ML在行业内全部潜力的10%旁边。

未来两到三年内，AI/ML每年可能产生350亿到400亿美元的代价。
在更长的韶光范围内——未来四年或更永劫光内——这一数字可能会上升到每年850亿至950亿美元。
这一数字相称于该行业当前5000亿美元年收入的20%，险些相称于2019年1100亿美元的成本支出。

虽然这种代价很大一部分将不可避免地通报给客户，但获取这种代价的竞争上风，尤其是对早期的先行者来说，将是不可能被忽略的。

表2：长远来看，人工智能可以为半导体公司带来850亿到950亿美元的收益。

AI/ML的落地案例横跨了半导体设备制造商的全体代价链(表3)。
有些案例还会勾连多个代价链条环节，比如，需求预测和库存优化领域的案例，会与制造、采购、发卖和运营操持产生关联。

表3：全面案例热图。

从全体行业来看，制造环节将从AI/ML中得到最大的代价(表4，长期来看，降本达38%)。
鉴于半导系统编制造涉及的成本支出、运营支出和材料本钱，这一结论并不奇怪。
最大相对开支减少将发生在研究和设计方面（降本28%-32%），紧张是由于芯片设计和验证的自动化。

表4：制造业将从AI/ML中得到最大的代价。
最大的相对开支减少将发生在研究和设计领域。

1、制造中的AI/ML用例

作为一个大型制造企业，人力和生产等制造本钱一贯居高不下。
生产制造也是半导体行业最大的本钱驱出发分，而AI/ML用例将带来最大的代价——约占总代价的40%。
它们可以降落本钱，提高产量，或者增加工厂的生产能力。
从长远来看，麦肯锡估计他们将降落生产本钱(包括发卖本钱和折旧)高达17%。
以下是几个例子。

调度工具参数。
定义工艺配方时，半导体公司常日会指定一个恒定的韶光范围。
但是，对某些个别晶圆来说，设定的韶光范围会涌现系统性或者统计意义上的颠簸，因此，工艺过程会在已经产生所需结果（例如特定的蚀刻深度）之后，连续运行，进而增加韶光，摧残浪费蹂躏乃至破坏芯片。

为了实现更高的精度，半导体公司可以利用现场工具传感器数据、计量读数和先前工艺步骤中的工具传感器读数，从而许可机器学习模型捕捉工艺韶光和结果之间的非线性关系，如蚀刻深度。
网络的数据可能包括蚀刻过程中的电流、光刻过程中的光强和烘烤过程中的温度。
有了这些模型，可以在每个晶片或每个批次的根本上实现最佳工艺韶光，以缩短处理韶光，提高产量，或两者兼得，从而降落发卖本钱(COGS)和提高吞吐量。

晶圆片外不雅观检讨。
芯片是非常精密的产品，在生产过程中质量检测压力巨大，每一道工序的质检都相称主要。
传统生产紧张通过在前端和后端生产过程的早期检测毛病来帮助确保质量。
例如，利用摄像头、显微镜或扫描电子显微镜。
但是，传统系统无法对这些图像毛病进行风雅的分类与定位，仍旧须要人工***每张图片剖断种类及其潜在影响，以及后续工艺如何处理。
不仅随意马虎涌现缺点和积压，也将生产本钱不断推高。

前辈的打算机视觉深度学习技能使当代晶圆检测系统成为可能，通过演习，系统可以自动检测和分类晶圆上的毛病，其准确性与人类检讨员相称，乃至更好。
专门的硬件(如张量处理单元)和云做事使打算机视觉算法的自动化培训成为可能。
这反过来又许可更快的操作、实时推断和可伸缩的支配。

通过这种方法，公司可以得到对潜在工艺或工具偏差的早期洞察，许可他们更早地创造问题并提高产量，同时降落本钱。

比如，在华星光电，导入AI判片（不过，这里是面板生产），一全体面板的电影识别速率已经做到15毫秒旁边，而人工大概须要五分钟。
同时，毛病识别准确率已超过90%，超过人类。
最开始职员替代只有二三十人，团队用了两年韶光提升系统，现在替代数量达到140人，未来总体可以替代50%人力。

2、研究和芯片设计中的AI/ML用例

AI/ML用例可以帮助半导体公司优化他们的投资组合，并在研究和芯片设计阶段提高效率。
通过肃清毛病和超差的过程步骤，公司可以避免耗时的迭代，加速成品率的上升，并降落坚持成品率所需的本钱。
它们还可以自动处理与物理布局设计和验证过程干系的耗时过程。

只管我们还没有达到AI/ML加速可以运用到设计和芯片设计所有阶段的地步，但是，也没有反例证明它不能随着韶光的推移进一步渗透。
麦肯锡预测，AI/ML终极可能会将目前的研发本钱根本降落28%至32%，乃至高于制造业的预期收益。

集成电路设计中的自动良率学习。
如果在集成电路（IC）设计过程中涌现失落误，半导体公司必须根据制造商的反馈进行多次昂贵且繁芜的迭代。

半导体公司可以通过支配ML算法来识别组件故障中的模式，预测新设计中可能涌现的故障并提出最佳布局以提高良率来避免此问题。
在此过程中，借助基于AI的剖析，将IC设计分解为关键组件。
然后，算法将这些组件构造与现有设计进行比较，以识别单个微芯片布局内的问题位置并改进设计。
因此，AI和ML赞助设计可以大大降落COGS，提高终端产量，并缩短新产品的上市韶光。
它还可以减少坚持终极产量所需的精力。

例如，有的公司通过引入预测及认知技能，由过去依赖设计师和工程师的个人履历，转移到利用AI提高设计效率，降落验证本钱。
通过输入历史数据和干系参数，系统会自动得到设计结果，并在仿照器上预测设计效果，在人类工程师合营下快速改动设计。
而且，人工智能通过学习，还能给设计者带来一些新的想法和创造力。
这也是目前一个比较好的AI/ML落地方向。

其他领域。
所有其他功能，包括操持、采购、发卖和定价，都将受益于AI/ML用例。
常日，这些用例并不特定于半导体行业，而是部分地建立在其他行业中，因此许可更快地实现。
总的来说，将AI/ML用例运用到其他功能上可以产生高达200亿美元的年代价。

半导体公司进行AI / ML转换并大规模支配用例，麦肯锡建议关注六个推动成分：计策路线图的制订，人才计策，敏捷交付，技能，数据以及采取和扩展（表5）。

表5：六个赋能成分对付AI规模化履行来说，非常关键。
他们分别是：路线图、人才与组织、技能、数据、采纳与扩展以及敏捷交付。

1、创建计策路线图

最主要的是，扩展AI/ML的努力必须成为公司的计策优先事变。
最初的事情涉及折衷数据，在优先利用案例上达成共识，并鼓励得当的业务，数据科学和工程技能人才之间的协作，这些事情太大了，因此无法作为一个自下而上的项目得到成功。

空想情形下，最好将AI/ML事情与明确的业务目标联系在一起，使业务部门和业务职能部门共同致力于成功实现转型。

例如，公司可以为预测性掩护案例项目确定要节省的本钱，并适当供应资源。
节省下的本钱将有助于资助案例并供应适当资源，使其能够实现其业务目标。
这样的收成将极大勉励职能部门支持AI / ML的履行。
设定明确的业务目标还可以帮助公司衡量每个案例项目随着韶光变革带来的收益。

根据定义的目标，公司应确定特定的业务领域和代价杠杆，这将是他们的重点。
然后，他们可以选择干系案例，以许可他们利用这些杠杆。

在确定用例优先级时，公司应强调其总代价，可行性和实现代价的韶光。
随着履历和能力的增长，他们可以承担其他案例，这些案例每每更难实现，或者须要更永劫光才能实现。
在确定潜在案例代价时，公司应研究常常被忽略的杠杆，例如与缩短上市韶光和提高质量干系的竞争上风。
这样的细节将使他们能够准确地确定操持的大小和优先级。

在确定了优先事变之后，半导体公司必须为其AI/ML操持分配足够的资源，并研究与具备互补技能的第三方的支持性互助关系，而不是试图自己重新发明轮子。
一些更大的公司可能有能力在内部开拓大多数功能，以及从他们弘大的工具群中得到足够的数据来演习AI/ML模型，使他们能够完备掌握所有干系的知识产权。

考虑到所需的资源，较小的参与者可能会创造，在可用的地方利用商业上可用的办理方案，或与他人互助开拓或共享算法，或创建联合数据共享平台，以增加培训模型可用的信息量，都是有益的。
潜在互助伙伴的例子包括其他半导体设备制造商、电子设计自动化公司、超大规模云供应商或设备OEM。

2、人才计策

大多数成功实现AI/ML的公司都创建了一个集中的组织，如卓越中央(COE)专注于此类活动。
该组织为所需的新人才供应了清晰的家园，并卖力定义通用标准并建立最佳实践和知识的中心存储库。
一些领先的半导体公司已经对AI / ML COE进行了大量投资，个中包括数百名工程师。

在为中心团队雇用技能职员时，半导体公司应仔细权衡角色组成，以确保其具有从试点到全面扩展用例的精确能力。
例如，试行AI / ML用例须要数据科学家和数据工程师，但是须要ML工程师，根本架构设计师或全栈开拓职员来推动扩展。
常日，半导体公司没有拥有这些资质的员工，必须从外部招聘他们。

集中式AI / ML功能无法与将支配用例的业务和功能隔离开来。
为了建立联系，具有业务/运营领域专长的职员，如研发设计师、流程工程师和设备工程师，该当包括在AI/ML功能中。
这些团队成员在识别AI/ML用例中扮演关键角色，并在组织内充当AI/ML办理方案的大使。

同样，成功的公司将确保本地站点(无论是工厂还是职能部门)为他们的AI/ML团队增加数据科学专业知识。
受训成为「数据公民」的员工可以与AI/ML COE的专家角色共同事情，以领导用例选择并支持跨功能团队中的实现。

3、敏捷交付

为了避免AI/ML案例由于利用或规模有限而陷入「观点验证」的螺旋陷阱，团队该当专注实现业务代价，并着重于迭代改进。

敏捷方法是软件开拓的核心，它可以帮助半导体公司实现这一目标。
只管AI/ML开拓涉及到大量创造和探索，半导体公司也该当从利用者那里得到持续反馈。
许多敏捷团队都通过利用「垂直分片」方法得到了成功，该方法包括在第一个或第二个sprint中创建一个端到端剖析管道，包括数据接管、建模、建议开拓和支配到用户(常日是企业所有者或在工厂事情的工程师)。
这种垂直分割的方法可能与许多既定的做法相反，由于半导体公司常日只有在完备确定这种转变将带来完美结果的情形下，才会在制造工程方面做出改变。

从运营的角度来看，敏捷团队是有益的，由于他们减少了对团队外部职员的依赖。
常日，很难避免这种依赖关系，由于数据所有者、AI/ML专家和IT根本举动步伐之间常日存在组织划分。
但是，敏捷AI/ML团队是跨界的，并且包含了用例所需的所有专业知识，纵然一些成员只包含在有限数量的sprint中。
敏捷团队还可以利用自助做事资源，比如访问数据和根本举动步伐。

向敏捷AI/ML交付的转变该当尽快发生，如果高层领导给予支持，公司试图改变思维办法和流程，那么，这种转变将更有可能得到牵引。

4、技能

在晶厂内部，成功的公司会建立一个连接层，用于实时访问干系数据源，包括生产和丈量工具、赞助设备、举动步伐等。
工具OEM可以帮助确保这种连接性，这对付制造用例是特殊主要的。

半导体公司也须要一个通用的数据集成层。
在开拓环境中支配剖析引擎和用例之前，这一层首先结合数据。
为了得到最好的结果，半导体公司必须找到方法，将来自不同工具供应商的数据和用例结合起来，以限定繁芜性，并防止多个物联网堆在平行的竖井中。

成功的公司将利用edge和云打算来支持他们的AI/ML用例。
由于一些工具会天生大量数据，因此实时运用程序常日须要边缘打算能力(在工具内或靠近工具的地方支配AI/ML用例)。
云办理方案供应了规模经济，并使不同工厂之间的链接成为可能，增加了用例的培训数据池。
(半导体公司历来都对数据安全持谨慎态度，因此它们可能会限定将敏感数据支配到本地办理方案中。
)

5、数据

半导体公司在每个晶圆厂都有几百种工具，个中一些会产生数兆兆字节的数据，要检讨每一条信息是不可能的。
为了确保最大的有效性和效率，参与者必须对可能支持多个用例的数据进行优先级排序，由于这将比单个操持有更大的影响。

纵然玩家限定所剖析的信息数量，他们的AI/ML操持仍旧须要大量的韶光和资源，例如AI/ML团队中有足足数目标数据工程师。
须要严格的数据管理策略，以确保现有数据和新天生的数据立即可用，始终保持高质量和值得相信。
成功的公司常日有一个专门的数据管理团队，以确保数据同等性以及新数据和现有数据的质量。

6、采取和扩展

从设计阶段开始，半导体公司应严格关注优先利用案例的可扩展性。
必须尽早包括来自多个站点或工厂的专家，以确保往后可以在各个位置支配用例。

一些半导体公司正在晶圆厂领域内设立焦点小组，以操持扩大规模。
对付特定领域，他们选择一个晶圆厂作为紧张站点，然后确定用例，从其他晶圆厂网络需求，创建履行操持，并确保知识转移。
如前所述，半导体公司将须要在全面扩展后根据其用例的代价来优先考虑支配用例。

其次，半导体公司在开拓和扩展用例时应确保全体组织遵照标准和最有名的方法（BKM）。
在全体组织中规范和逼迫利用BKMs可以确保办理方案的持续和改进，许可机器学习在站点间得到最大的规模。
常日，中心AI/ML团队卖力监督这项关键任务。

末了，半导体公司必须将用例无缝集成到终极用户的数字化事情流程中，以确保采取。
许多公司都忽略了这一步骤，但是这种轻忽会带来严重的后果。
在我们的调查中，近一半的半导体设备制造商表示，缺少集成是扩展AI / ML用例的第二大问题。
如果组织在AI/ML功能和业务端之间形成紧密的联系，那么，在最初设计用例时就会更随意马虎从用户的角度考虑问题。

参考链接：

https://www.mckinsey.com/industries/semiconductors/our-insights/scaling-ai-in-the-sector-that-enables-it-lessons-for-semiconductor-device-makers?cid=other-eml-alt-mip-mck&hdpid=7b1e528b-c7dc-45a7-843e-cc7a86c82c5b&hctky=12582690&hlkid=aed6941cb178401180472aae8e2692a1