新书推荐-《AI辅助芯片制造：算法与工程化落地》

1 AI之于芯片的疑问

AI与芯片，正在从两个世界走向交叉。

作为芯片公司的一线工作人员，这是我的直接感受。如何去接受并适应这种改变，就成了横在我们面前的巨大难题。

过去几年，AI和芯片几乎成为科技产业最热门的两个关键词。

一方面，大模型推动了GPU、NPU、DPU等算力芯片快速发展；另一方面，先进制程、存储芯片、Chiplet等技术也在不断突破。我们经常讨论"用芯片支撑AI"，但另外一件事情同样正在发生：AI也在反过来改变芯片产业本身。

芯片制造是一个极其复杂的工业过程。从晶圆制造、光刻、刻蚀、薄膜沉积，到量测、检测、良率分析和设备运维，每一个环节都会产生大量数据。过去，这些数据更多依赖工程师经验进行分析，而今天，机器学习、深度学习以及各种AI技术开始有机会介入其中。

例如，晶圆上的缺陷能不能通过AI自动识别？不同工艺参数与最终良率之间到底有什么关系？设备产生的大量传感器数据能不能提前发现异常？光刻、刻蚀等复杂工艺能不能利用AI建立更高效的模型？

这些问题，都不是简单地把一个大模型接进生产线就能解决的。

真正困难的地方在于：AI算法必须理解半导体制造，芯片工程师也必须理解AI。最难的不是算法，而是懂场景。

从编辑那边拿到一本个人觉得不错的一本书--AI辅助芯片制造：算法与工程化落地》，由贾若然、刘忠明、杨益、黄雪峰、孙侠共同编著，机械工业出版社出版。

这本书解答了我对场景的疑问。

AI领域并不缺算法。CNN、Transformer、回归分析、聚类、异常检测等技术已经相当成熟。但对于芯片制造而言，真正困难的问题往往不是"有没有算法"，而是：

什么问题值得用AI解决？数据从哪里来？数据是否可靠？如何建立模型？模型结果如何解释？最后又怎样真正进入工程流程？

例如，书中介绍了基于WaferMap的良率检测和FDC异常检测。这些内容背后对应的并不是一个简单的AI算法，而是一整套从数据采集、数据处理、特征分析、模型建立到结果应用的工程流程。

再比如光刻和刻蚀工艺。对于不了解半导体制造的人来说，这些可能只是一些专业名词；但对于真正做过工艺的人来说，每一个参数背后都对应着复杂的物理过程和工程约束。

因此，"AI+芯片制造"真正需要的，并不是单纯懂AI的人，也不是只懂工艺的人，而是能够站在两者交叉点上的复合型人才。

从"AI概念"走向"工程落地"，这是我认为这本书值得推荐的重要原因。

现在谈AI，很容易陷入一个误区：看到一个问题，就先问"能不能用大模型解决"。

但在工业领域，答案往往没有这么简单。

芯片制造的数据具有很强的专业属性，而且往往是多源、异构、时序、强约束的数据。一个模型在实验环境中取得不错的准确率，并不意味着它就可以直接部署到生产线上。

真正的工程落地，需要考虑数据质量、模型稳定性、推理效率、误报和漏报、模型解释性，以及最终如何与原有的制造流程结合。

所以，这本书的副标题"算法与工程化落地"，我认为起得非常准确。

它不是单纯介绍AI算法，而是试图回答一个更加现实的问题：

当AI面对真实的半导体产业问题时，到底应该怎么做？

从这个角度看，它更像是在AI算法与半导体工程之间搭了一座桥。

芯片产业需要更多的AI和芯片的交叉人才。过去，一个优秀的工艺工程师可能需要多年经验，才能从大量数据中发现某些规律。未来，AI可能成为工程师的重要辅助工具，把过去隐藏在海量数据中的规律更快地挖掘出来。

但这并不意味着AI会取代工程师。

恰恰相反，我更愿意把它理解为一种新的工程能力：

让工程师拥有更强的数据分析能力，让经验能够被数字化，让过去依赖个人经验完成的部分工作逐渐变成可计算、可验证、可复用的知识。

这可能才是AI进入半导体制造之后真正有价值的地方。

过去几十年，半导体制造的进步，很大程度上依赖工艺、设备和材料的持续演进。

而今天，我们可能正在进入一个新的阶段：让数据和AI成为芯片制造能力的一部分。

从晶圆数据分析，到缺陷检测；从良率预测，到设备异常检测；从光刻仿真，到刻蚀工艺优化，AI正在逐渐从"一个热门技术名词"，变成半导体工程师手中的一种新工具。

但这条路才刚刚开始。

真正有价值的，并不是简单地喊一句"AI赋能芯片制造"，而是能够把算法、数据、工艺和工程真正连接起来。

这也是我推荐《AI辅助芯片制造：算法与工程化落地》的原因。