本周观察:半导体设备企业正在探索AI与制造的融合。设备竞争的下一站,或将从硬件性能延伸至软件、数据与工艺服务。
过去,半导体产业的任务是制造更强大的AI芯片;如今,AI开始反过来参与芯片的设计、制造、检测和测试。从材料研发、工艺仿真,到设备运行、缺陷识别和良率管理,AI正在进入半导体制造的核心环节。
今年10月,NVIDIA联合应用材料、Cadence、KLA、泛林等企业推进“AI定义晶圆厂”(AI-defined fabs),试图将GPU加速计算、物理AI、数字孪生和智能体技术引入芯片设计与制造全流程。
这不是简单地增加一套AI系统,而是试图改变半导体制造的运行方式:让机器不只执行工程师设定的参数,还能分析生产数据、预测工艺变化、识别异常,并辅助优化制造流程。
当AI开始参与半导体制造,设备商卖给客户的,未来还只是设备吗?
AI进厂,不只是效率,还有制造逻辑的变化
一条晶圆生产线涉及薄膜沉积、光刻、刻蚀、清洗、离子注入、化学机械抛光、检测和量测等数百道工序。每道工序都涉及温度、压力、气体流量、材料特性、设备状态等大量参数。
这些参数彼此关联,一道工序的微小偏差可能在后续工序中被放大,最终影响晶圆良率。
过去,工程师主要依靠物理模型、工艺经验和反复实验寻找最优参数。随着先进制程、三维器件和先进封装不断增加工艺复杂度,传统方法面临越来越大的挑战:仿真计算耗时、工艺试错成本高、缺陷识别工作量大,跨设备的数据也难以充分打通。
AI的价值正在于此。通过机器学习、深度学习、物理AI和数字孪生,企业可以从海量历史数据和实时生产数据中识别规律,预测设备与工艺状态,减少重复试验,并为工程师提供更快的分析和决策依据。
但必须区分两个概念:自动化解决的是按照预设规则执行任务,AI则进一步尝试从数据中学习规律、预测变化并辅助优化。真正的智能制造,需要将两者与物理模型、工程知识和生产控制系统结合起来。
NVIDIA此次提出的AI定义晶圆厂,正是试图推动这一体系化转变。
在中国,这场变革也正在从不同层面展开。
中国设备商已经把AI用在生产线上
在设备制造和工厂运营、工艺控制、检测等环节,国内已经出现了具有实际应用价值的案例。
北方华创、中微公司从数字化基础设施入手。2025年,北方华创微电子装备入选国家卓越级智能工厂名单,建设涵盖数字化设计、柔性自动化生产、智能仓储物流及全流程质量追溯等15个智能场景。中微公司2025年年报披露,其在上海临港和南昌生产基地开发十套数字化管理系统,提升设备制造效率与质量。
华海清科正将智能算法嵌入CMP及晶圆减薄环节。公司2025年年报披露,其SPTC智能调控系统结合压力响应模型和历史数据回归分析推荐抛光参数;在超精密减薄工艺中,通过人工智能模型预测磨抛补偿参数,并利用机器学习和在线测量数据调整压力分布。智能算法由此开始参与设备工艺参数优化,而不再局限于生产数据的事后分析。
中科飞测将AI与设备软件结合。根据公司2026年半年度报告,其自主研发的良率管理系统综合运用统计分析和人工智能技术,实现缺陷分类、智能根因分析、虚拟量测及良率预测等功能。基于深度学习大模型的缺陷自动分类系统已应用于国内多家集成电路前道制造及先进封装客户。公司还通过光刻套刻分析反馈系统整合多种设备数据,辅助监控和优化光刻工艺偏差。
从上述案例可以看到,中国半导体制造的智能化正在沿着两条路径推进:一条是AI直接进入检测、量测和工艺控制环节,参与实际生产分析与优化;另一条是设备企业通过数字化制造和生产管理体系建设,为更大范围的智能化应用创造条件。
企业的探索也开始获得产业政策支持:
今年8月,北京经开区发布《“AI4Chip”人工智能赋能集成电路产业跨越式发展行动计划(2026—2028年)》,提出到2028年培育3—5家具有国际影响力的AI4Chip生态型领军企业,形成10个以上标杆应用。
11月,北京市集成电路重大项目办公室启动AI4Chip项目征集,推动相关技术从政策规划进入具体项目实施阶段。
未来卖的可能不只是设备
AI的引入,正在推动半导体设备企业从单一硬件销售向“设备+软件+服务”的综合解决方案延伸。设备商与晶圆厂之间的关系,将从一次性设备交付,转向覆盖工艺优化、设备维护和生产管理的长期合作。
从硬件性能向工艺解决方案延伸。以中科飞测为例,其将检测、量测设备与良率管理、缺陷自动分类及光刻套刻分析反馈系统结合,为客户提供从缺陷识别、根因分析到工艺反馈的综合能力。设备商不再仅仅提供检测结果,而是进一步参与客户的质量控制与工艺优化。
AI有望拓展设备全生命周期服务的价值。通过设备运行数据分析、故障预测和智能诊断,设备商可以从被动维修转向预防性维护与持续性能优化。华海清科2025年年报显示,随着CMP等核心设备保有量提升,关键耗材及维保服务需求持续释放。未来,AI有望进一步提高此类服务的效率,并拓展软件升级、远程诊断等增值空间。
软件、数据和工艺知识可能成为新的竞争壁垒。当智能算法深度嵌入客户生产流程,设备商积累的不再只是硬件技术,还有长期工艺经验和模型优化能力。这既可能增强客户黏性,也为软件授权、算法升级和持续技术服务等收入模式创造条件。
不过,晶圆厂对核心工艺数据的保密要求、设备间的数据兼容性,以及AI模型跨产线应用的可靠性,都是现实制约。
归根结底,AI能否重塑设备商的商业模式,取决于它能否转化为客户愿意持续付费的价值:更高的良率、更少的停机时间、更短的工艺验证周期,以及更低的制造成本。
未来,不仅是谁能造出性能更好的设备,还在于谁能在设备交付之后,持续帮助客户把生产线运行得更好。
从设备国产化到制造智能化
AI会不会重新定义国产设备商的竞争门槛?
工艺能力、精度、稳定性、可靠性和客户验证仍然是最基本的门槛。
AI不能弥补硬件本身的技术缺陷,也不能替代设备在先进工艺中的长期验证。
但随着设备逐渐具备更强的数据采集、分析和优化能力,设备之间的差异可能进一步体现在软件生态和工艺协同能力上。
一方面,AI可以帮助企业加速设备研发,减少部分仿真和试错成本,提高工艺开发效率;
另一方面,AI系统需要长期积累的真实数据、工程经验和客户场景,不能依靠短期采购算力或部署大模型快速获得。
设备商必须回答的实际问题:AI究竟帮助客户改善了多少工艺指标?是否减少了设备停机时间?是否缩短了工艺验证周期?是否降低了单位晶圆制造成本?
这些才是AI赋能能否形成商业价值的真正检验。
对晶圆厂而言,采购设备的标准也将随之变化:除了硬件性能,还要考虑设备能否接入生产数据体系、是否具备智能分析能力、能否与其他设备协同,以及供应商能否持续提供工艺优化服务。
过去,国产设备竞争的核心是能不能进入产线;未来,竞争的核心可能进一步变成进入产线之后,能不能持续帮助客户提高效率、改善良率、降低成本。
当设备开始理解工艺,当数据开始参与决策,当软件成为设备价值的一部分,半导体制造的竞争逻辑将发生改变。
68
