AI 时代半导体产业链：打通数据协同，重塑先进制造格局

先进封装与芯粒重塑上下游合作关系

在 APCSM 峰会多位演讲嘉宾指出，伴随先进封装、芯粒技术全面普及，外包封测厂商、芯粒供应商与晶圆代工企业的合作边界持续融合，绑定程度不断加深；而


AI


驱动的数据互通体系，还会进一步放大产业链深度协同的发展趋势。

普迪飞（PDF Solu


ti


ons）首席执行官John. Kibarian分享了

全价值链实时数据共享面临的现实挑战

。他提到，供应链复杂度持续攀升，具备长期竞争力的企业，都在重新搭建全新协同合作模式。

依托对SecureWise的收购布局，叠加


产品方案


在全球


集成电路


制造领域的广泛落地，普迪飞能够直观观察整个行业的迭代变革速度。

“过去大型企业的协同模式，多为危机发生后被动应对：依靠人工对接、线性流转少量数据，人是整条协作链路的核心。”

行业协作模式的分水岭出现在7nm工艺节点

。制程工序大幅增加，倒逼晶圆厂与设备厂商紧密联动，双向传输的数据量迎来爆发式增长。如今，这一变化正在先进封装制程中同步上演。最直观的产业变化是，头部晶圆代工企业逐步收回部分原本由外包封测厂商承接的晶圆中测业务。

“当前先进封装技术飞速发展，彻底拉近了晶圆厂与外包封测服务商的合作距离，双方形成密不可分的合作共同体。”

John. Kibarian表示。

芯粒技术则是推动产业链变革的另一核心驱动力。传统完整系统级芯片研发周期最长可达两年，越来越多企业选择芯粒集成方案，既能

提升生产良率

，也能

有效缩短新品上市周期

。

协同痛点

数据共享与内部治理存在多重阻碍

John. Kibarian将行业协作划分为两大维度：

供应链跨企业



外部



协同、企业



内部



跨部门协同

。

内部协同的核心难点，在于搭建适配财务、管理层使用的受限数据集。

如何把复杂的产线运行数据，简化为各职能部门易懂的数据视图？

物料清单综合成本如何核算？

单片晶圆在各台设备的驻留时长如何统计？

整套流程包含数千道工序，企业资源计划系统怎样精准测算生产成本？

制造业普遍存在海量生产数据利用率偏低的问题。

John. Kibarian测算，数据科学家近八成工作时间消耗在数据对齐、预处理环节；同时行业仅5%至10%的生产数据会进入分析流程，且分析手段仍以传统方式为主。

他提出行业解决思路：将



AI部署在数据生成端



，充分盘活全部生产数据，输出可落地的优化方案与业务决策。

全球供应链格局分化也带来新难题。各国出台本土供应链扶持政策，迫使企业拆分多条独立供应链适配不同区域市场，数据安全更是协作过程中不可动摇的底线要求。即便存在多重约束，企业仍可依托现有全球数据交换基础设施打通全链条数据，实现全域海量数据集联合分析。

产业链长期发展目标，是搭建多方协同调度体系，依靠


机器学习


等自动化工具完成全流程数据分析

。

数字孪生

依靠


仿真




模拟


降低芯片研发成本

应用材料自动化产品事业部产品经理S.J. Wang，分享了

设备与产线健康监测场景下数字孪生的落地实践。

一套完整可用的数字孪生体系包含三大核心构成：

映射输入与输出关联逻辑的仿真模型、实体生产设备与产品的数字化镜像载体、面向工艺优化需求的预测分析能力

。成熟的数字孪生体系可实现

辅助生产决策

、

预判最优制造工艺

、

压缩研发成本

三重价值。传统芯片原型试制周期约三个月，依托设备物理模型搭建的数字孪生可直接完成全流程工艺仿真。

“我们能够在器件微观尺寸层面完成工艺模拟，完整复刻制程从初始到完工的全部物理变化；同时可完成设备


机械


结构仿真，精准测算整机能耗。”

S.J. WANG 介绍道。

数字孪生落地预测式运维解决方案（素材来源：S.J. Wang APCSM大会演讲）

AI落地路径

以机器学习试点推进产线异常检测

普迪飞新产品创新副总裁Alan Weber，详解

搭建AI异常检测工具过程中的各类落地难点

。 “将原始生产数据搭建为完整机器学习工作流，需要投入大量人力成本。制造数据具备高维度、多采集频次、高噪声等特性，数据来源于各类异构设备，采样间隔、传输延迟各不相同，涵盖扭矩、振动、位置、流量、温度、压力、光谱分布等多类监测指标。”

“数据治理包含数据对齐、清洗、归一化、特征提取等全流程工作，从业者需同时掌握设备工艺、


信号


处理与软件开发相关专业能力。数据预处理阶段还要通过插值运算、降噪滤波、数据变换等手段，生成具备分析价值的数据特征。”

Alan Weber 表示。

挑选适配产线的机器学习模型 “离不开 AI 专业知识与大量试验验证”；模型选定后，还需完成产线部署、持续监控模型偏移、定期迭代优化。

整套落地流程 “需要数据科学家、IT 团队、自动化


工程师


跨团队深度协同配合。”这套方案十分适配高稼动率产线，

可高效实现预测性维护、故障前置预警两大核心价值

。

AlanWeber建议：

企业挖掘制造AI价值的最优方式，是锁定清晰落地场景，先行开展小型机器学习试点项目。

统一标准

MCP协议破解行业数据孤岛难题

美国洛斯阿拉莫斯AI工具厂商Ergo


Te


ch总裁Jim Re


dma


n表示，

未能落地AI数字化方案的制造企业，未来将难以立足市场。

厂商推出的AI工具可大幅降低代码开发工作量，故障检测定位搭配AI分析，能够补充故障诱因、佐证信息与处置方案，自动分级梳理故障根因，缩短故障研判时长，提升流程标准化与可审计性。

为解决信息孤岛、老旧系统制约AI应用的行业痛点，Jim Redman大力倡导全行业采用Anthro


pi


c发布的MCP模型上下文协议。

MCP如同电子行业的


USB


-C通用接口，为AI应用对接各类数据源、业务流程提供统一标准化双向交互通道，兼顾数据传输安全。

作为开源协议，MCP 能够赋能全行业协同创新，开发方可基于协议定制适配自身业务场景的专属落地方案。

精彩回顾

最新动态

普迪飞：以数据与 AI 重构


半导体制造


新范式

财报：2026Q1总收入达到 6010万美元，同比增长26%；

序启新章 | 普迪飞半导体制造数据分析与


人工智能


应用大会

技术趋势

半导体


智能制造-AI

7nm FINFET系列专题

2025用户大会回顾

爱德万&泰瑞达


英特尔




高通


ASMLGlobalFoundries


西门子




安森美


慧荣科技Multibeam德勤

普迪飞产品详情

Exensio

CV系统

Cimetrix

secureWISE

Sapience

关于

普迪飞

普迪飞半导体技术（上海）有限公司（PDF Solutions, Inc.，纳斯达克股票代码：PDFS）成立于1991年，是

全球半导体与电子行业领先的数据、分析与关键任务分析平台供应商

。依托全球化布局，构建了广泛的服务网络，拥有超过800名专业人员，为全球370余家 IDM、Foundry、Fabless及OSAT客户提供技术服务。普迪飞

以创新技术为核心战略

，与

行业领先企业紧密合作

，业务覆盖从工艺参数分析、晶圆测试到制造数据解析等关键环节，

助力客户在产品良率、质量与运营效率上实现持续提升

。

作为半导体数字化转型领军者，普迪飞凭数据整合与 AI 技术，助力客户突破良率瓶颈、打破数据孤岛，提升产品质量、运营效率及关键绩效指标（KPI）。