SEMI举办AI半导体制造工作坊：多Agent工作流与因果AI进入晶圆厂议题

8月5日至6日，SEMI 在其位于美国加州米尔皮塔斯（Milpitas）的总部举办了一场为期两天的现场工作坊，主题为「AI Techniques in Semiconductor Manufacturing」。活动由 SEMI 主办，属于 SEMI 持续推进的「将先进 AI 整合进半导体产业版图」系列活动之一，面向晶圆制造一线的工程与管理人群，聚焦 AI 技术如何真正落到良率、工艺与工厂运营当中。

从 SEMI 公布的议程看，这场工作坊覆盖的并非单一工具，而是把半导体制造里已经用了多年的数据方法，和较新的 AI 范式放在同一张桌子上讨论。传统一侧包括良率管理系统（YMS）、故障检测与分类（FDC）、Run-to-Run（R2R）控制、实验设计（DOE）和统计过程控制（SPC）；新增的一侧则是因果 AI（Causal AI）、多 Agent 工作流（multi-Agent workflows）、边缘驱动的缺陷检测与分类，以及数字孪生的数据互操作。开幕日首场演讲由 Surya Kalidindi 带来「面向半导体制造技术优化的多尺度涌现 AI/ML 工具」，明确把 YMS、FDC 与工艺 DOE 作为三个落地用例，演示如何用具备 fab 领域知识的 agentic 方法，替代只能针对单一步骤建模、缺乏工厂上下文的通用编码智能体——其中涉及不确定性感知的缺失值填补、基于工况的建模，以及用 SHAP 做可解释归因等技术细节。

SEMI 在活动说明里列出了四个核心目标：理解 AI 技术的真实部署、影响与经验教训；构建可观测、可扩展的多 Agent 工作流；推动行业从封闭的数据孤岛转向自主发现；以及通过多样的 AI 应用取得可量化的业务结果与自动化。把「多 Agent 工作流」和「自主发现」写进目标，说明讨论焦点已经不只在「用 AI 做预测性维护」这一步，而是往前推到根因分析、工艺参数搜索、操作员工作流，以及跨 YMS/FDC/MES 等系统的数据协同。议程中「从预测到行动：面向实时根因分析的因果 AI」「从数据孤岛到自主发现：半导体中的 Agentic AI」「隔离环境（air-gapped）下 Agentic AI 自动化的现场经验」等专题，也印证了这一走向。

值得工程师多看一眼的是，这场工作坊把几个原本分散的能力摆到了同一工程语境里。对一线工艺与良率工程师，YMS/FDC/R2R/SPC 是每天都要打交道的系统，而现在它们要和 LLM 智能体、因果推断、贝叶斯优化（DOE）、可解释归因（SHAP）以及边缘推理放在一起设计。真正要解决的工程问题很具体：制造数据长期分散在设备、MES、APC 与各类孤岛里，模型如何在不离开工厂边界（air-gapped）的前提下进入 MES 与设备控制环境，以及当智能体给出工艺建议时，工程师如何判断「这个结果能不能信」。这些不是单纯的算法问题，而是数据基础、领域知识与结构化评估框架（agentic harness）共同决定的落地前提——也正好对应国内做设备、EDA、检测计量与工业软件的团队，在对接晶圆厂智能化需求时最该补强的接口。