南韓新創 AIBIZ 把 AI 塞進了晶圓廠最容易被忽略的一個環節，也就是蝕刻設備旁：製程異常還沒釀成報廢之前的那幾百毫秒。在沒有預算添購 GPU 伺服器的情況下，靠一次模型瘦身，把即時推論留在既有 CPU 上完成。這是一則關於「資源有限時如何做技術取捨」的產線 AI 推動案例。
編譯／Frances
蝕刻（etching） 是半導體製程中，用化學或物理方式在晶圓表面刻出電路圖形的步驟，執行時腔體內會產生電漿（plasma）— 一種帶電粒子游離態的氣體，用來蝕刻材料表面。整個反應在高能電磁場中進行，溫度與壓力數據每 100 毫秒更新一次。這裡就是 AIBIZ 主力產品 DutchBoy 發揮戰力的地方。DutchBoy 是一套安裝於製程設備旁的 AI 系統，蒐集感測器數據並即時判讀異常，任務是取代傳統事後抽檢。晶圓製造過去多依賴每 20 片抽驗 1 片，不良品往往到生產末段才被揪出，追溯根因曠日廢時。DutchBoy 改走另一條路，單一伺服器連接 20 台蝕刻設備，每台設備 300 個感測器，每 100 毫秒回傳一次讀值，試圖在異常發生的當下就攔截。
把千億級參數降到十萬以下
原有處理器架構在資料吞吐量變大後，很快浮現多執行緒運算能力不足的狀況，這是高頻感測資料分析常遇到的擴充瓶頸。團隊評估過導入 GPU，但晶圓廠潔淨室（clean room，對空氣中塵埃粒子濃度有嚴格管制的無塵作業環境，晶圓生產全程須在此進行）對散熱與電力管理有額外要求，GPU 與 CPU 間的資料傳輸延遲又會拖慢反應速度，即時性要求極高的異常偵測場景因此受限。團隊於是換了個方向，轉向模型設計端下手，設法把運算需求壓縮至 CPU 可負荷的範圍。
[ 加入 CIO Taiwan 官方 LINE、Facebook 與 LinkedIn，與全球 CIO 同步獲取精華見解 ]
具體做法是採用時序異常偵測模型，搭配圖神經網路（Graph Neural Network，GNN）分析設備感測器間的相關性，把模型參數量壓縮至 10 萬以下。這個規模相較主流大型語言模型動輒千億級參數，壓縮幅度相當可觀。推論因此得以留在 CPU 完成。依據官方發佈的成效，AIBIZ 以 5 組領域資料集測試，得出新舊處理器方案推論效能提升約 30% 的結果。
DutchBoy 如今部署於三星電子韓國廠與中國西安廠的蝕刻設備，鎖定的異常樣態是電弧（arcing）——腔體內電漿失控，產生異常放電的現象，輕則影響蝕刻精度，重則直接損毀晶圓與設備。系統偵測到電弧發生時產生的尖峰訊號，會即時通知工程師介入，搶在異常擴大為整片晶圓報廢前處理。
真正該留意的抉擇順序
AIBIZ 與 AMD 在官方資料中提出：一批晶圓良率可藉此提升 3% 至 5%。單次提前偵測缺陷若能避免整批晶圓報廢，約可節省 25.5 萬美元，理論年省上看 1 億美元（來源：AMD 官方案例研究，2026年5月5日）。暫且不考慮廠商自行發佈的效益數字，在模型壓縮那一步。AIBIZ 先把時序異常偵測與 GNN 的參數量降到 10 萬以下，這個具體門檻，讓 CPU 推論成為可行選項。若相關環境需求者正在評估晶圓廠、產線等潔淨室或高溫高濕現場部署邊緣 AI，考量的先後順序提供了一個具體可操作的參考：模型參數規模才是真正的變數。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
