在動輒數億美元的晶圓廠裡，製程異常往往導致整批晶圓報廢。過去生產多依賴每二十片抽檢一片，不良品常到最末段才被揪出，追根究底既耗時又費力。
南韓新創 AIBIZ 針對此痛點，開發出新AI系統，安裝在最容易被忽略的蝕刻設備旁。
什麼是蝕刻？簡單來說，這是在晶圓表面刻出電路圖形的步驟。運作時，腔體內會產生電漿，也就是一種帶電粒子的游離態氣體，用來蝕刻材料。此反應在高能電磁場中進行，溫度與壓力數據每一百毫秒更新一次，而新的AI系統任務就是在此當下即時攔截異常。
在如此高頻的即時判讀下，難道不需要昂貴的 GPU 伺服器嗎？ AIBIZ 團隊評估過導入，但隨即碰壁。
為什麼？因為晶圓廠潔淨室——也就是對塵埃粒子嚴格管制的無塵環境——對散熱與電力有額外要求。再者，GPU 與 CPU 間的傳輸延遲會拖慢反應，無法滿足極速異常偵測的要求。
既然硬體受限，團隊決定轉向模型端下手，將運算需求壓縮到 CPU 可負荷的範圍。
他們是怎麼辦到的？
答案是大幅縮減參數。相較於動輒千億級參數的大型語言模型，他們採用時序異常偵測，搭配圖神經網路分析感測器間的相關性，將參數量壓到十萬以下。所謂圖神經網路，就像是感測器的關係圖，專門分析感測器間的關聯。
這種模型瘦身法，讓即時推論能留在既有 CPU 上完成，省下增購伺服器的預算。
根據 台灣 CIO 雜誌 報導，這套系統已部署於三星電子的南韓與西安廠，鎖定蝕刻時的電弧現象。電弧就是腔體內電漿失控產生的異常放電，輕則影響精度，重則損毀整片晶圓。當偵測到電弧尖峰訊號，系統會即時通知工程師介入，將一批晶圓的良率提升百分之三至百分之五。
這樣做能省下多少錢？
一旦提前偵測以避免整批報廢，單次就能省下約二十五萬五千美元，理論上年省金額上看一億美元 [5]。
這為想在潔淨室或高溫高濕現場部署邊緣 AI 的企業提供了重要啟示：邊緣運算的成敗，關鍵不在於盲目升級硬體，而是模型參數規模。只要能精簡模型，既有處理器也能提升推論效能，發揮出驚人的守護戰力。
[ 文章來源：半導體 AI 新創如何選擇 AI 運算單元 ]
