小插曲：

原定上午 9 點(diǎn)的演講，8 點(diǎn) 50 分核心演講稿卻在傳輸鏈路中陷入停滯 —— 對(duì)方系統(tǒng)用戶名集體失效，文件下載通道全面阻塞；更換賬號(hào)重試仍無(wú)法突破壁壘，反向上傳又被我方信息技術(shù)部門(mén)攔截，僅得到 “抽空處理” 的回應(yīng)。時(shí)間分秒流逝，直至 9 點(diǎn) 13 分，核心演示文件仍未送達(dá)，最終只能舍棄原版文件與關(guān)鍵演示動(dòng)畫(huà)，以簡(jiǎn)化版本倉(cāng)促應(yīng)急。

這場(chǎng)看似偶然的傳輸意外，實(shí)則是半導(dǎo)體行業(yè)日常運(yùn)營(yíng)中屢見(jiàn)不鮮的協(xié)同梗阻縮影，更直觀投射出行業(yè)核心痛點(diǎn)：數(shù)據(jù)格式異構(gòu)、系統(tǒng)接口割裂、跨組織跨部門(mén)協(xié)同效率低下，早已成為制約行業(yè)發(fā)展的隱形壁壘。而在數(shù)據(jù)爆炸式增長(zhǎng)、技術(shù)復(fù)雜度指數(shù)級(jí)飆升的行業(yè)新常態(tài)下，對(duì)高效數(shù)據(jù)流轉(zhuǎn)與系統(tǒng)協(xié)同的需求，正變得前所未有的迫切。

一、行業(yè)現(xiàn)狀：復(fù)雜度與數(shù)據(jù)雙壓下，DTCO 轉(zhuǎn)型迫在眉睫

在座企業(yè)高管已達(dá)成共識(shí)：我們明確數(shù)據(jù)分布，對(duì)AI技術(shù)落地需求迫切，力求快速兌現(xiàn)價(jià)值。這一迫切性的根源，在于行業(yè)運(yùn)行模式的根本性變革 ——長(zhǎng)期依賴的異構(gòu)化線性工作流程已失效，非線性協(xié)同成為主流，系統(tǒng)互聯(lián)互通從 “加分項(xiàng)” 變?yōu)?“必選項(xiàng)”。

1. 行業(yè)復(fù)雜度：堪比 “單日管控 45 層高樓” 的極致挑戰(zhàn)

以建筑行業(yè)為參照：建造一棟 45 層高樓，需對(duì)建材實(shí)現(xiàn)克級(jí)追溯、環(huán)境全周期監(jiān)測(cè)，規(guī)劃施工周期長(zhǎng)達(dá) 4.5 年；而半導(dǎo)體行業(yè)日常運(yùn)營(yíng)，需在單日完成同等量級(jí)的精細(xì)化管控 —— 這僅是行業(yè)復(fù)雜度的冰山一角。

技術(shù)迭代更印證行業(yè)難度：處理器主頻從 1 GHz 普及至 5GHz，英特爾曾因 3GHz 主頻功耗過(guò)高遭遇芯片融化難題；過(guò)去 5 年制程從 14nm 迭代至 2nm，過(guò)去 10 年芯片功能模塊翻倍、表征工況增長(zhǎng) 2 倍，核心驅(qū)動(dòng)是電源軌與電壓控制要求的持續(xù)提升。

2. 數(shù)據(jù)爆炸：2022 年至今增長(zhǎng) 6 倍，Chiplet技術(shù)加劇增量壓力

數(shù)據(jù)爆炸已成核心挑戰(zhàn)：2022 年至今，行業(yè)數(shù)據(jù)量增長(zhǎng) 6 倍、系統(tǒng)復(fù)雜度提升 5 倍、數(shù)據(jù)互通依賴度提高 5 倍；Chiplet 技術(shù)規(guī)模化應(yīng)用，進(jìn)一步推高數(shù)據(jù)量 5 倍；僅高通一家，每周就需處理 36TB 的半導(dǎo)體相關(guān)數(shù)據(jù)，并整合晶圓廠、客戶等外部數(shù)據(jù)開(kāi)展分析。

在此背景下，行業(yè)站在設(shè)計(jì) - 技術(shù)協(xié)同優(yōu)化（DTCO） 的關(guān)鍵轉(zhuǎn)型節(jié)點(diǎn)。2020 年，行業(yè)技術(shù)路線圖仍以 “頂尖工程師主導(dǎo)” 為核心，AI 未被納入；如今向系統(tǒng)級(jí)芯片（SoC） 轉(zhuǎn)型已成必然，固守傳統(tǒng)模式將無(wú)法滿足性能、成本與尺寸的嚴(yán)苛要求。

普迪飛正致力于破解這一難題 —— 我既是其重度用戶，也是持續(xù)提優(yōu)化建議的 “挑剔用戶” 。其目標(biāo)極具挑戰(zhàn)性：整合多來(lái)源、多格式異構(gòu)數(shù)據(jù)，處理測(cè)試程序變量，實(shí)時(shí)構(gòu)建統(tǒng)一數(shù)據(jù)集。需要說(shuō)明的是，我并非為其背書(shū)，而是強(qiáng)調(diào)行業(yè)對(duì)這類數(shù)據(jù)整合解決方案的迫切需求。

二、AI 應(yīng)用真相：90% 項(xiàng)目折戟，癥結(jié)在人而非技術(shù)

行業(yè)內(nèi)對(duì) AI 的理想化認(rèn)知甚囂塵上，“程序員將失業(yè)”“信息技術(shù)團(tuán)隊(duì)會(huì)被替代” 等說(shuō)法廣為流傳。但麻省理工學(xué)院 2021 年的研究報(bào)告給出了冷峻現(xiàn)實(shí)：90% 的企業(yè)級(jí) AI 項(xiàng)目最終失敗，僅 10% 的成功項(xiàng)目能創(chuàng)造巨大商業(yè)價(jià)值。

項(xiàng)目失敗的根源，絕非技術(shù)瓶頸，而在于行業(yè)自身的三重桎梏：

1

思維模式滯后—— 我們慣于 “甲 + 乙 = 丙” 的線性因果邏輯，AI 則遵循 “基于數(shù)據(jù)推測(cè)結(jié)果、再驗(yàn)證優(yōu)化” 的概率迭代邏輯，二者存在本質(zhì)鴻溝；

2

組織壁壘森嚴(yán)—— 數(shù)據(jù)孤島現(xiàn)象普遍，同公司團(tuán)隊(duì)常以 “保密” 為由拒絕共享數(shù)據(jù)，甚至出現(xiàn) “數(shù)據(jù)囤積者” 將數(shù)據(jù)鎖在本地服務(wù)器、沾沾自喜的情況；

3

認(rèn)知偏差顯著—— 要么盲目迷信 AI，認(rèn)為其輸出無(wú)需驗(yàn)證，要么以 “AI 會(huì)產(chǎn)生幻覺(jué)”“表格處理更高效” 為由，頑固排斥新技術(shù)。

AI 的核心價(jià)值從不是取代人類。以英偉達(dá)為例，其研發(fā)的圖形處理器（GPU）作為全球頂尖 AI 算力平臺(tái)，芯片尺寸堪比水杯，卻集成了數(shù)十億乃至上百億顆晶體管。這類復(fù)雜芯片的穩(wěn)定運(yùn)行，依賴互聯(lián)技術(shù)、熱管理、良率優(yōu)化等多環(huán)節(jié)數(shù)據(jù)協(xié)同—— 而 AI 的作用，正是高效處理海量數(shù)據(jù)，放大人類的專業(yè)能力。

三、落地實(shí)踐：AI 賦能半導(dǎo)體行業(yè)的三大核心應(yīng)用

1. 良率學(xué)習(xí)：讓 “廢品芯片” 變身合格產(chǎn)品

通過(guò) AI 為半導(dǎo)體芯片失效模式建立云端 “指紋” 檔案，當(dāng)檢測(cè)到不合格芯片時(shí)，系統(tǒng)可精準(zhǔn)識(shí)別非核心功能區(qū)域的錯(cuò)誤并予以規(guī)避，無(wú)需增加額外測(cè)試時(shí)間，即可將不合格品轉(zhuǎn)化為合格產(chǎn)品，性能與可靠性達(dá)到高通同級(jí)水準(zhǔn)。

我們與愛(ài)德萬(wàn)測(cè)試（Advantest）、泰瑞達(dá)（Teradyne）聯(lián)合開(kāi)發(fā)的邊緣計(jì)算盒子，將云端數(shù)據(jù)分析能力下沉至測(cè)試設(shè)備，實(shí)現(xiàn)實(shí)時(shí)決策，最終達(dá)成良率提升、測(cè)試時(shí)長(zhǎng)零增加的雙重效益。

2. 供應(yīng)鏈優(yōu)化：釋放產(chǎn)能核心紅利

借助 AI 分析企業(yè)間數(shù)據(jù)傳輸、轉(zhuǎn)換、映射等全鏈路變量，優(yōu)化預(yù)測(cè)模型，通過(guò)微調(diào)時(shí)間節(jié)點(diǎn)、剔除低效環(huán)節(jié)，釋放寶貴產(chǎn)能。這一應(yīng)用不僅助力芯片量產(chǎn)爬坡更順暢，還能改善工程與生產(chǎn)環(huán)節(jié)的銜接效率，在當(dāng)前成本高企的行業(yè)背景下，每一分釋放的產(chǎn)能都價(jià)值千金。

3. 熱管理：破解 2 nm先進(jìn)制程難題

隨著芯片制程邁入 2 nm時(shí)代，電源軌數(shù)量與電壓控制要求呈指數(shù)級(jí)增長(zhǎng)，熱管理難度隨之陡增。AI 可通過(guò)深度分析海量測(cè)試數(shù)據(jù)，精準(zhǔn)預(yù)判芯片熱分布，提前優(yōu)化設(shè)計(jì)方案，從源頭規(guī)避因過(guò)熱引發(fā)的性能損耗或硬件故障。

四、核心指南：數(shù)據(jù)與AI集成的“十一行動(dòng)準(zhǔn)則”與“八大行業(yè)弊病”

【十一行動(dòng)準(zhǔn)則】：源于實(shí)踐的核心綱領(lǐng)

1. 以價(jià)值為核心導(dǎo)向，整合團(tuán)隊(duì)資源與數(shù)據(jù)資產(chǎn)，最大化釋放AI技術(shù)效用.

2. 依托應(yīng)用程序接口（API）打通數(shù)據(jù)孤島，實(shí)現(xiàn)多源數(shù)據(jù)的價(jià)值互通.

3. 堅(jiān)持方案簡(jiǎn)潔性原則——可采用無(wú)代碼/低代碼工具，但使用者必須理解底層邏輯.

4. AI “幻覺(jué)” 問(wèn)題多源于參數(shù)設(shè)置不當(dāng)，而非系統(tǒng)本身的技術(shù)缺陷.

5. 建立持續(xù)學(xué)習(xí)機(jī)制，動(dòng)態(tài)適配AI模型的快速迭代特性.

6. 強(qiáng)化企業(yè)內(nèi)部知識(shí)共享，代碼學(xué)習(xí)與數(shù)據(jù)學(xué)習(xí)同等重要.

7. 構(gòu)建快速更新推送機(jī)制，支持用戶基于自身數(shù)據(jù)特性定制工具.

8. 重視數(shù)據(jù)語(yǔ)境差異， “優(yōu)質(zhì)數(shù)據(jù)集” 的定義需結(jié)合具體應(yīng)用場(chǎng)景判定.

9. 堅(jiān)守安全與合規(guī)底線——本次文件傳輸風(fēng)波，也暴露出部分系統(tǒng)的安全性短板.

10. 確保AI輸出洞察清晰易懂，建立反饋閉環(huán)，推動(dòng)方案持續(xù)優(yōu)化.

11. 保障數(shù)據(jù)潔凈度——其維護(hù)難度，遠(yuǎn)超行業(yè)普遍預(yù)期。

【八大行業(yè)弊病】：亟待規(guī)避的認(rèn)知與行為誤區(qū)

1. 貪多求全：過(guò)度采集無(wú)關(guān)數(shù)據(jù)。例如半導(dǎo)體測(cè)試中，0.5%的連續(xù)性故障率需重點(diǎn)關(guān)注，但無(wú)需深究所有波動(dòng)細(xì)節(jié).

2. 囤積居奇：壟斷數(shù)據(jù)或工具，拒絕協(xié)同共享，典型如團(tuán)隊(duì)中 “數(shù)據(jù)囤積者” 將數(shù)據(jù)私有化管控.

3. 盲目攀比：簡(jiǎn)單復(fù)刻他人方案，陷入 “競(jìng)品有則我必優(yōu)” 的誤區(qū)，缺乏基于自身需求的創(chuàng)新.

4. 因循守舊：以 “AI會(huì)產(chǎn)生幻覺(jué)” “數(shù)據(jù)準(zhǔn)確性不足” “表格處理更高效” 為由，頑固排斥AI技術(shù).

5. 盲目迷信：將AI神化，認(rèn)為其輸出結(jié)果無(wú)需驗(yàn)證，直接跳過(guò)測(cè)試用例環(huán)節(jié).

6. 剛愎自用：過(guò)度自信，拒絕接納合理反饋，最終導(dǎo)致方案優(yōu)化停滯.

7.盲目投入：在不適配的AI方案調(diào)試上耗費(fèi)大量時(shí)間，投入產(chǎn)出比嚴(yán)重失衡.

8. 急功近利：片面追求短期效益，忽視技術(shù)與數(shù)據(jù)能力的長(zhǎng)期價(jià)值沉淀。

AI方案的重新驗(yàn)證成本高昂，無(wú)需每次開(kāi)展全量驗(yàn)證，但必須設(shè)計(jì)針對(duì)性測(cè)試用例以保障輸出結(jié)果精準(zhǔn)；方案推廣前，需厘清數(shù)據(jù)背景、明確預(yù)期目標(biāo)與價(jià)值定位。

五、未來(lái)方向：議程式AI與自主智能體的進(jìn)階路徑

Agentic AI 是半導(dǎo)體行業(yè)未來(lái)的核心發(fā)展方向，目前已實(shí)現(xiàn)階段性突破，但在大規(guī)模普及與易用性提升上仍有較長(zhǎng)路徑。其核心價(jià)值并非取代人類，而是通過(guò)高效數(shù)據(jù)處理，助力行業(yè)更快解決問(wèn)題、創(chuàng)造商業(yè)價(jià)值。

關(guān)于無(wú)代碼AI，行業(yè)需建立核心認(rèn)知：“無(wú)代碼人工智能絕不等于不動(dòng)腦筋的人工智能”。這類工具雖降低了操作門(mén)檻，卻對(duì)使用者的邏輯思維與概率模型認(rèn)知提出了更高要求——缺乏深度思考的盲目操作，終將產(chǎn)出低效甚至錯(cuò)誤的結(jié)果。

當(dāng)前行業(yè)自主智能體的成熟度集中在 3 級(jí)與 4 級(jí)（高通等頭部企業(yè)處于同一梯隊(duì)），5 級(jí)技術(shù)仍處于遠(yuǎn)期探索階段。未來(lái)的自主智能體，必須具備跨數(shù)據(jù)庫(kù)、跨工具的整合能力，其核心目標(biāo)始終是創(chuàng)造價(jià)值，而非取代人類。

行業(yè)日常需應(yīng)對(duì)多類數(shù)據(jù)與工具協(xié)同的挑戰(zhàn)：電子設(shè)計(jì)自動(dòng)化（EDA）工具各有專屬語(yǔ)言與獨(dú)立安全系統(tǒng)，疊加測(cè)試臺(tái)數(shù)據(jù)、現(xiàn)場(chǎng)數(shù)據(jù)等多源資源，還需配套數(shù)據(jù)分析工具與“容錯(cuò)型”數(shù)據(jù)探索平臺(tái)，支撐工程師創(chuàng)新嘗試。這些工具需通過(guò)應(yīng)用程序接口（API）實(shí)現(xiàn)互聯(lián)互通，而自主智能體的核心作用，正是簡(jiǎn)化數(shù)據(jù)查找與利用流程，提升協(xié)同效率。

六、結(jié)論：AI是半導(dǎo)體行業(yè)的價(jià)值賦能工具，而非對(duì)手

半導(dǎo)體行業(yè)復(fù)雜性加劇與數(shù)據(jù)爆炸的趨勢(shì)已不可逆。AI的核心價(jià)值，在于為企業(yè)創(chuàng)造利潤(rùn)、縮短產(chǎn)品上市周期、提升芯片良率、加快價(jià)值變現(xiàn)。實(shí)踐證明，即便僅將芯片良率提升1-2個(gè)百分點(diǎn)，也能為企業(yè)帶來(lái)顯著的利潤(rùn)增長(zhǎng)。而AI落地成功的關(guān)鍵，在于易用性：若一款工具的基本操作需超過(guò)5分鐘才能掌握，用戶終將回歸表格等傳統(tǒng)工具，即便完成任務(wù)需耗費(fèi)更長(zhǎng)時(shí)間。

以普迪飛為代表的行業(yè)工具，雖在易用性上具備一定基礎(chǔ)，但仍有優(yōu)化空間。作為工具的最終使用者，企業(yè)應(yīng)主動(dòng)反饋真實(shí)需求與優(yōu)化建議，推動(dòng)工具持續(xù)完善——這不僅是對(duì)提供商的核心價(jià)值輸入，更是打造適配行業(yè)需求解決方案的關(guān)鍵。坦誠(chéng)的反饋終將轉(zhuǎn)化為更優(yōu)質(zhì)的產(chǎn)品、更高效的流程，這是實(shí)現(xiàn)行業(yè)共贏的唯一路徑。

最后，需強(qiáng)調(diào)兩大核心認(rèn)知：

第一，人工智能不是行業(yè)的敵人?！缎请H迷航》《星球大戰(zhàn)》等科幻作品早已呈現(xiàn)AI的多種發(fā)展可能，其中的挑戰(zhàn)場(chǎng)景值得行業(yè)借鑒。我期待未來(lái)能實(shí)現(xiàn)類似《星際迷航》中智能電腦的應(yīng)用場(chǎng)景——通過(guò)簡(jiǎn)單操作即可獲取精準(zhǔn)答案，而AI正是推動(dòng)這一愿景落地的核心加速器。

第二，AI絕非華而不實(shí)的噱頭，而是半導(dǎo)體行業(yè)穿越周期、實(shí)現(xiàn)高質(zhì)量發(fā)展的價(jià)值賦能工具。駕馭AI、挖掘其核心價(jià)值，是行業(yè)從業(yè)者共同的使命。