半導體製造中的「數據挑戰」是什麼？
半導體製造產業正面臨前所未有的數據挑戰。現代化製造廠房如今必須應對包含超過一百萬項測試項目的測試程式，在探針測試、組裝及測試作業過程中，每顆晶片便會產生數吉字節的數據。規模最大的部署已達到數拍字節的範圍，這引發了一個根本性問題：傳統的商業智慧工具根本無法處理擁有數百萬列與數百萬行的半導體級數據。
高通（Qualcomm）首席供應鏈官麥克·坎貝爾（Mike Campbell）近日表示，由於先進封裝技術日趨複雜，半導體公司需要分析的製造與測試數據量自 2022 年以來已增加六倍。 在同一場會議上，英特爾企業副總裁暨英特爾代工自動化事業部總經理阿齊茲·薩法指出：「英特爾全公司共擁有 600 拍字節的數據。我們面臨的挑戰在於，如何針對需要運用這些數據來解決問題的領域，有效執行演算法。」
PDF Solutions 執行長約翰·基巴里安（John Kibarian）的發言，與去年 12 月在 PDF Solutions用戶大會上的言論不謀而合。他表示，在許多情況下，所收集的半導體製造數據中，實際用於分析的占比不超過 5%。然而，要迅速提升新進階製程節點的良率，或確保複雜封裝的品質，及時取得分析結果比以往任何時候都更加關鍵。在此背景下，尋找創新方法來擴大半導體數據的分析能力，至關重要。
PDF Solutions 已制定一套全面的策略，旨在強化其 Exensio 資料平台的能力——該平台目前已在半導體產業中廣泛應用——透過結合可擴展的分析基礎架構與先進的人工智慧功能（包括大型語言模型（LLMs）及自主代理程式），以應對這項挑戰。
這種方法代表了對半導體製造商如何從龐大且複雜的資料集中提取可付諸行動的洞見，進行了一場根本性的重新思考。
商業智慧解決方案能否處理半導體製造過程中產生的海量資料？
傳統的商業智慧（BI）工具在半導體製造環境中面臨嚴重的限制。這些工具依賴於本地記憶體，這嚴重限制了其分析與機器學習能力。 這些工具缺乏計算與組織層面的可擴展性，而這往往與半導體數據的特定特性有關——此類數據可能包含數十萬甚至數百萬個待分析的參數。試想一張擁有百萬列、數十萬行的表格。在傳統的數據分析或 BI 工具中，此類資料集的可視覺化能力已達極限，而這種方法也無法滿足數據規模與複雜度持續增加的半導體產業未來需求。
通常，工程師會根據與原始資料來源脫節的摘要統計資料來開發客製化腳本，而這些腳本在提供時，通常缺乏能讓其於組織內進行穩健共享的基礎架構。
可擴展分析——一種能為半導體製造數據處理提供高度可擴展性的創新解決方案架構
PDF Solutions 的解決方案是一種具備動態分區功能的新型平行與分散式資料架構。該系統並非將原始資料傳送至客戶端進行分析，而是將資料保留在伺服器層，並僅傳送使用者所需的可視化結果。這種輕量級客戶端架構，透過在資料層進行快取以加快存取速度，並讓預先設定的分析功能持續在所有可用資料上運行，使系統能根據當前需求動態擴展。
結果令人驚艷。基準測試顯示，在典型的大型測試程式上，效能提升了約 25 倍，且能夠處理一百萬個測試項目甚至更多，這在以往是無法達成的分析規模。該系統透過在行（單一晶片）與列（測試參數）兩方面實現可並行化的效能來達成此目標，結合靜態運算節點與突發式雲端運算，以具成本效益的方式擴展至極大規模的資料集。
大規模企業級 ModelOps——如何在半導體產業中大規模管理 AI 模型生命週期？
PDF Solutions 深知，要在半導體製造中部署人工智慧，不僅僅是訓練模型這麼簡單；這更需要一套完整的營運基礎架構。該公司的策略旨在解決三大營運挑戰：因手動交接與脆弱的整合所導致的部署瓶頸；因建置自訂資料管線而非善用現有系統所產生的資料摩擦；以及因生產模型與訓練參數之間的血統追蹤不完善所衍生的治理風險。
該公司宣布推出 Exensio® StudioAI，該平台整合了原屬英特爾（Intel）的 Tiber AI Studio 解決方案（旨在協助資料科學家從程式碼開發到生產環境的全程作業）與專為半導體資料打造、並專注於邊緣裝置模型部署的 Exensio ModelOps。Exensio StudioAI 的發展藍圖包含多項將於 2026 年前陸續推出的關鍵功能，其中包括讓工程師能夠導入自有模型的能力。 企業級模型註冊庫將實現模型生命週期的治理、追蹤與共享，並透過完整的数据可追溯性，確保任何模型的訓練輸入資料皆能隨時被明確掌握。
半導體語義資料模型——如何打破各資料來源與儲存庫間的資料孤島？
半導體製造面臨的最重大挑戰之一，在於關鍵資料分散於各孤立系統之中。良率資料存放在某處，設計診斷資訊存放在另一處，而設備遙測資料則存放在第三處。這種分散狀況阻礙了量產良率資料與實體佈局特徵之間的關聯性分析，也使工程師無法將特定的製程偏差與最終良率結果建立關聯。
PDF Solutions 透過積極推動資料整合來解決此問題。其平台已超越傳統製造分析的範疇，建立出更完整的端對端資料模型，這些模型具備高度可自訂性與可擴展性。舉例來說，與西門子 Tessent的整合提供了用於良率與設計相關性分析的單一介面；而設備資料整合則將設備健康狀態與使用資訊與良率資料結合，藉此實現由大型語言模型（LLM）驅動的整體設備效能改善，並針對異常情況進行根本原因分析。
這項工作的核心在於開發一個專為半導體設計的語義資料層，用以映射良率、設計、製程與設備資料之間的複雜關聯。這使得 Exensio 資料平台中跨領域與跨來源的資料能夠相互對齊並建立連結。此外，這也讓大型語言模型（LLMs）能夠將各不相同的資料類型視為一個統一的整體來解讀，而非苦於處理彼此割裂的資訊來源。
以工作流程為基礎——如何協調分析作業，以在半導體製造中提供可靠的 AI 解決方案？
PDF Solutions 平台的一項關鍵架構決策，是將工作流程視為系統的內部語言。每項分析操作——無論是規則、機器學習管線，還是批次分析——皆以工作流程的形式呈現。這帶來了幾項關鍵優勢。
工作流程是系統的長期記憶，不僅記錄結果，更完整地保存了用以達成這些結果的完整方法論。它們可以透過學習模式、大型語言模型（LLMs）、手動或程式化方式建立，並能嵌入更大的工作流程中，以實現最大的可重複使用性。工程師可能永遠不需要直接與工作流程互動，但當需要時，這項功能隨時可用。
關鍵在於，工作流程扮演著半導體領域專屬的內容與情境角色，將最佳實務編碼為可重複使用的操作手冊。它們讓成果的達成過程更加透明，並作為人工智慧推理的防護欄，有助於防止大型語言模型（LLMs）在缺乏領域限制的情況下運作時可能產生的「幻覺」。
如何將大型語言模型（LLM）與代理式人工智慧整合至整體半導體製造分析平台中？
PDF Solutions 的最終目標，是讓工程師能在更高的抽象層級上與製造數據進行互動。該公司設想的系統，並非要求工程師具備查詢語言和資料結構的深厚技術知識，而是讓工程師能夠以自然語言提出問題，並獲得可付諸行動的洞見。
要實現這項願景，需要所謂的「語義化、主動式且安全」的基礎架構。語義層建立在 30 年的領域專業知識之上，打造出能編碼製造業基本資料層級結構的半導體原生知識圖譜。這使大型語言模型（LLM）的推理能扎根於製造資料的結構性現實中，消除模糊性，並提供防止「幻覺」所需的真實背景脈絡。
舉例來說，系統能理解「CV」指的是 Characterization Vehicle®、「良率」代表晶粒分級的結果，且資料層級的流向是從批次 → 晶圓 → 晶粒 → 封裝。它知道常見的分析任務包括良率趨勢分析、分級帕累托分析以及單變量篩選。 這使工程師能夠提出諸如「顯示過去一週的良率趨勢」或「批次 XX 良率偏低的主因是什麼？」等問題，並獲得有意義且精準的回覆。
該平台整合了「模型上下文協定」（Model Context Protocol），使 Exensio 蛻變為一個真正具備自主性的系統。該系統不僅能摘要文本或回答問題，更能自主規劃並執行完整的流程，從原始資料的擷取到複雜情節的生成皆能獨立完成。
為確保可靠性與透明度，所有自主任務皆透過可擴展的分析工作流程執行。工程師可隨時檢視、儲存及修改這些工作流程，以確保對大型語言模型（LLM）行動的完全透明度。
鑑於半導體製造數據極其敏感，PDF Solutions 提供了一種完全採用物理隔離（air-gapped）的本地部署大型語言模型（LLM）基礎架構方案，專為保障智慧財產權主權而設計。此方案可確保敏感的良率數據與專有模型絕不會離開安全的防火牆範圍，從而徹底擺脫對第三方雲端服務供應商的依賴。
前行的道路
PDF Solutions 投入了 18 個月的時間進行技術選型、驗證與調校的研發工作，並匯聚了一大群目前正投入該平台開發的架構師、開發人員、品質保證專家、設計師及產品經理。可擴展分析功能將於 2026 年初向早期採用者開放，並自 2026 年底起向 Exensio Cloud 客戶廣泛提供。
該公司的願景針對其所認定的關鍵產業挑戰：透過安全地擴大規模執行來降低人工智慧導入的風險，並從既有資料中最大化投資報酬率，同時為快速崛起的語言模型（LLMs）與自主代理時代，打造具備前瞻性的基礎架構。
PDF Solutions 透過結合大規模資料處理、企業級 ModelOps、智慧資料整合以及具備代理能力的語言模型（LLM）功能，並以深厚的半導體領域專業知識為基礎，致力於改變業界從呈指數級增長的製造資料中提取價值的方式。該公司的做法預示著一個未來：工程師將減少在資料基礎架構上耗費的時間，轉而將更多時間投入解決那些決定半導體製造成敗的複雜良率與品質挑戰。
您可透過此連結瀏覽 2025 年 PDF Solutions 用戶大會的所有內容。