在将于10月15日至16日在加利福尼亚州旧金山举行的PDF Solutions CONNECT活动上，PDF Solutions将展示并演示Exensio® Aurora——这是其Exensio分析解决方案采用的一种全新、高度可扩展的架构。 Exensio Aurora专为处理拍字节级别的半导体制造数据而设计，并能安全地在制造运营和供应链中部署代理式人工智能。
在这篇博客文章中，PDF Solutions 企业发展副总裁赛义德·阿卡尔（Said Akar）就推动 Exensio Aurora 开发的四个关键问题分享了他的见解。
- PDF Solutions 是如何在 Exensio 中持续融入 IT 技术的最新发展成果的？
- 在半导体制造领域，为什么我们必须超越传统的商业智能（BI）工具？
- 支持线上和线下制造用例的价值何在？
- 如何在关键任务型工业应用中充分利用并增强大型语言模型（LLM）解决方案所提供的功能？
第一题
PDF Solutions 在半导体制造领域拥有 30 年的经验，Exensio Solution 的新架构是如何演变并最终发展为 Exensio Aurora 的？
我们确实使用“演进”这个词是件好事，因为这正是我们每隔几年都在做的事情。基本上，每隔几年，就会出现一组当时亟待解决的新问题，同时也会涌现出一些新技术或新机遇来解决这些问题。
这并非我们第一次这样做。过去我们已经做过好几次了。尤其是上一次，主要涉及数据存储和数据采集。当时需要在存储和采集方面能够处理规模大得多的数据集。而那次正是上一阶段的重大演进。
那么，最近又出现了哪些需求和机遇呢？这些需求和机遇不仅与需要分析的数据量有关，还要求在分析过程中融入更多的自动化、机器学习以及更广泛的人工智能技术。当然，这些领域近期取得的技术进步使得这种结合成为可能。
这意味着现在我们需要处理——让我们的系统能够处理海量数据，不仅是在存储层，还在分析层，尤其是半导体数据，因为这类数据在形状、尺寸等方面具有非常独特的特征，且种类繁多。此外，我们还需要将这种处理能力与自动分析功能相结合，并将机器学习、并行处理和人工智能融入分析过程，实现需求与技术的有机结合。 我们认为时机已到，是时候迈出这一步，实现这一新的进化了。
问题二
为什么传统的商业智能（BI）解决方案不足以分析半导体制造数据？
这实际上是一个非常、非常常见的问题，因为目前市面上用于存储或分析数据的技术，顺便提一句，不仅仅包括商业智能（BI）工具，还包括BI工具以及各类数据存储技术，比如数据库等等。 这些技术多年来取得了长足进步，但它们总是会对数据的形式以及特定领域内可能存在的数据多样性做出某些假设。
半导体真正与众不同之处在于：首先，我们不仅拥有海量的数据。这些数据量极其庞大，这意味着客户经常告诉我们，我们的数据库和数据量是最大的，也就是说，在他们的组织中，半导体数据是最大的。
但除此之外，半导体之所以独特，还在于其种类繁多。因此，当提到半导体数据时，并不是指某一种数据，而是指许多、许多、许多种类，且彼此之间差异极大。所以，并不存在一种方案能通用于所有情况。在您的解决方案中，必须包含多种方案，才能确保一切正常运行。
此外，这些结构的形状也各不相同。以半导体数据结构为例，其一个非常独特之处在于：数据往往极其宽广，但可能非常浅，这带来了其特有的——你知道的——处理上的挑战。因此，通用的解决方案或许可行。
归根结底，如果你了解这些品种的多样性，理解这种多样性，并且意识到同一品种内的不同变种在形状上存在很大差异，那么你的表现会好得多、好得多。
第三题
在新的Exensio架构中，如何将云端数据管理与在线实时解决方案相结合？
这对我们来说是另一个非常、非常重要的议题，因为我们一直在与客户合作，帮助他们实施诸如数据湖、湖屋等项目——这类项目非常侧重于分析以及所需的离线解决方案部分。他们通常不太关注边缘端的情况，这里所说的边缘端是指晶圆厂工作台、生产车间、组装车间等场所。 而从我们的角度来看，这始终是此类情况的一大弱点。
原因当然在于，拥有一个不仅能管理离线分析、数据湖或数据仓库，还能以集成方式管理边缘解决方案的集成系统，具有巨大的优势。为什么呢？边缘端通常同时涉及数据采集和控制。将这两者与离线分析集成，反之亦然，都能提升各自的性能。离线分析同样可以通过与这两者的集成得到改进。
以数据采集为例。从分析的角度来看，其中最重要的是数据质量。因此，数据是否完整？能否更完整？是否准确？是否经过验证？ 如果在生产现场采用集成化的统一系统，这些方面都能得到改善。这对晶圆厂而言尤为重要，因为这样就能证明：数据采集不仅能提升分析效果，还能优化数据采集与控制——通过集成化的方式实现数据采集与控制的协同，从而进一步提升分析效果。
例如，以控制为例。控制可以从反馈循环功能中获益匪浅，这意味着我能够将从分析中获得的洞察应用于实施更有效的控制。因此，我可以基于办公室分析构建的模型进行优化，进而验证控制措施在工作台区域等场景中的实际效果，其他情况也是如此。 分析工作在很大程度上取决于数据质量。由于处于数据采集阶段，这意味着我可以收集更多数据、更多样化的数据以及更优质的数据——从某种意义上说，就是质量更高、更完整的数据等等。
将边缘端的数据采集控制与后端分析相结合的集成化方法，实际上是我们系统中至关重要的一部分，通常我们认为，如果缺乏这种集成化的视角，那便是一种失误。虽然在没有集成系统的情况下，所有这些功能依然可以实现，但实现起来会困难得多。
问题四
机器学习早已被广泛应用，在Exensio，我们如何支持包括大型语言模型（LLMs）在内的一系列人工智能方法？
当然，大型语言模型（LLM）已经变得非常出色。大家都不由得想说：“好吧，大型语言模型可以帮我处理一切。”当然，大家都认同大型语言模型确实已经非常出色了。
它们仍在不断进步。 通常会出现指数级的进步，预计未来还将有更大的提升。因此，关键问题不在于它们目前的能力如何，也不在于一个月后或六个月后大型语言模型（LLM）会有多强。真正的问题始终是：作为供应商，你能否对其进行改进——特别是，无论该模型当前处于何种状态，无论一个月后它会发展到何种程度，你能否对大型语言模型（LLM）进行优化。
而我们对这个问题的回答是：是的，大语言模型（LLMs）的工作原理中确实存在某些固有特性，并且基于这些固有特性，无论它在某个阶段表现得多么出色，总有改进的空间。这主要体现在以下几点。大语言模型（LLMs）会出现“幻觉”。 但没错，这一问题是可以改进的。随着模型不断优化，这种现象可以逐渐减少，但它们并非确定性系统。这意味着归根结底，产生“幻觉”的可能性始终存在。因此，我们需要一种既能利用大语言模型，又能有效控制这种现象的系统。从某种意义上说，“幻觉”也是一种创造力。我们希望系统具备创造力，但并非在所有情况下都需要这种创造力。
有时，你希望在方法上采取更加确定性的做法。我们始终能够做出贡献的一个领域，就是确定何时需要创造力、何时不需要，以及需要多少创造力、不需要多少。而要做到这一点，领域知识以及系统中具备能够实现此类控制的功能至关重要。因此，对创造力部分的控制非常重要。 这通常不仅需要一个通用的解决方案，更需要领域知识来判断何时需要控制创造力（增加或减少），以及如何基于核心知识和专业经验来实现这一点。
此外，大型语言模型（LLM）素来以难以确保可重复性、可追溯性等特性而闻名。也就是说，如果我让一个大型语言模型执行某项任务，它今天可能按一种方式处理，明天却可能采取另一种方式。 或者，如果我使用该大语言模型的另一个版本或变体，得到的答案可能会大不相同。这些情况有时尚可接受，但很多时候，当你第二天提出相同的问题时，理想情况下应该得到相同的答案——前提是该答案是正确的。
所以，就是这类情况。此外，它不必是个“黑箱”。我们需要能够说明“这是生成的结果”，“这是生成的原因以及为什么它是正确的”，甚至可能还能轻松编辑这些结果。因此，结果的可重复性、可编辑性以及生成过程的透明度至关重要，而我们相信自己能够做到这一点。
最后一点通常是，任何领域内都蕴含着大量领域知识，尤其是在半导体领域，而这些知识未必能被通用的大型语言模型（LLM）所获取。
这种背景信息是可以提供的。可以为这些大语言模型（LLMs）提供多种定制方案。因此，通过定制大语言模型，并使其具备可重复性、更高的可见性等特性，这种组合实际上为系统增添了“记忆力”——我们认为，无论特定的大语言模型（LLM）发展到何种先进程度，这都是必不可少的。
有关“PDF Solutions CONNECT 2026”的更多信息及注册详情，请点击此链接：PDF Solutions CONNECT
PDF Solutions CONNECT 提供了一个难得的机会，让您能够与开发 Exensio Aurora 的团队会面，并听取一些早期采用其部分功能的客户的分享。
请访问PDF Solutions CONNECT 2026会议网站，了解有关议程、演讲嘉宾、地点、后勤安排及注册的更多信息。