AI 在半导体行业的真实应用与影响

1. 摘要

文章系统性地探讨了 AI 在半导体行业的落地情况,将其分为三层:已规模化的机器学习与 GPU 加速、快速渗透的生成式 AI 与智能体,以及仍处于叙事阶段的“自主工厂”。作者指出,目前 AI 真正兑现的是研发“提速”而非直接“提良率”,且规模化落地的瓶颈在于数据割裂和组织协同而非模型能力。文中详细分析了 EDA 厂商商业模式从“卖席位”向“卖用量/结果”的转变,以及团队结构从“金字塔”向“橄榄形”的迁移。最后,文章为企业提供了组织架构建议,并探讨了数据中间件、本地化行业模型等新商机,同时分析了中国大陆在算力与工具链约束下的三条潜在路径。

2. 主要内容

  1. AI 应用的驱动力源于复杂度与人力的“剪刀差”
    芯片设计与制造的复杂度近乎指数级增长,而工程师供给仅线性提升,导致人效缺口巨大,迫使企业必须依赖 AI 来填补。
  2. AI 应用呈现三层分布,真实程度递减
    第一层是成熟的机器学习(如缺陷检测),第二层是快速渗透的生成式 AI(如功能验证),第三层是远期的自主工厂叙事。
  3. 商业模式发生根本性变革,从“卖席位”转向“卖用量/结果”
    智能体允许单人调度大量并行实验,导致 EDA 厂商的收入不再与工程师人数挂钩,而转向按 Token 或结果收费。
  4. 组织结构与人才需求向“橄榄形”迁移
    初级执行工作被压缩,价值中心转向定义问题、审查结果和跨领域整合,导致初级岗位减少,中高阶复合型人才需求增加。
  5. 规模化落地的核心障碍是数据治理与组织协同
    数据在部门与供应商之间割裂,且半导体行业对知识产权高度敏感,导致 AI 落地需要“组织先行”,而非简单的工具采购。

3. 背景

过去两年,半导体行业一边为全球AI提供算力,一边也在把AI用到自己身上。EDA三巨头相继推出“智能体”产品:Cadence今年2月发布ChipStack AI超级智能体,西门子3月发布Fuse EDA智能体,Synopsys3月展示AgentEngineer,9月正式发布覆盖验证、实现、模拟、制造等领域的长周期智能体组合,称已有50多个客户合作项目、年底前上市。制造端,台积电5月宣布把英伟达的加速计算和AI用于计算光刻、工艺仿真、先进过程控制、工厂调度和缺陷检测;三星与英伟达去年10月宣布以5万多颗GPU建设“AI工厂”;SK海力士今年3月提出建设“自主工厂”的目标。企业内部,英伟达约3万名工程师使用AI编程工具,三星今年向软件人员引入Claude Code,SK海力士上线了内部生成式AI平台GaiA。

与此同时,行业里也有不少冷静的声音。HTEC今年3月发布的调研(250名半导体企业高管)显示,几乎所有受访企业都在推进AI,但只有43.6%已在多个职能中深度嵌入,半数以上仍是零散的试点或孤立用例,只有27.4%的高管认为本企业能快速把AI规模化。谷歌AlphaChip关于AI布局优于人类的论文,至今仍有业内专家质疑其可复现性。各家公布的效率数字从“10%至30%”到“50倍”不等,口径和基准各不相同,绝大多数没有经过独立验证。本文试图回答三个问题:AI在半导体行业里到底用到了哪里、用到了什么程度;哪些是真实兑现,哪些仍是叙事;它正在怎样改变企业的业务、研发、市场、团队与组织。

4. 主要观点

■ 驱动力的核心是一条剪刀差:复杂度近乎指数增长,人力供给只能线性提升。 需求拉动来自复杂度爆炸、一年一代的AI芯片节奏、良率即收入和人工无法处理的数据量,是长期且真实的;供给推动来自GPU、大模型成熟和供应商的主动推广,叠加竞争与地缘因素,决定了当前的节奏与热度,也是炒作的主要来源。

■ AI在半导体行业的应用分三层,真实程度差别很大。 第一层是已经规模化、可以验证的机器学习与GPU加速,包括计算光刻、缺陷检测与分类、虚拟量测、测试数据分析和EDA优化类AI,已在量产中运行多年;第二层是过去一年快速渗透的生成式AI与智能体,主要在软件开发、设计验证和工程文档,证据在快速变强但多为企业自报;第三层是“自主工厂”“每个工程师配一百个智能体”等规划与叙事。

■ 这一轮真正兑现的是“提速”,还不是“提良率”。 公开资料中有大量周期缩短、人力节省的案例,由AI带来、可归因的良率提升数字却极少,美光称多年累计使产品报废减少一半是少数例外;离“钱”最近的良率数据,恰恰是企业最不愿意公开、AI也最难证明因果的部分。行业最大的瓶颈不是模型能力,而是数据割裂、工具链集成和组织协同。

■ 模型格局呈现“通用大模型做软件、行业与自研模型做工程、传统机器学习做制造”的分工,商业模式正在从“卖席位”转向“卖用量”乃至“卖结果”。 EDA厂商正在讨论按用量、按令牌收费,芯片IP从授权费转向版税,设备与测试厂商开始卖数据和智能服务。工程师数量与工具收入开始脱钩,这是EDA行业几十年来最大的商业模式变化。

■ 对团队与知识结构的冲击,比对岗位数量的冲击更深。 初级执行工作被大量压缩,工程师的价值从“写”转向“定义与审查”;工艺诀窍等隐性知识被迫数据化、规格化;“新人怎么成长”和“经验如何传承”成为新的管理难题。企业开始把AI落地写进KPI、设立专门的数字化与AI部门,并由高管直接负责。

■ 企业的准备要“组织先行”。 美光、AMD、格芯、联发科、SK海力士等企业的做法虽各不相同,但共同点是高管牵头、建设集中的数据与AI平台、在业务线嵌入AI小组,并把AI落地写进考核。比较有效的结构是“转型委员会加AI中台加业务线小组”三层架构,团队中需要新增智能体流程、数据、审查和模型运维等角色,按试点、平台、规模化三步推进。

■ 半导体的行业特点本身孕育新商机。 数据敏感、数据割裂、出错代价高、旧设备多、头部自建而中小企业缺能力,使设备数据中间件、本地化行业模型与一体机、面向中小晶圆厂的良率分析服务、AI生成设计的验证工具和AI驱动的设计服务成为较确定的机会;平台型机会多由头部厂商获取,新进入者宜做连接器、专业组件或服务中小客户。

■ 未来趋势是从“AI辅助”走向“智能体执行”,再走向局部“自主闭环”,节奏由数据与验证决定。 软件与验证最先进入智能体阶段,物理设计和制造过程控制随后,工厂整体自主运行最慢。数据积累多、工具链全、客户多的头部企业优势会被放大,行业集中度进一步提高。对中国大陆而言,路径是制造数据闭环、国产EDA加智能体补短板、开源模型覆盖中小企业,约束在于高端算力、数据开放和复合型人才,我们不对时间点作预测。

5. 驱动力:半导体企业为什么必须用 AI

半导体企业推进AI,既有来自自身经营的“需求拉动”,也有来自技术和供应商的“供给推动”,还叠加了竞争和地缘因素。理解驱动力,有助于判断哪些应用会持续深入,哪些可能随热度退潮。核心矛盾可以用一条剪刀差来概括:芯片设计与制造的复杂度近乎指数增长,而工程师供给和传统方法下的人效只能线性提升,两者之间的缺口越来越大,AI被寄望于填补这一缺口(图1)。

图1 复杂度与人力供给的剪刀差:AI应用的根本驱动力(示意)

复杂度爆炸,人力跟不上。 先进制程的工艺步骤、设计规则和晶体管数量持续增加,芯粒、3D集成和HBM又把系统级的封装、散热、信号与电源完整性问题叠加进来。功能验证的工作量随设计规模快速膨胀,已成为芯片项目中人力最多、周期最长的环节。与此同时,美国、日本、欧洲和中国大陆都在新建晶圆厂,半导体工程人才在全球范围内短缺。HTEC调研显示,受访的半导体企业普遍存在技能缺口,其中AI、数据工程和网络安全最为紧缺。在人不够的前提下,提高人效是唯一出路。

时间与成本压力:一年一代、良率即收入。 AI芯片的迭代节奏已从过去的两年左右缩短到一年一代,客户对交付周期的要求传导到设计、制造和封测每个环节,谁先流片、谁先量产爬坡,谁就拿到订单。先进制程单片晶圆成本已达每片1万至2万美元以上,一次流片失败或一盒晶圆报废,损失可达数十万乃至上千万美元。对制造企业而言,良率每提升一点都直接转化为收入和毛利,这是机器学习最早进入晶圆厂的原因,也是今天企业愿意为AI付费的底层逻辑。

数据量已超出人工分析能力。 一座先进晶圆厂每天产生数十TB的设备、量测和检测数据。美光披露其工厂每周有约59万个传感器、1亿张晶圆图像和4.36亿个控制点的数据进入AI模型,每天新增约58TB数据。设计侧同样如此,一次大型芯片的回归验证可能涉及数百万次仿真、数千个问题。数据已经存在,但如果没有AI,大部分只能沉睡。

竞争驱动:对手在用,自己不能不用。 SK海力士与三星在HBM上的竞争,已延伸到谁能更快用AI缩短设计和量产爬坡周期;三星和SK海力士都把AI落地写进管理要求。云厂商和大模型企业自研芯片,以更小的团队完成复杂芯片,也在倒逼传统芯片企业提高研发效率。AI正在从“可选的效率工具”变成“必须具备的竞争能力”。

供给推动:技术成熟,供应商主动推。 GPU加速计算、大语言模型和智能体框架在过去两年显著成熟,Synopsys、Cadence、西门子等EDA厂商把智能体做成产品,设备和测试厂商把AI嵌入机台和数据平台,英伟达则以GPU、软件库和模型积极推动“AI进入晶圆厂”。供应商有很强的商业动机放大AI的效果,这部分驱动力真实存在,但也是炒作的主要来源,需要企业用自己的数据加以检验。

地缘与供应链:本土化和新建产能。 在中美科技竞争和供应链重组的背景下,各地新建晶圆厂需要在人才不足的情况下更快达产,AI被视为缩短学习曲线的手段。对中国大陆而言,AI还被寄望于弥补EDA工具链和高端人才的短板,这使国产EDA企业加快布局智能体。

综合来看,需求拉动是长期的、真实的,复杂度、成本和人才缺口不会消失,这决定了AI在半导体行业的应用方向不会逆转;供给推动和竞争压力则决定了当前的节奏和热度,其中包含相当成分的叙事。企业在判断投入时,应以自身的复杂度、良率和人力瓶颈为出发点,而不是跟随供应商的宣传节奏。

6. AI在各环节的真实应用:三层分布

把各环节的公开案例按“落地成熟度”和“市场关注度”放在一起(图2),可以看到一条典型的技术成熟曲线:关注度最高的是自主工厂、工厂数字孪生、设备内置智能体等规划类应用;真正跑在量产线上的,反而是关注度不高、被称为“老AI”的机器学习和GPU加速;生成式AI与智能体处在中间,正在被真实数据校准预期。

图2 AI在半导体各环节的落地成熟度与市场关注度(示意)

6.1. 芯片设计与EDA:优化类AI已规模化,智能体在验证环节最先见效

EDA里的AI分两代。第一代是以强化学习和参数搜索为核心的优化类AI,用于布局布线、设计空间探索和回归测试筛选。Cadence称其Cerebrus、Verisium等AI工具已参与1000多次流片,三星报告在一次SF2工艺流片中使用Cerebrus AI Studio,效率提升约4倍;Synopsys的DSO.ai等同类工具也已在主要客户的先进制程设计中常规使用。这一代AI已经成为先进制程设计流程的标准配置。

第二代是基于大语言模型的智能体,从“帮工程师点按钮”变成“替工程师完成一段工作”。目前见效最快的是功能验证,也就是芯片设计中人力投入最大、最容易成为瓶颈的环节。客户自报的数据包括:Altera称部分验证工作量减少约10倍;Tenstorrent在三个月评估中,三个关键模块的形式验证时间最多缩短4倍;富士通称RTL代码生成生产率提升10%至30%。Synopsys称早期客户整体生产率约提升2倍、部分工作最高5倍。据朝鲜日报报道,三星向软件人员引入Claude Code约三个月后,一项原计划一个多月的客户定制SoC验证任务两天完成,存储事业部的PDK调整时间缩短95%以上;三星在今年GTC上介绍,借助强化学习和多智能体工作流,部分模拟电路的设计周期缩短约一半。国内方面,华大九天董事长刘伟平今年9月表示,其智能体使单元布局从约四周缩短到约一周。

需要看到的是,这些数字大多是“最快”“最高”“部分任务”,基准和统计口径各不相同(图3)。厂商宣称的最高倍数与客户自报的典型改善之间常有一个数量级的差距:Synopsys宣称验证收敛最快50倍,而具名客户自报的数字多在10%至30%到4倍之间。比较稳妥的判断是,智能体在验证、测试平台搭建、调试和文档等环节带来的改善是真实的,典型幅度在数倍以内,而“几十倍”只适用于少数高度重复的任务。

图3 各家宣称的效率提升与证据等级

6.2. 制造与良率:机器学习是主力,生成式AI刚进入

晶圆厂是AI应用最早、也最“安静”的地方。缺陷检测与分类、晶圆图形识别、先进过程控制、虚拟量测和预测性维护,已在头部晶圆厂运行多年。SK海力士2019年披露,深度学习视觉检测自动化了约75%的质检工作;其子公司Gauss Labs的虚拟量测系统在部分关键工序使工艺波动平均降低21.5%。美光是把制造AI做到企业级规模的典型:其工厂每周有约59万个传感器、1亿张晶圆图像和4.36亿个控制点的数据进入AI模型,数据存量约77PB、每天新增约58TB;公司称基于2016年至2025年的内部数据,设备可用率提升4%、每年节省约100万工时。今年3月,SK海力士称AI使设备维护和缺陷分析的处理时间缩短一半以上,并预计视觉机器人和自主移动机器人可使备件库存减少约30%。

计算光刻是GPU加速最成熟的应用。2024年台积电和Synopsys把英伟达的cuLitho投入量产,英伟达当时称350颗H100可替代4万台CPU系统完成同等计算;今年5月台积电与英伟达公布的口径更为保守,为成本效率或周期改善20%至50%。台积电同时把英伟达的cuML用于覆盖数千道工序、数十万个工艺参数的先进过程控制,用H200做工厂调度,并在探索名为FabTwin的工厂数字孪生,但均未公布量化结果。

生成式AI和智能体在制造端才刚刚起步。据韩国媒体The Elec报道,SK海力士正在清州园区后道封装测试产线分阶段试点AI智能体,并部署约250台、搭载2000颗Blackwell GPU的AI服务器支撑数字孪生和内部智能体;三星据报道已要求设备供应商在新采购的设备中标配AI智能体。英特尔在厂务环节使用第三方工业数据平台,据该平台厂商介绍,异常检测速度提升30%、每年节省超过12万工时、超纯水系统每年节省约750万美元,但这些属于厂商营销口径。

6.3. 设备与量检测:从“卖机台”到“卖机台加智能”

设备厂商是制造端AI的重要推手。泛林集团首席执行官今年5月表示,未来两年将在设备中加入更多传感和AI能力,客户包括台积电和美光;应用材料、科磊都在推动基于设备数据的分析和优化服务。量测与检测是最直接受益的环节:先进制程单片晶圆成本已达到每片1万至2万美元以上,一盒25片晶圆报废的损失可达数十万美元,良率已不仅是效率指标,而是收入指标(图6)。据第三方测算,全球量测与检测设备市场从2020年约60亿美元增长到2025年约129亿美元,科磊份额由72.6%升至73.8%。

6.4. 测试:数据平台先行,AI随后

测试环节的AI应用依托实时数据平台。爱德万测试与英伟达合作,把机器学习嵌入其ACS实时数据基础设施,英伟达已选用该平台用于Blackwell及下一代产品的量产测试,目标是在同一测试工序内把分析结果转化为产线动作,提高效率和良率;双方还计划引入NeMo模型和测试环境中的AI智能体。目前公开信息停留在“已选用”和“目标”层面,尚无量化结果。

6.5. 企业运营、供应链与销售:使用广泛,可验证案例最少

内部知识问答、会议纪要、政策与技术情报分析、人力资源问答、编程助手,是半导体企业里使用人数最多的AI。SK海力士GaiA平台的首批智能体就包括设备维护、全球政策与技术分析、人力资源政策和会议智能体。供应链需求预测、库存可视化、供应商风险监测和销售支持也被咨询机构普遍列为应用方向,但公开可验证的半导体企业案例非常少,几乎没有企业披露这类应用的财务效果。这部分的真实情况更接近“普遍试用、效果难以量化”。

7. 真假之辨:哪些已兑现,哪些仍是叙事

7.1. 兑现的是“提速”,不是“提良率”

梳理公开资料可以发现一个明显的结构:效率类数字很多,良率类数字很少。美光是少数公布结果的企业,称基于2016年至2025年的内部数据,AI使产品报废减少50%、新产品上市时间缩短50%,但这是近十年的累计效果,与工艺进步等因素交织在一起,难以单独归因。周期缩短、人力节省、计算加速都容易度量,也愿意公开;而良率既涉及工艺机密和客户信息,又受设备、材料、工艺窗口等多种因素影响,很难把改善归因于AI。即便是最接近良率的虚拟量测,公开的也只是“工艺波动降低”。因此,凡是宣称AI“大幅提升良率”的说法,都应追问基准、时间和归因方法。

7.2. 觉得有用的多,真正铺开的少

各类调研呈现出同一个落差(图5):德勤对140余家制造企业的调研显示约84%认为AI带来了可衡量的价值,但只有约五分之一的用例在多个工厂或全企业一致铺开;HTEC的半导体专项调研显示,43.6%的企业已在多个职能中嵌入AI,只有27.4%的高管认为能快速规模化。HTEC同时发现,半导体是其调研的六个行业中唯一一个以“自建”为首选策略的行业,这既反映了半导体企业对知识产权和数据安全的高度敏感,也意味着规模化需要更长时间和更多投入。

图5 从“觉得有用”到“真正铺开”的落差

7.3. 卡住规模化的是数据和组织,不是模型

HTEC调研中,42.8%的受访者把“执行层面的领导层不一致”列为首要障碍,41.6%表示难以把AI嵌入工程流程、EDA环境和制造系统。具体看有三道坎:一是数据割裂,设计数据、制造执行系统数据、设备数据分属不同部门和供应商,格式封闭,设备商的私有传感器数据格式尤其难以打通;二是知识产权敏感,设计和工艺数据不能上公有云,模型需要本地化部署,西门子Fuse等产品专门强调可在物理隔离环境中运行;三是验证成本高,芯片一旦流片出错代价巨大,AI生成的结果必须经过确定性的签核工具复核,Synopsys首席执行官也强调,自主设计仍依赖“准确、确定性的签核工具”。

7.4. 识别炒作的五个问题

面对层出不穷的AI效率宣传,可以用五个问题来检验:数字来自厂商还是具名客户;是“最高”还是“典型”;基准是人工流程还是上一代工具;是单个任务还是完整项目周期;是否包含审查、返工和集成的时间。AlphaChip的争议就是一个例子:谷歌称其已用于多代TPU和Axion处理器,而批评者至今认为在没有原始训练和测试数据的情况下结果无法复现。这类争议并不否定AI的价值,但提示行业需要建立可比较、可复现的评估方法。

8. 主要模型与商业模式

8.1. 模型格局:三类模型各有分工

通用商用大模型主要用于软件与通用工程工作。 英伟达约3万名工程师使用Cursor等AI编程工具,三星向软件人员引入Claude Code,CadenceChipStack同时支持英伟达Nemotron和OpenAI等云端模型。这类模型能力最强、迭代最快,但涉及核心设计数据时,企业普遍对上云保持谨慎。

行业模型与企业自研模型用于工程核心环节。 英伟达很早就训练了面向芯片设计的领域适配模型ChipNeMo,研究显示经领域适配的小模型可以在芯片设计任务上以更小规模达到或超过通用大模型的效果;SK海力士自研GaiA平台,从检索增强、单一智能体演进到多智能体编排;三星以自研模型为主,并与外部模型厂商合作本地部署。EDA厂商则把英伟达Nemotron等开放权重模型嵌入工具,西门子Fuse还允许客户自选模型。

传统机器学习、强化学习和遗传算法仍是制造与优化的主力。 缺陷分类、虚拟量测、过程控制、布局优化和模拟电路参数搜索,依靠的是针对特定数据训练的专用模型,而不是大语言模型。三星在模拟电路设计中使用的就是强化学习和遗传算法。

从部署方式看,半导体企业的选择是“敏感数据不出厂”:核心设计和工艺数据在本地GPU集群或物理隔离环境中处理,非敏感的软件开发和办公场景使用云端商用模型。这也解释了为什么三星、SK海力士都在自建数千乃至数万颗GPU的内部算力。

8.2. 商业模式:从“卖席位”到“卖用量”和“卖结果”

EDA行业几十年来按工程师席位和许可证收费,收入与客户的设计人员数量高度相关。智能体改变了这一前提:一个工程师可以同时调度多个智能体,并行跑大量实验,席位数可能减少,计算用量却成倍增加。Synopsys今年三季度业绩会上表示,正在与客户讨论面向智能体和工作流的“订阅加用量”模式;Cadence计划对智能体能力单独定价,并鼓励更多并行实验;华大九天表示正在考虑对智能体系统按令牌收费;Synopsys的IP业务也在从“授权费加一次性工程费”转向“授权费加版税”。另一种思路是AMD今年10月推出的FPGA设计智能体,据报道不单独收费,但需要配合其开发工具许可证使用,本质上是用AI巩固工具生态。

图9 工具厂商收入模式的迁移方向(示意)

设备、测试和数据平台厂商则在探索“硬件加数据服务”的模式:设备内置传感与AI、按产线或按晶圆提供分析服务,测试厂商以云数据平台锁定客户。英伟达是另一类赢家,它通过cuLitho、cuML、Omniverse等软件库和GPU把自己嵌入EDA和晶圆厂,既卖算力,也成为行业AI的底层平台。

从财务上看,AI尚未成为EDA厂商的独立收入来源,但正在推高需求。Synopsys三季度EDA业务同比增长8.5%,管理层把增长归因于AI带来的设计复杂度、先进封装和3D集成;Cadence年内两次上调全年指引,也把智能体视为新的增长点。值得注意的是,Synopsys去年底宣布裁员约2000人、约占员工一成,其公告把原因归于并购整合而非AI,市场上关于“AI取代工程师”的解读并无依据。

9. 业务与研发的影响

9.1. 业务:竞争力从“产能”延伸到“数据”

对晶圆厂和存储企业而言,AI把良率、周期和设备利用率的改善从“经验驱动”变为“数据驱动”。谁的数据积累更多、数据打通得更好,谁就能更快爬坡新工艺、更稳定地量产。SK海力士和三星在HBM上的竞争,已经延伸到谁能更快用AI缩短设计和量产爬坡周期。对设计企业而言,AI降低了单颗芯片的工程人力成本,使定制芯片在更多客户和更小批量上变得经济可行,这与云厂商和大模型企业自研芯片的趋势相互强化。

9.2. 研发:工作重心前移,验证瓶颈松动

芯片设计的人力曲线正在改变形状(图4)。传统流程中,功能验证占用人力最多、周期最长;智能体最先在验证环节见效,使这一峰值下降。与此同时,规格定义前移并且投入上升,因为智能体要求工程师把“要做什么”说清楚、写成可执行的规格;还新增了一项工作,即审查和复核AI生成的代码与测试。总的结果是周期缩短,但对架构与规格能力的要求明显提高。

图4 芯片设计项目的人力投入曲线:传统流程与AI辅助(示意)

研发的另一个变化是试错方式。AI让并行探索变得便宜:过去只能比较少数几种设计方案,现在可以同时让智能体跑上百个实验,再由工程师挑选。这会加快设计收敛,但也带来新问题:算力成本上升,结果的可解释性和可追溯性变得更重要。

图6 良率即收入:先进制程晶圆成本与量检测设备市场

10. 对市场格局的影响

头部EDA、量检测和测试企业受益最多。Synopsys、Cadence、西门子三家掌握设计数据和签核工具,智能体建立在它们的工具之上,而不是取代它们;科磊等量检测企业掌握产线数据,AI放大了数据的价值。AI初创企业可以在单点任务上做出亮点,但要进入签核和量产流程,绕不开头部企业的工具链和客户信任。

头部芯片企业与中小企业的差距可能扩大。拥有海量历史设计数据、数万颗GPU和自建AI团队的企业,可以训练更好的内部模型并形成正反馈;中小设计企业更多依赖EDA厂商提供的通用智能体,差异化有限。另一方面,AI降低了芯片设计的人力门槛,也可能让新进入者以更小的团队完成更复杂的芯片,这两种力量将同时存在。

英伟达在行业中的角色进一步加强。它既是半导体行业最大的客户之一,又通过GPU、软件库和模型成为EDA、晶圆厂、测试平台的AI底座。这意味着半导体行业自身的数字化,也在一定程度上加深了对单一平台的依赖。

11. 团队与知识结构的变化

11.1. 团队结构:从“金字塔”走向“橄榄形”

过去的芯片设计和工艺团队是典型的金字塔:大量初级工程师负责写代码、跑仿真、整理数据和报告,少数资深工程师负责架构、签核和决策。AI最先替代的正是金字塔底部的执行性工作(图7)。三星的案例很典型:据报道,一名入职第二年的工程师借助AI,一天完成了原本可能需要一个多月的任务。团队结构因此向“橄榄形”移动:初级执行岗位减少,能够定义问题、审查结果、调度智能体和跨领域整合的中高阶岗位占比上升。

图7 团队结构迁移:从金字塔到橄榄形(示意)

这带来一个必须正视的问题:如果初级工程师不再通过大量重复工作积累经验,未来的资深工程师从哪里来。部分企业开始把“理解AI输出、发现AI错误”作为新人培养的重点,并有意保留一部分手工完成的训练任务。从目前情况看,AI对半导体工程岗位总量的冲击并不明显,行业人才仍然短缺;变化主要发生在岗位内容和能力结构上。

11.2. 知识结构:隐性知识被迫显性化

半导体是高度依赖经验的行业,大量工艺诀窍、调试技巧和设计习惯存在于资深工程师的脑子里。AI要发挥作用,这些隐性知识必须被数据化、规格化、写成文档和规则,才能被模型学习和调用。这对企业是一次知识资产的重新盘点:能否把几十年积累的设计数据、工艺数据和故障案例整理成可用的训练数据和知识库,决定了内部AI的上限。

工程师需要的知识结构也在变化。从“精通单一工具和单一环节”,转向“懂领域、懂数据、会用AI”的复合结构:工艺工程师需要理解数据分析和模型的局限,设计工程师需要会写清晰的规格和验证计划,数据科学家需要理解工艺和器件物理。SK海力士2017年以约40人组建数据科学团队,2024年组建工业AI专门团队,就是这种复合能力建设的缩影。HTEC调研中68.8%的半导体高管自评AI素养为中等或偏低,说明这一转变在管理层同样存在。

11.3. 考核与激励:AI落地写进KPI

据韩国媒体报道,SK海力士已把AI软件的验证和部署纳入设备验证人员的考核,AI带来的良率改善也计入绩效评价;三星今年6月表示将在各职能全面整合AI,并由高管对相关变革直接负责。英伟达管理层则公开要求尽可能用AI自动化工作任务。考核方式的变化说明,AI已从“工具选择”变成“管理要求”。

12. 组织的变化

出现专门的组织承载AI转型。SK海力士设有数字化转型部门统筹自主工厂建设,三星设立AI中心并由执行副总裁负责,英伟达把AI智能体工具链同时用于自身工程团队和对外产品。这些部门的作用是打通数据、建设平台、推动跨部门落地,而不只是做技术研究。

部门边界被数据重新划定。设计、工艺、设备、测试和质量部门过去各自管理自己的数据和系统,AI要求数据在部门之间流动,才能实现从设计到制造的闭环优化。这触及组织权力和责任的重新分配,也是HTEC调研中“执行层面领导层不一致”成为首要障碍的根本原因。

与供应商的关系在变化。三星要求新采购设备标配AI智能体,SK海力士在设备验证中引入AI考核,晶圆厂开始把“数据开放程度和AI能力”作为设备采购的重要条件,这将改变设备商与客户之间的数据所有权和分工。EDA厂商也从工具供应商变为客户研发流程的深度合作方,50多个智能体合作项目本质上是联合开发。

治理与风险管理成为新职能。AI生成的设计和代码由谁负责、出错如何追溯、知识产权如何保护、员工使用外部模型的边界在哪里,都需要新的制度。西门子等厂商在产品中加入权限控制、审计记录和人工检查点,也是在回应这一需求。

13. 对中国大陆的启示

中国大陆半导体企业应用AI,既有优势也有约束。优势在于产线规模大、应用场景多、工程师队伍庞大,制造环节的数据积累正在快速增加;国内EDA企业也在加快智能体布局,华大九天称其智能体已在单元布局等任务上明显缩短周期,并考虑按令牌收费。约束在于四个方面:高端算力获取受限,大规模内部模型训练成本更高;EDA工具链仍以海外厂商为主,据Omdia数据,三家海外厂商约占国内EDA市场的78%,国产工具的数据和流程闭环尚未形成;设备数据接口和工业数据开放程度有限;兼具工艺、设计和AI能力的复合型人才稀缺。

我们认为,中国大陆更可能沿三条路径推进(图8):一是制造数据闭环,在本土产线上持续积累工艺与缺陷数据,以机器学习提升良率爬坡和设备利用率,这条路径基础最好;二是国产EDA加智能体,以AI弥补工具链在点工具和流程上的短板,但需要在真实流片中反复验证;三是开源模型加行业场景,以较低成本覆盖大量中小设计企业。三条路径的关键都不在模型本身,而在数据开放、工具链协同和产业组织。如果数据和应用集中在个别垂直一体化企业内部循环,AI的价值难以在全行业扩散;若能形成多家EDA、设备、制造企业与多家市场化客户之间的开放协作,AI才能成为整体竞争力。我们不对上述路径的时间点作预测。

图8 中国大陆半导体AI应用的三条路径(按阶段示意)

14. 趋势

**从“AI辅助”到“智能体执行”,再到局部“自主闭环”。**软件开发与验证最先进入“AI做、人审”阶段,物理设计与签核、制造过程控制随后,工厂整体调度与自主运行最慢(图10)。所谓“自主工厂”更可能先在后道封测、厂务和物料等边界清晰的环节实现,前道核心工艺仍将长期保持人在回路中。

图10 各环节从“辅助”到“自主”的渗透曲线(示意)

**评价标准从“效率”转向“结果”。**随着工具普及,单纯的周期缩短会成为标配,行业将更关注AI能否带来更好的芯片性能、功耗、面积,以及更快的良率爬坡。能否给出可复现、可归因的结果,将区分真实的AI能力与营销。

**商业模式重构,EDA与设备厂商的收入与客户成败更紧密绑定。**按用量、按令牌和按结果收费的比重会上升,工具厂商的收入将更多取决于客户算力使用量和项目成功率,而不是工程师人数。这会改变EDA行业的估值逻辑,也会提高客户的使用成本,围绕定价的博弈将持续一段时间。

数据成为核心资产,集中度提高。 掌握设计数据、产线数据和测试数据的头部企业优势被放大,设备数据的所有权和开放程度将成为晶圆厂与设备商之间的新议题。行业内部可能出现可信的数据共享机制或第三方数据平台,但进展会较慢。

人才与组织成为决定性变量。 技术供给已经不是主要约束,能否完成知识显性化、团队结构调整、考核方式和部门边界的重塑,将决定企业能否把试点变成规模化成果。“懂芯片的AI人才”和“会用AI的芯片人才”会持续稀缺。

15. 企业需要做的准备

从领先企业的做法看,AI落地的难点不在买工具,而在组织能否跟上。多数企业的问题是工具和模型已经到位,数据治理和组织调整却没有跟上,项目停留在试点(图11)。下面先看几家企业的做法,再归纳组织结构、团队配置和推进步骤。

图11 企业推进AI的三个阶段与投入重心(示意)

15.1. 典型案例:五种组织方式

**美光:制造侧高管牵头, “专业团队加全员数据能力”。**美光设有负责智能制造与AI的公司副总裁,由专门团队围绕日常良率优化快速做原型,成熟后并入主平台;同时设立内部数据科学学院,推行“公民数据科学家”模式,让工艺、设备等职能专家自己使用AI工具,其良率管理平台的使用者超过1.4万人。美光还把模型监控和重训练自动化,理由很直接:否则数据科学家永远不够用。

AMD:首席信息官牵头,把自己当“零号客户”。 AMD由高级副总裁兼首席信息官牵头内部AI落地,业务应用副总裁负责评估每个AI项目的成本、收益和适用性,首席信息官与首席软件官定期以KPI向首席执行官汇报。AMD把AI成熟度分为辅助、行动、自动化、自主四个阶段,各职能团队与IT一起找出回报最高的工作负载,按成熟度模型排序,并为每个项目设定业务指标;内部用例目录已沉淀100多个可复制的用例,同时通过黑客松、提示词比赛和操作手册推广。工程侧另设“左移AI”应用团队,由公司院士级专家带领,专攻验证回归分析等场景。该团队负责人的判断是:瓶颈已不是算力或工具,而是人们是否知道如何重新设计工作本身。

**格芯:数字制造副总裁统筹, “现场加IT”双线协同。**格芯由负责数字制造的副总裁决定AI用在哪里、何时成熟、推广到多大范围。其经验是项目从第一天起就让制造现场参与,项目团队同时与产线和IT紧密配合,IT负责数据流、架构和治理,使方案能快速交付,避免“试点做完就结束”。

**联发科:先建集中式 “AI工厂”,再支撑全公司应用。**联发科在本地部署基于英伟达DGX SuperPOD的集中算力,用于训练和推理领域适配的大模型,包括从设计流程图和状态图中提取信息的芯片设计智能体。据英伟达发布的案例,联发科每月处理约600亿个令牌、进行2.4万多次模型训练迭代,敏感数据全部留在本地。

SK海力士与三星:数字化部门统筹,高管与KPI双重驱动。 SK海力士由数字化转型部门统筹自主工厂建设,2017年组建数据科学团队,2024年组建工业AI专门团队,自研GaiA平台,并据报道把AI落地纳入设备验证人员的考核;三星设立半导体部门AI中心,由执行副总裁负责,今年6月宣布在各职能全面整合AI并由高管直接负责,同时向设备供应商提出AI能力要求。

15.2. 组织结构:三层架构

归纳上述做法,比较有效的组织结构可以分为三层。顶层是高管牵头的AI转型委员会,由首席执行官或首席运营官授权,研发、制造、IT、人力和财务负责人参与,负责确定优先场景、分配资源和审议成果,避免AI成为IT部门的独角戏。中间层是集中的AI与数据平台团队,负责统一的数据湖、模型和智能体平台、算力调度、安全与合规,相当于企业的“AI中台”,美光的良率平台、联发科的AI工厂、SK海力士的GaiA都属于这一层。底层是嵌入各业务线的AI小组,设在设计、验证、工艺、设备、测试和运营等部门内部,由懂业务的骨干带领,负责找场景、做落地和推广。关键是中台与业务线的分工:平台统一建设,场景由业务主导,成果由业务指标衡量。

15.3. 团队配置:新增五类关键角色

在业务团队内部,除了原有的设计、工艺和设备工程师,需要逐步配置五类角色。一是领域AI负责人,通常由资深工程师兼任,负责识别场景并对结果负责;二是智能体与流程工程师,负责把工作流程拆解为智能体可执行的任务、编排多个智能体并维护提示词与工具接口;三是数据工程师与数据管理员,负责数据清洗、标注、权限和质量;四是验证与审查角色,负责对AI生成的代码、测试和工艺建议进行复核,把关签核质量;五是模型运维人员,负责模型监控、重训练和版本管理。比例上不必一步到位,可以先在一两个高价值团队试行,再按效果推广。与此同时,应把“公民数据科学家”作为普遍要求,让大多数工程师具备使用AI工具和理解数据的基本能力。

15.4. 数据、算力与安全底座

数据是最先要补的课。企业需要建立覆盖设计、制造、设备、测试和质量数据的统一治理体系,明确数据归属、格式标准和访问权限,并在设备采购合同中写入数据开放和接口要求。算力上,涉及核心设计和工艺数据的模型训练与推理应以本地部署为主,非敏感场景可使用云端商用模型,形成分级使用制度。安全上,需要明确员工使用外部模型的边界、AI生成内容的知识产权归属和出错时的追溯机制。

15.5. 人才培养、考核与度量

人才方面,一要建立内部培训体系,参照美光的数据科学学院,对工程师进行分层培训;二要重新设计新人培养路径,在利用AI提效的同时保留必要的手工训练,避免经验断层;三要调整招聘画像,更看重跨领域能力和用AI解决问题的能力。考核方面,可以借鉴SK海力士和AMD的做法,把AI落地纳入部门和个人KPI,但指标应以业务结果为准,例如周期、良率、报废、人力投入,而不是简单统计使用次数。度量方面,每个项目都应在启动时定义基准和目标,上线后持续跟踪,并沉淀为可复制的用例目录。

15.6. 推进步骤:试点、平台、规模化

第一步是试点,选择数据基础好、价值高、风险可控的场景,例如验证回归分析、缺陷分类、设备预测性维护和工程文档,建立度量方法,在几个月内拿出可衡量的结果。第二步是平台,把试点中重复建设的数据管道、模型和智能体工具统一到中台,解决数据打通和安全问题。第三步是规模化,把AI写进标准流程、岗位职责和考核,推广到更多部门和工厂。从各家经验看,最容易出问题的是从第一步到第二步:如果没有高管推动数据打通和部门协同,项目会长期停留在试点。

16. 行业特点带来机会

半导体行业有几个与其他行业明显不同的特点:知识产权和数据高度敏感,核心数据不能出厂;数据分散在多家设备、EDA和测试厂商的私有系统里,格式不统一;芯片出错代价极高,任何AI结果都必须经过确定性的验证和签核;设备生命周期长,大量在役旧设备缺少传感和数据接口;同时,头部企业倾向自建,中小企业又缺少数据和AI团队。HTEC调研显示,半导体是其调研六个行业中唯一以“自建”为首选策略的行业。这些特点既是AI落地的障碍,也正是新商机所在(图12)。

图12 新商机地图:需求确定性与头部厂商控制程度(示意)

16.1. 数据基础设施:最确定、最被低估的机会

设备数据采集与标准化中间件,是需求最确定、头部厂商尚未完全控制的环节。晶圆厂里同时运行着多家设备商、不同年代的机台,数据协议和格式各不相同,打通这些数据是一切制造AI的前提。能够跨厂商采集、清洗、对齐设备与量测数据的中间件和工业数据湖,类似于制造业的“数据管道”,客户粘性高。与之相关的还有旧设备智能化改造,即为在役机台加装传感器和边缘计算模块,这在成熟制程和特色工艺工厂中需求尤其大。

16.2. 本地化行业模型与推理一体机

核心设计和工艺数据不能上云,这决定了半导体企业需要在本地运行模型。面向芯片设计和制造的领域适配模型,以及把GPU服务器、模型、智能体框架和安全管控打包交付的推理一体机,是一个确定的增量市场。头部企业会自建,比如三星、SK海力士、联发科都在建设自己的“AI工厂”;但大量中型设计公司和晶圆厂缺少自建能力,更需要开箱即用的本地化方案。

16.3. 面向中小晶圆厂的良率分析与虚拟量测服务

先进制程晶圆厂有自己的数据科学团队,美光的良率平台有1.4万人使用;但全球数量更多的成熟制程、功率半导体、化合物半导体和特色工艺工厂,普遍缺少数据团队,却同样面临良率和设备利用率压力。以订阅方式提供良率分析、缺陷分类、虚拟量测和预测性维护的服务,在这一市场有较大空间。这类工厂对价格敏感,产品需要标准化、易部署。

16.4. AI生成设计的验证与审查工具

智能体越能写代码、写测试,“谁来证明它是对的”就越重要。形式化验证、等价性检查、AI生成代码的风格与安全审查、设计意图追溯等工具,会随着智能体的普及而需求上升。这一领域头部EDA厂商有优势,但细分工具仍有专业公司的空间,并可能成为被并购的对象。

16.5. AI驱动的芯片设计服务

AI降低了芯片设计的人力门槛,使小团队完成复杂芯片成为可能。面向云厂商、汽车、工业和消费电子企业的定制芯片需求持续增加,借助智能体以更小团队、更短周期提供设计服务,并探索按里程碑或按结果收费的新模式,是设计服务公司的机会。

16.6. 数据与知识服务、人才与转型咨询

缺陷图像标注、合成缺陷数据、工艺知识库构建,以及在不交出原始数据的前提下让多方协作训练模型的可信数据共享技术,都是围绕“数据稀缺且敏感”产生的需求,目前确定性相对较低,但长期价值高。另一类是人的需求:面向工程师的“AI加半导体”复合能力培训,以及帮助企业设计组织架构、角色配置和推进路线的转型咨询。

16.7. 商机的归属与风险

需要清醒看到,平台型机会大多会被头部厂商获取。EDA智能体平台、测试数据平台和设备内置AI,分别由Synopsys、Cadence、西门子、爱德万测试、科磊、应用材料等企业主导,新进入者更现实的定位是做“连接器”和“专业组件”,或服务于头部厂商覆盖不到的中小客户。新商机的主要风险有三:一是头部企业倾向自建,外部供应商只能切入工具和组件;二是半导体客户验证周期长、准入门槛高,初创企业需要较长时间才能形成收入;三是行业周期波动会影响客户的投入节奏。对中国大陆而言,成熟制程产能规模大、国产设备和EDA正在加快导入,设备数据中间件、成熟制程良率分析和国产EDA配套的智能体工具,可能是本土企业较有基础的方向。

17. 研判与建议

综合来看,AI在半导体行业的应用是真实的,但远没有宣传中那样均匀和彻底。真正规模化的,是已经运行多年的机器学习与GPU加速;正在快速兑现的,是智能体在软件和验证环节带来的提速;仍处于叙事阶段的,是自主工厂和全面替代工程师。这一轮AI对半导体行业最深远的影响,可能不在效率本身,而在于它迫使企业重新组织数据、知识、团队和商业关系。

■ 芯片设计企业: 优先在验证、测试平台、调试和文档等环节规模化使用智能体,同时把规格定义和结果审查能力作为团队建设重点;建立内部的效率度量方法,不以厂商宣传数字作为决策依据。

■ 晶圆厂与存储企业: 把数据打通作为AI落地的前提,推动设计、工艺、设备、测试数据的统一治理;在设备采购中明确数据开放和接口要求;对良率改善建立可归因的评估方法。

■ EDA、设备与测试企业: 在智能体之外,保持签核工具和量测能力的确定性与可信度;商业模式转型要兼顾客户成本可预期,避免按用量收费带来的预算不确定性抑制采用。

■ 企业管理者: 把AI转型当作组织工程而不是IT项目,设立跨部门的推进机制和高管责任;重新设计新人培养路径和知识管理体系,避免经验断层。

■ 中国大陆产业: 以制造数据闭环为基础,推动国产EDA与真实流片结合迭代,以开源模型降低中小企业门槛;重点在数据开放、工具链协同和复合型人才上投入,避免AI能力只在个别企业内部封闭循环。