至顶网服务器频道 09月18日 新闻消息:
Micron Technology称,芯片制造商们正在采用人工智能(AI)来加强晶圆工厂的运营,而且这一努力开始看到了成效。
晶圆工厂管理者们需要判断客户不断变化的需求,同时在全球多个制造基地实施不断变化的工艺技术。据Micron晶圆工厂副总裁Buddy Nicoson表示,所有这些情况的发生,是因为芯片制造商们的目标是要尽快实现公司层面的产量和质量目标。
Micron晶圆工厂副总裁Buddy Nicoson
在超过30年的职业生涯中,Nicoson曾经帮助管理过三星、AMD、Cypress Semiconductor等厂商的芯片工厂。在2014年加入Micron之后,他帮助Micron率先将人工智能技术引入晶圆工厂。
在近日举行的Semicon Taiwan展会上,他表示:“AI可以让产量比没有使用AI快25%,达到每百万缺陷率(DPM)要求的速度比以前快了35%。”
目前Micron在美国、日本、台湾以及新加坡都设有工厂,并建立了团队相互学习。如果有团队从台湾团队那里学习了大数据的经验,“我们希望通过我们的网络尽快推广起来,”Nicoson表示。
有了AI,Micron将把晶圆工厂管理从芯片设施转向远程控制中心。
“你不再需要像以前那样有人在工厂现场待着,如果你可以通过仪表板设置远程操作中心,你会有更广阔的视野。”
每天Micron都会产生5TB的数据,有3000个数据仪表板。Micron将这部分工作划分为工作站部门和工作站团队。
“如果你的企业组织内有13000人,那么3000个仪表板就不算多了。我们正试图把一些非常复杂的事情,用简单易懂的语言说给那些正在致力于让我们变得不同的人。我们必须让接口工具变成有形的、让我们的人可以用起来的。”
需求预测
有一种AI应用具有很大的潜力,那就是需求预测,这对没有辅助的人类来说,是相当困难的,Wiseman这样表示。
“当苹果发布一款新iPhone手机的时候,你最好了解最理想的预测情况。否则,你就跟不上最新形势了。如果你的供应对象是除了苹果之外的所有厂商,谁会赢?你是给谁出货产品?我们看到价值链中每一点都有大量的过剩和注销。”
他说,运用机器学习,可以更好地了解要供应多少芯片。
Nicoson表示:“现在规划是很灵活的。每一分钟都在变。如果你没有调度员来时刻关注着工厂运营的实施动态,那么你就落后了。这些都可以通过虚拟化来增强。”
不再有孤岛
Nicoson将可视化视为“一件大事”。全方位的可视化,可以暴露隐形的损失和隐形的浪费。
“如果你和现场工程师聊一聊的话,你会发现他们现在遇到的一个挫折,正是我所说的孤岛问题。他们必须进入一个系统,去查看一些情况,然后他们进入到另一个系统,去查看其他一些情况,这不是全方位或者有一致性的。”
他说,非结构化数据可以用于消除Micron现有数据中存在的偏差。
“你最终会看到以前看不到的那些隐形损失以及浪费,现在这已经成为系统签名,在这方面你可以做一些事情了。”
管理人力资源
Wiseman表示,机器学习还可以告诉管理层,某位员工什么时候会辞职。
“你可以查看员工的社交网络行为,上LinkedIn的频率,以及电子邮件行为。你可以预测员工的离职,精确率大约是95%。”
通过预测结果,公司管理层可以在员工离职前采取行动并“留住”员工。他说,这意味着管理层和员工之间需要新的沟通协议。
深度学习
对于芯片制造商来说,深度学习仍然是一项处于起步阶段的技术,Nicoson这样表示。目标之一,就是在制造过程的初期发现硅片上的缺陷。
他说:“这与面部识别非常相似。有两个方面:几何识别和光度识别,这是非常有效的。”
尴尬的是,半导体行业在采用AI方面比较滞后。Nicoson指出,半导体行业才刚刚开始将AI技术与获得价值联系到一起。
AI将帮助把新一代工作者与老一代工作者连接起来,Nicoson表示。
他拿一位在Micron公司做了24年图片操作员来举例子。
“他是一位很资深的员工,关于图片他无所不知。我们需要让他转型,让他发挥他的价值。由于他所拥有的知识和时间经验,他成为新一代员工的重要导师,新一代员工对物联网、系统和软件了解得更多,但是缺乏实际应用的知识。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。