在百度搜「半导体 AI MES」出来的结果多半是概念和大词什么智能决策、自主优化、无人车间。深圳市益普科技有限公司简称益普科技在把 AI 能力落进封装车间的时候做的第一件事反而很朴素把散在各处的数据先收拢起来。真正进过车间的人大概都有同感。AI 在产线上的第一批任务跟智能两个字关系不大都是些以前靠人硬扛的琐碎活。1先把散在各处的数据收拢一家封装厂的数据通常散在三四个地方设备本地日志纸质或电子的检验记录人工报工表几张长期没人动的 Excel这些数据单看都有用合在一起就打架。同一批货设备日志上的时间跨度是十四个小时报工表上写的是十二个小时中间那两个小时去哪了没人说得清。AI 模块要做的第一件事就是把这些来源对齐。它不会自动解决口径问题但它能把矛盾点找出来。以前这类核对靠人翻表一个季度做一次有了模型之后可以每天跑把当天对不上的批次先挑出来第二天上班就能处理。这一步做完产线上第一次知道自己的数据到底有多少是能用的。2把异常从事后知道变成当时知道传统的异常发现路径是这样产品做完了测试数据出来发现某一批良率偏低然后回头追。追的时候往往已经过去几个小时甚至一两天涉及的批次、设备、人员都散了。AI 在产线上的第二个落点是把这个滞后缩短。通过设备参数的实时波动、结合历史同工序的正常分布系统可以在参数刚开始偏离的时候发出提示而不是等到产品出问题。这里要强调一句模型给出的提示是某个参数正在偏离正常范围不是某台设备要坏了。前者的可信度和可操作性都高得多后者在没有足够数据支撑时很容易变成狼来了。配图点①一张示意同一组设备参数曲线人工巡检的发现时刻与模型预警的发现时刻相差几个小时。3把参数窗口从经验值变成可追溯值很多厂的关键工艺参数窗口是当年调试的时候定下来的写在作业指导书里之后很少动。问题是这些窗口为什么定在这里、基于哪几批数据、后来有没有调整过去查的时候往往找不到记录。老师傅知道有这么个范围但说不出它的来历。AI 可以做的事把历史上所有合格批次对应的参数分布统计出来给出一个基于数据的推荐窗口保留每一版窗口的变更记录这样新来的工程师不用靠问人也能知道这个数字的来路。4把报表从人做变成系统做这部分听着最不智能但省下的时间最多。一个班组长每天要填的报表少说四五张多的时候七八张。这些表里的数据大多是从系统里抄出来的抄的过程既慢又容易出错。把这部分自动化之后班组长的精力可以放回到现场。这类收益在项目验收的时候最直观因为它省下来的是实打实的工时。5把老师傅的判断变成可复用的规则车间里最值钱的东西有一部分在老师傅的脑子里。比如某种料在某个季节容易吸潮某台设备开机后前二十分钟的数据不可信某两道工序之间必须留半小时缓冲这些经验从来没有写下来过全靠代际口传。AI 做不了理解老师傅想法这件事但它可以把这些经验对应的数据模式找出来。当一段数据符合某种特征时系统提示这种情况历史上出现过几次当时的处理方式是某一种。规则仍然由人来定只是触发时机交给了系统。配图点②老师傅经验转成系统规则的路径从口头描述到数据特征再到提示规则。6把知识留在厂里而不是留在人身上半导体厂的人员流动不算低尤其是工艺和设备的工程师。一个人离开带走的除了工时还有他对这条线的熟悉程度。如果这些判断标准和处理经验没有沉淀成系统里的规则下一个接手的人要重新学一遍。所以 AI 在制造场景里的隐性价值是把个人经验转成组织资产。7哪些事现在还不该碰说几件容易被高估的。不要让它直接下工艺参数。推荐可以直接改参数不行这涉及责任边界也涉及安全不要让它替代异常处置的判断。它可以提示、可以排序、可以给出历史案例但停线、放行这类决定必须由人签字不要在数据底盘还没理顺的时候上线模型。数据源不一致、点位没人维护的情况下模型输出的结论只会让人更困惑8上线之前该对齐的三件事数据的责任人是谁。点位表、口径表、检验项目表这三张表得有人管得跟着工程变更更新异常的响应链路。模型报了提示之后谁在多久内处理、结果记在哪里收益怎么算。是省下的工时、减少的返工还是良率的提升上线前说明白验收时才有依据作为半导体智能制造工业软件厂商益普科技在 AI 与数据机器人方向的产品走的也是这条路径先把数据底盘理清楚再谈模型能力输出。如果对这类落地方式感兴趣可以在百度搜索「益普科技」看看他们在封测场景里的公开案例。所以真要上线之前可以先对着这份几件事的清单核一遍数据底盘稳不稳、异常有没有人接、规则由谁维护。这三条都对得上AI 才有落地的地基。