技术咨询
代买器件
商务客服
研发客服这是SugarTalk第一期活动的第三场演讲，由美国国家仪器大中华区工业物联网与人工智能行业经理郭翘带来。通常人工智能应用都是由互联网公司来讲，实际上人工智能在工业应用领域也已经开花结果，但工业应用中的人工智能毕竟与互联网应用有所不同，郭翘就以半导体制造为例，阐释了人工智能在工业上的应用。以下为演讲实录，略有删改。NI成立于1976年，总部在美国德州的奥斯汀。NI公司一直立足于工业，提供一个开放的软硬件平台，来给各行各业提供测试、测量或者监测控制等方面的应用。2017年NI营收大约为13亿美金，全球大概有7000多名员工，中国是NI的最重要的市场，所以NI在中国有强大的研发团队以及在各大城市都设有办事处。无论是交通运输，还是工业生产，机器设备时刻都在产生大量的数据，人工智能应用的前提就是要有大量数据作支撑。NI在工业领域提供模块化、开放式的平台，帮助每个工业客户更方便地获取工业大数据。我们同时也会提供相应的工业软件，把各种信号处理或者机器学习算法部署在边缘侧，最终完成对工业大数据的价值实现。NI是处于OT（Operational Technology，操作技术)端的玩家，我们并不是IT端，IT类公司是亚马逊、谷歌、百度、微软等等，但NI的开放平台可以非常好地和各大主流IT厂商无缝集成。回到半导体，今天我的主题是半导体，所以先简单介绍一下NI在半导体行业提供的一些方案。视频里看到的是一个台架，里面装的是NI的模块化仪器，无论是上游的半导体制造，还是下游的封装测试，都可以用同一个架构的NI半导体测试解决方案。NI的方案能够为客户提升效率，降低总设备拥有成本，保留最大可扩展性。
今天主要是谈NI的半导体解决方案，当然也会谈到NI如何将人工智能技术运用到半导体领域。这里我引用人工智能学术界享有盛名的吴恩达先生的一句话，他说人工智能就是新时代的电力（AI is new electricity）。我觉得他说的这这句话非常好，几百年前工业革命刚开始时，我们还没有意识到电对人类这么重要，但到现在，无论是家用或者是工业里面，电力无处不在。如今吴恩达已经预言，在未来AI就像工业社会的电力一样重要。现在很多互联网应用背后核心技术其实都是AI，有些也许我们感觉不到，但也有很多我们能够感受到，比如电商推荐商品，背后就是人工智能、机器学习的算法。
回到工业，人工智能到底可以给工业带来什么价值？在谈这个问题之前，我给大家先重温一下人工智能的基本概念，它背后的数学原理。人工智能最重要的是机器学习算法，机器学习有几大关键词，首先，必须有海量的数据。如果没有数据，人工智能就无从谈起。比如Alpha Go击败了柯洁，但第一代Alpha Go利用了大量的历史棋谱，在过去成百上千万的棋谱里面学习别人下棋的逻辑。在工业场合，第一要素也是要有大量的历史数据。
2
第二个关键词。大家可能不知道机器学习背后在做什事情，简短概括一下的话，机器学习其实就是做数学最优化的求解。不知道大家大学有没有上过最优化的课程，比如线性拟合，它其实就是最优化的问题。机器学习有非常多的算法，每个算法背后都有未知的参数在里面，我们可以用数学最优化的办法拟合求解的参数，这是机器学习做的事情。
一旦训练好，模型确立，这个模型就是代表该算法的数学表达式。我们的目的是利用该训练好的模型，对新输入的数据做出更加智能的决策，将数据的潜在价值挖掘出来。比如围棋里面下一步应该往哪里走，比如工业里面设备未来运行的状况预测，这是人工智能给我们带来的好处。
很多企业都在谈人工智能，每个企业通常都是从自己擅长的模式作为出发点去谈，大家听到的人工智能讲座更多的是由互联网公司来讲。但应用于工业的人工智能与互联网人工智能毕竟还有很大差异。这里我给大家简单总结一下工业人工智能与互联网人工智能之间的差异。
首先要强调，两者数据量有非常大的差异，互联网或者金融行业数据量，绝对远超工业人工智能场景，这是一个很大的区别。还有一点要强调，在分析结果精度要求上，互联网和工业也有非常大的差异性。刚刚我提到的电商推荐相关商品，有时候它推荐错了，大家也觉得无所谓。
据我所知，在某知名电商举办的大数据推荐商品人工智能算法比赛中，如果推荐准确率在10%以上，就可以拿到冠军，但10%的准确率，在工业应用中绝对不能接受。工业里的人工智能必须利用算法告诉用户，设备是不是真的要坏了需要检修，如果预测准确率只有10%，那还不如去做定期保养与定期维护。所以，这两点我想强调的工业和互联网应用的最大区别。
回到半导体，半导体是NI今后的几大重点方向之一。半导体产业非常复杂，上游有原材料，半导体主要用硅片，面板厂可能用玻璃片，原材料之后就是设计、制造与封测，半导体设计、制造与封测的每一环节都有很多玩家，也有英特尔这样设计、制造、封测全部覆盖的厂商，我们称之为IDM（整合元件制造商）。
人工智能到底可以给半导体行业哪些玩家带来什么样的好处？接下来我希望给大家来做一些介绍。
对于半导体来说，不管封测厂还是晶圆厂，最关心的只有两点，首先是提升制造过程的良率，然后在保证一定良率情况下如何减少测试时间，从而缩短上市时间，让产品上市更加及时。
物联网思维让芯片更新换代周期越来越快。几年前还想不到共享单车这么普遍，其实所有共享单车里面也有一块物联网芯片。出现这么多共享单车，对芯片制造厂家和半导体上下游厂家来说，减少测试时间是最重要的一个考核点，怎么用人工智能提升良率或者减少测试时间，这是所有半导体厂家都关注的问题。
但是半导体制造又有和其他行业很不一样的地方，与其他行业相比，半导体设备最昂贵，也最复杂。一个12寸晶圆厂，要通过化学、物理的变化，在极为狭小的空间里面，能够生成出这么多的电路，对于设备的要求显然非常高。在半导体制造领域，晶圆厂里面用的很多设备都是数百万美元起的价格。这些设备通常只是完成一个工序，比如曝光或者化学沉积过程等，半导体有十几个这样的工序，需要十几台不同的机器。而且还有一点，制造过程要求也最高，半导体制造环境需要无尘无菌，任何外来杂质都会影响到良率，所以进晶圆厂要穿专用工作服。
还有一点，半导体制造里数据量在整个工业领域是数一数二。近几年由于芯片工艺向前演进到10纳米级别，半导体制造过程的数据爆炸式增长，以上是区别半导体和其他行业非常重要的几个特点。
所以在半导体生产中实施人工智能与机器学习是最具有挑战的事情，我刚才提到，半导体设备非常昂贵，也非常复杂，潜在的故障模式也最多，一台设备可能有数百种故障模式，对高铁来说可能最重要的就是轴承，一个轴承有4种潜在故障模式，但半导体制造则完全不一样。作为半导体厂商，当然希望人工智能将这数百种故障模式都能预测，提前告诉用户哪里可能会出问题。
其次，制造过程是动态变化的，因为制造环节有化学变化，所以制造设备中会有一些易损件或消耗品，会因为制造工艺不同而变化。
第三，数据量很大。但数据量大并不意味着一定就能够带来人工智能，如何获取高质量数据这也是非常重要的过程。所以在传统工业人工智能的场合，大量时间会花在数据上面，而不是算法上面。
NI现在有广泛的半导体客户群体，我们现在看到这样的趋势，主导力强的半导体制造厂商，自己配备了人工智能团队在做上述工作，但像面板厂商在产业链里话语权不够强，会被半导体设备商绑架，在生产过程中产生的数据都没有办法分享到业主，如果面板厂商需要添加数据获取功能，设备商往往会额外收取一笔非常昂贵的费用。
正是这样比较微妙的关系，导致工业里面半导体是人工智能发展最快的行业。相比于其他行业。半导体最早用大量的数据做各种提升良率的尝试，当然NI也服务了非常多半导体厂商，无论是制造设备厂商，还是晶圆厂或面板厂，我们都有非常成功的案例。所以NI也有一个生态圈，以NI在曝光机中的一个应用为例来说明，曝光是半导体制造很重要的一个环节，NI通过曝光机数据获取，可以提前告知产线现当前曝光过程晶圆或面板质量有没有瑕疵，如果有严重瑕疵，就不需要再执行之后的工艺步骤，从而增加产出效率，降低成本。蚀刻环节也是如此。
最后，从NI的角度来观察，在半导体制造与人工智能深度融合需要有什么样的条件，或者说未来如何才能在半导体制造领域发挥人工智能的作用。
首先，全供应链数据互通非常重要。这点在每个行业里存在挑战，汽车也有这样的问题，汽车现在都面临着被供应商绑架的事情，但这就是发展人工智能先决的条件，只有全供应链数据的互通，才可以知道现在生产的瑕疵由上游哪个物料造成的，该物料来自哪一家供应商，只有这样，才可以做到更加智能的决策。
还有一些关键技术的突破。比如半导体制造里面，仿真现在做的相对少，在汽车等其他领域里面，仿真是非常重要的步骤，但是在半导体里面，仿真还需要加强。现在正是深度学习火的时候，如何把深度学习技术用在半导体里面，这也是各大厂商和NI共同探索的事情。
最后有一点我想强调，关于人工智能，有时候会听到比较危言耸听的判断，比如什么时候有杀人机器人，或者机器取代人。但是从工业的角度，我觉得人工智能真正要取代人，还有很长的路要走，因为工业不同的场合和应用完全是不一样的条件，根本不可能完全用纯数据驱动的方式来实现，所以专家知识在人工智能里面还是会发挥重要的作用，从而加速人工智能转化成可付诸行动的过程。
作为在工业超过40年的玩家，NI将持续不断地针对工业物联网和人工智能推出更好的解决方案，来帮助包括半导体在内的各行各业从原始数据获取分析出发，到完成整个工业互联物联网的链路。NI提供的生态不是一个封闭的生态，我们不追求做行业里的唯一玩家，我们期待和上下游共同打造更完善的生态圈，把人工智能在工业里面落地，给大家带来真正的好处。