香港財經新聞股票分析:
香港財經新聞股票分析:
麥肯錫最近對半導體設備製造商的調查顯示,只有大約30%的受訪者表示,他們已經通過AI/ML創造了價值。其他的受訪者(約70%)仍處於人AI/ML的試點階段,進展已經停滯。
AI/ML在半導體行業具有巨大的價值創造潛力。半導體公司如何大規模部署AI並獲取這種價值?
從整個行業來看,製造環節將從AI/ML中獲得最大的價值。最大相對開支減少將發生在研究和設計方面,主要是由於芯片設計和驗證的自動化。其他領域,包括計劃、採購、銷售和定價,都將受益於AI/ML用例。通常,這些用例並不特定於半導體行業。
半導體公司轉型並進行大規模部署,需要關注六個推動因素,包括戰略路線、數據、技術、人才、敏捷交付、集成等。
半導體行業正處於一個轉折點,那些不將大量資源投入AI / ML戰略的公司可能會落伍。儘管半導體公司可能會採用不同的方法,具體取決於業務模型,在AI / ML方面的經驗以及戰略重點,但目標是相同的:將生產力和創新提升到新的水平。
從研究、設計到生產銷售,人工智能/機器學習(AI/ML)有潛力為半導體公司在每一個步驟產生巨大的商業價值。但是,麥肯錫最近對半導體設備製造商的調查顯示,只有大約30%的受訪者表示,他們已經通過AI/ML創造了價值。值得注意的是,這些公司在AI/ML人才、數據基礎設施、技術和其他促進因素方面進行了大量投資,並且已經完全擴大了它們的初始用例。其他的受訪者(約70%)仍處於AI/ML的試點階段,進展已經停滯。
麥肯錫相信,AI/ML在半導體行業的應用將在未來幾年內急劇加速。現在採取措施擴大規模將使公司充分利用這些技術的好處。
需要説明的,本文所説的設備製造商,主要包括集成設備製造商(IDMs)、無廠半導體公司(fabless)、代工廠和半導體組裝和測試服務商(SATS)。
AI 在應對未來挑戰中的作用
由於對資本的高要求,半導體公司處於贏者通吃或贏者通吃的環境中。因此,他們一直試圖縮短產品生命週期,積極追求創新,以更快地推出產品,保持競爭力。但賭注也越來越高。隨著每一個新技術節點的出現,費用都會上升,因為隨著結構變小,研究和設計投資以及生產設備的資本支出都會大幅增加。
例如,65納米芯片的研究和設計成本大約2800萬美元,如今前沿5納米節點的研發設計成本已經暴增到大約5.4億美元(表1)。與此同時,相同節點的fab建設成本已經從4億美元增加到54億美元。
表1:芯片設計以及工廠建設成本,隨著芯片日益複雜而水漲船高。
隨著公司試圖提高研究、芯片設計和製造的生產率,同時加快上市時間,AI/ML正成為整個價值鏈上越來越重要的工具。麥肯錫研究表明,現在,AI/ML每年為半導體公司貢獻50億至80億美元的息稅前利潤(表2)。數字令人印象深刻,但僅反映出AI/ML在行業內全部潛力的10%左右。
未來兩到三年內,AI/ML每年可能產生350億到400億美元的價值。在更長的時間範圍內——未來四年或更長時間內——這一數字可能會上升到每年850億至950億美元。這一數字相當於該行業當前5000億美元年收入的20%,幾乎相當於2019年1100億美元的資本支出。雖然這種價值很大一部分將不可避免地傳遞給客戶,但獲取這種價值的競爭優勢,尤其是對早期的先行者來説,將是不可能被忽視的。
表2:長遠來看,人工智能可以為半導體公司帶來850億到950億美元的收益。
半導體行業的AI/ML用例
AI/ML的落地案例橫跨了半導體設備製造商的整個價值鏈(表3)。有些案例還會勾連多個價值鏈條環節,比如,需求預測和庫存優化領域的案例,會與製造、採購、銷售和運營計劃產生關聯。
表3:全面案例熱圖。
從整個行業來看,製造環節將從AI/ML中獲得最大的價值(表4,長期來看,降本達38%)。鑑於半導體製造涉及的資本支出、運營支出和材料成本,這一結論並不奇怪。最大相對開支減少將發生在研究和設計方面(降本28%-32%),主要是由於芯片設計和驗證的自動化。
表4:製造業將從AI/ML中獲得最大的價值。最大的相對開支減少將發生在研究和設計領域。
1、製造中的AI/ML用例
作為一個大型製造企業,人力和生產等製造成本一直居高不下。生產製造也是半導體行業最大的成本驅動因素,而AI/ML用例將帶來最大的價值——約佔總價值的40%。它們可以降低成本,提高產量,或者增加工廠的生產能力。從長遠來看,麥肯錫估計他們將降低生產成本(包括銷售成本和折舊)高達17%。以下是幾個例子。
調整工具參數。定義工藝配方時,半導體公司通常會指定一個恆定的時間範圍。但是,對某些個別晶圓來説,設定的時間範圍會出現系統性或者統計意義上的波動,因此,工藝過程會在已經產生所需結果(例如特定的蝕刻深度)之後,繼續運行,進而增加時間,浪費甚至損壞芯片。
為了實現更高的精度,半導體公司可以使用現場工具傳感器數據、計量讀數和先前工藝步驟中的工具傳感器讀數,從而允許機器學習模型捕捉工藝時間和結果之間的非線性關係,如蝕刻深度。收集的數據可能包括蝕刻過程中的電流、光刻過程中的光強和烘烤過程中的溫度。有了這些模型,可以在每個晶片或每個批次的基礎上實現最佳工藝時間,以縮短處理時間,提高產量,或兩者兼得,從而降低銷售成本(COGS)和提高吞吐量。
晶圓片外觀檢查。芯片是非常精密的產品,在生產過程中質量檢測壓力巨大,每一道工序的質檢都相當重要。傳統生產主要通過在前端和後端生產過程的早期檢測缺陷來幫助確保質量。例如,使用攝像頭、顯微鏡或掃描電子顯微鏡。但是,傳統系統無法對這些圖像缺陷進行精細的分類與定位,仍然需要人工下載每張圖片判定種類及其潛在影響,以及後續工藝如何處理。不僅容易出現錯誤和積壓,也將生產成本不斷推高。
先進的計算機視覺深度學習技術使現代晶圓檢測系統成為可能,通過訓練,系統可以自動檢測和分類晶圓上的缺陷,其準確性與人類檢查員相當,甚至更好。專門的硬件(如張量處理單元)和雲服務使計算機視覺算法的自動化培訓成為可能。這反過來又允許更快的操作、實時推斷和可伸縮的部署。
通過這種方法,公司可以獲得對潛在工藝或工具偏差的早期洞察,允許他們更早地發現問題並提高產量,同時降低成本。
比如,在華星光電,導入AI判片(不過,這裏是面板生產),一整個面板的片子識別速度已經做到15毫秒左右,而人工大概需要五分鐘。同時,缺陷識別準確率已超過90%,超過人類。最開始人員替代只有二三十人,團隊用了兩年時間提升系統,現在替代數量達到140人,未來總體可以替代50%人力。
2、研究和芯片設計中的AI/ML用例
AI/ML用例可以幫助半導體公司優化他們的投資組合,並在研究和芯片設計階段提高效率。通過消除缺陷和超差的過程步驟,公司可以避免耗時的迭代,加速成品率的上升,並降低維持成品率所需的成本。它們還可以自動處理與物理佈局設計和驗證過程相關的耗時過程。
儘管我們還沒有達到AI/ML加速可以應用到設計和芯片設計所有階段的地步,但是,也沒有反例證明它不能隨著時間的推移進一步滲透。麥肯錫預測,AI/ML最終可能會將目前的研發成本基礎降低28%至32%,甚至高於製造業的預期收益。
集成電路設計中的自動良率學習。如果在集成電路(IC)設計過程中出現失誤,半導體公司必須根據製造商的反饋進行多次昂貴且複雜的迭代。
半導體公司可以通過部署ML算法來識別組件故障中的模式,預測新設計中可能出現的故障並提出最佳佈局以提高良率來避免此問題。在此過程中,藉助基於AI的分析,將IC設計分解為關鍵組件。然後,算法將這些組件結構與現有設計進行比較,以識別單個微芯片佈局內的問題位置並改善設計。因此,AI和ML輔助設計可以大大降低COGS,提高終端產量,並縮短新產品的上市時間。它還可以減少維持最終產量所需的精力。
例如,有的公司通過引入預測及認知技術,由過去依賴設計師和工程師的個人經驗,轉移到利用AI提高設計效率,降低驗證成本。通過輸入歷史數據和相關參數,系統會自動獲得設計結果,並在模擬器上預測設計效果,在人類工程師配合下快速修正設計。而且,人工智能通過學習,還能給設計者帶來一些新的想法和創造力。這也是目前一個比較好的AI/ML落地方向。
其他領域。所有其他功能,包括計劃、採購、銷售和定價,都將受益於AI/ML用例。通常,這些用例並不特定於半導體行業,而是部分地建立在其他行業中,因此允許更快地實現。總的來説,將AI/ML用例應用到其他功能上可以產生高達200億美元的年價值。
AI/ML大規模成功實施的六個關鍵因素
半導體公司進行AI / ML轉換並大規模部署用例,麥肯錫建議關注六個推動因素:戰略路線圖的製定,人才戰略,敏捷交付,技術,數據以及採用和擴展(表5)。
表5:六個賦能因素對於AI規模化實施來説,非常關鍵。他們分別是:路線圖、人才與組織、技術、數據、採納與擴展以及敏捷交付。
1、創建戰略路線圖
最重要的是,擴展AI/ML的努力必須成為公司的戰略優先事項。最初的工作涉及協調數據,在優先使用案例上達成共識,並鼓勵合適的業務,數據科學和工程技術人才之間的協作,這些工作太大了,因此無法作為一個自下而上的項目獲得成功。
理想情況下,最好將AI/ML工作與明確的業務目標聯繫在一起,使業務部門和業務職能部門共同致力於成功實現轉型。
例如,公司可以為預測性維護案例項目確定要節省的成本,並適當提供資源。節省下的成本將有助於贊助案例並提供適當資源,使其能夠實現其業務目標。這樣的收穫將極大激勵職能部門支持AI / ML的實施。設定明確的業務目標還可以幫助公司衡量每個案例項目隨著時間變化帶來的收益。
根據定義的目標,公司應確定特定的業務領域和價值槓桿,這將是他們的重點。然後,他們可以選擇相關案例,以允許他們使用這些槓桿。
在確定用例優先級時,公司應強調其總價值,可行性和實現價值的時間。隨著經驗和能力的增長,他們可以承擔其他案例,這些案例往往更難實現,或者需要更長時間才能實現。在確定潛在案例價值時,公司應研究經常被忽視的槓桿,例如與縮短上市時間和提高質量相關的競爭優勢。這樣的細節將使他們能夠準確地確定計劃的大小和優先級。
在確定了優先事項之後,半導體公司必須為其AI/ML計劃分配足夠的資源,並研究與具備互補技能的第三方的支持性合作關係,而不是試圖自己重新發明輪子。一些更大的公司可能有能力在內部開發大多數功能,以及從他們龐大的工具羣中獲得足夠的數據來訓練AI/ML模型,使他們能夠完全控製所有相關的知識產權。
考慮到所需的資源,較小的參與者可能會發現,在可用的地方利用商業上可用的解決方案,或與他人合作開發或共享算法,或創建聯合數據共享平臺,以增加培訓模型可用的信息量,都是有益的。潛在合作夥伴的例子包括其他半導體設備製造商、電子設計自動化公司、超大規模雲供應商或設備OEM。
2、人才戰略
大多數成功實現AI/ML的公司都創建了一個集中的組織,如卓越中心(COE)專注於此類活動。該組織為所需的新人才提供了清晰的家園,並負責定義通用標準並建立最佳實踐和知識的中央存儲庫。一些領先的半導體公司已經對AI / ML COE進行了大量投資,其中包括數百名工程師。
在為中央團隊僱用技術人員時,半導體公司應仔細權衡角色組成,以確保其具有從試點到全面擴展用例的正確能力。例如,試行AI / ML用例需要數據科學家和數據工程師,但是需要ML工程師,基礎架構設計師或全棧開發人員來推動擴展。通常,半導體公司沒有擁有這些資質的員工,必須從外部招聘他們。
集中式AI / ML功能無法與將部署用例的業務和功能隔離開來。為了建立聯繫,具有業務/運營領域專長的人員,如研發設計師、流程工程師和設備工程師,應該包括在AI/ML功能中。這些團隊成員在識別AI/ML用例中扮演關鍵角色,並在組織內充當AI/ML解決方案的大使。
同樣,成功的公司將確保本地站點(無論是工廠還是職能部門)為他們的AI/ML團隊增加數據科學專業知識。受訓成為「數據公民」的員工可以與AI/ML COE的專家角色共同工作,以領導用例選擇並支持跨功能團隊中的實現。
3、敏捷交付
為了避免AI/ML案例因為使用或規模有限而陷入「概念驗證」的螺旋陷阱,團隊應該專注實現業務價值,並著重於迭代改進。
敏捷方法是軟件開發的核心,它可以幫助半導體公司實現這一目標。儘管AI/ML開發涉及到大量發現和探索,半導體公司也應該從使用者那裏得到持續反饋。許多敏捷團隊都通過利用「垂直分片」方法獲得了成功,該方法包括在第一個或第二個sprint中創建一個端到端分析管道,包括數據吸收、建模、建議開發和部署到用戶(通常是企業所有者或在工廠工作的工程師)。這種垂直分割的方法可能與許多既定的做法相反,因為半導體公司通常只有在完全確定這種轉變將帶來完美結果的情況下,才會在製造工程方面做出改變。
從運營的角度來看,敏捷團隊是有益的,因為他們減少了對團隊外部人員的依賴。通常,很難避免這種依賴關係,因為數據所有者、AI/ML專家和IT基礎設施之間通常存在組織劃分。但是,敏捷AI/ML團隊是跨界的,並且包含了用例所需的所有專業知識,即使一些成員只包含在有限數量的sprint中。敏捷團隊還可以利用自助服務資源,比如訪問數據和基礎設施。
向敏捷AI/ML交付的轉變應該儘快發生,如果高層領導給予支持,公司試圖改變思維方式和流程,那麼,這種轉變將更有可能獲得牽引。
4、技術
在晶廠內部,成功的公司會建立一個連接層,用於實時訪問相關數據源,包括生產和測量工具、輔助設備、設施等。工具OEM可以幫助確保這種連接性,這對於製造用例是特別重要的。
半導體公司也需要一個通用的數據集成層。在開發環境中部署分析引擎和用例之前,這一層首先結合數據。為了獲得最好的結果,半導體公司必須找到方法,將來自不同工具供應商的數據和用例結合起來,以限製複雜性,並防止多個物聯網堆在平行的豎井中。
成功的公司將利用edge和雲計算來支持他們的AI/ML用例。由於一些工具會生成大量數據,因此實時應用程序通常需要邊緣計算能力(在工具內或接近工具的地方部署AI/ML用例)。雲解決方案提供了規模經濟,並使不同工廠之間的鏈接成為可能,增加了用例的培訓數據池。(半導體公司歷來都對數據安全持謹慎態度,因此它們可能會限製將敏感數據部署到本地解決方案中。)
5、數據
半導體公司在每個晶圓廠都有幾百種工具,其中一些會產生數兆兆字節的數據,要檢查每一條信息是不可能的。為了確保最大的有效性和效率,參與者必須對可能支持多個用例的數據進行優先級排序,因為這將比單個計劃有更大的影響。
即使玩家限製所分析的信息數量,他們的AI/ML計劃仍然需要大量的時間和資源,例如AI/ML團隊中有足夠數量的數據工程師。需要嚴格的數據治理策略,以確保現有數據和新生成的數據立即可用,始終保持高質量和值得信賴。成功的公司通常有一個專門的數據治理團隊,以確保數據一致性以及新數據和現有數據的質量。
6、採用和擴展
從設計階段開始,半導體公司應嚴格關注優先使用案例的可擴展性。必須儘早包括來自多個站點或工廠的專家,以確保以後可以在各個位置部署用例。
一些半導體公司正在晶圓廠領域內設立焦點小組,以計劃擴大規模。對於特定領域,他們選擇一個晶圓廠作為主要站點,然後確定用例,從其他晶圓廠收集需求,創建實施計劃,並確保知識轉移。如前所述,半導體公司將需要在全面擴展後根據其用例的價值來優先考慮部署用例。
其次,半導體公司在開發和擴展用例時應確保整個組織遵循標準和最知名的方法(BKM)。在整個組織中規範和強製使用BKMs可以確保解決方案的持續和改進,允許機器學習在站點間獲得最大的規模。通常,中央AI/ML團隊負責監督這項關鍵任務。
最後,半導體公司必須將用例無縫集成到最終用戶的數字化工作流程中,以確保採用。許多公司都忽略了這一步驟,但是這種疏忽會帶來嚴重的後果。在我們的調查中,近一半的半導體設備製造商表示,缺乏集成是擴展AI / ML用例的第二大問題。如果組織在AI/ML功能和業務端之間形成緊密的聯繫,那麼,在最初設計用例時就會更容易從用戶的角度考慮問題。
編輯/Viola
免責聲明:本頁的繁體中文版由軟件翻譯,財經對翻譯信息的準確性或可靠性所造成的任何損失不承擔任何責任。