文稿
Sam: 欢迎收听我的首期播客！我们将一起探讨 AI 在半导体制造领域的发展与演进。希望这期内容至少能带来一些 “半导体前沿洞察” 的视角；就算达不到，嗯，你也是第一期实验性节目的参与者了。我是主持人 Sam Duchscherer，今天邀请到的嘉宾是我们负责生产力解决方案的产品营销经理 Rich Burda。
Rich，很高兴你能来做节目嘉宾。
Rich: 非常高兴参与，Sam。没想到这是你的播客首秀，能参与第一期真的很荣幸。
Sam: 作为首次访谈嘉宾，我找不到比你更合适的人选了。那么，作为开场，能否分享一下你的从业背景，以及是什么真正促使你加入应用材料公司并担任现在的角色？
Rich: 当然，Sam。我就不按时间线细说教育背景了，简单来说，我本科学的是机械工程。职业生涯早期换过几次工作，后来机缘巧合进入了一家300毫米晶圆厂（初创厂）。那是 IBM 位于纽约州 East Fishkill 的晶圆厂，离我长大的地方只有80英里。说来有趣，在这之前我根本不知道那里有个晶圆厂——我是以制造运营工程师的身份被招进去的。
当时，只要有人问“有人听说过 RTD 吗？”，我大概算是比较机灵的那个，总是会举手——因为之前做过一些仿真方面的工作，对这个概念稍微熟一点。正因如此，我成了 IBM 300毫米晶圆厂初创阶段负责制定派工规则的牵头人，也是在那个阶段第一次真正弄明白什么是派工规则。从那以后，我与晶圆厂共同成长，参与了许多非常有成就感的项目，不仅仅是制定派工规则让工厂运转起来，还包括推进了自动化物料搬送与调度系统的集成与上线，这在当时属该厂的首创实践。再后来，我们又实施了局部区域调度与优化，这也是我参与的另一项首次尝试工作。所以现在回头看，当初那次举手说“我来看看 RTD ”，为我打开了无数机遇的大门。
至于为什么我现在会在这里，是因为每当我回想起在 RTD 以及支持 RTD 的系统和半导体制造以及供应链领域做过的的那些工作，内心就充满了成就感和自豪感。能在职业生涯的这个阶段，参与这些工具本身的发展路线，并与使用它们的用户并肩同行，对我来说是一个激动人心的转变。我很高兴能成为其中一员。
Sam: 太棒了。我其实特别喜欢听大家讲述进入这个行业的背景和经历，所以你在 RTD 领域深耕这么多年，这一点真的很吸引人。
顺着你的背景来问，为什么你认为现在是生产力领域一个激动人心的时刻？这里说的生产力，包括派工、排程、计划与报表这些方面。
Rich: 是的，Sam。我认为我们正处在一个从多角度看都非常关键的转折点。首先想到的是运营挑战。半导体制造的本质决定了技术总是在进步，工艺也在不断演进和变化。无论你面对的是越来越严格、越来越多的 Queue Time 限制，还是各种排程难题，这种情况都在持续发生。但与此同时，我们现在也看到，对更高层级控制与自动化的需求，正在从 Fab 内部扩展到 Fab 之后的各个环节；而现在，随着业务形态的变化，后道环节同样需要更强的控制和自动化——那里的情况又有所不同——所以我认为这是构成这个转折点的重要挑战。
另一个我认为正在发生的变化是，制造业，特别是半导体制造领域，所拥有的行业知识和专业技能在减少。我们开始看到这些技能不再像过去那样容易获得；也许是需求增加了，也许是供给减少了，但这无疑是我们面临的另一个构成转折点的挑战。而就在此刻，伴随着 AI 的发展，强大的新 IT 工具也变得可用。所以，当我说这是一个令人激动的转折点时，这才是真正让我兴奋的地方。我们面临一系列新的挑战，而与此同时，也第一次拥有了全新的工具，可能真正帮助我们去应对这些挑战，而不是只是沿着原有的路径继续前进。
Sam: 你指的是像大预言模型这样全新的 IT 工具吗？还是其他什么？
Rich: Sam，我知道你是这方面的专家。我想跳出具体的技术来看——无论是用于数据交互的智能体对话，还是尝试增强现有排程工具的强化学习，所有这些 AI 工具中，哪些是真正有意义的？我并不是特指某一种具体技术，而正因如此，我才觉得现在这个阶段特别令人兴奋。
说实话，我觉得没人能准确预知未来的具体方向，但我们现在确实有了一些新工具可供评估。我说的“我们”，指的是应用材料公司站在整个行业的角度在看。我们正在评估，“能用什么？用在哪儿？怎样才合理？”但我认为，这是一个机会，让我们能够去完成一些以前做不到的事情。
Sam: 对，对，我完全同意。你提到的这几个转折点，每一个我都想再跟你聊上一个小时。不过时间有限，我们还是聚集到 AI 上来。
从我的经验来看，很多人一听到 AI，首先想到的往往是自动光学检测或异常监测这类质量相关的应用。既然你刚才详细分享了你在 RTD，乃至排程和优化方面的经验，为什么你认为面向生产力的 AI 同样不容忽视？
Rich: 是的，Sam。这里我就要扮演一下老派运营人的角色了。 “AI ”这个词太宽泛了。一旦进入这类讨论，你会发现它对不同的人意味着完全不同的东西。
我们需要在讨论中更具体地指明所涉及的 AI 方法，无论是大语言模型、强化学习，还是智能体技术。这一点我想先说明一下。考虑到我的背景，我倾向于将 AI 宽泛地理解为：能够自动化、自我调整，并有能力在无需人工干预的情况下，智能地采取行动以获得最优结果的系统。
在我看来，我们的客户几十年来一直在构建这样的系统来运营他们的工厂。因此，现在确实有机会利用强化学习和其他 AI 技术来增强这些领域。但在某些方面，我觉得——我不想随便把我们现有的技术都贴上 AI 的标签而惹上麻烦——但我认为，我们应用这些技术的方式，其实很像许多人期望 AI 被应用的方式。从某种角度说，半导体制造业可能就是这些技术绝佳的试验场，可以看看它们究竟能如何落地应用。
Sam: 对，你刚才也提到，AI 这个词本身太宽泛了。根据你的经验，你有没有注意到客户可能会倾向于哪些不同类型的 AI 术语？
Rich: 是的，我觉得很多人确实感到困惑。说实话，很多地方都存在这种困惑。我知道在某些场合，你可以非常具体地讨论某个具体项目，但真正让我兴奋的是智能体 (Agentic) 这一块。它能够让我们以一种前所未有的方式与数据对话，或许能帮助半导体——比如说管理层——打破目前存在于半导体制造各个技术领域之间的信息孤岛。我指的是设备工程、制造运营工程、工艺团队、集成团队、物料计划、维护团队等等。
目前，每个领域都有自己的人类专家，这些孤岛之间很少有交叉的机会。而在某些地方，如果你能让它们相互融合，就能帮助晶圆厂极大地提升适应和调整变化的能力。所以说，如果有哪个领域让我感到兴奋，那就是智能体这个方向。它带来的机会不仅仅是直接的生产力提升，更在于能够跨越那些目前无法逾越的边界。你可以向一个智能体 AI 提问昨天的生产力状况，它会综合来自维护、设备可用性、在制品流转以及工艺问题等各个方面的信息来回答，真正地打破这些孤岛。这就是我所看到的愿景，我认为这真的可能改变游戏规则，让一切变得更加有趣。
Sam: AI 打破这些孤岛。我完全同意，这确实会带来最大的影响。我想问的是，为什么你认为这个进程比行业预期的要慢一些？我的意思是，我们谈论孤岛问题似乎已经有很多年了。
Rich: 是的，Sam，这其中有些障碍根本不是技术层面的。这些孤岛之所以存在，是因为不同的组织会保护自己的 “领地” 。而且，如果一个组织本身的架构和文化，并没有为这种高度协作做好准备，那么要实现这种跨界的融合可能就会很困难。
Sam: 是啊，变革管理——这是我们一直反复提到的关键词。那么，除了变革管理之外，为了加速 AI 的应用并打破这些孤岛，客户还应该关注哪些关键的里程碑？或者说，我们要如何达成这本目标呢，Rich？
Rich: 针对你这个问题，我认为在运营层面，AI 的一个关键要素是预测。我得说，我们行业内的许多客户都具备一定程度的预测能力，但目前还非常初级。或许应该为运营预测设定一些具体的目标。这些目标的预测时长各不相同：有些是超短期的，比如预测一个班次结束前会发生什么；而另一些工具则可能试图预测未来一周、两周甚至三周的在制品 (WIP) 状态。所以，我认为不同工具对应的预测目标也不同。但可以肯定的是，AI 正在把这类能力真正带到可实现的层面。可能在过去，有些人对这件事已经有点放弃了，因为实在太难了。但现在，我觉得有些 AI 工具其实已经具备实现这种预测的能力了。
Sam: 为什么是应用材料公司呢？我是说，现在这么多初创公司、这么多企业都在做 AI，感觉好像人人都在做 AI，对吧？那为什么应用材料公司是引领客户踏上这场 AI 之旅的最佳选择？
Rich: 是的，我认为确实是。说到半导体这样一个专业领域，从很多方面来看，我认为我们整个行业本身就走在前面，而这在一定程度上也源于半导体制造的特殊性。
我看过一些我们领域之外的项目资料，经常会听到大家谈及数据方面的挑战：数据需要清洗、数据质量不足以支撑应用等等。但基于我们晶圆厂现有的运营水平和高度自动化，我认为我们的数据质量普遍来说是相当不错的——我不想说“拿来就用”，因为总有一些工作要做——但我觉得，有些数据层面的门槛，我们其实已经跨过去了。这对于那些试图面向各种不同类型行业推广自动化工具的初创公司来说，情况是完全不同的。而在半导体制造领域，要“单纯”一些，因为我们的数据来源更加集中，虽然挑战依然存在，但性质不同了——数据已经在源源不断地产生，并且已经被用于分析工具来构建排程和优化了。
从某种意义上说，在很多方面，我们是走在前面的。我并不确定，一家并非专注于半导体行业的普通初创公司能够认识到这一点，更不用说是否具备足够的专业知识和实践经验，帮助我们行业从现在所处的位置走向我们想要到达的目的地。
Sam: 对，刚才问这个问题的时候，我其实也在想自己会怎么回答。幸好我们想到一块去了，挺好。对了，如果你跟我共事时留意过的话，会发现我喜欢让事情变得有趣，也很爱笑，对吧？所以在我这第一期播客里，我想来个快问快答，问点随机的问题。看看你发挥如何。当然，这些问题没有标准答案。
Rich: 行，我有点紧张起来了。
Sam: 第一个问题是，关于工厂里的 AI，有没有一个你特别想 “澄清 “的误区？
Rich: 这个问题我可能之前多少提到过，但如果针对半导体行业，这个误区就是：半导体工厂在采用 AI 方面进展一直很缓慢。
我认为它们其实是许多新 AI 工具的试验场。关键在于如何将 AI 方法的能力有效利用起来，从中获益。你会看到一些其他行业的 AI 项目报道，有时很难真正理解它们背后的投入成本。但你会听到这样的故事：为了开展 AI 项目，需要进行各种各样的业务流程重组和数据基础建设工作。这样一来，就很难将 AI 工具带来的效益与那些基础工作的贡献区分开来。而在半导体行业，基础设施通常已经就位，我们完全可以专注于如何运用这些新工具。
我知道这作为快问快答的答案实在有点长了，你想要的是简短回答，但这就是我的想法。下一个我争取答得简练些。
Sam: 你把这个误区打破了，答得不错。好，下一个问题。这个问题挺有意思，我特别好奇你会怎么回答。如果把 “排程 “比作一项运动，你觉得会是什么？为什么？
Rich: 哦，天哪，Sam。好吧，我试着回答一下。我们通常都会从熟悉的东西说起，对吧？那我想到的是赛艇，这是我热爱了很多年的运动。你可以想象一条八人艇优雅地划过水面的画面。八名桨手必须完全同步，既要充满力量，又要速度飞快，这需要极高的协同性。在我看来，这就是排程，也是半导体制造的本质。那些复杂的工艺流程，当顺畅运行时，看起来赏心悦目，本身就是一种美。但没划过艇的人很难体会的是，可能一切正进行得很顺利，突然刮起了逆风、顺风或者侧风，船上的每个人都得做出调整。而他们调整的幅度可能还不一样，这就会打乱原有的节奏。还有各种各样的变量，比如水面的情况，是平静如镜还是波涛起伏？水流的方向又如何？所以对我来说，排程就像是在这样的环境下，努力让整个系统保持同步，让所有人、所有环节在各种不利因素交织的情况下，依然能够精准配合、协同运转。这可能不是很多人会给出的答案，但我确实经常会把自己对很多事物的理解，映射到我做熟悉的那项运动上。
Sam: 哇，我不知道这期播客的听众会是哪些人，但你这个比喻真的很有共鸣，我觉得大家都能有所感悟，这个回答很棒。好了，最后一个问题（其实我就准备了三个，创意有限），最后一个问题是：你觉得最被低估、但其实值得更多关注的生产力指标是什么？
Rich: 哎呀，Sam，这可是要踏入制造运营工程师午餐时争论不休的经典话题了。好吧，不同的运营环节关注的指标肯定不一样，但就我待过的地方而言，我一直很看重炉管批量大小的分布。跟其他一些设备相比，炉管看起来简单甚至有点乏味，但它们的批量大小对生产力影响巨大。对于批量设备而言，它们通常不太利于整体流动性；从流的角度来看，当然是单个批次甚至单片晶圆流动更理想，而批量处理本身就会带来影响。但如果你能拿到比较好的批量大小分布数据，就会在这些 “边缘情况 “里发现很多故事。你会发现一些异常小的批次——明显小于计划值——这背后通常都有故事。为什么会发生这种情况？是不是在队列里等太久了？是不是某个急件为了赶工造成的？所以，如果要说哪个生产力指标或报表值得更多关注，我永远会投炉管批量大小分布一票。
Sam: 这么说，你亲身经历过这种午餐时间的争论？
Rich: 哦，我可不是在开玩笑。你想啊，六到八个制造运营工程师大概每个月会一起吃顿午餐。争论的焦点往往不是 “哪个指标最被低估 “，而是” 如果只能选一个指标来管理你的晶圆厂，你会选择哪个？ “有人说是生产周期，有人说是光罩层移动数，各种说法都有。是的——我不会说难为情，反而很自豪地说——我们确实有过这样的午餐辩论。
Sam: 太有意思了，刚才聊得非常开心。时间关系，我们得准备收尾了，不过最后这个问题，可能需要稍微多花点时间回答。如果只能让客户记住一个关于 AI 在生产力领域应用的核心观点，你会说什么？
Rich: 我想说的是，Sam，这甚至不完全是一个技术层面的问题。在这个行业，在自动化领域待久了，我举得人们很容易形成一种固有的思维模式：有点怀疑、下意识地抵触、随时准备说 “AI 还没准备好” 之类的话。这些说法可能都没错，但我想请大家试着克服这种惯性，把那个劲儿反过来用。要知道，这个领域正在投入大量的工作，AI 正在蓬勃发展，充满了无限可能。只要发挥一些创造力，你完全可以站到这场讨论的前沿。也许有些 AI 的应用方式别人还没想到，但却自然而然地从你的业务中浮现出来，让你能更快地真正利用 AI，去完成那些你一直想做却未能做到的事情。而现在，借助 AI，你可以做到了。
Sam: 所以，别做怀疑论者，要走出自己的舒适区。这样总结到位吗？
Rich: 嗯，你知道，我们很多人其实都挺享受当怀疑论者的。我想说的是，别忘了戴上你那顶创意的帽子，认真想想自己究竟能怎么用上 AI 。因为，要相信你自己，你可能比社交媒体上那些天天刷到的 “专家” 更懂得如何用好这些工具。
Sam: 是的，答得太好了。我对未来充满期待。那么，Rich，非常感谢你成为我的首位 “实验对象” 。真的很感谢你的分享。
Rich: Sam，今天非常愉快。谢谢你的邀请，你做得非常棒。
