Michael: 目前，用户需要手动监测并解读工厂的关键绩效指标 (KPI)。他们会根据应用中看到的数据，决定在特定时间点应该关注哪个区域，或者将资源部署到哪里。当前决策仍主要依赖人工判断，而 FactoryView 提供的是一个面向晶圆厂日常运营的决策支持平台，协助用户更高效地做出判断。
而 AI 的真正价值在于提升决策本身的质量。人工决策往往会因为决策者未能掌握晶圆厂整体运行状态，而给产线引入更多不稳定性。比方说，操作员可能会非常专注于某个特定区域的特定问题，但他们并不清楚这种局部优化会对整座晶圆厂的绩效产生什么影响。理想的做法是，利用 AI 从全局审视工厂，并确定对整体最优的行动方案。这样才能避免那种有时会导致工厂运行效率低下的局部优化。
Michael: 目前，FactoryView 依赖统计方法，基于历史数据做出预测。当数据基础扎实时，效果不错。但如果数据有限或不可靠，比如晶圆厂导入新设备时，就会面临挑战。在这种情况下，传统统计方法的预测准确性会显著受限，因为没有足够的运行历史来做精准预测。
而这正是 AI 的用武之地。它可以通过分析类似产品来生成合成数据，填补数据空白，从而提升预测的准确性。举个例子，在 FactoryView 中，有一张图表追踪每个批次从投入到出货的全流程。对于已完成的步骤，我们可以显示真实数据；但对于未来的步骤，目前只能依靠基于历史平均值的基础预测。这种方法对于几乎没有历史记录的新设备就失效了。而 AI 可以介入，做出更智能、更具上下文感知的预测——将预期在制品数量、设备性能以及类似产品的生产模式等因素都考虑进去。这将使系统更加可靠，尤其是在高度动态、快速变化的生产环境中。
Sam：明白了。现在我扮演一下怀疑论者。如果有人觉得他们需要的不是 AI，而是更好的报表工具，你会怎么回应？我们如何证明 AI 带来的是本质上的不同？
Michael: 我会说，在半导体工厂里，变量太多了，人类根本无法凭一己之力判断自己的决策是否最优。人们在晶圆厂里做出自认最优的决策时，常常会忽略掉很多变量；他们看到的只是所有变量中的一小部分。即便有报表能够呈现所有相关变量，人工也很难在有限时间内完成跨系统、跨流程的综合判断。
Michael: 在我看来，这需要采用一种分阶段的方法。首先，AI 只是提出建议并解释其理由。这个阶段需要接受制造运营团队一定程度的审视和训练，因为总有一些 AI 尚未掌握的情况，需要从该团队的反馈中学习。一旦制造团队开始信任这些更加充分、更加全面的建议，晶圆厂就可以开始允许 AI 不仅提出建议，还能采取行动。例如，执行 MES 系统（制造执行系统）变更、处理自动化晶圆厂中的特定警报、调度自动物料搬运系统将物料运送到指定区域等等。
总结
关于作者
Samantha 是 SmartFactory AI™ Productivity、Simulation AutoSched™ 和 Simulation AutoMod™ 的全球产品经理。在加入应用材料公司自动化产品事业部之前，她曾担任博世工业4.0项目经理，并曾任数据科学家一职。早期她还曾作为研究助理任职于橡树岭国家实验室地理信息科学与技术组。Samantha 持有田纳西大学诺克斯维尔分校数学硕士学位，以及北乔治亚大学达洛尼加分校数学学士学位。
在现任职位上，Michael 负责推动工作流自动化和工厂分析产品的路线图规划，以满足全球半导体客户不断增长的业务需求。在此之前，Michael 曾在半导体行业从事制造运营与系统优化工程工作，积累了深厚的专业经验，在一家 150mm/200mm 前道晶圆厂任职期间主导并推进了多项数字化转型和工业 4.0 相关项目。凭借对技术的热忱以及持续推动创新的使命感，Michael 目前正与全球各地的客户紧密合作，持续提升制造能力和运营效率。
