当工业4.0遇见AI：现在的智能制造有多“智能”？

意大利有家公司叫ROJ，这家企业专注于针对工业领域的电子技术，产品典型如基于ARM Cortex-M/A、FPGA的工业板和模块。这家公司有个特色，是“基于客户软件、硬件需求来提供个性化解决方案”。其典型客户如Mares——这是个生产潜水装备的企业，包括潜水表。Mares的特色也在满足不同客户的产品定制化需求。而“定制化”就意味着产品生产周期必须短，制造响应速度必须快，而且可能某一款产品的需求量还不大。实际上越来越多的制造商开始转向这种量不大，但品种多样的生产模式，这也是工业4.0的重要特点。gybesmc

这在传统的生产模式中是不可想象的，直到数字工厂、智能制造开始出现：不同小订单之间的不同需求，生产设备可以很方便地通过数字操控的方式实现转变和协调——当然还有IT/OT融合、TSN的出现、各类统一与融合标准在工业领域的出现，都是实现这种操作的必要条件。不过这些不是本文要探讨的核心。gybesmc

ROJ在智能制造时，所选方案的其中一个关键是Valor Material Management材料管理系统——这是来自西门子数字工业软件的一部分。ROJ首席执行官Franco Oliaro曾表示：材料需要在正确的时间、正确的位置提供，而制造现场的停工往往是因为材料没有到位。数字化的材料管理系统能做的就是材料分发，在需要材料的时候确保其准备就绪。gybesmc

这个例子实际只是数字化生产和工业4.0的基本应用。当生产设备本身变得越来越复杂，越来越智能，就会产生海量数据。当这些数据熔于一炉后做数据分析，不仅用以了解过去的生产状况，同时利用机器学习还能提高未来生产质量、降低制造成本，即是AI技术对工业4.0的推动了。gybesmc

工业制造在标准、互联等领域始终是很特殊的，现在谈工业4.0与AI是否为时过早？AI在工业4.0时代是否真的在发挥作用，以及究竟发挥到何种程度？这是我们期望以由上至下的方式，从工业制造AI解决方案、AI芯片、EDA，以及实际应用几个层面，来窥见当下工业制造的AI技术现状。gybesmc

AI智能制造解决方案能做什么？

“传感器数据速率正在持续增长。大部分客户现如今的工厂传感器数据采集速率还在1Hz，但越来越多的芯片制造商收集速率达到了10Hz、100Hz。晶圆厂的数据量级现在开始进入PB级别，而不再是MB或者TB。”BISTel首席执行官W.K. Choi表示，“客户需要更出色的分析来驱动产品质量提升；工程师则期望更快地进行根因分析，近实时地（in near real time）、准确地解决影响良率和工程生产的问题。”这能说明什么问题？BISTel是一家提供智能制造解决方案的韩国企业，解决方案离实际应用总是靠的更近。gybesmc

以半导体制造为例，我们先来看一个例子：晶圆制造发生不良率高的问题时，常规手法是工程师们调查并讨论，这个过程一般需要很久。如W.K. Choi所说，实现数字生产的工厂，传感器数据采集速率现如今已经很高了。针对晶圆生产不良率高的问题，可观察的参数至少包括温度、振动、压力等各项指标。如果针对所有相关指标做监测，那么分析难度自然可以得到降低。在这个例子中，不少晶圆片靠近边缘位置出现问题，因此成为“bad”晶圆。gybesmc

gybesmc

BISTel的HMP（Health Monitoring & Prediction）在数据追踪中，系统列出总共6个导致良率问题的最优关联度参数，其中前两个分别是蚀刻工序的最后一步，电流发生激增；以及氦气值明显降低（图1）。蚀刻流程的最后一步就是氦气分离，这一例的“根因”就是在分离过程中，托盘与晶圆边缘接触，产生小范围火花——所以电流出现了激增，与此同时托盘某些氦气口堵塞造成氦气值降低。gybesmc

在晶圆制造良率问题的“根因分析”这一例中，至少能够表现持续增长的“数据速率”是怎么回事，以及将原本需要以天、周为单位计的根因分析时间缩短到分钟、小时级别内。而AI技术在此处的核心，即如何利用海量数据做分析，并得出结论。gybesmc

“具备AI能力的智能应用，可让系统和流程实现自动化，让客户得以近实时地针对每天的生产问题，做出检测（detection）、分析（analyses）和预测（prediction）解决方案。”W.K. Choi说，“现在我们在生产流程中，融入了更多强有力的AI分析，能够从这些流程中学习。我们随后就会把这些新的智能，应用到知识库（knowledge base）中。”