一块MEMS芯片从晶圆制造到封装测试历经数十道工序每道工序的测试数据以TB级增长。当某批次良率出现异常波动时质量工程师需要从成百上千个参数维度中逐一排查。一位资深工程师曾耗时五天翻遍十几个工序的测试日志才锁定导致Bin分类偏移的根因——某温度补偿参数在第三周出现了0.3%的渐进性漂移。这家企业是中国最早的MEMS传感器本土企业之一科创板上市具备从芯片设计到封装测试的全流程IDM能力。随着产能持续扩张TB级测试数据与有限的质量分析人力之间的矛盾日益尖锐。该企业选择与中新赛克携手以中新赛克AI-WorkForce为底座打造质检分身——一个能实时诊断、自主进化的AI质量分析智能体。01、两百条规则从脑子里搬进模型里一位在产线干了十五年的质量工程师退休后接任者面对密密麻麻的测试数据无从下手。老师傅脑子里存着两百多条判读规则——哪些参数组合意味着晶圆边缘缺陷哪些波动模式预示封装应力异常这些经验从未被系统性记录。中新赛克团队的第一步是将隐性经验显性化。通过多源数据治理将散落在MES、CP测试机台、良率管理系统中的数据归集、清洗、对齐构建统一质量数据资产库。在此之上利用RAG检索增强生成技术将两百多条判读规则、历史缺陷案例、工艺标准转化为模型可理解的知识再通过SFT监督微调让模型习得判读逻辑。关键在于这些规则不是被简单写入规则引擎而是被转化为模型权重——系统能够基于上下文动态推理而非机械匹配。两百条判读规则从老师傅的脑中迁移到模型权重里经验从此不再随人员流动而流失。02、三层穿透让0.3%的漂移在第一周现形传统质检依赖固定阈值——参数超出设定范围即报警。问题在于芯片制造中的很多缺陷并非突变而是渐进性漂移某个温度补偿参数每周偏移0.05%连续数周累积到0.3%才触发报警此时异常已扩散到多个批次。质检分身核心能力分为三层第一层 · 离散点判断AI实时监控每颗芯片关键参数基于历史数据建立动态基线采用SPC统计过程控制计算置信区间——0.3%的漂移在第一周就会被捕捉到。第二层·Bin分类分析AI自动对芯片进行Bin分布统计与异常归类识别异常Bin并关联到对应工序。第三层·根因分析基于AgenticRAG架构AI自主拆解复杂质量问题多步骤检索历史案例与工艺文档逐步推理出完整根因链路每条结论附带数据来源链接确保可追溯。工程师只需描述现象——某批次CP测试Bin3占比异常升高——AI便能在数秒内完成多维交叉分析直接给出可能的根因方向。03、越用越准工程师的每次修正都在训练AI这并非模型自身变聪明了而是系统内置了反馈驱动的持续进化机制。当AI输出诊断结果后工程师对结论进行确认或修正。每一次反馈通过RLHF人类反馈强化学习回传至模型训练管线调整参数组合的权重分配。同时新发现的缺陷模式、新判读规则持续纳入RAG知识库实时检索调用。系统不是部署即定型的静态工具而是随使用不断进化——产线上每出现一个新问题AI的诊断能力就扩展一分。质检分身智能体架构04、让AI长在质检流程里质检分身的构建并非另起炉灶。中新赛克AI-WorkForce以轻量化嵌入方式将智能体无缝接入企业现有的MES和良率管理系统工程师在熟悉的工作界面中即可调用AI能力。回到开头那个场景一位资深工程师耗时五天才找到的温度补偿参数漂移问题质检分身在半天内定位并推送预警。这不是实验项目而是每天都在产线上运转的日常工作。
一块MEMS芯片从晶圆制造到封装测试历经数十道工序每道工序的测试数据以TB级增长。当某批次良率出现异常波动时质量工程师需要从成百上千个参数维度中逐一排查。一位资深工程师曾耗时五天翻遍十几个工序的测试日志才锁定导致Bin分类偏移的根因——某温度补偿参数在第三周出现了0.3%的渐进性漂移。这家企业是中国最早的MEMS传感器本土企业之一科创板上市具备从芯片设计到封装测试的全流程IDM能力。随着产能持续扩张TB级测试数据与有限的质量分析人力之间的矛盾日益尖锐。该企业选择与中新赛克携手以中新赛克AI-WorkForce为底座打造质检分身——一个能实时诊断、自主进化的AI质量分析智能体。01、两百条规则从脑子里搬进模型里一位在产线干了十五年的质量工程师退休后接任者面对密密麻麻的测试数据无从下手。老师傅脑子里存着两百多条判读规则——哪些参数组合意味着晶圆边缘缺陷哪些波动模式预示封装应力异常这些经验从未被系统性记录。中新赛克团队的第一步是将隐性经验显性化。通过多源数据治理将散落在MES、CP测试机台、良率管理系统中的数据归集、清洗、对齐构建统一质量数据资产库。在此之上利用RAG检索增强生成技术将两百多条判读规则、历史缺陷案例、工艺标准转化为模型可理解的知识再通过SFT监督微调让模型习得判读逻辑。关键在于这些规则不是被简单写入规则引擎而是被转化为模型权重——系统能够基于上下文动态推理而非机械匹配。两百条判读规则从老师傅的脑中迁移到模型权重里经验从此不再随人员流动而流失。02、三层穿透让0.3%的漂移在第一周现形传统质检依赖固定阈值——参数超出设定范围即报警。问题在于芯片制造中的很多缺陷并非突变而是渐进性漂移某个温度补偿参数每周偏移0.05%连续数周累积到0.3%才触发报警此时异常已扩散到多个批次。质检分身核心能力分为三层第一层 · 离散点判断AI实时监控每颗芯片关键参数基于历史数据建立动态基线采用SPC统计过程控制计算置信区间——0.3%的漂移在第一周就会被捕捉到。第二层·Bin分类分析AI自动对芯片进行Bin分布统计与异常归类识别异常Bin并关联到对应工序。第三层·根因分析基于AgenticRAG架构AI自主拆解复杂质量问题多步骤检索历史案例与工艺文档逐步推理出完整根因链路每条结论附带数据来源链接确保可追溯。工程师只需描述现象——某批次CP测试Bin3占比异常升高——AI便能在数秒内完成多维交叉分析直接给出可能的根因方向。03、越用越准工程师的每次修正都在训练AI这并非模型自身变聪明了而是系统内置了反馈驱动的持续进化机制。当AI输出诊断结果后工程师对结论进行确认或修正。每一次反馈通过RLHF人类反馈强化学习回传至模型训练管线调整参数组合的权重分配。同时新发现的缺陷模式、新判读规则持续纳入RAG知识库实时检索调用。系统不是部署即定型的静态工具而是随使用不断进化——产线上每出现一个新问题AI的诊断能力就扩展一分。质检分身智能体架构04、让AI长在质检流程里质检分身的构建并非另起炉灶。中新赛克AI-WorkForce以轻量化嵌入方式将智能体无缝接入企业现有的MES和良率管理系统工程师在熟悉的工作界面中即可调用AI能力。回到开头那个场景一位资深工程师耗时五天才找到的温度补偿参数漂移问题质检分身在半天内定位并推送预警。这不是实验项目而是每天都在产线上运转的日常工作。
