二維半導體良率瓶頸與 AI 原生製造:自適應缺陷避讓與 Co-Scientist 閉環實驗
- —二維材料依賴化學氣相沉積(CVD)生長,難以具備傳統矽晶圓高達 10N 至 12N 的極致純度,且晶界缺陷在微觀下難以被傳統光學或肉眼直覺精準識別。
- —團隊與 Google DeepMind 合作將 Co-Scientist 系統導入實體實驗,由 AI 自主檢索文獻、預測前驅體配方並驅動儀器生長材料,克服跨實驗室幾何硬體差異的復現難題。
傳統晶圓製造依賴極高純度材料與標準化微影,對缺陷材料只能整片報廢。AI 原生製造將顯微鏡與無塵室設備即時互聯,由演算法在次級 CVD 材料上自適應挑選無瑕疵區域排布晶體管,成功在原本僅 65.6% 良率的次級材料上完成高良率晶體管陣列製備、良率提升 30%。AI 原生半導體製造透過自適應圖形排布扭轉材料缺陷限制,為二維材料商業化提供了繞過極致純度壁壘的新解法
結合大語言模型 Agent 與 Meta SAM 視覺模型的 Atomic 系統,能自主操控顯微鏡進行奈米材料表徵與像素級瑕疵檢測,辨識良率達 99.7% 且無須重新訓練模型。Co-Scientist 進一步將 AI 從虛擬科研推向實體工程閉環,直接生成配方並驅動儀器完成端到端材料生長。AI 從文獻解讀與假設生成深化至自主閉環控制實體科學儀器,正大幅壓縮先端材料與新元件的工程研發週期
AI 驅動晶片製造與遞迴自我改進(RSI):構建「自生智慧」閉環
- —當前 AI 發展龐大的資本支出最終大多流向晶片採購與製造端,高昂的硬體與代工良率是制約算力成本的最關鍵因素。
- —借用演化生物學中各類海洋甲殼類多次趨同演化為螃蟹的「蟹化」現象,提出 AI 與晶片深度融合後究竟會走向分化還是收斂為終極矽基生命形態的開放思考。
當前科技業 AI 算力擴張受制於高昂的晶片採購與製造費用,但 AI 深度參與晶片設計與製造正促成「AI 設計晶片、AI 製造晶片、晶片訓練 AI」的遞迴自我改進(RSI)飛輪。藉由將模型與承載它的硬體晶片深度耦合,有望推動算力生產成本指數型下降並催生自生智慧(Autogenic Intelligence)。構建 AI 自主設計並製造運算硬體的閉環飛輪,是推動遞迴自我改進並突破硬體物理與經濟極限的核心支柱
每天早上,收件匣見
54 位中英文財經 KOL 的觀點,每天自動整理成一份日報。免費,隨時可退訂。