以管窥豹， 一直困扰INTC近十年2014年 (10NM) ——— 2025年 (18A)的芯片良率问题，导致INTC跌落神坛，多次败走麦城，被竞争对手（AMD）赶上痛殴。被同行兼竞争对手（TSM）嘲笑(赶不上台湾人吃苦耐劳，24小时分班连轴磨良率)永远无法赶上的良率问题在今年为何解决了。
2024年底，据韩国媒体报道，Intel 18A 良率不足10%，根本无法进行量产。Broadcom 测试了 Intel 18A 的晶圆后，工程师和高管对结果非常失望，认为该制程”尚未准备好进行大批量生产”，随后取消了订单。
可商业生产的半导体制程通常需要70-80%的良率，这意味着 Intel 需要将良率提高7倍才能实现盈利。
18A 良率问题也被认为是 CEO Pat Gelsinger 被迫离职的关键原因之一。
2025年的起点是：10% 良率，客户跑路，CEO 出局。
18A 同时引入了两项从未在量产中验证过的革命性新技术，这是历史上极罕见的”双重豪赌”：
RibbonFET（环绕栅极晶体管）
自2010年代初，Intel 和业界都在使用 FinFET 晶体管——栅极从三面环绕硅鳍。RibbonFET 是下一步：栅极从四面完全包裹硅通道，即业界所说的 GAA（Gate-All-Around）。更好的栅极控制意味着可以在更低电压下运行、减少漏电流，并在不发生晶体管失控的情况下推高密度。
PowerVia（背面供电）
PowerVia 将整个供电网络移至晶圆背面，通过比传统硅通孔小500倍的微通孔连接至晶体管层。 传统制程中，信号线和电源线共享正面金属层，互相抢占空间、产生干扰，PowerVia 把供电”搬到地下室”，从根本上解决了这个问题。
这两个技术单独拿出来都是世界难题，两个同时首次量产，良率低是必然的。加上 Intel 长期依赖自有设计规则、软件、EDA 工具的封闭生态，而转向 EUV 需要与 ASML、Cadence、Synopsys 等外部伙伴大量协作，这与 Intel 一贯的孤立做法相冲突， 导致制程爬坡极为艰难。
Tan （陈生） 接手时，18A 良率”相当差”。他直接引入了包括 PDF Solutions 和 KLA 在内的行业头部良率改善专家，推行最佳实践。他设定了每月提升7%-8%良率的目标，并表示现在确实在按这个节奏推进。
管理层被精简，公司聚焦重点。代工战略变得更有纪律性，而不是靠讲”复兴故事”。Tan 的核心逻辑很简单：在半导体行业，客户不买你的叙事，他们买的是你的制程、良率、时间表和可预测性。
Tan 的任期聚焦于：终止非核心项目、裁员1.5万人、每年节省100亿美元的财务纪律。
具体执行层面：
1. 20A 节点”铺路”：Intel 20A 虽然从未正式量产，但它”直接指引了 18A 中 RibbonFET 和 PowerVia 的首个商业化实现”，相当于把最难的工程学习曲线提前在20A上踩过了一遍。
2. 制程收紧工艺变异：18A-P 版本对”工艺角偏差”收紧了30%——芯片制造永远不可能完全一致，tighter skew 意味着更一致的性能表现、更高的可靠性，以及代工客户设计时更可预测的结果。这对良率直接正相关。
3. 正式进入 HVM：2025年12月19日，Intel 正式宣布 18A 在亚利桑那州钱德勒市的 Fab 52 工厂进入高产量制造（HVM）阶段，标志着良率已经稳定，可以应对量产挑战。
拆分设计（Tile Design）与降低复杂度
以前 Intel 追求“单体大芯片”（Monolithic），一旦一个角坏了整块芯片就废了。
小芯片（Tiles/Chiplets——— AMD的最佳武器）化： 在 18A 时代，Intel 广泛采用 Foveros 封装技术。昂贵的 18A 工艺只用来做最核心的 CPU 模块（Compute Tile），而 GPU 或 IO 模块则放在更成熟、良率更高的工艺（如 Intel 3 或甚至台积电的工艺）上。
结果： 这种“混搭”模式大幅降低了 18A 晶圆的制造难度，使得综合良率迅速拉升。
3. “数字化孪生”与 AI 实时监控
Intel 彻底改变了晶圆厂的管理模式。
全流程监控： 现在的 18A 生产线安装了数以万计的传感器，利用机器学习（内部自研或合作平台）实时监控化学气体流量、光刻机抖动等。
快速纠错： 以前发现良率问题可能需要几周的回溯，现在通过 AI Agentic Workflow，系统能在几秒钟内定位到哪个环节出了偏差并自动修正。这就是为什么 CFO 提到“18A 的爬坡速度远快于当年的 10nm”。
|维度 |过去问题（Gelsinger时代） |现在改变（Tan时代） |
|--------|--------------------|------------------------|
|技术 |GAA+背面供电同时首发，工程复杂度爆表|20A已踩过学习曲线，18A站在巨人肩上 |
|执行 |层级繁多、文化封闭、节点屡屡延期 |裁撤冗余层级，引入外部良率专家（KLA/PDF）|
|目标管理|宏大叙事，缺乏量化月度指标 |明确”每月+7-8%良率”硬指标 |
|生态 |拒绝与外部EDA/设备商深度协作 |Tan来自Cadence，天然懂生态合作 |
|财务纪律|同时押注多个巨型项目（德国/波兰建厂） |砍掉德国/波兰，聚焦已有产能和核心节点 |
技术难题一直在那里，不是技术突然变简单了，而是管理方式和执行纪律变严了。Gelsinger 是技术布道者，Tan 是制造业老兵式的执行者——这个差异，在良率这件”细节决定成败”的事上，体现得淋漓尽致。
AI 在 Intel 18A 良率提升中扮演了关键角色
AI 是核心基础设施。用 Intel Foundry 数据与AI高级总监 Rao Desineni 的原话来说——
“我们在每一个环节都在用AI。无论是缺陷检测、生产调度、用数据找到良率问题的根本原因，还是异常检测——AI 贯穿了所有这些步骤。”
这不是公关话术，以下是具体的技术细节。
一、AI 解决了哪些”以前人工根本搞不定”的问题
1. 缺陷检测：从”抽检1/25”到全程感知
半导体制造最核心的痛点是数据量巨大但测量代价极高。
因为测量步骤会占用宝贵的制程时间，工厂通常只能对每批晶圆中的一部分进行检测——“我们可能只检测25片中的1片，或者2-3片。这意味着存在大量缺失数据。”
18A 的情况更糟：RibbonFET 是3D GAA结构，传统光学检测根本看不到埋藏在 FinFET 和其他3D结构内部的缺陷。在16/14nm 以下的节点，光学系统的分辨率已经无法维持高良率所需的覆盖对准精度。
AI 的解法：
AI 驱动的超分辨率成像帮助检测传统检测工具可能遗漏的显微缺陷，AI 模型可以在缺陷到达量产阶段之前对潜在缺陷进行分类，并预测其对芯片性能的影响。
包括计算机视觉和深度学习在内的先进AI技术被用于检测晶圆和芯片中的缺陷和异常，这些系统能识别人工检验员可能遗漏的微小缺陷。
Intel 的计算机视觉系统每周处理数百万张图像 ——这个规模的任务，人工完全不可能完成。
2. 虚拟量测（Virtual Metrology）：无需停线就能”预知”质量
这是 AI 对良率提升最直接的贡献之一。
虚拟量测技术使工厂能够在不中断生产线的情况下实时预测关键质量参数，将物理量测需求减少50-70%，显著提高产能利用率。AI良率预测模型结合根因分析，已帮助先进节点工厂将新制程导入时的良率爬坡速度加快20-30%，直接影响数十亿美元的收入时间线。
对 18A 而言，这意味着：每片晶圆经历1000多道工序，不再需要等到最终测试才发现问题，AI在中间环节就能预测哪片晶圆会出问题，提前干预。
3. 数字孪生（Digital Twin）：在虚拟世界先”试错”
Intel 利用”数字孪生”技术在物理生产开始之前模拟制造环境。通过创建洁净室和光刻工艺的虚拟模型，工程师可以预测缺陷可能在哪里发生。这种主动方式旨在缩短新节点通常会经历的”学习曲线”。
在 18A 这种”双新技术同时首发”的极端情况下，数字孪生的价值是：本来需要烧掉几百片真实晶圆（每片价值数千美元）才能发现的工艺问题，现在在虚拟环境里跑模拟就能提前发现。
4. 光刻校准：AI 维持亚纳米级精度
先进AI系统协助实时进行光刻曝光中的透镜对准，确保亚纳米精度。
18A 使用的是 ASML 最新的 EUV 光刻机，波长13.5nm，任何细微的镜头漂移都会造成图案偏移、缺陷暴增。AI实时校准是维持这种极端精度的必要条件，人工根本无法以足够快的速度响应。
5. 根因分析加速：从”几周排查”到”即时定位”
在 Fab 52，AI 的投资回报通过多种方式体现：减少人工投入、更快发现根本原因、提升良率，以及加速学习。
传统上，一个良率异常事件需要工程师花几天甚至几周去排查是哪道工序、哪台设备出了问题。AI 通过分析数千个传感器的历史数据，能够根据历史数据和实时指标提出纠正措施建议，加快根因定位，降低生产成本。
这正是 Lip-Bu Tan 能够设定”每月提升7-8%良率”这个硬指标的底气所在——没有AI辅助的根因加速，这个节奏根本不可能实现。
二、PDF Solutions + KLA 带来了效率。
Tan 点名引入了 PDF Solutions 和 KLA 这两家公司来推动 18A 的最佳实践良率改善。
这两家公司分别代表两个维度：
PDF Solutions（Exensio 平台）：专注于加速工厂良率爬坡、电性表征和大数据分析软件。电性表征尤为重要，因为传统光学检测根本看不到埋藏在3D结构内的缺陷。 ?他们的 AI 平台直接对接 Intel 的制程数据，建立跨设备、跨节点的统一数据模型，让 AI 模型可以迁移学习。
PDF Solutions 的 Exensio Studio AI 与 Intel 的 Tiber AI Studio 整合，近期可望在更多工厂加速部署用于预测性维护、先进缺陷分类和实时工艺优化的AI模型。
KLA：全球最顶尖的晶圆检测设备公司，其检测机台本身内嵌AI算法，与 Intel 的数据系统深度集成，使 Intel 能在缺陷密度尚未到临界线时就提前预警。
三、人没有被替代
这里有一个很重要的细节：当 AI 找到答案时，不会自动实施建议——“总是让人来参与决策循环。“这种人机协作模式反映了技术现实和组织信任的双重要求。尽管机器学习越来越复杂，半导体制造仍然对风险极度厌恶，AI 系统通常作为决策支持工具而非完全自主控制器来部署。
这解释了为什么 Tan 说”这是一门磨的生意（business of grinding）”——AI 大幅加速了每一个环节的学习速度，但最终的判断和实施仍然需要经验丰富的工程师拍板。
总结：AI 扮演的角色层级
|层级 |AI的具体作用 |量化影响 |
|-------|---------------------|--------------|
|感知层|计算机视觉检测3D缺陷（人眼/光学看不到）|每周数百万张图像处理 |
|预测层|虚拟量测，无需停线实时预测质量 |物理测量需求减少50-70%|
|仿真层|数字孪生，虚拟环境预演工艺问题 |压缩新节点学习曲线 |
|控制层|AI实时校准EUV光刻亚纳米精度 |维持18A极窄工艺窗口 |
|分析层|根因快速定位，支撑每月+7-8%良率节奏 |良率爬坡加速20-30% |
一句话总结：18A 良率的突破，是Lip-Bu Tan 的执行纪律（人）+ PDF Solutions/KLA 的专业工具（软件）+ AI 贯穿制程每个环节的实时感知与预测（算法） 三者缺一不可的结果。没有AI，那个”每月7-8%“的改善节奏根本不可能持续实现。 这是如 AI消减NVDA CUDA护城河，AI 抵消 TSM 长期 代工高良率经验的AI 应用实例。 巨头们正亲自经历AI带来的巨变。 谁还敢不重视不投资。
对于落后者总是愿意用激进的方法追赶， 继续看好INTC。 以AI为武器的方法对了， 良率赶上TSM只是时间问题。 这个时间在AI的帮助下可能非常快。 现在TSM因为历史原因反而有可能成了保守者。
