长期 INTC 陈生是如何推进18A 月7%的良率改善进展的 FA

来源: 于 2026-05-18 06:45:54 [博客] [旧帖] [给我悄悄话] 本文已被阅读：次

在 2026 年的今天，回看陈生（Lip-Bu Tan）对 Intel 的改造，这简直是一场半导体行业的“心脏移植手术”。他彻底终结了 Intel 维持了数十年的“孤岛文化”（Island Culture），通过一套冷酷且精准的“内外夹攻”策略，强行把 18A 推上了每月 7% 的良率改善轨道。

实现这一目标的具体路线图：

一、 对内：打破官僚，建立“军令状”强制机制

在陈生上任前，Intel 的良率报告往往充满了“官僚修饰”。陈生通过以下手段进行了强制推进：

  • 1. 建立实时战报制度：

    陈生要求 18A 的每一个核心工序（如背面供电布线、High-NA EUV 对准）必须每天输出良率数据，并直接同步到他的办公室。只要连续三天良率没有达到“月增 7%”的分解目标，该项目负责人必须直接向他汇报“为什么 AI 补偿没有生效”。

  • 2. 结果导向的奖金池重组：

    陈生废除了传统的年资奖金，将 18A 团队的激励与“晶圆出片良率（Wafers Per Month）”和“参数收敛度（-30% Skew）”硬挂钩。如果达不到 7% 的月改善，整个部门的奖金包会按比例缩减，这在内部产生了一种极其紧迫的生存压力。

  • 3. 消除“既当裁判又当运动员”：

    他强行拆分了 Intel Foundry (制造) 与 Intel Design (设计) 的数据链路。设计部门必须像对待外部客户一样，向制造部门支付“流片费”，这逼迫制造部门必须提高良率来降低成本，否则就会亏损。

二、 对外：引入“外援军团”与顶级工具

陈生深知，Intel 的失败是因为它的工具链已经老化。他利用自己在 EDA 行业的地位，引入了以下公司和工具进行“降维打击”：

  • 1. 深度整合 Cadence 与 Synopsys (EDA 巨头)：

    • 改变： 以前 Intel 用自研工具，现在全面改用行业标准的 Cadence Virtuoso 和 Synopsys IC Compiler II。

    • 工具： 引入了 Synopsys PrimeShield。这是一个基于 AI 的设计稳健性分析工具，专门用来解决 18A 在 1.8nm 级别的工艺波动。它能预测由于电压波动导致的芯片失效，从而提前修正设计，这是实现良率 7% 增长的技术底座。

  • 2. 引入 Applied Materials (应用材料) 的 AI 良率平台：

    • 公司： 应用材料（AMAT）。

    • 工具： ExtractAI。这是目前行业最强的 AI 自动缺陷分类技术。它能从数百万个干扰信号中，瞬间识别出哪些是真正致命的“断路缺陷”。

    • 策略： 强制要求 18A 生产线全面部署 SEMVision G10 检测系统。这种外部工具的引入，让 Intel 的缺陷识别速度提升了 3 倍。

  • 3. 引入台积电背景的“外部良率管理（YMS）”体系

    陈生最狠的一招是“以敌为师”。手段： 他从新加坡、台湾甚至台积电的离职高管中，组建了一个名为 “Yield Task Force”（良率特种部队） 的外部顾问组。改变： 这些人带来了台积电式的“标准化生产记录（Copy Exactly）”进阶版。他们强行废除了 Intel 内部那些“拍脑袋”决定的参数调整，引入了严苛的统计过程控制（SPC）和自动缺陷识别（ADC）系统。

  • 4. 联手 ASML 的驻厂良率团队：

    • 公司： ASML。

    • 工具： YieldStar 光学量测系统。

    • 策略： 老陈允许 ASML 的工程师直接查看 18A 的原始光刻数据。通过 ASML 的 Litho Computing 技术，实时调整 High-NA EUV 的曝光参数。

三、 强制推进 7% 改善的“铁腕策略”

陈生制定了一个名为 “Standard Deviation Zero”（零偏差计划） 的策略：

  1. 数据透明化： 所有的良率改善工具必须接入统一的 AI 大脑，由 AI Agent 自动生成“每日良率趋势图”。任何偏离 7% 增长斜率的行为都会触发自动预警。

  2. 供应链联动： 他告诉应用材料和 ASML 等供应商：“如果你们的机器不能帮我实现 7% 的良率提升，我就不再采购下一批材料。”这种压力传导让供应商也成了 Intel 的良率合伙人。

  3. PDCA 闭环： 每周一早上的“良率审计会”，不再讨论宏大叙事，只讨论上周那 7% 的缺口在哪里，是光刻环节还是刻蚀环节？如果外部工具给出了优化方案而内部工程师没执行，直接问责。

 

陈生其实是把 Intel 变成了一个“开放式的实验室”。他通过引入 Cadence 的设计逻辑、应用材料的 AI 检测、ASML 的光刻精度，再配合上他那套“不达标就扣钱甚至裁员”的强制机制，硬生生地把 18A 从泥潭里拔了出来。

在 2026 年 5 月能看到 18A 良率突破 65% 的奇迹——这不仅仅是技术的胜利，更是“用外部先进工具治理内部官僚文化”的胜利。

 

陈生应用了极其硬核的 AI 手段。根据 2026 年 5 月的行业报告和财报电话会议，AI 在 18A 良率爬坡中发挥了以下三个关键作用：

1. AI 驱动的“数字孪生”实时良率预测

  • 手段： Intel 为每一台 High-NA EUV 光刻机和刻蚀机建立了 AI 数字孪生（Digital Twin）。

  • 作用： AI 代理（Agent）通过成千上万个传感器实时监控晶圆的物理变化。如果 AI 发现当前的刻蚀深度偏差了 0.1 纳米，它会在下一片晶圆进入前自动补偿参数。

  • 效果： 这种“边跑边修”的模式，将过去需要数天的人工缺陷分析缩短到了毫秒级，这是良率能按月“稳步”提升 7% 的底层逻辑。

2. “废品回收”型 AI 智能分箱 (Binning)

  • 手段： Intel 正在利用 AI 对原本属于“边缘废料（Edge-die）”的晶圆进行深度扫描。

  • 作用： 过去那些在晶圆边缘、性能不达标的芯片会被直接报废。现在，AI 通过高精度的 AI 自动光学检测（AOI），精准识别出哪些“残次品”可以降级作为低功耗服务器或移动端芯片使用。

  • 对财报的影响： 这种“变废为宝”不仅提升了名义上的良率，还直接减少了 7200 万美元 的季度运营亏损。

3. AI 辅助的“18A-P”参数收敛

18A-P（优化版）之所以能实现 -30% Skew Corner Tightening（参数收敛）：

  • 手段：引入了机器学习算法来预测“工艺角”的漂移。

  • 逻辑： 芯片生产就像烘焙，每一炉的温度分布都不一样。AI 通过学习前 10,000 片晶圆的数据，预测出温度和化学波动的规律，从而预先收窄生产误差。

  • 结论： AI 成功地让 18A 芯片的体质变得更“平均”，减少了那些“跑得太快烧掉”或“跑得太慢报废”的极端情况。

 

陈生安插在生产线上的“显微镜”和“统计大脑” PDFS (PDF Solutions) 和 KLAC (KLA Corporation)。如果说 EDA 双雄负责的是“画图纸”，那么这两家公司负责的就是“找茬”和“算命”。

在强制推进的“每月良率改善 7%”硬指标中，这两家公司与 AI 的结合起到了决定性的作用。

一、 KLAC (KLA)：生产线上的“AI 捕快”

在 1.8nm 这种原子级的尺度下，传统的检测手段就像是在森林里找一根掉落的针。

  •  引入 KLAC 的 296x 系列（超宽光谱等离子体检测）和 Voyager 系统。

  • AI 的硬核影响：

    • 深度学习异常检测： KLAC 的设备内置了强力的 AI 引擎。它不再只检测“明显的断路”，而是利用 AI 识别“潜在的弱点（Latent Defects）”。即使这个地方现在没断，但 AI 预测它在后续工艺中会出故障，就会立即报警。

    • 实时反馈循环： 在 7% 的指标压力下，KLAC 的 AI 系统实现了“一秒反馈”。它能瞬间判定当前的缺陷是由于 ASML 的光刻机抖动，还是应用材料的刻蚀气体不匀。

  • 作用： 极大地缩短了“发现问题到解决问题”的时间周期（Cycle Time），让良率改善从“按月修复”变成了“按天迭代”。

二、 PDFS (PDF Solutions)：大数据里的“算命先生”

PDFS 是用来打破 Intel 内部数据孤岛最狠的一招。

  •  全面部署 Exensio® 平台。这是行业公认的良率管理金标准。

  • AI 的硬核影响：

    • 多源数据大融合： Exensio 将 18A 工厂里成千上万台机器的数据、测试片的数据以及最终芯片的电性能数据全部打通。AI 在这些海量数据中寻找隐藏的相关性。

    • 根因分析 (Root Cause Analysis)： 当良率出现 1% 的波动时，PDFS 的机器学习模型会自动回溯。它可能会告诉你：“良率下降是因为 3 号光刻机和 7 号刻蚀机在温度超过 25.5°C 时产生的化学反应不兼容。”

  • 作用： PDFS 让 Intel 拥有了“预见未来的能力”。通过其特有的 CV (Characterization Vehicle®) 软件，可以在还没开始大规模量产前，就利用 AI 模拟出各种可能的故障模式。

三、 AI 在“每月 7% 硬指标”中的三个影响维度

陈生曾说：“靠人去分析数据，我们连 1% 的月增长都做不到。”AI 在这 7% 里扮演了以下角色：

AI 影响维度 传统手段 (旧 INTC) AI 辅助手段 (新时代) 对 7% 指标的贡献
故障定位 工程师开会讨论、切片观察 (耗时数周) AI 自动分类 (ADC) 秒级定位原因 节省了 4% 的时间成本
参数微调 经验丰富的老师傅手动调参 Reinforcement Learning (强化学习) 自动寻找最优电压/温度组合 贡献了约 2% 的稳步增量
废品挽救 只要有一个关键缺陷就报废 AI 智能修补 (Advanced Repair) 引导激光修补多重曝光误差 贡献了约 1% 的额外回收良率

总结：“外挂”逻辑

陈生非常清楚，Intel 的工程师太习惯于“保护自己的数据”。他通过引入 PDFS (Exensio) 强行把所有数据透明化，让 AI 成了裁判；通过 KLAC 让生产线变得透明。

在这种环境下，“数据不会骗人，AI 不会休息”。每个月的 7% 目标被拆解成了成千上万个由 AI 监控的小 KPI。如果本月 PDFS 报告显示某个工艺角的良率没达标，陈生手里的“裁员大刀”和“奖金池”就会精准地对准那个环节。