据semiengineering.com报道，生成式AI将硅通孔（TSV）检测时间从约1小时缩短至不到1分钟，精度保持不变，这一突破正重塑半导体制造中的缺陷检测与计量流程。
传统检测方法面临规模化瓶颈
随着芯片制程持续微缩、设计复杂度飙升，半导体制造商对缺陷识别的准确性、速度和可扩展性提出近乎零容错的要求。原文数据显示，人工检测已难以匹配当前量产规模与工艺复杂度，导致生产提速受限、良率提升遇阻。过去依赖的基于规则的算法（如blob分析）在微观结构检测中存在明显短板——例如在焊点角部填充（corner fill）等关键环节，易漏检或误判。
AI驱动检测：从自动化到自适应
据原文报道，AI正通过三大路径重构检测范式：
- 深度学习赋能高精度识别：Nordson SQ3000多功能系统利用深度学习，可识别传统方法完全遗漏或误读的微观缺陷，且无需依赖熟练操作员；
- 实时在线检测能力：AI系统可在产线高速运行中完成海量数据处理，避免因分析延迟造成的节拍损失；
- 模型自主进化：系统随每次检测积累数据，持续优化判断逻辑，向全自主、自优化检测系统演进。
无监督学习：发现“未知缺陷”的关键能力
原文强调，除监督学习外，无监督机器学习正成为更具突破性的方向——它无需预先标注缺陷样本，仅通过分析原始数据即可识别异常模式与新型缺陷，而这类缺陷可能连客户自身都尚未认知。Nordson在其AI生态系统Eagle AI中同步部署监督与无监督学习，并正推进自动标注技术以提升数据准备效率。
数据安全：AI落地的核心挑战
原文指出，当前制约AI深度应用的首要障碍并非算法性能，而是客户数据的安全管控。半导体企业普遍对开放产线数据持高度审慎态度。Nordson已采用私有云域与受控远程访问等方案应对，但原文明确表示：“获取可用、真实的产线数据仍是未来机器学习发展的关键前提”。该挑战在全球半导体供应链中具有共性——台积电2024年技术论坛亦提及类似数据隔离实践；三星电子同期在先进封装检测中部署本地化AI训练节点，同样聚焦于数据不出厂前提下的模型迭代。
行业影响与从业者关切
对全球半导体供应链从业者而言，AI检测升级不仅意味着单站检测效率提升近百倍、误拒率下降及材料浪费减少，更直接关系到先进制程产能爬坡节奏与新品上市周期。尤其在28nm以下逻辑芯片、HBM堆叠封装、Chiplet互连等高复杂度环节，传统AOI（自动光学检测）与CD-SEM（关键尺寸扫描电镜）已逼近物理与成本极限。据原文报道，Nordson正将资源重点投向预测性维护、生成式AI与自动化机器学习三大方向，同时持续优化现有系统与监督学习能力，以支撑客户快速响应工艺变更需求——这要求设备商与晶圆厂在数据接口、模型验证、跨平台协同等环节建立更紧密的技术协作机制。
本文编译自海外媒体报道，由 SCI.AI 编辑团队整理发布。
