2026年6月，美國亞利桑那州斯科茨代爾。全球半導體聯盟（GSA）的年度技術峰會，一場不對外直播的閉門會議。
台積電、高通、微芯科技、新思科技、應用材料，全價值鏈的高管都來了。核心議題不是某個單點技術，而是一個更根本的問題：當晶片製造的複雜度跑贏了整個行業的管控能力，當3D堆疊、異構整合和全球分散生產成了常態，差異化優勢不再來自“規模”。
“營運一致性”和“跨組織協同”，成了新的制高點。
峰會結束後，PDF Solutions副總裁張明（Ming Zhang）寫了一篇手記。這位是北大物理系出身、在矽谷深耕二十餘年的華人高管。
PDF Solutions這家公司，主業就是做半導體製造資料分析和良率提升，常年泡在代工廠和無晶圓廠的資料裡。張明從峰會現場帶回來的幾條核心判斷，剛好可以放到中國半導體這輪擴產、國產化和AI製造浪潮裡對照著看。
設計到製造之間，隔著一堵“資料牆”
張明文章裡的第一個判斷，沒什麼鋪墊：“全端合作的時代已經到來。”
過去半導體行業的協作是分層的。設計公司跟設計公司玩，代工廠跟裝置商玩，設計公司再通過外包封測完成最後一環。這種“階段性門控與危機驅動型合作”，在先進節點和異構整合面前，失效了。
今天造一顆Chiplet架構、基於2nm以下工藝的AI晶片，設計公司必須吃透工藝的物理極限。代工廠和裝置商在工藝開發階段就要緊密繫結，不是簡單的工具認證。無晶圓廠、代工廠、封測廠、裝置供應商，得打破組織邊界，共享製造資料，對齊良率策略。
這就打在了整個行業最不透明的軟肋上：資料。
高通工程高級副總裁Mike Campbell，曾在2025年PDF Solutions使用者大會上透露過一個數字。自2022年以來，晶片製造過程中產生的資料量增長了6倍。
但資料是富礦，也是一堵牆。
張明在峰會上反覆聽到一個共識：協作的鴻溝，本質上是資料鴻溝。不同環節生成了海量資料，但它們存在互不相容的格式裡，藏在各自公司的防火牆背後，跑在從未設計為互相通訊的系統上。那怕雙方都想好好協作，只要批次ID命名規則、中繼資料方案或時間戳標準對不上，代工廠發生的事和設計公司看到的測試結果，就閉環不起來。
張明還引用了一組資料。根據Pragmatic Editorial Team的統計，半導體製造領域的資料科學家，往往要把80%的時間花在清洗和對齊資料上，然後才能跑出第一條分析。這80%的損耗，幾乎全來自跨組織的標準割裂。
GSA峰會上，德勤和應用材料關於AI驅動製造的演講，不約而同指向一個結論：AI模型的質量取決於它所依賴的資料。把資料規範搞定，本身就是“部署本身”，而不是什麼“前置條件”。
這個現實，放在中國語境下更複雜。
2026年，中國半導體正經歷一輪前所未有的擴產。中芯國際2025年第三季度產能利用率衝到95.8%，華虹半導體到了109.5%。進入2026年，國內先進邏輯產線擴產繼續加速，儲存晶片也一樣。龐大的製造活動，意味著巨量的工藝、量測和測試資料正在生成。
另一邊，光刻機作為國產化率最低的環節，已在2026年實現從0到1的量產突破，帶動零部件及子系統公司業績與估值雙重提升。從裝置到工藝的資料拼圖，正被快速補上。
但擁有資料，和“讓資料成為全端協作的通用語言”，中間還隔著一條深溝。
全球頭部玩家已經在SEMI標準、STDF格式和AI-ready框架上推動互聯互通。中國龐大的製造資料，更多還是在企業內部、甚至不同廠區之間形成大大小小的“資料煙囪”。還有一層，是地緣分化導致的“信任赤字”——不少必要的跨國資料協作，因出口管制和供應鏈安全考量被切斷。
全球呼籲“全端”，但中國的全端，被迫也主動地走向一條以我為主、內循環驅動的路徑。
一條張力線就出來了：全球先進製造要求打破組織邊界做全端資料協同，但逆全球化正在讓中國建構一套平行、甚至可能是另一套標準的全端體系。這兩套體系將來怎麼對接，決定了未來十年中國半導體在全球價值鏈裡的真實位置。
AI做決策，誰為不可逆的後果負責？
峰會另一大焦點是AI。
張明沒有把注意力放在某個花哨的最佳化工具上。他關注的是AI從根本上改變了“人機關係”。
他的邏輯。半導體製造本質上是一個物理問題：電晶體是物理實體，工藝波動是物理現象，良率缺陷有真實的物理起因。但半導體公司也是一盤生意。在那裡跑批、分配那台機台、何時更換掩範本、要不要接受某片晶圓，每個決定都帶著經濟後果。
AI能處理上萬個工藝步驟的感測器資料，識別出人類工程師不可能手動追蹤的物理異常，瞬間把它翻譯成經濟建議：優先處理這一批、標記這台機台、調整那項參數。
這種能力已經不在理論層了。但張明緊接著拋出一個詞，才是整場峰會最冷靜、也最值得中國產業人士逐字看的提醒。
“人類治理，AI執行。”
AI可以在製造環境裡自主執行任務，但“交通規則”必須由人來定。什麼是可接受的取捨，什麼約束不能越過，問責結構怎麼設計，必須由經驗豐富的工程師和管理者一起設定。
原因不複雜：半導體工廠不是網際網路推薦引擎。一個錯誤決策的後果，嚴重且大多不可逆。如果AI因為過度自動化侵蝕了工程師的判斷力，它輸出的建議最終會變得無法被信任。
峰會多個討論強化的共同點是：能成功部署AI的半導體公司，都用它來呈現訊號、排序假設、建議動作，然後讓工程師留在回路里評估、批准、從中學習。那些掙扎的，要麼還在等AI變得“足夠完美”，要麼已經因為過度自動化，傷害了當初讓AI輸出可信的工程判斷基礎。
對中國半導體，這個判斷是雙刃的。一頭，中國有全球規模最大的工程師紅利，大量產線、工藝整合和良率提升的實戰經驗，存在人的大腦裡。這是實施“人定規則、AI執行”的天然土壤。
另一頭，一些國內企業在追趕心態下，容易把“智能化”等同於“減少對資深工程師的依賴”，追求一步到位的全自動黑盒決策。這恰恰可能踩中張明警示的那個陷阱。
更深的張力在資料回饋層面。光刻機等關鍵裝置量產後，帶來了巨量現場資料。怎麼設計一套治理體系，讓人類專家能夠評判AI建議的質量，通過持續反饋不斷強化模型，而不是把AI變成一個不可追問的決策黑洞？
這是中國半導體製造智能化能不能跨過門檻的關鍵。
此刻全球前沿廠的實踐——台積電用AI代理最佳化排產，應用材料和德勤展示的製造分析框架——都指向一條路：先建立治理制度，再部署AI。這比“先買模型再找人補流程”可靠得多。
(硅基LIFE)