喆塔科技通过AI技术助力半导体行业提升芯片良率，将行业Know-how编码化，为企业提供全流程智能决策，加速数字化转型。
原文标题：“光靠人盯不住了”！拆解上万张晶圆，这家公司靠AI将芯片良率提升数个百分点
原文作者：AI前线
冷月清谈：
怜星夜思：
2、根据文章，喆塔科技通过将行业Know-how与AI技术结合，实现了“Know-how编码化”。你认为“Know-how编码化”在半导体产业数字化转型中有什么价值？这种方法是否可以推广到其他行业？
3、文章提到喆塔科技的AI+产品可以“替代欧美产品，还能解决工艺波动的痛点”。你认为国产工业软件在哪些方面可以实现对国外产品的超越？除了技术因素，还有哪些因素会影响国产工业软件的发展？
原文内容
“活过眼前的数据治理‘脏活累活’，未来五年，这个赛道遍布机遇。”深耕半导体赛道的喆塔科技创始人兼 CEO 赵文政对这个方向充满信心，他如今正在半导体软件领域引入 AI 技术。
赵文政表示，现在国内真正跑通 AI 的半导体工厂不到 10%，而且距离真正在工业领域的应用还为时尚早，但趋势已经挡不住了。
半导体工业的 AI 软件赛道正处于快速发展阶段，但尚未达到饱和。随着技术的进步和制造工艺复杂性的增加，对能够提高效率、降低成本并优化生产的 AI 解决方案的需求持续增长。“像 2010 年的智能手机——都知道是未来，但还没爆。”
今年春节过后，喆塔将 DeepSeek 接入了自研的行业大模型——喆学大模型。在给他们的训练效率带来不错提升的同时，赵文政也敏锐地发觉：从短期来看，以 DeepSeek 为代表的这波 AI 浪潮涌现肯定是好事，比如用它的开源模型快速试错，降低试错成本，但长期得警惕：工业 AI 的决胜点不在模型本身，而在如何把行业知识“灌”进模型。
“DeepSeek 可能帮你搞定 10% 的通用问题，但剩下 90% 的工艺难题，还得靠深耕场景的数字化转型专家。”赵文政分享了喆塔团队的实例：此前某客户提出针对半导体制造工艺的实时分析需求时，喆塔团队在产线蹲点三个月，将需求拆解为多个模块快速迭代，而国外厂商仅需求评估就要半年。之后客户第一次看到喆塔方案，第一反应是这个团队很有潜力。后期顺利拿下项目，为了协助客户的产品加快上市周期，他们的团队直接驻场客户车间，跑数据实时对比反馈。
喆塔虽是做半导体工业软件起家，但早在成立的第二年就切入到 AI 领域。在谈到喆塔如何切入到 AI 领域时，赵文政表示这是行业发展的大趋势。
“选这个产品方向是因为半导体越往先进制程走，数据量爆炸式增长，光靠人盯不住了，必须用 AI 把数据变成生产力。”
2018 年，喆塔在调研多家半导体工厂后，发现一个共性痛点：工程师 80% 的时间耗费在数据整理，仅有 20% 用于决策。例如，传统良率分析需人工整合 MES、设备数据，耗时数周，而 AI 可将流程压缩至分钟级；但工业 AI 不能只靠算法堆砌，必须与行业内部规律、机制和原理深度融合。
当时，喆塔主要在以下方面应用了机器学习算法：一是缺陷检测与分类，利用机器学习算法对晶圆缺陷进行自动检测和分类。通过训练模型识别不同类型的缺陷，如划痕、污染等，提高了检测效率和准确性。这一应用帮助某封测企业中减少了人工检测成本，并提升了工作效率。
另一方面是良率预测与优化，通过机器学习模型分析生产数据、预测良率变化趋势，并提供优化建议。例如，在某晶圆厂中，喆塔的系统通过分析历史数据成功预测了一次设备故障，避免了大规模生产损失。喆塔称，将这些机器学习算法集成到他们的数据分析产品中后，帮助多家半导体企业提升了良率、减少设备故障，并凭借这些案例吸引到更多客户，订单量和盈利都增长了。
“我们认为 AI 在工业场景的价值，不在于技术本身的先进性，而在于能否将隐性知识显性化、将复杂问题标准化。这是喆塔选择切入 AI 的本质逻辑。”
赵文政表示，喆塔的路径独特在于将行业 Know-how 与 ABC（AI、Big Data、Cloud）先进技术相结合，实现“Know-how 编码化”。以缺陷检测为例，将老师傅的“工艺优化”经验转化为 AI 可理解的规则库，结合 PB 级数据处理能力，让喆塔自研的 AI 大模型能像十年经验的工程师一样识别工艺波动，新手通过喆塔的软件产品也能快速定位根因。
据他透露，这种“数据驱动 + 行业逻辑”的双重架构，使喆塔的良率分析产品效率提升数十倍，并成功进入 12 英寸晶圆厂验证。目前，喆塔在 AI 产品矩阵中融合喆学大模型，构筑了全方位、深层次的“1+3+N”智能生态系统，形成覆盖半导体制造全流程的智能决策闭环。“核心就三件事：数据管得明白、问题看得清楚、决策做得精准。”
其中，“1”代表一个由 AI 算法与海量数据分析为引擎的一站式 CIM2.0 全矩阵数智化平台，包括 ZetaCube 数字化智能分析系列、ZetaDMO 数字化智造运营系列产品与 ZetaCloud 工业互联网云平台。“3”代表喆塔的 3 个拳头产品：ZetaYMS、ZetaDMS、ZetaFDC。“N 个行业应用”即无论半导体、显示面板、还是新能源等高科技制造领域，喆塔都能提供 AI+ 产品的数字化转型方案。
去年，喆塔的 AI+ 产品已经在多数半导体大厂进行了验证，而且客户复购率很高。赵文政表示，“如果从机器学习算法的应用开始算起，第一个客户是从 2018 年开始，那第一年就盈利了。整个产品已经连续运行了 5 年，非常稳定，也得到了客户很高的认可度。”
比如在芯片良率优化方面，喆塔提供的解决方案能够显著减少生产过程中的缺陷率，其有 AI 加持的一站式 CIM2.0 系统集成了先进的数据分析和机器学习算法，可以实时监控生产流程中人、机、料、法、环、测的每一个环节，并自动识别潜在的问题区域。这不仅帮助制造商减少了因质量问题导致的产品报废，还缩短了产品上市时间，提高了生产灵活性和响应速度。
据行业内的普遍反馈，类似的技术应用通常可以帮助企业将良率提升数个百分点，加速产品量产上市，对于大规模生产的半导体工厂来说，这意味着每年数百万甚至上千万美元的成本节约。赵文政表示，他们的一些客户也反馈过，采用喆塔的解决方案后在降低维护成本、减少停机时间以及优化资源利用率等方面取得了实质性进展，这些改进能够转化为更高的利润率和更强的市场竞争力。
到目前为止，喆塔的合作客户超过 100 家，其中 90% 以上是行业头部企业，在行业分布上，半导体行业的客户占比较多。据称，喆塔主要通过三个维度来精准定位目标客户：一是行业维度，聚焦泛半导体领域，像半导体、光电显示、新能源等行业都是其关注的重点；二是企业需求维度，喆塔瞄准那些有数字化转型需求，且追求生产效率和产品良率提升的制造企业；三是技术适配维度，其产品和技术更适合需要全流程数据驱动解决方案的中大型企业。
某头部晶圆厂在引入喆塔的 AI+ 解决方案前，产品良率不稳定，这对工厂带来很大的困扰。使用 ZetaAYS（自动良率分析系统）等产品后，其工厂品质管理效率和良率得到了稳定的提升。
还有一家头部 12 寸半导体工厂，采用喆塔的 AI+ 解决方案后打通工厂业务系统数据孤岛，统一标准化业务，获取数据分析问题效率提升 3-4 倍，并且通过数据驱动的方式，对生产全流程进行优化，像通过设备故障预测减少停机时间、优化工艺参数等。此外，喆塔团队通过 CP\FT overview 和 composite 功能，可以在不同场景下对不同 bin 进行叠图分析，帮助工程师定位异常，这是目前无法通过手工实现的，数据利用率提升 100%+，生产效益显著提高。
“喆塔的软件系统不仅能替代欧美产品，还能解决工艺波动的痛点。”赵文政称，国外巨头如应用材料、IBM 两家公司占据全球 CIM 软件 90% 市场份额，但架构僵化、成本高。多数国内厂商聚焦单一环节（如 MES 或良率工具），缺乏全链路能力。而喆塔的差异化打法是基于大数据与 AI 算法来重构 CIM 软件。
据介绍，“喆塔还是业内唯一具备半导体全流程穿透力的半导体 CIM 厂商，打通了‘芯片设计 - 芯片制造 - 芯片封测’全链路数据。”例如，某晶圆厂导入喆塔的 ZetaCube 数字化智能分析系列产品后，工程师决策时间占比从 20% 提升到 80%。
赵文政提到，为了开发顶尖 AI 产品，喆塔在多个关键领域进行了重大的技术和资金投入，包括研发人员薪酬、投资于高性能计算设备、承担数据获取与处理的相关费用，以及确保产品的持续维护和更新所需的成本。如今，随着他们 AI 产品在半导体行业实际应用中的成功落地，喆塔已经实现了稳步的发展，并进入了规模化盈利的新阶段。
据赵文政透露，喆塔的团队核心技术骨干深耕半导体行业近 20 年，拥有丰富的半导体工厂数字化转型、智能化升级经验，团队自主研发出了以“AI+ 数据”驱动的一站式 CIM2.0 全矩阵数智化平台。
但在做 AI 类的应用和产品的过程中，他们也踩过不少“坑”。据赵文政称，技术验证阶段，数据质量和算法适配是大问题。数据存在错误、缺失、重复等情况，影响模型训练效果；不同算法在实际场景中表现不稳定，难以达到预期性能。因此，喆塔通过构建数据质量监控体系来增加数据清洗和校验环节，保证数据质量；针对算法进行大量实验，对比不同算法优缺点，结合实际场景优化调整、找到适配方案。
“要警惕技术自嗨、初期过于关注技术细节而忽视实际应用场景。”赵文政表示。
将 AI 技术应用于半导体工业场景时，喆塔同样遇到了多重挑战。首先是领域知识壁垒，需要团队深入理解复杂的半导体制造工艺；其次是数据挑战，高质量数据的获取受限于保密协议，增加了模型训练难度；此外，还有对实时性能的高度需求及模型复杂性的挑战。还有一个值得关注的问题是，客户对 AI 应用的需求在不断变化。
为应对这些挑战，喆塔通过组建跨领域的专业团队，结合 AI 专家与行业资深人士的知识，有效克服了领域知识障碍。同时，通过建立合作伙伴关系，确保能够访问必要的数据资源和技术支持。针对模型复杂性和实时性能需求，喆塔不断迭代优化其算法，并采用最新的 AI 技术如迁移学习和少样本学习来提高效率。面对 AI 大模型泛化能力不足的行业通病，喆塔团队通过增加数据多样性训练，优化模型参数，提升模型的泛化能力。
到最后实现规模化盈利，喆塔期间亦经历了多次的策略调整。初期，他们面临的主要问题包括市场需求不明确和技术与实际应用场景的脱节。为解决这些问题，喆塔加强了市场调研，深入了解客户痛点来确保产品开发方向准确；引入用户反馈机制，定期与客户沟通，确保产品功能与市场需求匹配；喆塔建立灵活的产品迭代机制，快速响应客户需求，提供定制化解决方案。
比如，推广 AI+ 解决方案时，最初喆塔认为某封测企业会对智能良率管理系统有强烈需求，但实际沟通后发现，客户在关注良率的同时也很关注如何降低人工误差与成本。之后，他们调整产品策略，增加了自动化报告生成功能，据称此举“显著提升了客户的使用体验和满意度”。
据赵文政透露，未来，喆塔将在 AI 方面采取 “三位一体” 的发展策略，会持续加大研发投入，重点攻坚半导体制造大模型、工业 AI 算法优化等核心技术，目标是实现关键技术的自主可控，达到国际领先水平。
关于是否担心被大厂复制技术，赵文政认为，创新是持续的过程。工业 AI 的核心是算法与 Know-how 的协同进化。“我们的缺陷检测模型，光一个‘边缘崩缺’的分类规则，就得拆解上万张晶圆图，还要理解背后对应的蚀刻参数——这不是砸钱就能搞定的，得在 fab 里摸爬滚打交学费。喆塔这几年啃下来的硬骨头，现在就是护城河。”
当前生成式 AI 及其垂直场景应用、供应链等方向火热，但商业化争议不断。赵文政指出，判断哪些方向能真正“赚钱”的关键在于，深入理解市场需求和技术可行性之间的平衡点。
“对初创公司而言，寻找那些既有明确市场需求又缺乏有效解决方案的细分市场尤为重要。例如，在数据清洗和标注服务方面，虽然看似基础，但由于大多数公司在这方面面临挑战，因此提供了巨大的商业机会。有潜力的公司应聚焦于解决具体行业痛点，提供差异化的价值主张，以建立竞争优势。”
赵文政提到，AI 领域有如下几个值得关注的细分赛道：一，找到工业 AI 的“边缘战场”；二，解决跨界痛点；三就是数据苦力活，“例如数据清洗、标注，产线里很多公司卡在这儿，解决了就能跑出来”。
“核心策略不是追风口，而是追问题——哪个行业的挑战最大、抱怨声最高，哪里就蕴藏着很大的机会。就像喆塔通过专注工业大数据和工业 AI，真正解决客户的痛点问题，不仅能够为客户创造真正的价值，也为我们自身开辟了广阔的发展空间。 ” 他表示。
对于想进入 AI 赛道的年轻创业者， 赵文政建议，去关注那些既能发挥自身优势又能满足社会需求的领域。
“选择一个你真正关心且具有潜力的方向，并坚持不懈地追求你的愿景，这将是成功的关键。同时，保持开放的心态，愿意接受反馈并快速迭代产品，也是至关重要的。”
