3月22日，梧桐荟 | “产·投·研”沙龙第2期在上海西岸国际人工智能中心成功举办，本次沙龙以“国内芯片良率情况及投资机会”为主题，邀请到多位重磅嘉宾，吸引100多位从业人士、投资人参与，共同探讨国内半导体产业的良率挑战及未来发展方向。
本期文章将为大家深度呈现圆桌对话主持人和各位嘉宾的真知灼见。本场圆桌过程中，嘉宾及现场观众围绕中国集成电路现状、半导体研发/生产制造中的良率问题做了精彩的探讨和展望，以下内容截取了现场对话的精华部分。
梧桐荟 | “产·投·研”沙龙第2期
圆桌对话：国内芯片良率的困境及投资机会
开场语：参与本次圆桌对话的都是半导体领域的资深人士，他们中有国内半导体行业的元老级人物，如今依然奋斗在半导体第一线；有曾经在国内最头部的FAB晶圆厂工作多年或者在全球顶级的半导体设备公司工作多年，转战成为风险投资人，也有在海外半导体巨头公司工作多年，具有国际化的全球视角，如今回到中国服务于本土市场。无论从哪个角度来看，这都将是一场高水平的产业投资对话。
主持人：石矛（常垒资本 创始合伙人），现场抛出了三个问题：
问题一：我们国家的芯片制造工艺从28nm开始，再到14nm甚至更先进的制程，所谓的先进制程的良率，中国本土跟国外的差距到底有多大？以各位的视角看，工艺经验、设备、材料、软件（包括EDA）以及生产数字化，上面这几个因素哪个对国内现阶段先进制程良率的影响比较大？
问题二：各位嘉宾结合自己过往的经验，给我们介绍下，在芯片生产或者研发过程中，良率问题的发现和解决一般都有哪些具体的流程，可否举一些细节的例子，让现场投资人朋友对于一线的生产研发有一个更直观的体验？
问题三：目前国内半导体的研发和制造过程中，良率提升环节还面临着哪些困难或阻碍？各位嘉宾从你们的视角谈谈，国内在围绕良率提升方面，有哪些新的技术点或者创业方向值得创业者和投资人关注？
以下是围绕这三个问题，截取各位嘉宾发言精华部分：
嘉宾一：祝波（沃衍资本合伙人），曾在泛林集团（Lam Research）担任产业基金合伙人、亚太投资总经理。再早曾任职于全球半导体设备龙头应用材料，担任技术总监。祝波本人也是清华精仪系的校友，加州大学伯克利分校工程博士。祝波先生在90年代末尝试用机器学习来解决大制造生产中的一些问题，后来就慢慢做到装备这一侧，先是在应用材料，到了Lam Research也是负责这个方向。
关于各方面因素对于半导体良率的影响，他回顾了自己多年从业经历，讲了当时跟存储巨头合作，做一些设计与生产关联预测探索，完全低估了这个问题的难度。当时其实不单单一个良率问题，而是在整个从研发到生产的过程中，各环节链条基本全是缺口，当时没有数字基础，知识壁垒也很高，很难形成闭环，很多东西都不知道怎么建模。当时从前端的设计开始去建模仿真，发现跟实际生产的偏差简直是天差地别。经历了这段过程，体会到半导体整个产业的升级其实是一代结构、一代材料、一代装备、一代工艺，是这么一个不断循环迭代的过程。在谈到良率差距的时候，祝波先生表示，现在的国内的制程可能在某些方面受限，比如说没有EUV，所以不得不用多重曝光，就会出现80%乘以80%到64%，再乘以80%到了50%这样的良率累计，这是没有办法的。只能在现有的装备基础之上，不断做工艺的优化，加上器件结构上创新优化，实现最后整体的良率水平能够达到可以商业化的标准。
为了说明良率对半导体产业的一些具体影响，祝波先生举了些例子，比如说怎么样能让工艺优化过程变得特别快，由原来的9个月变成现在的3个月？这里涉及到很多细节的问题，怎么样把FAB厂的设备、工艺串起来？怎样解决数据壁垒问题？客户是不愿意跟你分享这些的，比如你去跟台积电沟通这问题，对方说不可能每天给你全部的数据，只能给你一部分。还有就是知识壁垒，即使你有了数据，但知识之间是有壁垒的。最后就是时间压力，因为时间就是金钱。再比如用类似现在语言大模型作为人机接口，背后链接大量的数据，一是外部的科研的数据，二是内部的工程积累的数据，再有就是我们跟客户之间所能够分享的数据。然后把大模型基于这些数据进行微调。工程师在做工艺优化的时候，旁边就出来一个提示框说你这个气流是不是高了？你这个温度是不是低了？你有没有考虑到斯坦福大学的研究成果？或者以前有一个类似的项目已经试了这个方向，但是失败了等等。虽然只是提示信息，但这种信息本身就已经是具备价值。最后他提到，其实大模型本身并没有消除知识壁垒，它更多是把已有的数据转换成工程师能够理解的语言。背后真正难做的是数字底座，设计公司、FAB厂、设备厂能够相互合作，把所有的知识体系串联起来，这个是难的。
在谈到国内良率遇到的瓶颈以及关注的创业方向时，祝波先生表示，进入到了数据和AI时代，整个半导体设计、装备、制造工艺、良率提升面临新的挑战。以前装备进到FAB里以后，工程师其实是知识的人肉搬运工，客户的数据是带不走的，也是不允许的，但工程师离开会带走知识。进入数据和AI时代，如果AI取代工程师，如何解决产业各个环节在知识分享上的互信是一个重要问题，就要用比如同态加密，既能把设计公司、装备厂、生产厂在知识层面打通，又能做到数据的隔离保护。另外，相信在中国半导体领域做一些技术性或者商业性创新时候，仍然存在大量的机会，而这些机会可能跟我们以前认识到的壁垒和机会都不太一样，很多半导体领域尤其是中国在追赶过程中要解决的技术性问题，反而需要运用一些跨界或者交叉学科的知识，这些基础性的交叉技术需要投资人关注，可能要大家花一点时间去寻找。
嘉宾二：陈瑜（元禾璞华董事总经理），曾任中芯国际新技术引进部主任工程师、市场销售部美国区资深经理、上海华力销售部销售总监。本人获得复旦大学工商管理硕士，对国内半导体生产制造有着丰富的产业经验。目前在任职于元禾璞华，专注于投资半导体的全产业链，最近也在关注半导体良率的软件投资机会。
关于各方面因素对于半导体良率的影响，陈瑜本人曾担任FAB厂的工艺整合工程师，她觉得整体来讲，工艺应该是占有一个60%的比重，设备可能占20%，材料占15%，剩下的人员和软件大概有5%。当然在随着制程向高阶制程发展，设备、材料，包括人员软件等因素比起普通制程重要性占比要更高。在谈到良率差距的时候，因为有在上海华力的工作经历，陈瑜提到，28nm第一个量产是我这边负责的，所以其实对良率，尤其是28纳米还是比较清楚的。当时这个数据其实在台积电大概能做到95%以上，甚至更高一些。目前上海华力基本上跟台积电比还是有5%的差距。但当时的研发过程也是非常艰辛的，大概花了3年的时间。特别是到最后1年，良率从50%一直提升到80%，因为80%以上才能够实现商业化量产。在14nm到7nm的这个节点，现在大家也都知道只有中芯国际这边有一些产能，由于咱们现在没有EUV的工具，到了7nm或者更先进的制程，就可能要用DUV多次曝光。多次曝光良率差距就比较大，但是也请教了产业一线的人，如果全部都是按照DUV的工艺去优化处理，大概理想状态也能缩短到10%的差距，甚至某些场景应该也已经达到同等量级水平。
谈到良率对半导体产业的一些具体影响，陈瑜从FAB厂的角度，谈起良率贯穿了整个芯片制造的全流程。FAB厂里面有量测和缺陷检测设备，在晶圆片每一层跑过之后，都要做检测。到了关键出货之前，FAB有一个非常重要的一个测试，是叫WAT测试，就是电性测试。这个是非常的关键，只有电性测试通过，这个才能顺利被出货。之后封测场有CP和FT，如果CP/FT发生低良率的时候，客户就会反馈说你这一批出现良率问题了，FAB收到这些信息之后，他也是由系统传输回来，就整个会有一个database。我在工作的时候都是用Synopsys那个软件，当然国内的一些企业，像芯率智能，他们也做这些这一块。
PIE工程师和产品工程师，会对这些良率进行分析，跟WAT的测试的这些数据去做一个对比。包括会对CP、FT的截图去和依赖去做对比。这些数据的比对跟追溯目的就是去发现当时生产过程中究竟发生了什么情况。然后去找原因。是设备运行问题，还是工艺的问题。所以说在整个生产制造的过程中，工程师他因为人力也是有限，一直到12英寸，数据量也是原来越来越大，所以非常需要这个软件一直从客户端的，包括测试场的那些CP、FT的这些数据，能够直接就是关联到FAB厂的在线数据，以便说工程师更快的能够查找到原因。目前defect这一块儿，比如说像芯率这样的公司，它已经能做出来ADC,它就能够自动去辨别defect的类型。而且要辨别出来说这个缺陷跟哪个设备、什么样的参数会发生关联。
在谈到国内良率遇到的瓶颈以及关注的创业方向时，她认为越是困难的地方，越有投资机会。首先从硬件角度来讲，国内的量检测设备，特别是高端的明场量检测设备，这个赛道其实在国内的国产化率是非常低的，虽然技术上有挑战，但是还是值得去关注的。从软件方面来看，当时在华力28纳米的良率的整个的提升过程中，其实PDF solution 起到了非常大的作用。他们的电性测试工具（包含软件）以及行业经验，给我们带来了很大帮助。所以在高端工艺know-how方面，如果能集成到一种软件或者设备中去，我觉得还是很有价值。另外，从IC设计、FAB晶圆厂，再到后端的CP测试厂，这整个链条的数据传输是有隔断的，各自为黑盒子，封闭比较严重。如果有第三方能够连接方方面面的数据（前提是合法安全），再加上AI的技术，做一些像虚拟量测这样前沿性的探索，可能会比较有价值。
嘉宾三：卢兵（复星高科技集团首席科学家），在半导体行业从业30年，其中在美国德州仪器公司工作近20年，负责半导体生产研发，之后在荷兰恩智浦半导体、日本TDK担任全球副总裁，现任复星智造BG首席科学家，产业研究院院长。本人毕业于浙江大学和美国德州大学。过去多年工作，每天在跟半导体产能、良率和技术提升打交道。
关于各方面因素对于半导体良率的影响，卢兵先生分享了国外的晶圆厂的事例。他说，因为每个晶圆厂的良率信息是最核心信息，我是做了一辈子的模拟芯片，其实你别小看它工艺节点高，实际它的良率在不同产品间也是不同的。每一个芯片它的区别是从晶圆晶锭开始的，并不是说你同样的晶圆过后来我可以做不一样的器件。另外，国外的晶圆厂的所有的工艺材料设备，真正起到关键作用的实际是晶圆厂的人。比如ASML的光刻机，实际上台积电的人起了决定性的作用。我再给大家举个例子，全球大的晶圆厂的炉子都是他们自己做的，你真正怎么样用好这个炉子才重要。把长晶拉晶做好，实际上取决于大硅片厂的工程师。目前我们国内，真正做工艺的工程师是比较缺的。一个工程师能够在晶圆厂沉下心来20年、30年做一件事情是非常不容易的。实际上他要沉下心来。工艺的沉淀与你的学识、知识、是不是顶尖级聪明，好像关系不是很大。最重要的是你要花足够的时间积累。
大家可以关注下英伟达的发布会，如此复杂的有几千亿个晶体管的芯片，英伟达已经把开发时间缩短到一年3带，也就意味着4个月完成一个版本的芯片。大家知道以前类似这种产品至少3年才完成一个周期，可是他现在缩短到4个月，原因是人工智能。他很多做设计、做工艺或者做的整个过程，做系统的人已经部分被机器取代。所以人工智能和数字化技术也是当今芯片研发生产非常重要的因素。
谈到良率对半导体产业的一些具体影响，卢兵讲到，半导体里面跟良率打交道的地方很多，我会分几个部分，一部分就是仿真，每个工序从设计开始包括在大硅片前面的多晶硅甚至到多晶硅前面的工业硅，就整个的产业到大硅片，大硅片过来到器件到封装，每个工艺基本上对应什么类型，它根据过去的经验看你有没有错。第二个就是在电信号出来前，我们讲指的是工业硅、多晶硅、大硅片到器件出来，在还不能拿到电信号前。这块我们一般是做材料测试，这块测试通常是比较难的。大家可以看到用光学、用电子显微镜等，对材料的均匀性、材料的含晶量，晶格的含量，晶格的排列做一些测试。当器件做出来，电信号能进来，实际上是设计公司要介入了。前面比如说电信号没出来前，其实设计公司是做不了什么，主要是晶圆厂或是大硅片厂、多晶硅厂做各环节良率分析。其实每一代的工艺的提高，它对材料的成分，包括一些材料都有变化，这个时候我们也可以要搭配晶圆厂去改它的工艺，在外延的过程中掺杂的材料也会发生变化。当电信号出来以后，这是设计公司跟晶圆厂的团队一起来做的。最后一个就是系统测试。我不光有电信号，同时能够放到一个板子上，或者放到一个夹具上，整个功能能够测出来。以前我们在晶圆厂，其实很多工具都是自己做的，设备公司在我们心里就是工具，如果我们觉得他这个东西不好用，就把设备厂的专家叫来，帮我们调整。
今天国内很多晶圆厂用的设备，比如说应用材料、科磊的设备，大家也会问我们能不能跟台积电一样，把设备跟生产结合好，实际上会非常难。因为它这个设备在设计过程中，很多时候它是根据晶圆厂(我们叫leader custmer)需求定制的。设备厂最开始的客户实际上一直在调他这个设备，比如说你这边要装一个什么部件，那个地方数据要进行怎么读取。所以这个设备通常来讲，你在第二家用的时候，它其实并不清楚它这个设计原理，它只是照搬拿过来。当然我们的测试顺序是从材料、电信号、系统这样过来。如果你系统这边出问题，我们知道，电信号这边如果系统出问题，芯片的电信号就不用测了。电信号这边测一下，如果发现有问题，我不用测材料了。电信号这边测试的时候，实际上大家都知道有很多层，所以有的时候我们会刮很多层，会刮芯片，所以说从一个工程师在厂里面每天的工作无非就是跟这些工具打交道，把一个有问题的芯片从系统到电信号，再到材料，这是一个流程化过程。
在谈到国内良率遇到的瓶颈以及关注的创业方向时，卢兵先生更看重创始人的做出业务的原因和他本人跟现在创业方向的渊源。当下半导体科技创业进入深水区，如果只是把美国的落后技术照搬到中国，复制别人走过的路，在当下这个时点我觉得是走不通的。另外，创业者创业还是要遵循第一性原理。我当下创业的技术创新究竟是解决一个什么样的现实问题，这个问题是不是解决地足够好，这才是最重要的。
嘉宾四：贾峻 （普迪飞半导体（PDF solutions）中国市场副总裁），曾在美国加州湾区担任中电资本总经理负责CEC华大海外投资并购和研发中心管理，再早曾任职于上海贝尔公司、英特尔、华虹集成电路有限公司，从事技术和管理工作，本人毕业于复旦大学电子工程系。PDF solutions是诞生于硅谷的一家美国上市公司，专注于IC设计验证及改善，并为晶圆厂定位工艺问题，完善工艺流程控制。
在谈到良率差距以及各方面因素对于半导体良率的影响，贾峻先生说到，28nm制程现在国内有两家企业已经实现量产，目前良率跟头部企业的差距不是很大。但芯片制造是很残酷的，所以最终你哪怕跟对手良率差1%，你都拿不到头部的客户。所以我觉得国内的发展还是有蛮长的路要走。再往下就是14nm或者7nm，这些就不太好讲了，因为这个是在美国那个红线以下的，我知道大家都在暗地努力。在28nm和14nm之间，大家也是在红线之上找替代的方案，比如说SOI的方案，22nm或者是20nm，或者是Chiplet/D堆叠等新技术，它在性能、价格、功耗之间寻找一个平衡，我觉得这里面还是有一些突破的机会。所以我对28nm是挺乐观的。相比于工艺、设备、材料，软件等因素，我从另外一个维度看，我觉得心态最重要。如果你做半导体的心态没有摆正，没有做一个8年抗战甚至20年抗战的想法，很可能很多努力会做到一半中途夭折，这可能是我们最大的敌人。我甚至觉得说在座的这么多黑发人当变成白发人的时候，也许那时候中国半导体可以做得非常厉害。
关于良率对半导体产业的一些具体影响，贾峻表示：我们PDF solutions有点像FAB厂的参谋，我们是军师，我们在边上出点子，我们告诉晶圆厂一些情报，最后的决定，当然是晶圆厂的甲方工程师来做，但是我们会给他很多信息，这个信息怎么来呢？前端有个FDC系统，他会把所有机台上的传感器的数据1秒1个数据，甚至多达10个数据去采集，你可以想象有多少个传感器，每秒有多少数据。后面YMS系统它实际上有点像拿了尸体来解剖的这样一个系统，所有的事情已经没办法改变了。但是如果你有足够的数据，你把它实体化开之后，你能看到里面是什么问题。你把FDC和YMS完美结合起来，你就可以看到wafer上哪个部分有缺陷，你可以追踪，哪一个机台、哪一个传感器，什么样的数据出了问题，这样就有一个回溯，你可以不断提升。我们还做的一件事情是有点像把整个晶圆厂从一个黑盒子或者是灰盒子变成一个白盒子，怎么能做到这件事情？就是说你要在流片过程中放进去一些特殊的芯片结构，这个芯片结构不是IC设计方或者晶圆厂设计的，是我们把它主动放进去的，相当于把一些“探测器”放到芯片的结构中区，可以放在不同的layer，或者是放在划片槽里面。在这个界面出来之后，我去用探针设备接触检测，之后把这个数据抓出来。我可以看到在整个生产过程中发生了哪些事情，分别是什么原因造成的，这也可以帮助晶圆厂这边能够更快速的定位。
在谈到国内良率遇到的瓶颈以及关注的创业方向时，贾峻表示，中国半导体产业现有的环境比较封闭。以PDF公司为例，它既为国际客户服务，也为国内客户服务，我觉得一个很明显的区别，我们都知道大数据、云计算、AI这些很重要，但是国内至少现在看它是每个公司是一个孤岛，他希望把自己团团包围起来，保护我的数据不受别人侵害。我们在国际上看到的它是一个更开放的合作，就比如说高通跟他的封测厂，跟他的FAB厂之间是有实时网络连接的，这个网络连接它可以做实时的数据交换。当我们讲你需要有一个先进的模型来做ai的算法、来做预测的时候，它其实是一个活的软件，它随时在升级那个模型，随时添加新的功能进来。这一切都是透明的，但是在国内是非常困难的，大家都是封闭的，你必须要派工程师过去到他的现场、到他的网络里把它做一个升级，可能还得先在测试环境下做，做完再去做生产环境的升级，这个非常费时间。这是一个中国本土需要改善和提升的地方。
嘉宾五：徐伟（广东芯粤能半导体总经理），1997年加入华虹NEC，2012年担任华虹NEC总裁。在华虹NEC期间为中国大陆第一条200nm晶圆厂的建立作出了巨大贡献。2021年参与创办广东芯粤能半导体，芯粤能是目前国内领先的专注于车规级SiC芯片制造企业。本人毕业于西安交通大学半导体物理与器件专业，并曾于清华大学研究生班深造。
徐先生从业40余年，半导体元老级人物，多年来一直跟半导体FAB和生产处理过程打交道，近期仍然在SiC生产制造和良率提升的道路上不断探索。
关于各方面因素对于半导体良率的影响，以及良率国内外差距的时候，徐伟先生表示，我们过去刚刚起步的时候从小规模的集成电路到大规模的集成电路，一路一路走来都在为良率提升努力，人、机、料、法、环哪个因素都不可或缺。因为今天特别谈到测试这个问题，良率一定是做出来的。因为测试永远只能测出坏的东西来，你没做好，测试永远不会把它测成好的结果。刚才讲到的英伟达这种几千亿晶体管的这种产品，这个就不是确实简单的在做一个产品管理，因为现在的良率管理真的要复杂得多。所以我们在谈到良率管理的时候，我们关心生产线上的AI程度，CIM的程度，你得把EAP架设起来，你得把APC架设起来。我还有一堆的软件帮你检验，来帮你看所有的layer上的FPC的数据是不是都做到了，否则每一次良率的偏差，累计叠加，99%乘99%，几次循环到最后良率就是80%几了。而且我觉得良率的影响在不同的范围里边表现出来的特点是不太一样。比如说刚才我们谈到的TI的模拟芯片和纯粹的数字芯片/逻辑芯片又不一样，和做存储芯片也不一样。简单一概而论去讲良率，我觉得可能还得把它细分到做什么产品、什么工艺节点。这样分析可能更合理的，更有意义。
谈到良率对半导体产业的一些具体影响，徐伟说，生产线上永远都是在为提升良率、改善良率在努力，几乎是一个永恒的话题，从它试产的时候，你就开始关注，这个时候才60-70%的良率，我们定一个目标说一个季度提升3-5%，最后一直到90%+的时候，你会觉得越来越难。这时候实际上在FAB里面，整个工程师群体都在做，每个星期也好，或者时间更短的时候每天都会开会讨论。作为晶圆厂，过去要等客户去第三方做完CP给你数据反馈。还好现在晶圆厂都建立了一些自己的测试能力，数据反馈会更及时。当检测的结果出来，我们会看到一些图形展示，可能的缺陷点出现在图的不同位置，大部分的经验能够做一些判断。从CP data中，你就知道良率在哪个环节出了问题。到底是离子注入的问题，还是后边退火的问题，或者其他问题。但是我也看到，今天的很多创新型企业，包括像芯率之类的，越来越多的用机器和软件代替过去工程师，我们过去工程师早上一开会说好，赶快去看，是哪个环节、哪一台设备出来的问题，或者有什么数据再去分析一下。但现在我们可以用到一些更加智能和专业化的软件，及时帮你把这些数据整理出来，我觉得这是一个必然的结果。如果没有这么高的效率，现在那些12寸厂的这种大硅片真的都没法高效生产，或者说你碰到良率的问题，如果系统没有及时提示你，可能带来的损失就太大了。但现在的分析软件，这种分析AI FAB的图形机器学习，会让我们在良率提升上有一些新的进展。
在谈到国内良率遇到的瓶颈以及关注的创业方向时，徐伟先生根据目前自己做的事情现身说法。他说，目前做SiC领域的FAB制造。SiC跟硅基的晶圆还是有不小差别，受制于其本身的缺陷，良率可能到一个阶段就是很难提升到90%，除了传统技术手段，你还要更关注衬底、外延方面的技术影响，尤其是车规级的，的确跟之前的半导体工业还是有差别。未来无论在硅基上还是在碳化硅的领域里边探索，越来越依赖于软件的集成整合。尽管我们也还没有上云，我更希望用另一个概念，我们做成一个小的大数据模型可以吗？因为确实我现在能够拿到的数据比起当年要多很多，而且还可以是实时的。我现在不希望事后再去对良率或者运行情况做诊断，很多设备数据、检测数据都可以实时获取，是否可以用技术手段串联，加上AI的技术，及时做一些纠偏和矫正。我认为如果在软件或者AI方面创新，这是真的是很有投资价值的。
主持人 石矛（常垒资本 创始合伙人）最后做了总结：
其实各位嘉宾讲的不管是设备、材料，包括人的经验，软件或者AI，在不同的阶坡阶段它的重要性，我更愿意相信它是一个螺旋性的。比如在早期这个阶段，中国的设备基础化程度都很低，所以在0到60分这个阶段，设备和工艺可能显得重要。
但到今天为止，随着设备、材料各方面迭代，受制于外部环境，设备的突破就变得很难了。刚才说到多重曝光，到了14nm这个制程，你没办法只能靠DUV技术去实现，但是除此之外，它还有一个并行的路线，14纳米卡着我，20纳米、22纳米还有新的方法去做补偿。所以这种并行的这种技术路径只有中国工程师体会最深，因为咱们受这个条件约束制约，而欧美人从没有遇到过。所以我觉得任何阶段在中国投资，可能都有中国本土特色的一种投资机会。目前国内半导体逐渐进入到先进制程，有些东西很难逾越，我们不得不通过AI的方式，依靠大量的工艺数据，再做一些创新迭代，或许一个微改进可能就会带来良率的提升。
上面几个问题的回答，好像各位嘉宾都提到了数据、软件、AI。为什么？每过10年，我们的工具都在变化，当然我们现在的外部的环境在变化，可能从软件层面、从数据层面，能够更深度地做一些创新型探索来提升良率。所以今天，可能良率数据这件事儿，我觉得不只是FAB厂去关注，可能比如中国的北方华创、中微、拓荆，他也在关注数据和AI技术跟自己设备的结合。第三方的良率的软件公司，在这个时间窗口期内，是不是能整合AI、FAB数据以及先进的IT技术，与设备厂、IC设计公司、FAB晶圆厂一起在提升良率的路上共同进步。
芯片最终良率等于每一步工艺的良率的乘积，良率提升是一个复杂的综合性工程，贯穿于芯片制造的整个生命周期。本期嘉宾覆盖了软件、设备、测试数据、产线等专业领域，洞察影响良率的关键因素，讨论良率管理面临的挑战和机遇，探究国产芯片良率提升的破局之道。
梧桐荟希望通过日积月累，持续汇聚中国最具成长潜力的科技创业者、科技成果转化创业企业，并在这里帮助他们找到更多同行人。
