杜克大学团队造AI自适应产线助缺陷二维半导体良率跃过95%

硅谷101

通过AI视觉避让材料缺陷并定制单个晶体管排布，研究团队攻克了二维半导体量产良率崩塌的工程死结，将AI推向自主制造自身物理硬件的自生智能闭环。

AI-assisted summary of 半导体的未来：从新材料到新芯片，AI能否推动自身进化？｜硅谷101年度线下大会 — original source. Check the original for full context.

Source published: 2026-10-27

Key ideas

传统硅材料在厚度降至5纳米以下时面临量子限域效应与迁移率骤降，而以单层二硫化钼（MoS2）为代表的二维半导体厚度不足1纳米且具天然带隙，成为延续晶体管微缩的关键路径。 (4:52)
杜克大学团队开发出ATOMIC自主显微系统，借助大语言模型、Meta SAM与无监督聚类对纳米材料进行自主巡检与微观表征，分类识别准确率达到99.7%。 (13:30)
团队与Google DeepMind合作，利用Co-Scientist模型根据实验室非标设备的物理拓扑逆向生成合成配方，实现材料制备实验一次成功，将试错周期从数月压至数小时。 (18:27)
通过AI显微视觉避开材料缺陷并自适应定制晶体管排布，团队在充满杂质与裂纹的劣质二维材料上制造出千门级逻辑阵列，将器件良率从65.6%提升至95%以上。 (23:59)
Harry Wang提出自生成智能（Autogenic Intelligence）概念，探讨由模型自主设计制造承载其自身的芯片所构成的软硬件共生演化闭环，并借生物学“蟹化”隐喻发问其未来走向分化还是趋同。 (26:41)

Detailed notes

## Background 本内容由 YouTube 频道“硅谷101”于 2026 年 10 月 27 日发布，记录了杜克大学助理教授 Harry Wang 在“硅谷101 Alignment 2026”线下大会上的主旨演讲。演讲聚焦下一代芯片的新材料探索，以及人工智能如何从观察微观缺陷、自动合成材料到主导芯片制造，推动自身硬件与算法的协同演进。

## TL;DR Harry Wang 深入解析了硅材料在微观尺度逼近物理极限的困境，以及以二硫化钼为代表的二维半导体在延续摩尔定律中的核心潜力。针对新型材料缺陷多、良率低的工业瓶颈，他展示了团队利用大模型接管显微镜巡检（ATOMIC 系统）、与 Google DeepMind 合作实现自主实验合成，以及在缺陷材料上动态设计晶体管以大幅提升良率的“AI 原生制造”突破。最后，他提出软硬件共生的“自生成智能（Autogenic Intelligence）”构想，并借用生物学中的“蟹化”现象，探讨了未来硅基智能体究竟会走向分化还是收敛至某种最优形态。

## Atmosphere & style 整个演讲兼具严谨的硬核工科底色与开阔的前瞻哲学视野。Harry Wang 表达亲切从容、举重若轻，善于用水龙头、尺蠖蠕动、师生日常等生动幽默的比喻化解深奥的微观物理概念。现场节奏张弛有度，随着技术成果从数字世界逐步推进到真实的洁净室与微纳设备，听众的情绪也从对物理极限的焦虑，转为被 AI 亲自动手“铸造自身大脑”的科幻现实所震撼，最终在关于生命演化宿命的诗意留白中引发深思。

## Bulletin - [04:52](https://www.youtube.com/watch?v=cmhym0OcoS8&t=292s) 传统硅材料在厚度降至5纳米以下时面临量子限域效应与迁移率骤降，而以单层二硫化钼（MoS2）为代表的二维半导体厚度不足1纳米且具天然带隙，成为延续晶体管微缩的关键路径。 - [13:30](https://www.youtube.com/watch?v=cmhym0OcoS8&t=810s) 杜克大学团队开发出ATOMIC自主显微系统，借助大语言模型、Meta SAM与无监督聚类对纳米材料进行自主巡检与微观表征，分类识别准确率达到99.7%。 - [18:27](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1107s) 团队与Google DeepMind合作，利用Co-Scientist模型根据实验室非标设备的物理拓扑逆向生成合成配方，实现材料制备实验一次成功，将试错周期从数月压至数小时。 - [23:59](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1439s) 通过AI显微视觉避开材料缺陷并自适应定制晶体管排布，团队在充满杂质与裂纹的劣质二维材料上制造出千门级逻辑阵列，将器件良率从65.6%提升至95%以上。 - [26:41](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1601s) Harry Wang提出自生成智能（Autogenic Intelligence）概念，探讨由模型自主设计制造承载其自身的芯片所构成的软硬件共生演化闭环，并借生物学“蟹化”隐喻发问其未来走向分化还是趋同。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=cmhym0OcoS8&t=0s) AI与半导体的关系正从“AI依赖芯片算力”的单向消耗，转变为“AI反哺芯片设计与物理制造”的正向闭环。 - [02:08](https://www.youtube.com/watch?v=cmhym0OcoS8&t=128s) 晶体管作为数字世界的二进制基础开关，其尺寸微缩面临严重瓶颈，厚度过大时会导致严重的关态漏电和发热。 - [04:52](https://www.youtube.com/watch?v=cmhym0OcoS8&t=292s) 硅材料在5纳米以下电子迁移率急剧下降，而商业上宣传的“2纳米”并非实际物理栅极尺寸，而是Nanosheet立体堆叠带来的名义等效。 - [04:52](https://www.youtube.com/watch?v=cmhym0OcoS8&t=292s) 单层二硫化钼（MoS2）等二维材料具备天然带隙且亚纳米厚度下仍维持优良导电性，是超越硅基极限的理想替代材料。 - [09:50](https://www.youtube.com/watch?v=cmhym0OcoS8&t=590s) 传统物理拉晶法制备的硅纯度极高，而化学气相沉积（CVD）合成的二维材料充满晶畴边界与点缺陷，导致良率控制成为工业量产的最大瓶颈。 - [13:30](https://www.youtube.com/watch?v=cmhym0OcoS8&t=810s) ATOMIC系统利用大模型作为调度中枢控制自动化显微镜，结合SAM分割算法实现亚微米级缺陷与畴界识别，达到99.7%的分类精度。 - [18:27](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1107s) 科研重心正从AI for Science逐步延伸到AI for Engineering，核心在于让算法能够闭环操作物理世界中的真实仪器并验证假设。 - [22:02](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1322s) 大模型能够理解不同实验室定制管式炉等非标仪器的物理差异，逆向调整合成配方，攻克材料科学中长期存在的实验不可复现难题。 - [23:59](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1439s) 颠覆传统芯片制造对晶圆完美无瑕的苛求，AI原生制造通过动态规划晶体管布局与走线主动绕开材料缺陷，将劣质材料良率大幅提升至95%以上。 - [23:59](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1439s) 团队已注册成立初创公司推进良率智能（Yield Intelligence）与小规模二维半导体试验线，试图打破万亿算力资本最终被代工制造成本吞噬的困局。 - [26:41](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1601s) 递归自我改进（RSI）如果仅停留在软件层是不完整的，自生成智能（Autogenic Intelligence）通过让AI制造硬件大脑，实现类似生物大脑的软硬件一体共生进化。 - [28:29](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1709s) 借用演化生物学中的“蟹化”（Carcinization）趋同演化概念，提出当AI自主打造硬件时，硅基生命形态最终会趋同演化向某一种最优解，还是走向极度多样化分化。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=cmhym0OcoS8&t=0s) 开场：AI与下一代芯片的双向闭环

过去几十年来，整个半导体计算体系的飞速提升，几乎全部建立在晶体管尺寸不断微缩的基础之上。然而，随着传统硅基材料在微观尺度逐步逼近量子效应与热力学的物理极限，半导体产业正面临前所未有的瓶颈，亟需寻找下一代全新材料与制造技术。这场变革中最耐人寻味的角色是人工智能（AI）——它既是驱动算力狂飙的庞大需求方，又在悄然演变，逐步参与乃至主导下一代芯片的设计与制造。当算法开始打造承载自身的物理硬件时，智能的发展将迎来怎样的演进？

杜克大学电气与计算机工程系助理教授 Harry Wang 站在硅谷101 Alignment 2026大会的舞台上，开启了题为《半导体的未来：从新材料到新芯片，AI能否推动自身进化？》的演讲。他用极具亲和力的口吻回顾了自己的学术轨迹：本科毕业于上海交通大学，在麻省理工学院（MIT）获得博士学位，随后在加州理工学院（Caltech）从事博士后研究，并于三年前在杜克大学组建了自己的独立实验室。

Harry Wang 指出，这次分享紧扣“硅谷101”的主题，从最基础的“硅材料101”切入。针对过去两三年全行业对算力的疯狂追逐与芯片产业在二级市场的爆炸式表现，他总结了一个核心逻辑闭环：“AI需要芯片，芯片也需要AI。”以往大家的直觉是 AI 模型的训练与推理绝对离不开芯片算力的支撑；但如今在产业与前沿学术界，已经有越来越多初创公司和实验室开始尝试用 AI 反哺底层芯片的设计与制造，使二者从单向依赖走向互为催化的正向循环。

[02:08](https://www.youtube.com/watch?v=cmhym0OcoS8&t=128s) 芯片101：晶体管原理与摩尔定律的微缩困境

一切复杂的现代数字世界，在物理最底层都可以被解构为纯粹的二进制代码。哪怕当今的大语言模型、超大规模分布式计算架构看起来无比深奥，承载它们的基石依然只有最简单的“0”和“1”。而决定这个 0 与 1 状态切换的基本电子元器件，就是晶体管（Transistor）。

Harry Wang 用一个生动的水龙头比喻解释了晶体管的运行机制：晶体管的三个核心结构可以对应为栅极（Gate）、源极（Source）和漏极（Drain）。栅极就像水龙头的阀门手柄，如果关闭栅极，电子便无法从源极流向漏极，电路处于断开状态，代表“0”；而一旦打开栅极施加电压，信道导通，电子顺畅地从源极流向漏极，形成导通电流，代表“1”。通过数以亿计的开关反复在 0 与 1 之间跳变，人类构筑起了当代繁荣的数字计算与人工智能大厦。

在半导体行业，人们长期笃信的缩放定律（Scaling Law）甚至早于如今机器学习领域的规模法则。行业共识非常简单直接：在单颗芯片上塞进越多的晶体管，芯片的整体算力就越强、性能与能效就越高。以英伟达（NVIDIA）的 Blackwell 300 AI 处理器为例，单颗芯片上已经集成了高达 2000 亿个晶体管开关。要想获得更强大的芯片算力，就必须在有限的物理空间内堆入更多开关。这一底层驱动力孕育了硅谷的诞生——正如戈登·摩尔（Gordon Moore）提出的摩尔定律，其核心内涵就是“把晶体管做得更小，让每个单元都尽可能小，就能在一定面积内容纳更多晶体管”。

回顾半导体工艺过去五十年的演进史，晶体管的尺寸经历了一路微缩： - **尺寸跨越**：从早期的微米尺度（Micrometer Scale）一步步下探至纳米尺度（Nanometer Scale）。 - **结构演进**：从最初简单的二维平面结构（Planar），进化为三维立体结构的 FinFET（鳍式晶体管），再到当下前沿的 Nanosheet（纳米片）多层堆叠结构。

```mermaid flowchart LR accTitle: 晶体管架构演进历程 accDescr: 展示晶体管从平面结构到纳米片堆叠的演进路线

subgraph Evolution["晶体管架构演进"] A["平面晶体管 (Planar)"] --> B["鳍式晶体管 (FinFET)"] B --> C["纳米片晶体管 (Nanosheet)"] end C -.-> D["界面散热与短沟道失效"] ```

然而，随着结构从平面转为垂直堆叠，新的物理危机随之爆发。Harry Wang 特别强调了晶体管微缩到极限后最普遍的失效模式——漏电（Leakage）。如果沟道材料依然具有一定厚度，就像一个内部结构太粗糙的水龙头：即使栅极阀门紧闭，电子依然可以从沟道材料的底部下方悄悄穿透流过。这种暗流涌动的漏电不仅会白白损耗大量电能，还会急剧增加芯片发热，严重时直接导致逻辑判断失真甚至芯片烧毁。

[04:52](https://www.youtube.com/watch?v=cmhym0OcoS8&t=292s) 硅的物理极限与二维半导体

为了彻底锁死漏电路径，唯一的物理解决办法就是让沟道材料在垂直方向上“做得尽可能薄”——材料薄至极点，栅极的静电控制力就能彻底掌控整个截面，水龙头才能严丝合缝地彻底关闭。因此，半导体物理的核心黄金法则是：每个晶体管单元越小越好，信道半导体材料越薄越好。

但硅（Silicon）材料自身遭遇了无法逾越的物理墙。Harry Wang 表达了对过度依赖硅基工艺的深切担忧：当硅材料的物理厚度缩小到 5 纳米以下时，其内部微观散射与量子限域效应会导致电子迁移率（Electron Mobility）和速度出现雪崩式暴跌。其直接后果是，即使栅极处于完全打开的开启状态，电子在极薄的硅晶格中也根本无法顺畅流动。这种物理限制断言了：人类无法无限度地依靠微缩硅材料来延续算力神话。

正因如此，物理学家与材料科学家将视线投向了下一代半导体——二维（2D）半导体材料，如石墨烯（Graphene）以及过渡金属硫族化合物（TMDCs），例如二硫化钼（$\text{MoS}_2$）。虽然石墨烯在 2010 年摘得诺贝尔物理学奖，但由于其天然没有带隙（Bandgap），难以用作数字开关；相比之下，$\text{MoS}_2$ 等二维材料不仅具备天然带隙，更关键的是，即使厚度降至 5 纳米乃至 1 纳米以下，它们依然能够保持极高的电子迁移率。

针对大众新闻中常看到的“台积电 2 纳米量产在即”、“未来规划 1 纳米节点”等宣传，Harry Wang 澄清了公众认知中的严重偏差：“我想说这里的节点数字，目前都是名义上的节点名称。”行业当下的“2 纳米”并不意味着物理栅极或材料物理尺寸真的达到了 2 纳米。这是因为单个微观结构已无法继续按比例缩减，晶圆厂便采用了 Nanosheet 垂直立体堆叠结构：假设每层硅片厚度仍有 7 纳米，但通过立体工艺把 3 层叠在一起，用 7 除以 3 得到大约 2 纳米的名义等效数字。这与早年英特尔在单核频率遭遇瓶颈后转向多核架构（从奔腾系列到 12 核、14 核）如出一辙，是对物理极限的工程妥协，并未消除硅材料本身的物理缺陷。

相比之下，真正的二维材料拥有单分子层极限结构。以单层 $\text{MoS}_2$ 为例，它由中间一层钼原子夹在两层硫原子之间构成，整体材料的总厚度不到 1 纳米（仅约 0.65 纳米）。过去十年学术界的丰硕成果已经充分证明：在纳米级极限尺寸下，使用单层二维材料制造的单个器件性能，全面碾压同尺寸的传统硅器件。

[09:50](https://www.youtube.com/watch?v=cmhym0OcoS8&t=590s) 实验室与晶圆厂的鸿沟：材料制备与良率挑战

从台积电（TSMC）的技术路线图来看，半导体产业正坚定地从 Nanosheet 迈向 CFET（互补场效应晶体管），而在不远的未来，沟道材料必将切换至以 $\text{MoS}_2$ 为代表的二维过渡金属硫族化合物。然而，一个致命的工程现实横亘在面前：如何在工业规模下稳定、高纯度地制备这些材料，并让它们真正集成进手机与电脑中？

单颗先进制程芯片需要集成上千亿个晶体管，而目前包括大学前沿实验室及产业伙伴在内，主要通过化学气相沉积（CVD）法来制备二维材料：利用载气携带两种化学前驱体（Precursors），在基底衬底（Substrate）表面通过高温化学反应沉积出原子级厚度的半导体薄膜。

```mermaid flowchart TD accTitle: 硅与二维半导体制备对比 accDescr: 对比传统物理法硅材料的高纯度与化学法二维材料的高缺陷率

subgraph Silicon["传统硅材料 (物理拉晶)"] S1["纯度达 10~12 个 9"] S2["12英寸晶圆仅 1~2 个堆垛层错"] end

subgraph TwoD["新型二维材料 (CVD化学沉积)"] T1["原子层厚度不到 1 纳米"] T2["存在晶畴边界与点缺陷"] end

Silicon -->|"工业成熟"| M["极高良率管理"] TwoD -->|"工业壁垒"| F["传统工艺面临良率崩溃"] ```

两者的制造逻辑存在本质差异： - **硅材料**：采用极度成熟的物理拉晶（如柴可夫斯基法），晶体纯度能达到惊人的“10个9”甚至“12个9”（99.9999999999%），在一整片 12 英寸晶圆上逐个扫描每一个原子，往往也只能挑出一到两个微小的堆垛层错。 - **二维材料**：主要依靠化学气相沉积合成，微观层面的原子缺陷、晶界错位非常普遍，目前在物理上极难做到像传统硅一样近乎完美的晶格纯度。

在解释二维材料的特异性质时，Harry Wang 还分享了实验室做出的一个趣味成果：当把这些二维材料打印在柔性衬底上时，材料会具备光响应特性，像尺蠖（Inchworm）一样在光照下弯曲蠕动。他风趣地将其比喻为博士生与导师的日常互动：导师一走到身边讲话，学生就紧张地稍微弓起身子干活；导师一转身离开，大家就立马躺平了。台下的多位管理者和学者报以会心的笑声。

玩笑过后，Harry Wang 直指核心痛点——为什么如此神奇的材料迟迟无法走向规模商用？“问题可以用一个词概括：yield（良率）。”无论是台积电的行业霸权，还是英特尔、三星在制造端的博弈，半导体制造的立身之本全在良率控制。芯片制造要在寸土寸金的硅片上刻画千亿个晶体管，必须保证绝大多数开关能够零瑕疵协同运行。如果依然沿用传统硅基工艺对材料纯度那种严苛的要求，二维半导体面临的缺陷率将直接导致流片良率归零，原有的工业检测与工艺管控流程必须被全方位重构。

[13:30](https://www.youtube.com/watch?v=cmhym0OcoS8&t=810s) ATOMIC系统：AI接管纳米显微镜表征材料

解决良率危机的前提是发现与表征材料。然而半导体工业界目前在良率检测环节，依然极度依赖人工配合显微镜去肉眼观察、寻找缺陷并主观评估材料品质。早在两年前，Harry Wang 实验室便开始探索利用人工智能接管纳米级微观材料的自动化检测与缺陷识别。如果说宏观天文学是通过射电望远镜捕捉亿万光年外的星系，那么纳米工程研究就必须拥有在原子级别“明察秋毫”的超精密视觉。

实验室由此开发了一套名为 **ATOMIC** 的自动化自主系统，并在去年正式发表了学术成果。该系统直接调用大语言模型作为主控中枢，自主向高精度显微镜下发控制指令，对纳米材料进行自主巡检、微观表征与缺陷理解。

```mermaid flowchart TD accTitle: ATOMIC 显微镜自主表征架构 accDescr: 展示大模型如何联动图像分割与聚类完成材料自主表征

LLM["大语言模型 (Agent 主控中枢)"] Scope["硬件交互：自动化显微镜"] SAM["Meta SAM 图像分割模型"] Cluster["无监督聚类算法 (像素级特征提取)"] Decision["材料分类识别 (单层 / 多层 / 裸衬底 / 缺陷)"]

该系统早在“智能体（AI Agent）”概念全面爆发前的两年前即搭建完成，内部采用了一套严密的工作流架构： - 依靠大语言模型调度显微镜进行多轴移动与自动对焦拍摄。 - 引入 Meta 开源的 SAM（Segment Anything Model）对显微图像中的复杂结构进行亚微米级的实例分割。 - 结合底层无监督机器学习聚类算法，使 AI 能够准确理解采集区域中究竟是否存在材料、薄膜表面是否平整洁净、是否存在空位缺陷或界面污染。

在演示现场，幻灯片翻页笔曾短暂卡顿失去响应，Harry Wang 顺势幽默调侃：“也许该换成不基于硅的东西了。”恢复演示后，他公布了该系统令人震惊的实验数据：在识别单层材料、多层堆叠、裸露硅衬底及空置区域的任务中，**ATOMIC 模型的分类识别准确率高达 99.7%**。虽然在单张图片的推理延迟上，人眼扫视仅需数百毫秒，而模型初版需要 6 秒（后续持续优化已大幅提速），但在识别超细微特征时，AI 展现出了超越人类视觉的敏锐度。

例如，在二硫化钼材料薄片的分析中，经验丰富的人类研究员仅能凭借肉眼直觉圈出显而易见的宏观连续薄膜区域；但 AI 会在像素级别逐层比对光学对比度，不仅能完整勾勒出薄片形态，更精准捕捉到了薄膜内部纵横交错的“畴界”（Domain Boundary）。这些不同结晶方向晶畴拼接处的晶界就是典型的微观结构缺陷。更重要的是，整个系统完全不需要为了特定材料重新搭建庞大的数据中心进行昂贵的预训练，仅仅依靠通用大模型、精密设计的提示词架构以及轻量工作流，便能在石墨烯、各种二维半导体等多种材料上即插即用。

[18:27](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1107s) 从“AI科学家”到实验室闭环：生成专属实验配方

在学会“看”材料之后，下一步是跨越更为陡峭的鸿沟——材料的物理制备。过去几年业界一直在大谈特谈“AI for Science”，但 Harry Wang 敏锐地指出，整个技术重心即将发生重大跃进：“AI for Engineering（工程）可能会变得非常重要。”

单纯让模型在数字世界里做头脑风暴或提出假说相对容易，正如谷歌先后推出了 Co-Scientist 以及 AlphaEvolve 等前沿科研辅助系统。然而，AI 科学界真正的阿喀琉斯之踵，是如何在现实物理世界中真正落地并验证这些假设。为了破局，Harry Wang 实验室与 Google DeepMind 展开深度战略合作，将 Co-Scientist 架构全面延伸进物理世界的真实化学实验室中，构筑起了端到端自主设计、执行与验证闭环。

面对这一系统带来的颠覆性变革，Harry Wang 分享了学术界内部的一段趣事：大约一年前外界曾有声音担忧大模型的发展将导致不再需要博士生干杂活了；而当亲眼目睹该系统在材料前沿探索中的卓越表现后，Harry Wang 当时不禁感叹：“看到这项工作后我说，‘也许连教授都不用了’，因为 AI 的想法比我的还好。”

在端到端的自主运行流程中： 1. **文献理解与方案推理**：Co-Scientist 自主检索数以万计的半导体前驱体化学合成文献，根据目标材料的晶相要求，反向预测所需要的前驱体种类、升温曲线、气体流速及反应时长。 2. **硬件底层接管**：AI 生成的实验方案被系统直接解析为机器指令，接管实验室内搭建的高温化学反应炉及相关仪器阀门软件面板，全自动执行升温与气相通入。 3. **人机协作过渡**：目前系统尚需人类实验员执行少量物理接触步骤，例如称量微量前驱体粉末、放置反应石英管并拧紧法兰密封；但随着机械臂和微流体控制的接入，这一环节未来将彻底无人化。

更震撼的突破在于对“不可复现实验”的降维打击。在学术界，不同实验室由于自研管式炉内径、加热丝材质、热电偶测温位置和管路死体积的物理差异，往往导致一篇论文公开的“配方”在另一台设备上极难复现。杜克大学实验室将自己那套高度定制化、非标的实验设备物理拓扑结构输入给大模型，模型结合专业文献，直接为这套定制仪器“逆向定制”出了全新的合成工艺参数。

以往，Harry Wang 常常反复催促进度，让博士生去制备某种稀缺前驱材料，学生往往无奈表示单是查阅全球文献排查工艺就要耗去数周时间。后来他们直接让大语言模型输出适配定制仪器的实验配方，竟然直接一次尝试即告成功。原本可能需要数月漫长摸索试错的材料制备周期，被 AI 硬生生压缩到了几小时之内，极大地从物理现实层面加速了材料发现的工程迭代进程。

[23:59](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1439s) AI原生制造：在残次材料上重构高良率芯片

如果 AI 已经掌握了观察材料与合成材料的全部技能，它能否再进一步，直接在洁净室里动手制造最底层的物理芯片？Harry Wang 首次对外公开了一组尚未正式公开发表的硬核实验数据。

传统半导体制造行业对原材料晶圆的“洁净度与平整度”有着近乎病态的苛求——因为现有的工业级步进式光刻机和自动化产线，都是在假设整片晶圆完美无瑕的前提下，按照固定的掩模版图一次性复制数十亿个完全相同的晶体管。如果晶圆表面布满微观缺陷，整批流片良率就会彻底雪崩。

Harry Wang 团队反其道而行之。他们故意选用了一批肉眼可见布满黑点、存在大量杂质和畴界断裂的“不理想材料”。任何芯片代工厂的工程师看到这种充满缺陷的薄片，都会直接斥之为无法加工的“工业垃圾”。但团队将大语言模型视觉系统与杜克大学洁净室中的各类纳米光刻、薄膜沉积及微纳加工设备全面打通，开启了一种名为“AI原生半导体制造”的全新工艺：

```mermaid flowchart TD accTitle: AI 原生芯片制造与缺陷避让流程 accDescr: 展示 AI 如何识别非完美材料的缺陷并动态设计晶体管布局

Substrate["劣质/非完美二维半导体材料"] DefectScan["ATOMIC 系统微观缺陷扫描与定位"] DynamicLayout["AI 动态排布：为每个晶体管独立规划布局"] CleanRoomFab["洁净室设备：自适应纳米级光刻制造"] HighYield["千门级晶体管阵列 (良率从 65.6% 跃升至 95%+)"]

Substrate --> DefectScan DefectScan --> DynamicLayout DynamicLayout --> CleanRoomFab CleanRoomFab --> HighYield ```

在这套制造架构下： - **动态芯片设计**：AI 借助显微视觉在纳米尺度扫描整块材料，自主避开所有包含微观裂纹和杂质的区域，精准锁定原子级平整的高质量局部微区。 - **差异化晶体管排布**：与传统芯片上数十亿个整齐划一、千篇一律的晶体管排布不同，AI 可以为每一个微观晶体管单独量身定制独特的几何轮廓与互连走线，“每个晶体管都可以不同”。 - **良率逆天改命**：测试结果显示，该材料若按照传统盲目固定的网格阵列制造，其天然器件良率仅有惨淡的 65.6%；而在 AI 视觉接管并实施自适应制造后，团队在劣质材料上成功集成了上千个晶体管规模的基础逻辑阵列，**整体良率大幅提升了约 30%，达到了 95% 以上的高可用工业标准**。

为了将这项颠覆性的“良率智能”（Yield Intelligence）与“实验室到晶圆厂”（Lab-to-Fab）技术真正推向产业界，Harry Wang 透露团队已于一个月前正式注册成立了一家初创公司。其核心使命就是打造 AI 原生的半导体制造方案，并规划为新型二维半导体建立一条小型试验线。Harry Wang 尖锐地剖析了当前的算力经济学现状：当前全球投资人与科技巨头的万亿资本，表面上看是在追逐上层大语言模型与数据中心概念，但资金穿透到最后，全部汇入了英伟达的账户，而英伟达又必须向台积电交付真金白银。半导体物理芯片的硬件制造成本才是这轮技术革命中最大的资金吞噬池。而利用 AI 原生自适应制造技术，直接在低成本、容忍缺陷的新型二维材料上制造高性能芯片，将为整个行业提供一条成本极大降低的全新技术演进路径。

[26:41](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1601s) 自生成智能（Autogenic Intelligence）与生物级软硬件共生

当 AI 开始全面渗透并接管从芯片架构设计、微观材料合成到物理工厂光刻制造的完整闭环时，它便补齐了计算机科学乃至通用人工智能进化史上最关键的一块拼图。

当前学界与工业界正热烈探讨递归自我改进（Recursive Self-Improvement, RSI）理念，即算法能够自己编写、微调并优化下一代算法代码。但 Harry Wang 犀利地指出，过去的自我改进仅仅停留在抽象的软件与算法逻辑层，AI 从未真正拥有改变自身物质载体的权力——“我们想补上缺失的一环：如何让 AI 制造自己的大脑，这非常重要。”

通过将物理制造环节拉入闭环，一个宏伟的进化飞轮得以运转： 1. **算法设计物理芯片**：模型利用掌握的物理学与微纳工艺知识，设计新型底层晶体管架构。 2. **算法自主建造芯片**：AI 直接控制物理世界中的晶圆制造仪器，将新型二维材料转化为实体算力硬件。 3. **全新硬件反哺训练**：新一代高算力、低功耗的芯片投入运行，训练并驱动更庞大的下一代智能体系统。

```mermaid flowchart LR accTitle: 自生成智能 (Autogenic Intelligence) 闭环飞轮 accDescr: 展现模型设计制造芯片、芯片运行模型共同进化的物理循环

subgraph Hardware["物理硬件演进"] H1["自主物理制造 (洁净室微纳加工)"] H2["次时代新型芯片 (超低功耗二维半导体)"] end

subgraph Software["认知算法演进"] S1["模型自我改进 (RSI 代码生成与推理)"] S2["自适应硬件协同设计 (晶格级布局优化)"] end

S1 --> S2 S2 -->|"下发机器指令"| H1 H1 --> H2 H2 -->|"提供高能效算力基石"| S1 ```

在传统的计算架构中，冯·诺依曼瓶颈与抽象软件层导致模型与芯片在物理维度上是完全割裂的：芯片由人类晶圆厂代工制造，算法在芯片之上漂浮运行。但人类的大脑绝非如此，思维运作与大脑的神经突触、血管与胶质细胞等物理实体从来都是一体共生的。Harry Wang 动容地指出：“如果把芯片和模型结合起来，用模型制造芯片，再用芯片运行模型，我认为这是一种新的生命形态，也许可以称为硅基生命的新形态。”

当全行业热捧“超级智能”（Superintelligence, SI）这一名词时，Harry Wang 为这一软硬件全面合体的终极形态赋予了一个富有哲学意味的新定义——**自生成智能（Autogenic Intelligence）**，缩写恰好再次回归到了“**AI**”的本质起点。智能体由此彻底脱离了单向被动的工具属性，拥有了像碳基生命一样利用自然界底层元素改造自身物理躯体的神圣能力。

[28:29](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1709s) 终局之问：硅基生命的“蟹化”宿命

在演讲的最后几分钟，Harry Wang 将讨论的维度升华到了演化生物学与智能本体论的高度。作为一个常年观察自然规律与技术物理边界的学者，他抛出了一个深深震撼全场的科学追问：这种能够自主迭代、用算法铸造身体的自生成智能，最终会走向何方？

他引用了生物学界在 1916 年由英国动物学家兰斯洛特·亚历山大·博拉代尔（Lancelot Alexander Borradaile）提出的经典演化概念——**蟹化（Carcinization）**。在自然界数百万年的演化历程中，出现了极为奇特且反复发生的趋同演化（Convergent Evolution）现象：许多不同纲目的海洋甲壳类动物（无论是鱼类、海龟还是各种非真蟹类生物），经历极其漫长而独立的自然选择与基因突变后，其身体构型竟然都不约而同地向扁平的头胸甲、折叠的腹部以及对称的步足靠拢，最终不约而同地“演化成了螃蟹的形态”。

自然法则在面对严酷的物理生存环境时，似乎冥冥之中指向了某种最优的几何与拓扑解。借此隐喻，Harry Wang 向在场的所有科学家、投资人与工程师留下一道深邃的思考题：“你们认为 AI 加上芯片，会走向分化还是趋同？这种硅基生命形态，也会有一种‘螃蟹形态’吗？”

当硬件与软件彻底打通，在材料微观物理限制与通用智能算法的残酷自然选择下，全球千万种不同的自生成智能架构，最终是会开枝散叶走向极度的分化繁荣，还是会不可避免地收敛并趋同演化至某一种类似“螃蟹形态”的最优硅基终极躯体？Harry Wang 幽默地总结道：“也许下次吃螃蟹时，你们可以想想这个问题，也许你吃的是非常聪明的动物。”这场融汇了前沿固态电子学、微纳材料化学、自主智能体系统与演化哲学的演讲，在全场热烈的掌声中落下帷幕。

## Notable quotes > [26:41](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1601s) 如果把芯片和模型结合起来，用模型制造芯片，再用芯片运行模型，我认为这是一种新的生命形态，也许可以称为硅基生命的新形态。 — Harry Wang

> [00:00](https://www.youtube.com/watch?v=cmhym0OcoS8&t=0s) AI需要芯片，芯片也需要AI。 — Harry Wang

> [26:41](https://www.youtube.com/watch?v=cmhym0OcoS8&t=1601s) 我们想补上缺失的一环：如何让 AI 制造自己的大脑，这非常重要。 — Harry Wang

## Mentioned Harry Wang, 杜克大学 (Duke University), 硅谷101, 上海交通大学, 麻省理工学院 (MIT), 加州理工学院 (Caltech), 英伟达 (NVIDIA), Blackwell 300, 戈登·摩尔 (Gordon Moore), 台积电 (TSMC), 英特尔 (Intel), 三星 (Samsung), Google DeepMind, Co-Scientist, AlphaEvolve, Meta, SAM (Segment Anything Model), ATOMIC, 兰斯洛特·亚历山大·博拉代尔 (Lancelot Alexander Borradaile)

## Video description 下一代芯片会用上什么新材料？AI又能怎样参与研发与制造？在硅谷101 Alignment 2026大会上，杜克大学助理教授Harry Wang从晶体管和摩尔定律讲起，介绍科学家为什么开始寻找硅之外的新材料，以及这些材料为什么还没用进我们的手机和电脑。他也分享了团队的几项研究：让AI控制显微镜、找出材料里的缺陷，再挑选合适的位置制造晶体管；与Google DeepMind合作，让AI查文献、生成实验配方，并控制仪器做实验。从观察材料到动手制造，AI正在进入芯片研发的更多环节。演讲最后，Harry提出了“自生智能”（Autogenic Intelligence）的设想：如果AI能参与制造运行自己的芯片，模型和硬件会怎样一起进化？这种演化又会走向多样化，还是收敛到相似的结构？

大会嘉宾： Harry Wang，杜克大学助理教授

时间轴： 00:00 当AI参与创造下一代芯片 00:32 嘉宾开场：AI需要芯片，芯片也需要AI 02:08 芯片101：晶体管与摩尔定律 04:52 硅的缩小极限与二维半导体 09:50 从实验室到量产：材料制备与良率 13:30 ATOMIC：让AI控制显微镜 18:27 AI科学家：让模型动手做实验 22:02 复现实验：AI为不同设备生成配方 23:59 AI造芯：在缺陷材料上提高良率 26:41 自生成智能：模型与芯片共同进化 28:29 智能演化的“蟹化”之问：分化还是趋同？

【延伸观看】

了解今年硅谷101年度科技大会的更多主题，也可以回顾我们此前发布的大会预告，以及去年两场关于AI商业落地与未来技术发展方向的精彩演讲👇

https://www.youtube.com/watch?v=0FCDUfQvN2c

https://www.youtube.com/watch?v=bnIHrenhFpc

https://www.youtube.com/watch?v=vZ1kAuU_ogw

【欢迎加入硅谷101 Discord讨论群】 👉https://discord.gg/PACWRvyfCm

【往期精彩视频】 https://www.youtube.com/watch?v=pC3QbOu7_s4

https://youtu.be/nuD-P-AFjG0?si=3ubP0fN-cy27-Vij

https://youtu.be/BmcoQDwdkeM?si=WrLn-34Kv-O6a5Q2

https://youtu.be/2pZ9Gl7qVUo?si=01gRD4_4pEC5qU-3

https://www.youtube.com/watch?v=nilNLfW7izg

https://www.youtube.com/watch?v=tzEWYNQmnmc

https://www.youtube.com/watch?v=89ThCi5qq-A&t=6s

https://youtu.be/x2meJPOn9ws?si=p4voD9TJW9-M44hm

https://youtu.be/svNElhOYajQ?si=vFKE_9M_Onr7yUOf

https://youtu.be/cB_X6AImPjQ?si=b5jpZegDdrzAfk9N

https://youtu.be/H35nVgNGyo8?si=d4SAJHw4JmfBTPYb

https://youtu.be/G-1qbtXJKyQ?si=qiVXq7JGKkDZIQAT

https://youtu.be/i0t3RyLILnw?si=RTAcHEoVXsGKd5j7

https://www.youtube.com/watch?v=ARocqV7DtC8

https://youtu.be/--ePbkaRwl4?si=2Xf_675LCex1rs6c

[Source](https://www.youtube.com/watch?v=cmhym0OcoS8)

中文简报

杜克大学团队研发AI自适应产线助缺陷二维半导体良率突破95% 通过AI视觉避让材料缺陷并定制单个晶体管排布，研究团队攻克了二维半导体量产良率崩塌的工程死结，将AI推向自主制造自身物理硬件的自生智能闭环。 Harry Wang深入解析了硅材料在微观尺度逼近物理极限的困境，以及以二硫化钼为代表的二维半导体在延续摩尔定律中的核心潜力。针对新型材料缺陷多、良率低的工业瓶颈，他展示了团队利用大模型接管显微镜巡检（ATOMIC系统）、与Google DeepMind合作实现自主实验合成，以及在缺陷材料上动态设计晶体管以大幅提升良率的“AI原生制造”突破。最后，他提出软硬件共生的“自生成智能（Autogenic Intelligence）”构想，并借用生物学中的“蟹化”现象，探讨了未来硅基智能体究竟会走向分化还是收敛至某种最优形态。传统硅材料在厚度降至5纳米以下时面临量子限域效应与迁移率骤降，而以单层二硫化钼（MoS2）为代表的二维半导体厚度不足1纳米且具天然带隙，成为延续晶体管微缩的关键路径。 (4:52) 杜克大学团队开发出ATOMIC自主显微系统，借助大语言模型、Meta SAM与无监督聚类对纳米材料进行自主巡检与微观表征，分类识别准确率达到99.7%。 (13:30) 团队与Google DeepMind合作，利用Co-Scientist模型根据实验室非标设备的物理拓扑逆向生成合成配方，实现材料制备实验一次成功，将试错周期从数月压缩至数小时。 (18:27) 通过AI显微视觉避开材料缺陷并自适应定制晶体管排布，团队在充满杂质与裂纹的劣质二维材料上制造出千门级逻辑阵列，将器件良率从65.6%提升至95%以上。 (23:59) Harry Wang提出自生成智能（Autogenic Intelligence）概念，探讨由模型自主设计制造承载其自身的芯片所构成的软硬件共生演化闭环，并借生物学“蟹化”隐喻探讨其未来走向分化还是趋同。 (26:41)

Reading summary

杜克大学助理教授 Harry Wang 在硅谷101大会上指出，半导体微缩正逼近硅材料物理极限，而将人工智能引入二维材料的表征、合成与芯片自适应制造，有望打破传统的纯度与良率限制，形成算法与物理硬件双向迭代的“自生成智能”。硅基物理瓶颈与二维材料的微缩优势 (4:52) 传统芯片提升算力依赖晶体管微缩，但在厚度低于5纳米时，硅材料会出现微观散射和量子限域效应，导致电子迁移率暴跌，即便关闭栅极也会因漏电损耗电能并引发发热。Harry Wang 澄清，当前行业宣传的“2纳米”等节点属于工程妥协下的名义等效数字，并未彻底解决材料本身的物理限制。作为替代方案，二硫化钼（MoS2）等过渡金属硫族化合物天然具备带隙，单层结构厚度不足1纳米，在微观极限尺寸下的电子迁移率和单器件性能显著优于传统硅材料。良率壁垒与 AI 驱动的自主表征和合成 (9:50) 二维半导体主要采用化学气相沉积（CVD）制备，天然存在晶界和点缺陷，无法达到传统物理拉晶硅片近乎零缺陷的超高纯度，导致直接沿用现有芯片制造流程时良率骤降。针对传统人工显微镜质检的效率瓶颈，其实验室研发了集成大模型与图像分割算法的 ATOMIC 系统，对单层、多层及衬底材料的分类识别准确率达 99.7%，并能识别亚微米级的畴界缺陷。在材料合成端，团队与 Google DeepMind 合作将 Co-Scientist 架构接入实体实验室，AI 结合文献与定制设备的物理拓扑反向生成实验配方，直接调控加热炉与气流阀门，显著缩短了新型前驱材料的摸索周期。 AI 原生制造：基于非完美材料重构芯片良率 (23:59) 传统芯片代工要求整片晶圆高度平整纯净，依靠固定掩模批量复制相同晶体管。Harry Wang 团队公开的实验提出了一种“AI原生半导体制造”模式：利用视觉模型在纳米尺度扫描充满杂质与裂纹的残次二维材料，自适应避开缺陷区域，动态规划每个晶体管的独立几何轮廓与走线。测试数据显示，在布满缺陷的材料上制造千门级逻辑阵列时，传统固定排布良率仅为 65.6%，而 AI 动态避障与自适应制造将可用良率提升至 95% 以上。团队已为此成立初创公司，计划建立小型试验线以降低硬件制造成本。自生成智能与软硬件共生的进化闭环 (26:41) 当前的递归自我改进（RSI）多局限于纯软件和算法层面，AI 尚未具备改造自身硬件实体的能力。Harry Wang 认为，让算法参与物理芯片的设计、控制洁净室设备完成制造，再由新硬件运行并训练下一代模型，构成了一个打破冯·诺依曼与纯软件抽象的物质闭环。他将这种算法与物理躯体一体共生的形态定义为“自生成智能”（Autogenic Intelligence），主张这是一种硅基生命的新形态。 Harry Wang 借用演化生物学中不同物种最终趋同演变为甲壳类结构的“蟹化”（Carcinization）概念提出开放性疑问：在材料物理规律与计算算法的双重选择压力下，软硬件全面合体的自生成智能未来究竟会走向多样化分化，还是会不可避免地收敛至某种最优的硅基物理形态。

Source quotes

[26:41] Harry Wang: 如果把芯片和模型结合起来，用模型制造芯片，再用芯片运行模型，我认为这是一种新的生命形态，也许可以称为硅基生命的新形态。 [0:00] Harry Wang: AI需要芯片，芯片也需要AI。 [26:41] Harry Wang: 我们想补上缺失的一环：如何让 AI 制造自己的大脑，这非常重要。

Original transcript

[0:00] 过去几十年 [0:00] 芯片性能的提升很大程度上依赖于晶体管不断缩小 [0:05] 但随着传统硅基芯片逐渐逼近物理极限 [0:08] 半导体行业正在寻找下一代材料和制造技术 [0:11] 而有意思的是 [0:13] AI不仅是这场技术变革的需求推动者 [0:15] 也可能成为下一代芯片的设计者 [0:18] 那么当AI开始参与创造下一代AI芯片 [0:22] 智能的发展会走向什么方向 [0:24] 接下来让我们回到ALIGNMENT 2026大会现场 [0:27] 观看这场Keynote的完整演讲 [0:32] 接下来大约30分钟 [0:35] 我想介绍芯片如何由原材料制成 [0:41] 以及硅芯片之后 [0:44] 超越硅材料的未来是什么样 [0:47] 之后我会介绍我们实验室 [0:50] 我们尝试用AI来加速 [0:53] 硅或半导体材料的发现与制备 [0:57] 先简单介绍一下我自己 [0:59] 我是Harry Wang目前任助理教授 [1:02] 在Duke电气与计算机工程系 [1:04] 我本科毕业于上海交通大学 [1:08] 之后在MIT获得博士学位 [1:11] 在Caltech做了几年博士后 [1:13] 大约三年前在Duke建立实验室 [1:19] 今天是“硅谷101” [1:20] 我也想从“硅材料101”讲起 [1:25] 介绍一些基础知识 [1:27] 芯片究竟如何工作 [1:30] 首先我很喜欢这页幻灯片 [1:33] 它呼应了刚才的圆桌讨论 [1:36] 以前我们会说 [1:38] AI运行肯定需要芯片 [1:40] 训练、推理都需要 [1:42] 但在过去两三年里 [1:45] 大家会注意到 [1:46] 硅和芯片相关产业蓬勃发展 [1:51] 至少股市表现如此 [1:53] 我们也看到一些初创公司 [1:57] 尝试用AI [1:59] 改进芯片设计等工作 [2:03] 因此这可以形成一个循环 [2:05] AI需要芯片 [2:06] 芯片也需要AI [2:08] 但芯片是什么 [2:09] 芯片的基本组成单元又是什么 [2:13] 最底层的一切都是二进制 [2:16] 即使大语言模型和计算 [2:20] 在今天已经非常复杂 [2:24] 但最底层仍然是0和1 [2:28] 那么芯片是如何工作的 [2:31] 基本单元叫transistor（晶体管） [2:34] 它很像水龙头 [2:37] 如果关闭gate（栅极） [2:40] 电子无法从source（源极）流向drain（漏极） [2:43] 如果打开栅极让它导通 [2:46] 大家可以看到电子能从源极流向漏极 [2:50] 这就是最基本的单元 [2:52] 它从0变成1再从1变成0 [2:56] 实现今天基于芯片和AI的一切 [3:01] 我们常讨论scaling law（规模定律） [3:04] 但它早已存在于硅和芯片领域 [3:10] 在半导体领域我们相信 [3:13] 如果在单块芯片上集成更多晶体管 [3:16] 芯片就更强大、性能更高 [3:20] 这里从单个晶体管开始 [3:23] 如果集成数十亿个晶体管 [3:27] 就能形成一块功能强大的芯片 [3:29] 比如这里这个例子 [3:32] NVIDIA Blackwell 300 AI处理器 [3:37] 单块芯片有2000亿个开关 [3:40] 也就是晶体管 [3:44] 所以如果想要更好的芯片 [3:48] 就要在单个器件中集成更多晶体管 [3:52] 于是一个自然的问题出现了 [3:56] 如何把这么多晶体管 [4:00] 装进一块芯片 [4:01] 这正是硅谷成功的起点 [4:07] 我们身处硅谷 [4:09] 它的名字就由此而来 [4:10] Gordon Moore提出摩尔定律 [4:16] 它的意思是 [4:17] 把晶体管做得更小 [4:20] 让每个单元都尽可能小 [4:22] 就能在一定面积内 [4:23] 容纳更多晶体管 [4:28] 这里回顾一下 [4:31] 过去50年晶体管的发展 [4:35] 晶体管最初比较大 [4:38] 后来不断缩小 [4:39] 从微米尺度缩小到纳米尺度 [4:42] 从平面结构 [4:46] FinFET（鳍式晶体管） [4:47] 再到nanosheet（纳米片）结构 [4:50] 我们把结构堆叠在一起 [4:52] 但最近出现了一些问题 [4:55] 目前我们有FinFET结构 [4:58] 再将它堆叠起来 [4:59] 堆叠后又会出现其他问题 [5:01] 例如散热问题 [5:03] 这些界面产生的热量带来了问题 [5:09] 我想介绍一下 [5:13] 晶体管常见的一种失效模式 [5:17] 当晶体管缩小到很小的尺度 [5:20] 有时就会出现问题 [5:21] 就像家里的水龙头一样 [5:25] 如果材料很厚 [5:28] 电子有时并不只从这里流过 [5:31] 即使把它关闭 [5:33] 电子不直接从这里流过 [5:35] 却能从下方流过 [5:38] 这叫leakage（漏电） [5:39] 漏电会消耗大量电力 [5:43] 造成电力浪费 [5:45] 并产生热量 [5:47] 如果使用很厚的材料 [5:50] 像这样厚的材料 [5:52] 电子有时就能从下面流过 [5:56] 所以要把材料做得尽可能薄 [6:00] 材料薄了 [6:02] 我们就能关上这个水龙头 [6:04] 在关闭状态下 [6:06] 电子无法流过 [6:08] 在开启状态下 [6:09] 电子可以顺畅流过 [6:12] 我想介绍一些基本概念 [6:17] 也就是“硅材料101” [6:19] 或“半导体101” [6:20] 每个单元越小越好 [6:23] 每个单元或半导体材料越薄越好 [6:28] 我们已经看到了这个趋势 [6:29] 但我想让大家认识到 [6:31] 硅材料目前有个大问题 [6:35] 我很担心 [6:36] 刚才圆桌上我们讨论融资 [6:39] 可能有问题或仍能继续发展 [6:41] 但我想强调 [6:43] 硅材料目前确实有问题 [6:46] 原因是我们无法无限缩小硅材料 [6:52] 如果硅材料从较大的尺度 [6:58] 缩小到5纳米以下 [7:03] 电子的迁移率和速度就会下降 [7:06] 最终大家可以看到 [7:08] 电子流动不再顺畅 [7:10] 即使处于开启状态 [7:12] 电子也无法流过 [7:14] 当硅材料的尺度非常小时 [7:17] 所以作为科学家 [7:20] 我们认为可能有下一代半导体 [7:24] 我们称它为2D（二维）半导体 [7:27] 如graphene（石墨烯） [7:29] 以及MoS₂（二硫化钼） [7:32] 石墨烯相关研究获得了 [7:36] 2010年诺贝尔物理学奖 [7:40] 但相比之下 [7:45] 二维半导体可以保持电子迁移率 [7:50] 也就是电子流动的能力 [7:53] 即使厚度低于5纳米也可以 [7:57] 大家可能会困惑 [7:58] 因为新闻里 [8:01] 半导体行业总在说 [8:03] 我们现在有2纳米节点 [8:06] 未来还有1纳米节点 [8:09] 为什么我刚才却说 [8:11] 5纳米是极限 [8:13] 我想说这里的节点数字 [8:17] 目前都是名义上的节点名称 [8:20] 也就是说 [8:21] 如果回顾半导体和晶体管的 [8:25] 结构与历史 [8:30] 目前我们使用纳米片结构 [8:33] 纳米片结构将硅层堆叠起来 [8:36] 即使每层是7纳米 [8:39] 但你有3层 [8:41] 用7除以3 [8:42] 大约就是2纳米 [8:45] Intel早期也有类似情况 [8:49] 有Pentium 1、2、3 [8:52] 现在则有12核、14核 [8:55] 因为单个单元很难继续缩小 [8:59] 所以行业决定增加堆叠 [9:02] 我想强调 [9:06] 硅材料仍存在根本问题 [9:08] 它无法像其他二维材料那样 [9:10] 做到极小的尺度 [9:14] 但这些材料正如我所说 [9:16] 只有一个分子层厚 [9:19] 这里展示的是两层 [9:21] 这里有一个钼原子 [9:25] 以及两个硫原子 [9:27] 这种材料的总厚度不到1纳米 [9:31] 大约是0.65纳米 [9:34] 但它仍能用作半导体 [9:38] 过去10年的学术研究表明 [9:41] 用这种材料制造的单个器件 [9:45] 比用硅制造的单个器件好得多 [9:50] 那么这种材料何时 [9:54] 能进入手机和电脑 [9:56] 成为真正的电子产品 [9:59] 这是TSMC的技术路线图 [10:02] 图中显示我们现在 [10:05] 正从纳米片结构 [10:07] 走向CFET（互补场效应晶体管） [10:11] 在不久的将来 [10:12] 会走向二维过渡金属硫族化合物 [10:17] 比如刚才展示的MoS₂ [10:21] 大家可能会想 [10:24] 这种材料非常薄 [10:29] 也能作为晶体管的沟道材料 [10:32] 问题在于如何高效地制备它 [10:37] 即使我们已有小片材料 [10:40] 证明了单个器件性能很好 [10:42] 但正如刚才所说 [10:45] 单块芯片需要数千亿个晶体管 [10:49] 在制备这些材料方面 [10:51] 目前大学实验室 [10:54] 和一些产业合作伙伴 [10:57] 都在开展类似研究 [10:59] 我们采用CVD（化学气相沉积） [11:02] 使用两种precursor（前驱体） [11:03] 前驱体由气体携带 [11:06] 制备出这种极薄的半导体材料 [11:10] 在substrate（衬底）上 [11:13] 问题是这种单层材料 [11:15] 作为晶体管沟道时性能很好 [11:20] 但它和硅不同 [11:22] 我们用物理方法制备硅 [11:25] 它的纯度非常高 [11:27] 达到“10个9”或“12个9” [11:29] 也就是说在12英寸晶圆上 [11:32] 如果检查每一个原子 [11:34] 整片也只有一两个堆垛层错 [11:38] 但对于这种材料 [11:39] 仍很难做到像硅一样完美 [11:44] 如果做不到像硅一样完美 [11:46] 现有工业流程就需要改变 [11:50] 另外我还想提一下 [11:54] 这种材料不只可用于半导体器件 [11:57] 我们实验室还开发了一些应用 [11:59] 我们发现把材料打印在柔性衬底上 [12:04] 它就能对光作出响应 [12:07] 大家看它就像尺蠖 [12:09] 能朝一个方向移动 [12:11] 我和朋友开玩笑说 [12:13] 这就是读博士 [12:14] 导师和学生说话时 [12:16] 他们就稍微弯一下腰 [12:17] 我不和他们说话 [12:18] 他们就躺平了 [12:20] 不过我们在移动 [12:22] 我们一直在移动 [12:23] 总不能一直弯着腰 [12:28] 有些管理者在笑 [12:30] 看来你们懂我的意思 [12:31] 大家可能会问 [12:34] 这种材料看起来很神奇 [12:36] 为什么还没进入手机 [12:39] 还没进入日常生活 [12:41] 问题可以用一个词概括 [12:44] yield（良率） [12:46] TSMC非常出色 [12:48] 因为它的良率管理全球领先 [12:52] Intel和Samsung [12:53] 在良率管理方面也很出色 [12:56] 任何半导体企业 [12:59] 如果想在行业里占据一席之地 [13:04] 良率管理都非常重要 [13:06] 你要在一块芯片上 [13:09] 制造数千亿个晶体管 [13:13] 但如何确保它们都能工作 [13:16] 确保一切正常运行 [13:18] 每个晶体管都能工作 [13:19] TSMC在这方面做得很好 [13:21] 但对于新型二维半导体 [13:24] 良率管理需要新的思路 [13:26] 这是必须解决的问题 [13:30] 回过头来看整个半导体行业 [13:36] 我们仍依赖人工进行良率管理 [13:40] 至少还要靠人观察材料 [13:43] 查看缺陷 [13:45] 判断材料好不好 [13:48] 大约两年前 [13:51] 我们实验室开始研究 [13:54] 能否用AI观察这些材料 [13:58] 或识别材料的缺陷 [14:01] 昨天有一场精彩的演讲 [14:05] 谈到用望远镜观察恒星等天体 [14:08] 那是在宏观尺度上观察世界 [14:12] 而在我们实验室 [14:13] 如果要在纳米尺度开展工程研究 [14:15] 就必须能观察尽可能微小的事物 [14:20] 因此我们去年发表了一篇论文 [14:23] 我们称它为ATOMIC [14:24] 我们使用AI也就是大语言模型 [14:27] 控制显微镜 [14:29] 让它观察这些纳米材料 [14:33] 对纳米材料进行表征 [14:36] 并理解这些材料 [14:40] 这项工作是两年前完成的 [14:42] 当时agent（智能体）的概念 [14:44] 还处于早期阶段 [14:46] 所以我们称它为工作流 [14:47] 我们用大语言模型控制显微镜 [14:53] 分割拍摄到的图像 [14:58] 使用Meta的SAM（图像分割模型） [15:00] 然后使用无监督聚类 [15:02] 这是很基础的机器学习 [15:05] 别忘了机器学习是AI的起点 [15:08] 这样就能让AI理解 [15:13] 这里有哪些材料 [15:14] 材料是否干净 [15:15] 有没有缺陷 [15:16] 或者这里什么都没有 [15:19] 大家可以看到这很有意思 [15:22] 现在它没反应了 [15:24] 也许该换成不基于硅的东西 [15:31] 看来是卡住了 [15:34] 回到刚才的话题 [15:38] 我们能让显微镜自主执行科研任务 [15:43] 通过这种方式 [15:47] 属于AI for Science的范畴 [15:51] 或者说它提供了一套架构 [15:57] 让AI观察 [15:59] 半导体的制造过程 [16:03] 更重要的是我们发现这确实可行 [16:09] 当时人们还在质疑 [16:12] ChatGPT是否仍有很多幻觉 [16:17] 最近科研中不太常提到这个词 [16:20] 但当时幻觉确实是个问题 [16:22] 我们验证了它确实可行 [16:25] 用AI识别材料 [16:29] 并最终对结果进行分类 [16:31] 只要观察这些材料 [16:34] 哪些是单层材料 [16:35] 哪些是多层材料 [16:36] 哪些是裸露的硅 [16:37] 哪些地方什么都没有 [16:40] 我们发现这个模型表现很好 [16:44] 现在恢复了 [16:46] 这个模型表现很好 [16:48] 与人眼识别相比 [16:51] 模型的识别准确率达到99.7% [16:55] 虽然延迟仍是个问题 [16:57] 人看一眼就能得到结果 [17:00] 我们仍需要6秒 [17:02] 最近我们正在降低延迟 [17:04] 效果相当不错 [17:06] 在某些任务中 [17:09] 它甚至比人做得更好 [17:11] 看左边这张图 [17:14] 如果让大家标出 [17:16] 所有可能的MoS₂薄片 [17:21] 人有时只会标出这些红色区域 [17:24] 但模型不仅能看到完整的薄片 [17:28] 还能识别domain boundary（畴界） [17:32] 也就是不同晶畴之间的边界 [17:35] 这些边界其实也是一种缺陷 [17:38] 这里并没有什么诀窍 [17:40] 人只是凭视觉直觉判断 [17:44] 但模型逐像素地分析 [17:49] 所以在某些特定任务中 [17:51] 我想让大家相信 [17:52] AI确实可以比人做得更好 [17:55] 我们还测试了不同的半导体材料 [17:59] 例如这里展示的 [18:03] 石墨烯这种诺贝尔奖相关材料 [18:06] 以及各类二维半导体 [18:09] 模型的表现都很好 [18:10] 最重要的是 [18:12] 我们甚至不需要训练它 [18:14] 你们能相信吗 [18:14] 我们不需要数据中心 [18:16] 只需搭建智能体系统 [18:19] 并编写提示词 [18:21] 就能让它服务于我们的应用 [18:27] 即使我们教会了AI [18:32] 观察这些材料 [18:33] 我们距离真正制备出这些材料 [18:35] 仍有很长的路要走 [18:38] 过去两年 [18:40] AI for Science（科研）非常重要 [18:42] 我想很快会发生转变 [18:45] AI for Engineering（工程）可能会变得非常重要 [18:49] 我们认为 [18:50] 对于这些新型半导体 [18:52] 可以用AI加速材料发现 [18:56] 并加速材料制备 [18:59] 我们已经看到AI很擅长 [19:02] 提出假设和研究思路 [19:05] Google去年发布了Co-Scientist [19:10] 也有AlphaEvolve这样的系统 [19:16] AI能提出更多思路 [19:19] 但正如昨天 [19:22] AI for Science圆桌提到 [19:24] 实际开展物理实验 [19:27] 并在现实世界中验证 [19:30] 仍然非常困难 [19:33] 因此我们开展了这项工作 [19:35] 这篇论文刚刚发布 [19:38] 就在四周前 [19:39] 我们实验室与Google DeepMind合作 [19:42] 尝试采用Co-Scientist的架构 [19:46] 将它引入物理世界和物理实验 [19:51] 实现端到端的验证与发现 [19:55] 我简单介绍一下这项工作 [20:00] Co-Scientist（科研协作者）现在不只能做文献综述 [20:04] 它可以提出想法 [20:06] 还能制定实验或执行计划 [20:12] 我们还连接了实验仪器 [20:15] 以及自己搭建的实验装置 [20:19] 让AI来控制 [20:21] 现在它可以自己做实验 [20:24] 大约一年前有人说 [20:27] “Harry 未来不用博士生了” [20:32] 看到这项工作后我说 [20:34] “也许连教授都不用了” [20:36] 因为AI的想法比我的还好 [20:40] 那还要教授做什么 [20:42] 而且它还能自己写论文 [20:45] 也许我们都该去做数据中心了 [20:52] 这项工作能实现文献阅读 [20:56] 实验设计、验证的端到端流程 [20:59] 更重要的是 [21:00] 这段视频展示了它如何工作 [21:02] Co-Scientist可以预测前驱体 [21:07] 并生成可执行的实验方案 [21:11] 还能控制软件中的操作面板 [21:14] 目前仍然需要人参与 [21:17] 我们还要手动称量前驱体 [21:20] 把它放进反应管 [21:23] 然后密封起来 [21:25] 也许很快我们就能用机械臂 [21:29] 替代这一步 [21:31] 但它已经能生成很好的配方 [21:34] 甚至我们在论文中 [21:36] 非常有信心地认为 [21:39] 有可能制备出新的半导体材料 [21:42] 这些材料此前从未制备出来过 [21:44] 虽然理论上预测过 [21:46] 但很难真正制备出来 [21:48] 对于常规的二维半导体 [21:51] 例如刚才展示的MoS₂等 [21:53] 结果也非常好 [21:55] 我们只需让AI控制仪器 [21:58] 它查阅文献然后得到实验结果 [22:02] 更重要的是我们发现 [22:05] 在学术界 [22:07] 很多结果很难复现 [22:10] 因为不同实验室的设备结构不同 [22:13] 我的实验室有这种炉子和管子 [22:16] 但论文中用的是另一套装置 [22:19] 我们发现 [22:21] AI在复现实验结果方面表现很好 [22:25] 我们把实验室的设备结构 [22:29] 提供给AI [22:30] 让它查阅文献 [22:32] 然后看看 [22:34] 能否生成专用配方 [22:36] 用在我的定制仪器上 [22:38] 效果非常好 [22:40] 这里展示的就是 [22:43] 输入是提示词和任务描述 [22:46] 输出则直接来自定制仪器 [22:52] 这里有一个演示 [22:54] 我一直催学生制备这些材料 [22:57] 我们实验室长期在制备这种材料 [23:00] 而这些材料 [23:01] 我一直催学生 [23:03] “能不能制备出来” [23:04] 学生说“Wang博士” [23:07] “我得先查文献” [23:08] “可能要花几个星期” [23:10] 后来有一天我说 [23:12] “能不能试试大语言模型” [23:13] “让它给个配方看看是否可行” [23:16] 结果成功了 [23:18] 我就和学生开玩笑说 [23:21] “以后你们” [23:22] “甚至不用查文献了” [23:25] “照着模型说的做就行” [23:28] 这帮我省了好几个月 [23:30] 我一直催学生 [23:33] 对我自己也是一种精神折磨 [23:37] 这里展示的是AI可以 [23:42] 在一次尝试中实现工业规模制造 [23:46] 也就是第一次尝试就成功 [23:49] 如果你想复现某项结果 [23:52] 但用的是一套新装置 [23:54] AI就能节省你的时间 [23:56] 加速材料发现和研究 [23:59] 如果我们再往前走一步 [24:04] 已经能观察材料 [24:06] 也能制备材料 [24:07] 那直接制造真正的芯片怎么样 [24:10] 这里的图像还没有发表 [24:13] 我们结合了这套显微镜系统 [24:15] 显微镜在观察我们制备的材料 [24:19] 这些材料不太理想 [24:20] 我们故意选了不理想的材料 [24:22] 大家看到很多黑点 [24:24] 它们其实是缺陷 [24:26] 如果把材料给产业合作伙伴 [24:28] 他们会说“这是垃圾” [24:30] “根本不可能在上面制造芯片” [24:32] 但如果使用我们的AI [24:34] 让AI来制造 [24:36] AI会选择好的区域 [24:41] 传统方法中的晶体管 [24:43] 结构都是一致的 [24:45] 数量有数十亿个 [24:46] 但使用AI [24:47] 每个晶体管都可以不同 [24:50] 现在我们把AI连接到 [24:52] 洁净室中的各类制造设备 [24:54] 让它真正制造出芯片 [24:59] 虽然还不是数十亿的规模 [25:02] 我们仍能集成千个级别的晶体管 [25:05] 我们认为这是一个很好的开始 [25:08] 我们还发现 [25:11] 让AI控制整个半导体制造流程 [25:15] 能提高良率 [25:17] 这种材料原来的良率 [25:19] 只有65.6% [25:23] 非常糟糕 [25:24] 但基于这种低良率的材料 [25:27] 我们仍能得到高良率的晶体管阵列 [25:31] 它就是最基础的芯片 [25:33] 良率提高了大约30% [25:37] 我们认为这将彻底改变 [25:40] 甚至颠覆整个 [25:43] 未来的半导体制造行业 [25:45] 这是我的信念 [25:47] 最近我们成立了一家初创公司 [25:52] 大约在一个月前 [25:53] 我们认为用AI颠覆 [25:57] 半导体行业会很有意思 [25:59] 我们相信AI原生半导体制造 [26:04] 会越来越重要 [26:05] 我们想探索yield intelligence（良率智能） [26:08] 或lab-to-fab（实验室到晶圆厂）的解决方案 [26:10] 也许我们还想建立一条小型试验线 [26:13] 用于新型二维半导体 [26:16] 回到今天大家讨论的话题 [26:19] 你们的钱最终都流向NVIDIA [26:24] NVIDIA最终又得付给TSMC [26:27] 归根结底 [26:28] 制造这些芯片才是最花钱的 [26:32] 虽然我们谈AI、数据中心等等 [26:35] 现在我给大家一个替代方案 [26:37] 它的成本更低 [26:41] AI已经能编写一些模型 [26:45] 最近很多人谈到 [26:47] RSI（递归自我改进） [26:50] 我们想补上缺失的一环 [26:53] 如何让AI制造自己的大脑 [26:56] 这非常重要 [26:58] 这里展示了一个飞轮 [27:00] 如果AI能设计芯片 [27:03] 能制造芯片 [27:05] 芯片又能训练AI [27:07] 中间有数据连接 [27:09] 就能形成更高效的飞轮 [27:12] 也就是说模型和芯片 [27:15] 最终能够结合在一起 [27:18] 类似于我们的生物大脑 [27:20] 比如我们的思维和大脑 [27:22] 从来都不分离 [27:24] 但目前模型和芯片 [27:26] 在某种程度上是分离的 [27:29] 如果把芯片和模型结合起来 [27:31] 用模型制造芯片 [27:33] 再用芯片运行模型 [27:35] 我认为这是一种新的生命形态 [27:38] 也许可以称为硅基生命的新形态 [27:42] 随你怎么称呼 [27:44] 这可能就是下一步 [27:46] 从传统AI开始 [27:49] 接下来有RSI [27:51] 也许可以把它称为超级智能 [27:53] 最近SI似乎比AI更受青睐 [28:00] 如果把制造芯片也纳入其中 [28:06] 我认为这可以是一种新的智能 [28:08] 既然还没人给它命名 [28:11] 也许我可以起个名字 [28:13] 让它重新回到AI [28:14] Autogenic intelligence（自生成智能）这样又回到了AI [28:17] 完成了这个闭环 [28:19] 如果把思维和大脑 [28:24] 也就是芯片和模型结合起来 [28:27] 就有了新的生命形态 [28:29] 问题是它会走向哪里 [28:32] 作为教授我总会思考 [28:34] 我想借用一个概念 [28:37] 它在1916年被提出 [28:40] 距今已有100多年 [28:43] 叫carcinization（蟹化） [28:46] 什么意思呢 [28:48] 人们发现无论哪种海洋动物 [28:51] 经过数百万年都会变成螃蟹 [28:58] 比如你有一条鱼 [29:01] 数百万年后变成螃蟹 [29:03] 可能是帝王蟹 [29:04] 如果你有一只海龟 [29:06] 数百万年后比如会变成蓝蟹 [29:09] 蟹化现象在大自然中 [29:13] 已经存在了数百万年 [29:16] 所以我想给大家留一个问题 [29:20] 你们认为AI加上芯片 [29:22] 会走向分化还是趋同 [29:25] 这种硅基生命形态 [29:26] 也会有一种“螃蟹形态”吗 [29:30] 也许下次吃螃蟹时 [29:33] 你们可以想想这个问题 [29:36] 也许你吃的是非常聪明的动物 [29:40] 我的演讲就到这里 [29:41] 非常感谢大家

杜克大学团队造AI自适应产线 助缺陷二维半导体良率跃过95%