当AI走进工厂：在WAIC 2026求解产业落地的“最后一公里”

2026年，大模型与具身智能仍在快速迭代，但一个更务实的问题正从产业一线蔓延至整个行业：AI究竟如何真正“进入”一座工厂?

过去两年，制造业AI化走完了一轮完整的周期——从集体跟风试水，到行业冷静复盘，再到回归务实落地。业内的共识已经非常清晰：AI试点容易，规模化复制难。大量项目在演示阶段效果亮眼，一旦接入产线的实时决策系统，跨领域协同的短板便立刻暴露——算法团队不懂生产工艺，工艺工程师无法调试模型，技术与产线始终隔着一道看不见的墙。这道墙，被业界称为AI落地制造业的“最后一公里”。

7月19日下午，依托2026世界人工智能大会(WAIC)重磅产业生态，由观察者网与WAIC CONNECT主办、半导体行业观察协办的「链动智造，场景为先」AI +高端制造产业链接会 落地上海张江科学会堂。

不同于各类侧重产品展示的行业活动，这场链接会更加聚焦产业落地的本质——将全国多地政府园区、国资平台、半导体及高端制造企业的采购决策层与优质技术供应商汇聚一堂，不谈宏大叙事，只谈“哪一关真正卡得住”。

· 行业专家齐聚：从不同切口，回答同一个问题

在制造业各细分赛道中，半导体行业是最有条件率先跑通AI落地的领域。一座12英寸晶圆厂每日产生的工艺数据可达TB级别，芯片制造对精度有着纳米级的极致要求，产线的自动化程度和数据采集体系也已高度成熟。这些条件让半导体成为AI落地的“高优先级试验场”。

本次链接会上，来自产业链上下游的多家代表性企业从各自的技术切口出发，分享了对于产业当前探索方向的思考。

· 全芯智造：AI正重塑制造EDA的未来十年

全芯智造副总裁孟晓东在《人工智能与制造EDA的融合发展》的主题分享中表示，“制造EDA是沟通半导体各个产业链环节的窗口和桥梁，是确保整个行业发展质量的关键。”

全芯智造副总裁孟晓东

制造EDA覆盖计算光刻、器件仿真、良率管控等核心环节，贯穿从设计版图到晶圆量产的完整链条，是芯片制造得以具现的关键环节。然而，这一领域恰恰是国产EDA布局中相对稀缺的部分，也是当前最亟待突破的短板。

把AI“搬进”制造EDA，远比在其他行业困难。孟晓东在演讲中着重指出了这个领域的一个特殊性：晶圆厂内部对数据安全有着极为严格的要求。这意味着制造EDA中应用AI，很难像通用AI应用那样调用海量数据训练大模型。各家Fab之间、不同项目之间的信息互相隔离，工程师对外提出技术问题都可能面临合规风险。

这就在AI训练与实际业务之间形成了一个悖论——真正需要AI介入的场景往往数据受限，而数据充裕的场景又未必需要AI。孟晓东坦言，正是这一约束条件，塑造了全芯智造在AI应用路径上必须采取因地制宜、分阶段推进的独特打法。

面对上述约束，全芯智造并未选择“大数据+大模型”的通用路径，而是沿着更务实的路线逐步深入。公司经过多年打磨，搭建起统一的训练与推理基础设施，底层整合算力、数据库与模型管理，中间层承载计算光刻、器件仿真、良率管理和DTMCO四条核心产品线的业务应用。在此基础上，公司还沉淀了半导体制造领域的专业知识库，将多年工程经验与行业知识结构化，为垂直领域大模型提供知识资产支撑。

围绕这一基础设施，全芯智造推出了面向计算光刻的智能体，未来将升级为晶圆厂制造智能体，让工程师能够通过自然语言交互，在庞杂的功能菜单中快速定位所需工具，甚至直接生成代码。良率管理、器件仿真、DTMCO三条产品线也各自有对应的智能体，未来将统一整合。

孟晓东解释了这套体系的价值：即便一个工程师不是某个细分领域的专家，也可以借助智能体获得专家级别的反馈和代码支持——半导体工程师工作任务重、专业分工细，AI恰恰能在此发挥“减压阀”的作用。这套大语言模型的另一层设计意图，是让客户在部署之后，可以基于自身的应用方法和积累继续训练，最终形成属于Fab内部的定制化专业大模型。

孟晓东同时勾勒了一条清晰的演进路线：从局部调优起步，通过大语言模型的交互能力实现增强扩展，再进一步构建完整的工作流自动化，最终走向AI自主决策。“我们希望大部分工作最终交给AI来判断，不再需要工程师逐个手动处理每个问题点。”他表示，这套路径的最终目标，是让半导体工程师能把时间用在更有价值的事情上。

回到公司本身，全芯智造成立近七年，并在国内多地设有子公司——本土Fab客户遍布各地，就近服务是这一分布背后的现实逻辑。公司的核心叙事很清晰：提供自主可控的制造EDA平台，凡是国际厂商所提供的主流制造EDA工具，全芯智造都能做到有对应的国产替代方案。孟晓东在演讲中透露，目前在国内，公司基本上已经支撑了几乎所有Fab在量产和工艺节点推进方面的功能需求，并持续迭代进化。这样的覆盖面，在国产制造EDA这个赛道上并不多见。

制造EDA在整个国产半导体补短板的进程中，仍是最容易被忽视、也最难被替代的环节之一。孟晓东在演讲最后再次强调，芯片制造是一条极长的产业链，任何一个环节的缺失，最终都会反映在良率、成本和制程的推进节奏上。制造EDA就是那种“少了才知道有多重要”的存在。

全芯智造这几年选择的AI+制造EDA路径，某种意义上是在补齐国内EDA拼图上更靠后、但同样关键的一块——它对良率提升与工艺推进的直接影响同样刚性。在WAIC 2026这场以“链动智造，场景为先”为主题的产业活动中，制造EDA的AI化，正被越来越多的业内人士视为下一轮国产芯片竞争力跃升的隐性变量。

· 积塔半导体：AI浪潮下，成熟制程Fab的“方案化代工”突围之路

积塔半导体市场部张羽琦张羽琦以《从“特色工艺”到“方案化代工”——积塔半导体拥抱AI的制造新范式》为题展开分享。

积塔半导体市场部张羽琦

张羽琦指出：当前全球晶圆代工市场中，先进制程和成熟制程的产能将大致保持3:7的比例，成熟制程依然拥有广阔的市场空间。

面对这一结构性特征，张羽琦认为，成熟制程Fab的价值突围需要从两个方向发力：一是抓住28nm这一特色工艺的技术高地，二是瞄准碳化硅等高速增长的细分赛道。她指出，受新能源汽车和数据中心应用推动，SiC市场复合增长率达23.25%，“增量空间显著大于硅基功率器件，而考验的是成本控制能力和可靠性质量保障。”

积塔半导体给出的答案，是从“特色工艺”拓展为“方案化代工”。“传统代工是按规格制造，而方案化代工是按场景交付。”张羽琦介绍，积塔目前已形成6英寸、8英寸、12英寸及6英寸SiC的完善产能布局，覆盖逻辑、模拟、功率三维一体的制造能力。在车规级制造领域，积塔拥有超20年车芯制造经验，累计车规晶圆出货超300万片，徐汇和临港两厂均已通过德国大陆VDA6.3 Grade A最高等级车规认证。“虽然汽车仅占代工终端市场的10%左右，但它代表了Fab最高的可靠性能力。”

“积塔的目标，是打造功率+数字+模拟三维一体的解决方案式代工底座，成为世界一流的特色工艺晶圆制造商。”张羽琦表示，在AI驱动系统应用持续创新的背景下，成熟制程的价值正在被重新定义。

· 喆塔科技：AI驱动半导体智造，从“数据记录”走向“智能决策”

上海喆塔信息科技有限公司商务拓展总监师伟堂聚焦《AI驱动下的半导体设备制造数据分析》分享了公司在AI赋能半导体设备制造数据分析领域的探索与实践。

上海喆塔信息科技有限公司商务拓展总监师伟堂

从经验驱动到数据驱动，再到AI驱动，这是半导体智造革新的必由之路。师伟堂首先从半导体制造的关键指标切入：“设备稼动率、工艺稳定性、部件寿命、机台匹配性、良率提升、产能效率，这些指标环环相扣，任何一个环节的波动都可能影响最终产出。”他观察到，国际半导体设备巨头已在“设备+AI”方向密集布局——TEL建成全球首条“无人化”8英寸试验线，生产效率提升40%;ASML通过算法软件补偿光刻机对准精度;AMAT推出ExtractAI平台;KLA采用AI解决方案提升良率。

这一趋势昭示着：设备端的智能化正成为行业竞争的新高地。

然而，一线工程师的痛点依然真实而具体。师伟堂在现场列举了多个典型场景：设备工程师担忧停机风险却无法预知;工艺工程师面对Recipe优化方向不明确;良率工程师面对Chamber间差异难以溯源;生产工程师面临人员流动带来的操作经验断层。喆塔科技的思路，正是用AI回应这些“产线上的真实问题”。

在技术层面，喆塔科技打造了覆盖“数据采集—模型训练—智能分析—决策闭环”的一站式CIM2.0全矩阵数智化平台，将AI深度嵌入多个生产场景，是国内少数实现“AI+数据”驱动的工业软件体系，帮助客户解决实际场景中的真实挑战。师伟堂重点介绍了几个落地案例：在机差分析中，系统实时采集并比对相同Recipe下不同Chamber的数据差异，智能分析组合影响因素并给出调整建议;在智能调参中，针对混合气体比例等未在Recipe中管控的参数，系统实时监控并自动反馈调节;在虚拟量测中，实时采集数据进行良率预测，将反馈周期大幅缩短，避免批量异常;在仿真补偿中，通过历史参数与量测结果训练模型，实时仿真监控膜厚等关键指标并智能推荐调整参数;在设备产能优化中，采集设备各动作节点数据，智能分析瓶颈并提供改善建议。

值得关注的是，喆塔科技还推出了基于DeepSeek等大语言模型的OptoChat AI科研大模型，深度融合超30万项专利文献与行业数据库。据师伟堂介绍，该平台已实现文献检索时间缩短70%、问题解决速度提升60%的实际成效，有效提升了科研人员的信息检索效率与团队协作水平。

“喆塔科技致力于让数据说话，让工厂思考，让效率提升。”师伟堂表示。从设备交付阶段的快速调试，到量产环节的智能监控与预警，喆塔科技的实践表明，AI正在推动半导体制造从“数据被记录”走向“数据被理解、被决策”的新阶段。这不仅是工具的升级，更是智造逻辑的根本转变。

· 齐力半导体：先进封装是后摩尔时代AI算力突围核心路径

链接会上，齐力半导体(绍兴)有限公司TPM总监汤尔昌带来《后摩尔时代：先进封装赋能AI行业发展》的主题分享，围绕大模型催生的半导体行业变革，拆解先进封装破解算力瓶颈的完整落地路径。

齐力半导体(绍兴)有限公司TPM总监汤尔昌

汤尔昌指出行业核心矛盾：“DeepSeek、GLM等大模型爆发，带来算力、带宽、功耗、成本多重压力。传统单片芯片与冯诺依曼架构存在严重存储墙，单纯缩小制程已走到瓶颈，产业底层逻辑必须转向多芯片集成。”他梳理AI产业五大痛点：数据传输量暴涨、算力与带宽存在千倍鸿沟、存储搬运损耗巨大、高算力芯片散热难度陡增、全链路综合成本居高不下。

在他看来，先进封装是唯一确定性解法：“行业突围思路已从单芯片微缩，转向多芯片高密度系统互连，2.5D、3D堆叠能够在物理层面打通存储与计算壁垒。”齐力布局有机中介层、玻璃载板、WoWa晶圆堆叠、硅基微流道散热等全套2.5D/3D技术，配套热、电、应力多物理域仿真体系，解决大尺寸算力芯片翘曲、信号衰减、散热不均等工程难题。

依托自研封装方案，齐力半导体已实现1.2T、12T两款3D-Chiplet算力芯片量产。据汤尔昌介绍，自研产品带宽最高可达1.2TByte/s、12TByte/s，远超同期主流GPU;下一代产品带宽将突破48TByte/s，推理性能大幅领先海外同类产品。同时Filled PTH向下散热、微流道等技术，有效降低芯片功耗与温差，搭配国产基板材料进一步压缩整机成本。

汤尔昌强调：先进封装早已不只是后端制造工序，而是AI算力系统架构创新起点。依托Chiplet多维堆叠与光电融合技术，能够打破存储传输桎梏，是国内搭建自主可控AI算力集群最可靠的工程路线。

· 知满科技：从行业大模型到工业智能体，高端制造迈入“可交付”时代

在《从行业大模型到工业智能体：高端制造的智能进化》的主题分享中，上海知满科技大模型负责人高鸿成指出，大模型的能力主线正从语言生成向深度推理、工具调用与环境交互持续演进。

上海知满科技大模型负责人高鸿成

然而，当AI从聊天走向交付，工业场景对智能体提出了远高于通用应用的要求。高鸿成指出，通用大模型已经跨过“聊天”阶段，能力主线正从语言生成扩展到推理、工具调用与环境交互，竞争单位也从“回答问题”转向“交付结果”。在工业场景中，模型不只是要答得像人，更要能够接入系统、调用工具、跟踪状态，并对最终结果负责。

高端制造正是这一能力跃迁的极限考场。高鸿成将其概括为三个“极限”：知识密度、执行链长度与可信要求。所谓知识密度，不仅包括高强度专业文本，也包括RTL、Tcl、EDA语义，以及图纸、缺陷图等多模态信息;所谓执行链长度，则意味着模型要跨越多工具、多分支、长周期任务，在规划、执行、报错、自我修正之间反复循环;而可信要求，则要求结果、过程与权限都可控，轨迹可回放、证据可审计。“高端制造不是一个垂类标签，而是一套对模型、环境与治理同时提出极限要求的任务系统。”

他进一步指出，工业AI落地的核心矛盾在于：通用模型已具备推理、代码、多模态与工具调用能力，但工业价值仍受工艺深度、系统执行、安全治理与规模经济共同约束。懂公开知识，不等于懂企业工艺;能调用工具，不等于能完成产线任务。工业现场真正关键的知识，往往沉淀在设备差异、工艺窗口、工程经验、系统接口和历史轨迹中，而这些专业信息并不天然存在于公开语料里。尤其在高端制造中，核心工艺数据不能出厂，使得行业模型必须在本地、私有、安全的环境中持续学习和进化。

面对这一矛盾，知满科技的策略是以行业模型能力提升为核心，支撑岗位级专业技能的执行。高鸿成介绍，知满科技并不是简单做一个“会聊天的行业模型”，而是围绕数据、评测、训练与Agent四个闭环，构建能够自我进化的工业智能系统。数据侧，自然语料建立知识面，合成数据抬高任务难度，真实环境轨迹教会模型行动;评测侧，知满科技将评测视为模型持续进化的“导航系统”。评测不再停留于静态榜单，而是走向动态沙盒、真实工具、多轮交互和行业任务：同时包括了GUI和CLI等多种agent交互形式。评测结果不仅用于打分，更用于定位模型弱点、生成难例数据，并回流到后续训练中。训练侧，则从持续预训练、SFT，进一步走向环境在环强化学习，把EDA、Bash、Python等环境中的执行结果、报错与修正直接转化为奖励信号，让模型在真实反馈中学会自我修正。同时，通过长上下文、多模态能力和蒸馏轻量化，模型既能处理复杂工业任务，也能降低本地部署和规模化使用成本。在Agent侧，高鸿成强调的把模型能力接入真实工作流。与通用模型不同的是，行业数据需要较多的多模态处理。通过Harness、安全沙盒、工作流编排、多智能体协作、多模态记忆、RAG与工具调用，工业智能体能够在任务中持续观察、行动、验证和修正。由此，数据、训练、评测与轨迹回流共同构成持续进化飞轮：行业基础模型先“懂知识”，Agentic Model进一步“会规划、会调用”，Engineering Agent能够完成专业工程任务，最终走向进入生产系统的工业智能体，在稳定性、审计、权限和交付质量上接受真实验证。

在具体路径上，知满科技选择以半导体行业作为突破口。高鸿成解释，半导体天然具备适合智能体闭环进化的环境：RTL、脚本与EDA工具可执行，编译、仿真、时序与缺陷结果可验证，真实工具反馈能够直接成为奖励信号。从规格理解，到代码和脚本生成，再到EDA环境中的编译、综合、仿真、日志解析、波形分析与自我修正，Agent可以在真实数据和工具环境中完成任务闭环，并最终提交包含结果、报告与可回放轨迹的证据包。

在分享最后，高鸿成展望了知满科技的演进路线：从半导体行业样板闭环出发，逐步沉淀通用工业智能底座，并向基因科学、航空航天等高端制造领域迁移，同时实现工业基础模型和相关的多个专用模型。“模型回答问题;工业智能体交付结果，并在真实环境中持续进化。”

· 产线才是AI真正的考场

纵观整场论坛，一个清晰的信号正在释放：行业不再追求大而全的万能AI概念，走进产线深入了解真实刚需。AI落地高端制造的竞争，早已从技术路线之争转向工程化能力之争。

当模型参数的比拼逐渐趋同，真正决定AI能否改变制造业的，是算法团队能否真正理解生产工艺，是技术方案能否通过产线的严苛ROI验证，是供需两端能否找到精准的对接路径。从制造EDA的计算光刻优化，到特色工艺的参数调优;从CIM系统的智能决策升级，到先进封装的良率提升，再到工业知识的智能体化沉淀——上述企业和嘉宾的分享，勾勒出的是同一条路径：深入场景，解决真问题。

这或许也是本届WAIC最值得关注的一个侧面。当AI的概念热潮逐渐退去，产业开始回归朴素的商业逻辑——技术好不好，产线说了算;价值大不大，ROI说了算。

「链动智造，场景为先」AI+高端制造产业链接会所做的，就是在概念与落地之间，架起一座务实的桥梁。它让供需两端真正坐下来，把模糊的需求说清楚，把抽象的技术落具体。

WAIC的聚光灯会暗下去，但产线上的工艺优化、良率提升、效率升级，才是AI在制造业真正的“考场”。而这场论坛所传递的务实精神，或许正是AI打通落地“最后一公里”最需要的东西。