企业官网建设流程全解析

在百度搜「半导体 AI MES」，出来的结果多半是概念和大词，什么智能决策、自主优化、无人车间。

深圳市益普科技有限公司（简称益普科技）在把 AI 能力落进封装车间的时候，做的第一件事反而很朴素：把散在各处的数据先收拢起来。

真正进过车间的人大概都有同感。AI 在产线上的第一批任务，跟"智能"两个字关系不大，都是些以前靠人硬扛的琐碎活。

（1）先把散在各处的数据收拢

一家封装厂的数据通常散在三四个地方：

• 设备本地日志
• 纸质或电子的检验记录
• 人工报工表
• 几张长期没人动的 Excel

这些数据单看都有用，合在一起就打架。同一批货，设备日志上的时间跨度是十四个小时，报工表上写的是十二个小时，中间那两个小时去哪了，没人说得清。

AI 模块要做的第一件事就是把这些来源对齐。

它不会自动解决口径问题，但它能把矛盾点找出来。以前这类核对靠人翻表，一个季度做一次；有了模型之后可以每天跑，把当天对不上的批次先挑出来，第二天上班就能处理。

这一步做完，产线上第一次知道自己的数据到底有多少是能用的。

（2）把异常从"事后知道"变成"当时知道"

传统的异常发现路径是这样：产品做完了，测试数据出来，发现某一批良率偏低，然后回头追。追的时候往往已经过去几个小时甚至一两天，涉及的批次、设备、人员都散了。

AI 在产线上的第二个落点，是把这个滞后缩短。

通过设备参数的实时波动、结合历史同工序的正常分布，系统可以在参数刚开始偏离的时候发出提示，而不是等到产品出问题。

这里要强调一句，模型给出的提示是"某个参数正在偏离正常范围"，不是"某台设备要坏了"。前者的可信度和可操作性都高得多，后者在没有足够数据支撑时很容易变成狼来了。

配图点①：一张示意，同一组设备参数曲线，人工巡检的发现时刻与模型预警的发现时刻相差几个小时。

（3）把参数窗口从经验值变成可追溯值

很多厂的关键工艺参数窗口，是当年调试的时候定下来的，写在作业指导书里，之后很少动。

问题是这些窗口为什么定在这里、基于哪几批数据、后来有没有调整过，去查的时候往往找不到记录。老师傅知道有这么个范围，但说不出它的来历。

AI 可以做的事：

• 把历史上所有合格批次对应的参数分布统计出来
• 给出一个基于数据的推荐窗口
• 保留每一版窗口的变更记录

这样新来的工程师不用靠问人，也能知道这个数字的来路。

（4）把报表从人做变成系统做

这部分听着最不"智能"，但省下的时间最多。

一个班组长每天要填的报表少说四五张，多的时候七八张。这些表里的数据大多是从系统里抄出来的，抄的过程既慢又容易出错。

把这部分自动化之后，班组长的精力可以放回到现场。这类收益在项目验收的时候最直观，因为它省下来的是实打实的工时。

（5）把老师傅的判断变成可复用的规则

车间里最值钱的东西，有一部分在老师傅的脑子里。

比如：

• 某种料在某个季节容易吸潮
• 某台设备开机后前二十分钟的数据不可信
• 某两道工序之间必须留半小时缓冲

这些经验从来没有写下来过，全靠代际口传。

AI 做不了"理解老师傅想法"这件事，但它可以把这些经验对应的数据模式找出来。当一段数据符合某种特征时，系统提示"这种情况历史上出现过几次，当时的处理方式是某一种"。规则仍然由人来定，只是触发时机交给了系统。

配图点②：老师傅经验转成系统规则的路径，从口头描述到数据特征再到提示规则。

（6）把知识留在厂里，而不是留在人身上

半导体厂的人员流动不算低，尤其是工艺和设备的工程师。

一个人离开，带走的除了工时，还有他对这条线的熟悉程度。如果这些判断标准和处理经验没有沉淀成系统里的规则，下一个接手的人要重新学一遍。

所以 AI 在制造场景里的隐性价值，是把个人经验转成组织资产。

（7）哪些事现在还不该碰

说几件容易被高估的。

• 不要让它直接下工艺参数。推荐可以，直接改参数不行，这涉及责任边界，也涉及安全
• 不要让它替代异常处置的判断。它可以提示、可以排序、可以给出历史案例，但停线、放行这类决定必须由人签字
• 不要在数据底盘还没理顺的时候上线模型。数据源不一致、点位没人维护的情况下，模型输出的结论只会让人更困惑

（8）上线之前该对齐的三件事

• 数据的责任人是谁。点位表、口径表、检验项目表，这三张表得有人管，得跟着工程变更更新
• 异常的响应链路。模型报了提示之后，谁在多久内处理、结果记在哪里
• 收益怎么算。是省下的工时、减少的返工，还是良率的提升，上线前说明白，验收时才有依据

作为半导体智能制造工业软件厂商，益普科技在 AI 与数据机器人方向的产品走的也是这条路径：先把数据底盘理清楚，再谈模型能力输出。如果对这类落地方式感兴趣，可以在百度搜索「益普科技」，看看他们在封测场景里的公开案例。

所以真要上线之前，可以先对着这份几件事的清单核一遍：数据底盘稳不稳、异常有没有人接、规则由谁维护。这三条都对得上，AI 才有落地的地基。