IT之家 11 月 4 日消息，英伟达在 11 月 3 日发布的一篇文章中指出，人工智能正推动半导体晶圆厂迈向“AI 驱动工厂”时代：借助加速仿真、学习型物理模型、AI 智能体以及数字孪生技术，芯片制造过程中的设计、测试和生产决策效率得到显著提升。
加速仿真是指利用 GPU、并行计算和 AI 智能体模型等技术，将传统依赖 CPU 的工程仿真从数小时、数天缩短至数分钟甚至毫秒级的过程。 在半导体制造领域，这使得工程师能够更快地评估工艺方案、预测缺陷风险，而无需先进行昂贵且耗时的实际产线试验。
根据 IT之家援引的文章介绍，随着先进芯片需求增长，制造工艺日益复杂，良率和工艺质量的容错空间不断缩小。传统产线试验既慢又昂贵，工程师分析工艺调整、材料反应或缺陷根本原因时，往往需要数天时间。AI 的价值在于，让工程师在投入实际试验前，先在虚拟环境中更迅速地比较方案、发现潜在风险。
加速仿真的目标是在实际制造之前，更快获得足够可靠的“虚拟实验”结果，从而减少试错、提升良率并降低成本。
学习型物理模型是指利用机器学习从高精度仿真、实验或产线数据中学习物理规律的模型。它会学习温度、压力、材料、电磁场、等离子体等变量之间的映射关系，从而快速预测复杂物理过程。英伟达在半导体制造相关报道中，将其视为加速晶圆厂仿真与决策的关键技术之一。
数字孪生是指在虚拟环境中创建物理对象、系统或流程的动态数字副本。它不仅仅是静态 3D 模型，还能接收实时或历史数据、模拟运行状态、预测结果，并支持“先在虚拟世界尝试，再到现实世界执行”的决策方式。在英伟达关于半导体制造的报道中，数字孪生被用于构建整个晶圆厂的虚拟模型，帮助工程师在投产前发现瓶颈、验证布局和运营策略。
在具体案例中，多物理场仿真软件 COMSOL 借助英伟达 cuDSS，将半导体制造相关的仿真速度提升最高达 10 倍；西门子则将 cuLitho 集成到 Calibre 光刻软件中，关键仿真负载最高提速 17 倍。
应用材料公司的 Ginestra 平台在集成 cuDSS 后，相比仅使用 CPU 的方案快最高 10 倍，其 ACE+ 多物理场平台借助 PhysicsNeMo 实现了最高 35 倍的形貌仿真加速。
AI 还能减少重复仿真。例如，半导体蚀刻中使用的等离子体行为建模复杂且成本高昂；Lam Research 展示，PhysicsNeMo 可在毫秒级预测等离子体行为，而完整仿真可能需要数天。
过去，工程师为判断某个芯片制造方案是否可行，需要等待长时间的仿真、实验或数据分析；引入 AI 加速仿真、学习型物理模型和 AI 智能体后，许多原本以“天”计的分析任务，可以压缩到“分钟”级完成。
英伟达在报道中举例，Advantest 使用 NeMo Switchyard AI 智能体自动选择合适的 AI 模型，把原本需要数小时的任务缩短到数分钟。
在先进晶圆厂中，工程师面临的问题往往不是简单的数据查询，通常需要判断：
传统流程通常需要依次进行高精度物理仿真、结果分析、方案比较，有时还要安排实际试验。一次完整仿真可能需要数天，因此工程师难以快速探索大量备选方案。
而 AI 可以先帮助工程师缩小范围、发现高风险方案，关键工艺变更仍需高精度仿真、实验验证和工程师的专业审核。AI 将工程师从“长时间等待计算结果”中解放出来，让他们有更多时间用于判断、验证和优化；决策链条中的等待时间缩短了，但专业责任和最终把关仍在工程师手中。
一个直观的类比是：过去像医生要等全套检查报告出来才能初步判断病情；现在 AI 相当于先快速给出多项筛查结果和可能原因，医生可以立刻决定优先做哪些关键检查。速度快了，但最终诊断和治疗决定，仍由医生负责。
更重要的是，应用材料公司正基于英伟达 Omniverse 构建整座晶圆厂的数字孪生，可在虚拟环境中模拟物料流动、发现瓶颈并验证布局与运营策略，再决定是否在真实产线落地。
应用材料公司利用基于 NVIDIA Omniverse 库构建的数字孪生技术，模拟工厂级布局、吞吐量、成本和工艺控制方面的优化。
英伟达称，这一闭环将使工厂从每个生产周期中学习，并更早采取行动；工程师仍负责专业判断与最终决策，但等待答案的时间将大幅减少。
利用 NVIDIA Omniverse 库构建的逼真晶圆厂数字孪生模型，用于模拟物料流动、发现瓶颈并在部署前验证运营策略。图片由应用材料公司提供。