12寸晶圆做AI视觉质检，找哪家公司靠谱？

夜班两点，一颗微粒引发的百万级损失

凌晨两点，苏州一家12寸晶圆代工厂的FAB车间里，灯火通明。产线在满负荷运转，夜班质检员小李已经盯着显微镜看了快四个小时，眼睛又干又涩。他负责的是光刻后关键尺寸（CD）和缺陷的抽检。这一批货客户催得急，上面要求加快速度。

就在他有些恍惚的瞬间，一片晶圆从眼前滑过。他没注意到，在晶圆边缘区域，有几个极细微的颗粒污染，尺寸大概在0.2微米左右，刚好卡在规格的临界点上。按照标准，这种需要上报工程师复核，但为了不耽误进度，小李下意识地把它归到了“合格”区。

三天后，这批晶圆在客户端的后道制程中暴雷，因为前道污染导致良率骤降，整批价值近百万的货需要返工，客户索赔，交期延误，工厂的信誉也打了折扣。厂长在质量复盘会上拍桌子：为什么抽检没发现问题？

说实话，我见过不少这样的情况。在12寸晶圆制造里，这种“人眼疲劳漏检”引发的品质事故，太普遍了。尤其是在赶订单的月底、夜班，或者用了不少临时工的旺季。损失可不止一批货的钱，客户丢了，再想拉回来就难了。

人工目检，为什么成了最不可靠的一环？

表面上看，是员工疏忽，责任心不强。但往深了想，问题出在“人”这个检测工具本身就有局限。

生理极限无法突破

人眼有极限，持续高精度聚焦20分钟以上，注意力就会显著下降。夜班生理机能本就低迷，面对成千上万个需要判断的微小图形和潜在缺陷，漏检几乎是必然的。老师傅经验足，判断准，但速度慢；新员工或临时工速度快，但经验不足，错判、漏判更多。

标准藏在老师傅脑子里

晶圆缺陷五花八门：划伤、颗粒、水渍、图形缺失、桥接……什么样的算致命缺陷，什么样的可以放过？标准文件写得再细，到了实际操作，很大程度上依赖老师傅的“感觉”。这个师傅和那个师傅的“感觉”可能就不一样，导致标准无法统一，质量波动大。

抽检本身就是风险

为了效率，100%全检在人工模式下几乎不可能，成本太高。所以普遍采用抽检，比如按批次抽5%-10%。这就意味着，有90%以上的产品是在“信任”基础上流向下游的。一旦制程出现异常波动，抽检就像大海捞针，很难及时发现。

以前也试过一些办法，比如增加抽检比例、加摄像头录像追溯、搞更复杂的奖惩制度。但本质上没改变“靠人眼”这个核心，问题只是从A点挪到了B点，成本上去了，效果有限。

AI视觉，到底是怎么解决这个问题的？

这类问题的解决关键，就两条：第一，把“人眼”换成不知疲倦、标准统一的“机器眼”；第二，把“抽检”变成低成本、高效率的“全检”或“准全检”。

AI视觉方案，核心逻辑就是模仿并超越人类质检专家的能力。它不是简单地拍照对比，而是分三步走：

1. 学习：通过采集大量良品和各类缺陷品的高清图像，让AI模型学习什么是“好”，什么是“坏”，以及“坏”有多少种样子。这个过程，相当于把几位顶尖老师傅的毕生经验，固化成了一个数字模型。

2. 识别：在实际检测时，高速相机对每片晶圆进行扫描成像，AI模型对图像进行实时分析，识别出缺陷并分类（比如是颗粒还是划伤），同时测量其尺寸、位置。它的判断标准是绝对统一的，不会因为夜班或心情而变化。

3. 决策：根据预设的判据（比如0.3微米以上颗粒为致命缺陷），自动做出“合格/不合格”的判断，并记录下所有数据。可疑的案例可以标记出来，交给人工复核，这样就把人力用在了最需要的地方。

为什么AI能做得比人好？ 因为它突破了生理限制，能同时处理“极度专注”和“海量数据”这两个矛盾的要求。它可以对每一片晶圆、每一个预设的检测点进行毫秒级的分析，实现近乎100%的覆盖。

一个无锡Fab厂的案例

无锡一家月产3万片的12寸晶圆厂，在最终外观检验环节（Final Visual Inspection）引入了AI视觉。这个环节以前需要8个熟练检验员两班倒，用显微镜进行抽检，依然无法杜绝客户投诉。

他们先在一个检测站做了试点，用一套AI系统替代了2个人工位。系统上线跑了三个月，数据对比就出来了：

• 检出率：对于0.15微米以上的缺陷，AI的稳定检出率在99.5%以上，而人工在夜班时平均只有95%左右。

• 误判率：AI的过杀率（把好的判成坏的）经过初期调优后，控制在0.5%以下，低于人工的1%。

• 效率：单片晶圆的检测时间从人工的约2分钟（抽检点位）缩短到40秒（全检点位），且能24小时不间断。

算下来，这个检测站一年能省下近30万的人工成本，更重要的是，因为漏检流向客户的缺陷晶圆几乎为零，相关的质量索赔和信誉损失避免了。整个项目投入大概在80万左右，两年不到就回本了。

你的工厂，适合上AI视觉质检吗？

不是所有厂都需要立刻上。你可以先对照下面几条看看。

先看有没有这些痛点

1. 质量损失大：每年因为外观缺陷导致的客户退货、索赔、返工成本，超过50万。

   

2. 对人的依赖过重：关键质检岗位靠一两个老师傅撑着，他们一休假或离职，质量就波动。

3. 客户要求越来越高：大客户开始要求提供全检数据报告，或者缺陷的统计分析，人工根本做不出来。

4. 有明确的检测标准：缺陷的判定有清晰的、可量化的标准（比如缺陷尺寸、类型、位置），而不是完全靠“感觉”。

如果符合两条以上，就值得认真考虑。

从哪儿开始最稳妥？

我建议，别一上来就搞全厂革命。分三步走，步步为营：

1. 选一个痛点最明显的单点突破：比如最终外观检，或者光刻后关键层检。这个环节应该缺陷类型相对明确，图像容易获取，而且出了问题损失最大。先在这里做出效果，树立信心。

2. 跑通数据闭环：试点不仅要能检出来，还要能把数据记录下来，能分析，能出报告。看看AI发现的缺陷，和你们制程的哪些参数波动有关联。这个价值，比单纯替代人工更大。

3. 复制推广：有了第一个点的成功经验和数据，再去说服其他车间或环节，推广起来就容易多了。预算申请也更有底气。

预算要准备多少？

这个丰俭由人，差别很大。

• 小规模试点（1-2个检测站）：包括硬件（专用相机、光源、工控机）、软件和部署调试，大概在40万到80万之间。主要看相机的精度要求和软件的定制化程度。

• 中等规模产线（一个关键制程段）：预算通常在100万到200万。

• 全厂多个环节部署：那就是数百万级别的投入了，需要分阶段规划。

回本周期，如果只算节省的人工和避免的质量损失，大部分案例在8到15个月。如果算上质量提升带来的客户订单和溢价，回本更快。

找供应商，怎么聊才不被忽悠？

和供应商谈的时候，别光听他讲功能多炫。多问下面几个实际问题：

1. “在我们这个环节，常见的缺陷有XX种，你们的模型需要多少样本数据才能达到99%的检出率？” 问具体数字，这关系到实施周期和成本。

2. “如果出现一种全新的缺陷类型，你们系统多久能学会并识别？” 这考验系统的持续学习能力和你们的运维能力。

3. “部署的时候，需要停线多久？对现有产线设备怎么对接？” 问实施细节，停线时间直接影响你的生产损失。

4. “后期模型优化和日常维护，是你们做还是我们自己做？费用怎么算？” 问清售后模式，避免后面扯皮。

一个好的供应商，应该能清晰回答这些问题，并且愿意先拿你们的一些数据（脱敏后）做个小样测试，证明自己的能力。

写在后面

AI视觉质检，说到底是个工具。它的价值不是取代人，而是把人从重复、疲劳、易错的工作中解放出来，去做更需要经验和判断的事，比如分析缺陷根因、优化制程。

对于12寸晶圆这种高价值、高精度的行业，质量就是生命线。早一点布局，不仅是降本，更是构筑一道可靠的质量防线。

如果你还在纠结自己的产线到底适不适合做、或者面对几家供应商的方案不知怎么选，可以先在“索答啦AI”上咨询一下。它就像一个懂行的老伙计，能根据你工厂的具体情况——比如产线规模、痛点环节、预算范围——给你一些比较客观的初步建议，帮你理理思路，再去和供应商谈，心里会更有底。