ThirdAI:半导体里的根因分析-夜雨聆风

ThirdAI:半导体里的根因分析

晶圆厂里最费时间的，常常是把异常讲清。

日志、传感器、图像、维修记录都在，难的是线索分散、系统分散、团队也分散。一次根因分析拉长，停机、良率和协同成本就会一起放大。

ThirdAI 这次不只是拿了新融资，更关键的是它终于把根因分析这一步的产品边界、部署方式和采购层级补得更清楚了。

发现异常后，排障才开始变慢

发现异常只是开始。最费工程团队时间的是异常出来之后怎么排障、怎么串线索、怎么把根因讲清。

问题一出来，工艺、设备、制造和质量团队就要开始翻设备日志、传感器数据、检测图像、过程记录和服务记录。

很多厂里的数据早就够多。慢的是把跨系统证据串成可执行判断。

工程师还得靠经验把线索一条条拉出来，再判断这是偶发异常还是系统问题，是设备、工艺、材料还是环境因素。

根因分析一旦主要靠少数老工程师在不同系统间来回翻，排障速度和组织沉淀都会受限。

官方产品页把路径写得很直接：Connect、Map、Link、Diagnose。

翻成人话，就是先把原本散在不同系统里的证据接进来，再把时间线和因果线索串起来，最后加快根因分析和排障。

产品页里最有价值的是这些边界：

看这些边界就知道，ThirdAI 想接进的是真实生产数据和排障流程。它卖的是能部署进厂的软件。

图示：ThirdAI 的 RCA 把根因分析和证据串联做成产品边界。

ThirdAI 官网终于把能力分层写出来了。官网定价页已经说明：

这说明它已经开始区分轻模块和重模块的采购路径。

根因分析这种模块，对应的本来就是晶圆厂、设备厂和工艺、制造、质量或运营团队的预算。

客户要算的账很直接：停机损失、良率损失和排障时间本来就贵。

如果一套工具真能把根因分析从“靠人翻系统、翻记录、反复拼线索”，变成一个更快、更可组织的过程，它对应的是制造效率和运营稳定性的预算。

ThirdAI 在团队故事上的公开细节还不算多。

但从产品切口看，这家公司的定位是准的。它先抓的就是排障和根因分析这段最贵、最慢、最卡人的活。眼下先看这里就够了。

放回中国，这件事的映射也很直接。半导体制造、封装测试和设备相关团队，并不缺异常。中国的AOI的解决方案商很活跃，全面质量管理的方案和工具也很多，为什么还需要一个这样的工具？

难能可贵的是出问题以后能不能更快找到线索、团队之间能不能更快对齐、根因判断能不能少依赖少数人、一次问题能不能沉淀成下一次不再重来的知识。

举个例子：我们无需给福尔摩斯再配一个华生一般的助手，

更不需要给他升级一个放大倍率更高的放大镜，现在缺的是一个钉在墙上、塞满照片线索、缠绕好各种红色毛线的调查板（请自行脑补犯罪类美剧）。

ThirdAI 真正值得看的是它把根因分析这一步做成了能进厂、能试点、能谈预算的软件。

对半导体团队来说，这比再讲一个大而全的 AI 故事更有现实感。

半导体制造里的 AI，不一定需要Openclaw或者Hermes，可以先从根因分析开始。先把跨系统证据串起来，把排障做快，就已经有机会碰到真实预算。

推到整个工业AI（物理世界），一个旁路AI系统，不替换现有的任何流程和系统，辅助人类分析推理，也许是 AI 在工业体系目前正确的用法。

有什么类似的AI工具在国内发展起来了么？或者如果你可以许愿，需要一个什么样的旁路AI分析工具呢？

大家好，我是Jilan在Vibe，一名AI for Engineering创业者。

你一起关注AI for 电子设计、制造、光学和工程软件等hardcore的行业。我们希望陆续拆解AI4OE的案例给大家分享，看看哪些地方先跑通，哪些地方还只是故事。

如果你在做AI for Science或者AI for Engineering项目，或者有相关投融资心得或需求，请加我微信讨论。

请关注我们、转发给需要的人，谢谢。