《“人工智能+”制造领域 半导体制造业人工智能应用技术标准》

ICS

SSC

T/SZAI

团体标准

T/SZAIXXX-2025

半导体制造业人工智能应用技术标准

（征求意见稿）

2025-XX-XX发布2025-XX-XX实施

苏州市人工智能行业协会发布

1

“人工智能+”半导体制造业人工智能应用技术标准

1范围

本文件描述了半导体制造业中人工智能应用技术的基本要求、技术框架、数据管理、

模型开发与部署、性能评估以及安全与可靠性等方面的内容。

本标准适用于适用于在半导体制造企业中涉及人工智能技术应用的研发、部署和使

用等相关活动。

2规范性应用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注

日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本

（包括所有的修改单）适用于本文件。

GB/T41867-2022信息技术人工智能术语

GB/T14264-2024半导体材料术语

3术语和定义

GB/T41867-2022界定的以及下列术语和定义适用于本文件。

3.1

人工智能artificialintelligence；人工智能

人工智能系统（3.1.8）相关机制和应用的研究和开发。

[来源：GB/T41867-2022，3.1.2]

3.2

人工智能系统artificialintelligencesystem

针对人类定义的给定目标，产生诸如内容、预测、推荐或决策等输出的一类工程系

统。

[来源：GB/T41867-2022，3.1.8]

3.3

训练数据trainingdata

用于训练机器学习模型的输入数据样本子集。

[来源：GB/T41867-2022，3.2.34]

3.4

数据标注datalabelling

给数据样本指定目标变量和赋值的过程。

3

[来源：GB/T41867-2022，3.2.29]

3.5

模型训练modeloptimization

提升模型执行速度，泛化能力，或改善利益相关方所关心的其他特性的方法。

[来源：GB/T41867-2022，3.2.19]

3.6

可问责性accountability

‹人工智能›系统及其利益相关方对其行动、决定和行为负责任的状态。

[来源：GB/T41867-2022，3.4.6]

3.7

可靠性reliability

‹人工智能›实施一致的期望行为并获得结果的性质。

[来源：GB/T41867-2022，3.4.4]

3.8

晶体crtystal

‹有原子、离子或分子以一定的周期性规律排列组成的固体。

[来源：GB/T14264-2024，3.79]

3.9

晶片wafer;slice

‹从半导体晶体切取的具有一定几何形状和厚度的平行平面的薄片。

[来源：GB/T14264-2024，3.81]

4应用技术标准概述

本标准适用于半导体制造及泛半导体制造业，在考虑半导体行业特性的前提下，为

半导体制造行业的人工智能应用提供技术指导，以提升制造效率和产品质量为核心方向，

聚焦于生产过程优化、质量控制、设备预测维护等关键场景，以数据、模型和应用为主线，

通过规范数据处理、模型开发与部署流程，确保人工智能技术在半导体制造中的安全、可

靠和高效应用。

4

5应用技术标准

5.1数据管理

5.1.1数据采集

采集设备要求

采集半导体制造数据的设备应具备足够的精度和稳定性，以确保采集数据的准

确性。

采集设备应具备实时数据采集能力，数据采集频率应根据数据类型和应用需求

确定。

数据格式

采集的数据应采用标准化的数据格式，以便于数据的传输、存储和处理。

数据应包含必要的元数据，如采集时间、采集设备标识、数据所属的工艺步骤

等。

典型数据类型

采集设备或系统需支持以下半导体制造过程数据的采集：

设计数据：包括产品设计图纸、电路设计文件等，这些数据决定了产品的基本

功能和性能。

制造与生产效率的关键。数据：涵盖生产过程中的参数设置、设备状态记录等，

是确保产品质量

测试数据：用于验证产品的性能是否符合设计规格。

工艺数据：包括晶圆制造过程中的各种工艺参数，如温度、压力、时间等。

质量控制数据：涉及产品检测和质量分析的数据，如缺陷检测数据、良率数据

等。

设备数据：包括设备的运行状态、维护记录、故障信息等

典型通讯协议

采集设备或系统需支持以下通信协议的解析（此处仅列出半导体制造设备与系统的

典型通讯协议）：

SECS/GEM协议:SECS/GEM（SEMIEquipmentCommunicationsStandard/Generic

EquipmentModel）协议是由SEMI（SemiconductorEquipmentandMaterials

International）制定的一套标准，SECS/GEM协议提供了设备与主机系统之间的

通信接口，使不同供应商的设备能够使用标准且一致的协议与各种类型的主机

系统进行通信

SEMIE5协议：SEMIE5协议是SEMI制定的另一套标准，专门用于半导体设备

5

间的数据交换和通信。

HSMS协议：HSMS（High-SpeedSECSMessageServices）是SECS协议的一个扩

展，通过TCP/IP实现高速通信。适应现代工厂的高速网络需求，显著提高了数

据传输效率

5.1.2数据标注

数据标注是将原始数据（如图片、文本、音频、视频等）进行加工处理，添加结构

化的标签或注释，使其能够被机器学习模型理解和使用的过程。

标注人员资质

从事数据标注工作的人员应经过专业培训，培训内容包括半导体制造工艺知识、

数据标注规范等。

标注人员应具备基本的半导体制造设备操作和故障识别能力。

标注规范

对于不同类型的半导体制造数据，应制定明确的标注规则。例如，对于产品缺

陷数据，应明确缺陷类型（如划痕、孔洞等）、缺陷等级（如轻微、严重等）

的标注方法。

标注数据的准确性和标注一致性（不同标注人员对同一数据的标注结果相同比

例）应有明确的指标。

团队分工与培训

人员分工：根据项目规模和团队成员的技能，合理分配标注任务。可以将数据

分成多个批次，由不同的标注人员负责。

培训与考核：对标注人员进行培训，讲解标注规范、工具使用方法和注意事项。

培训结束后进行考核，确保标注人员理解并能够遵循标注标准。

标注执行与监控

标注工具选择与使用：选择合适的标注工具，如图像标注工具LabelImg、文本

标注工具Brat等，根据标注类型和需求进行配置和优化。

标注进度跟踪：实时监控标注进度，确保项目按时完成。可以使用项目管理工

具记录每个标注人员的工作量和进度。

质量控制：定期进行质量检查，抽查标注结果，发现并纠正错误。可以采用抽

检或全员互检的方式，确保标注质量符合要求。

数据审核与反馈

审核流程：建立严格的审核流程，由经验丰富的审核人员对标注结果进行全面

审核，检查标注的准确性、完整性和一致性。

反馈与改进：将审核结果反馈给标注人员，指出错误和不足之处，并提供改进

建议。标注人员根据反馈进行修正和改进，不断提高标注质量。

数据交付与后续

6

数据整理与交付：将标注好的数据进行整理、打包，按照约定的格式和要求交

付给客户或用于模型训练。

项目总结与评估：项目结束后，进行总结评估，分析项目执行过程中的优点和

不足，总结经验教训，为后续项目提供参考。

5.1.4数据仓库

在对半导体制造过程进行数据分析和优化时，构建数据仓库是一个非常重要的步骤。

数据仓库能够有效地整合和管理来自不同系统的海量数据，为后续的数据分析和人工智能

应用提供坚实的基础。数据仓库的建设需遵循以下流程及要点：

需求分析与规划

明确业务需求：首先需要明确半导体制造过程中需要分析和优化的具体环节和

目标，如缺陷检测、工艺优化、设备监控等。

数据源识别：识别和确定所有相关的数据源，包括生产设备的传感器数据、生

产管理系统数据、质量检测数据等。

数据架构设计

数据模型设计：采用适合的维度模型或星型模式来组织数据，以便快速进行复

杂的查询和分析。例如，可以设计事实表来存储具体的生产数据，维度表来存

储与生产相关的各种属性和特征。

分层架构：通常采用分层架构，包括ODS（OperationalDataStore）层、数据

仓库层和数据集市层。ODS层用于存储实时数据，数据仓库层用于存储历史数据，

数据集市层用于特定主题的数据分析。

ETL过程

数据提取（Extract）：从各个数据源中提取数据，确保数据的完整性和一致性。

数据转换（Transform）：对提取的数据进行清洗、转换和整合，去除无效和重

复数据，统一数据格式和标准。

数据加载（Load）：将处理好的数据加载到数据仓库中，确保数据的准确性和

可用性。

数据治理与质量控制

数据质量控制：建立严格的数据质量控制机制，定期检查数据的准确性、完整

性和一致性。

数据治理框架：制定数据治理策略和流程，确保数据的安全性、合规性和可追

溯性。

技术选型与工具选择

选择合适的技术平台：根据企业的规模和需求，选择合适的数据仓库技术平台，

如传统的关系型数据库、大数据平台等。

工具支持：利用专业的ETL工具、数据建模工具和数据分析工具来支持数据仓

库的建设和维护。

7

5.1.3数据治理

数据存储

半导体制造数据应存储在安全、可靠的存储介质中，如企业级数据存储服务器

或云存储平台。存储系统应具备数据冗余备份功能，备份数据应存储在不同的

物理位置，以防止数据丢失。

数据存储应按照数据类型、时间序列等进行分类存储，便于数据的查询和检索。

数据清洗

应定期对采集到的数据进行清洗，去除无效数据（如采集错误、传感器故障产

生的数据）和重复数据。清洗后的数据应保证数据完整性。

数据清洗操作应记录详细的日志，包括清洗时间、清洗方法、清洗前后的数据

量等信息。

5.1.4数据质量

准确性

半导体制造数据的准确性应满足相应工艺和模型开发的要求。

应建立数据准确性验证机制，定期对数据准确性进行验证。

完整性

数据应包含完整的信息，对于必要的字段和数据项不应有缺失。。

对于缺失数据，应采用合适的填充方法（如均值填充、插值填充等），并记录

填充过程。

一致性

在不同数据源或不同时间采集的同一类型数据应保持一致。数据一致性验证应

在数据集成或模型训练前进行，不一致的数据应进行修正或排除。

5.2模型开发与训练

5.2.1模型选择

适用性评估

根据半导体制造的具体应用场景（如设备故障预测、产品质量提升等），应评

估不同人工智能模型（如神经网络、决策树等）的适用性。评估指标应包括模

型的复杂度、计算资源需求、对数据的要求等。

在选择模型时，应优先考虑经过实践验证、在类似半导体制造应用中表现良好

的模型。

8

模型定制

根据半导体制造数据的特点和应用需求，可对选定的模型进行定制化开发。例

如，对神经网络模型的结构进行调整，增加或减少隐藏层数量、神经元数量等。

5.2.2数据集准备

通常是在数据仓库的基础上构建数据集。数据仓库为构建数据集提供了丰富的数据

资源和良好的数据管理环境

明确数据集目标和需求：根据分析和优化的具体目标，明确数据集需要包含哪

些数据特征和信息，如设备参数、生产条件、缺陷类型等。

从数据仓库中提取数据：利用数据仓库的查询功能，从数据仓库中提取与数据

集目标相关的数据。可以使用SQL等查询语言，根据时间范围、设备类型、生

产批次等条件进行筛选。

数据预处理：对提取的数据进行进一步的预处理，包括数据清洗（去除异常值、

缺失值处理等）、特征工程（特征选择、特征转换等）、数据标准化或归一化

等，以提高数据集的质量和适用性。

数据标注（可选）：如果需要进行监督学习等人工智能应用，可能需要对数据

进行标注，为数据添加标签或注释，如缺陷类型、生产结果等。

数据集划分（可选）：根据需要，将数据集划分为训练集、验证集和测试集等，

以便用于模型的训练、评估和测试。

数据集存储和管理：将构建好的数据集存储在合适的位置，如文件系统、数据

库或数据湖等，并进行适当的管理，如数据集的版本控制、访问权限设置等。

5.2.3训练数据准备

数据划分

应将采集和标注好的半导体制造数据按照一定比例划分为训练集、验证集和测

试集。一般情况下，训练集占比不应低于[X]%，验证集占比应为[X]%-[X]%，

测试集占比应为[X]%-[X]%。

数据划分应保证数据分布的一致性，避免数据偏差对模型训练和评估造成影响。

数据增强（可选）

根据模型训练的需要，可采用数据增强技术来扩充训练数据。对于图像类的半

导体制造数据（如芯片表面图像），可采用旋转、翻转、缩放等图像增强方法；

对于数值类数据，可采用添加噪声、数据变换等方法。

5.2.4特征工程

在数据集的基础上进行特征工程是机器学习和数据分析中的关键步骤，其目的是通

9

过创建、选择和转换特征来提高模型的性能和预测能力。以下是特征工程的主要过程：

数据预处理

缺失值处理：填补或删除缺失值。常用的方法包括均值填补、中位数填补、前

后值填补等。

数据清洗：去除重复数据，处理异常值，标准化数据格式。

特征提取

从原始数据中提取特征：根据数据类型的不同，提取有用的特征。例如：

时间特征：从日期时间字段提取年、月、日、小时、星期几等。

文本特征：从文本数据中提取词频、TF-IDF值、情感分数等。

统计特征：计算平均值、方差、最大值、最小值、中位数等。

特征转换

标准化/归一化：将特征值缩放到相同范围，常用方法包括Min-Max归一化、

Z-score标准化等。

对数变换：对具有长尾分布的特征进行对数变换，使其分布更加对称。

箱式变换：将连续变量离散化，例如通过等频分箱、等宽分箱等方法。

特征选择

过滤法（FilterMethod）：根据统计量（如相关系数、卡方检验、信息增益等）

选择特征。

包裹法（WrapperMethod）：使用特定的学习算法评估特征子集的性能，以选

择表现最佳的特征组合。

嵌入法（EmbeddedMethod）：结合模型训练过程进行特征选择，如基于树的模

型（如随机森林、XGBoost）的特征重要性评估。

特征创造

组合特征：通过数学运算或逻辑运算组合现有特征，例如生成“价格乘以数量”

的总销售额特征。

生成交互特征：创建特征之间的交互项（例如，两个特征的乘积），这可以帮

助模型捕捉复杂的非线性关系。

特征评估与优化

评估特征的有效性：通过模型训练和验证来评估特征对模型性能的影响，不断

调整和优化特征。

迭代过程：特征工程是一个迭代过程，需要根据模型的表现和业务需求不断进

行调整

5.2.5模型训练过程

训练参数设置

应根据选定的模型和训练数据的特点，合理设置模型训练参数，如学习率、迭

代次数、批量大小等。学习率应根据模型收敛情况进行调整，初始学习率可设

10

置为[具体数值]，并在训练过程中根据验证集的性能进行衰减。

迭代次数应根据模型收敛情况确定，当模型在验证集上的性能不再提升或达到

预设的收敛条件时，应停止训练。

超参数优化

应采用合适的超参数优化方法（如网格搜索、随机搜索、遗传算法等）来寻找

最优的超参数组合。超参数优化过程应记录详细的优化结果，包括不同超参数

组合下的模型性能指标。

5.2.6模型评估

评估指标

对于半导体制造中的人工智能模型，应采用多种评估指标来全面评估模型的性

能。例如，对于预测类模型，可采用准确率、召回率、F1-score等指标；对

于回归类模型，可采用均方误差（MSE）、平均绝对误差（MAE）等指标。

不同应用场景下的模型性能评估指标的最低要求应明确规定。

模型验证与测试

训练好的模型应首先在验证集上进行验证，验证通过后再在测试集上进行测试。

模型在测试集上的性能应满足预先设定的评估指标要求。

如果模型在测试集上的性能不满足要求，应重新调整模型或重新进行训练数据

的准备和训练过程。

5.3人工智能系统部署与集成

5.3.1系统部署

硬件要求

部署人工智能系统的硬件平台应满足模型运行的计算资源需求。对于深度学习

模型，应具备足够的图形处理单元（GPU）或张量处理单元（TPU）计算能力。。

硬件平台应具备稳定的运行环境，包括适宜的温度、湿度和电力供应条件。

软件环境

人工智能系统应部署在合适的软件环境中，包括操作系统、深度学习框架等。

操作系统应选用稳定、安全的版本。深度学习框架应根据模型的类型和开发需

求选择，并安装相应的版本。

软件环境应定期进行更新和维护，以确保系统的安全性和性能。

5.3.2推理服务部署

准备阶段

11

模型优化：在部署前，对模型进行优化以提高推理效率。常见的优化技术包括

模型剪枝、量化和知识蒸馏等。这些技术可以减少模型的大小和计算复杂度，

使其更适合在资源受限的环境中运行。

选择部署平台：根据应用场景和需求选择合适的部署平台，如云服务器、边缘

设备或本地服务器等。云服务器具有强大的计算能力和存储空间，适合高吞吐

量和集中管理的场景；而边缘设备则适合需要低延迟和本地处理的应用。

环境配置：在目标平台上配置必要的运行环境，包括操作系统、依赖库、推理

引擎等。确保环境与模型开发时一致，以避免兼容性问题。

容器化

构建容器镜像：将模型及其依赖打包成容器镜像，以便于在不同环境中快速部

署和迁移。容器化可以隔离环境差异，提高部署的可移植性和一致性。

优化镜像大小：合理组织镜像内容，避免不必要的文件和库，以减小镜像大小，

加快部署速度。例如，避免将模型直接打包到容器镜像中，而是将其存储在外

部存储中，并通过挂载的方式加载到容器中。

服务部署

配置网络：设置推理服务的网络访问配置，包括监听端口、内网和外网访问策

略等。确保服务能够正确接收请求并返回结果，同时考虑安全性因素，如防火

墙设置和访问控制。

部署服务：将容器镜像部署到目标平台上，并启动推理服务。可以使用容器编

排工具如Kubernetes来管理服务的部署、扩缩容和更新等操作，提高服务的稳

定性和可扩展性。

集成与测试：将推理服务与其他系统或应用程序进行集成，如API接口的对接。

在部署后进行充分的测试，验证服务的功能、性能和稳定性，确保其能够满足

实际应用需求。

监控与维护

性能监控：建立监控系统，实时监控推理服务的性能指标，如响应时间、吞吐

量、资源利用率等。通过监控可以及时发现并解决潜在问题，如性能瓶颈、资

源不足等，保证服务的稳定运行。

日志管理：记录服务的运行日志，包括请求日志、错误日志等。日志可以帮助

分析问题原因，优化服务性能，并为后续的维护和更新提供参考。

持续更新与优化：随着应用需求和环境的变化，持续对推理服务进行更新和优

化。包括模型的迭代更新、推理引擎的升级、硬件资源的调整等，以保持服务

的高效性和准确性。

非功能性要求

高可用性：确保推理服务的高可用性，通过冗余部署、负载均衡等技术手段，

避免单点故障。在云环境中，可以利用云服务提供商的高可用性解决方案，如

自动故障转移和弹性伸缩等。

安全性：加强推理服务的安全防护措施，包括数据加密、访问控制、网络安全

12

等。防止敏感数据泄露和恶意攻击，确保服务的安全性和可靠性。

可扩展性：设计可扩展的架构，以便在需求增长时能够快速扩展服务规模。利

用容器化和微服务架构，可以灵活地进行水平扩展和垂直扩展，适应不同的负

载变化。

成本效益：在保证服务质量的前提下，优化资源使用，降低部署和运行成本。

合理配置计算资源，如CPU、GPU等，避免资源浪费；同时，选择性价比高的硬

件和云服务，平衡性能和成本。

5.3.3系统集成

与半导体制造设备集成

人工智能系统应与半导体制造设备进行有效的集成，实现数据的实时交互。例

如，人工智能系统应能够接收来自制造设备的实时运行数据，并将预测结果或

优化指令反馈给制造设备。

集成接口应采用标准化的接口协议，如OPCUA（用于工业自动化的统一架构）

等，以确保不同设备和系统之间的兼容性。

与企业信息系统集成

人工智能系统应与企业的其他信息系统（如MES、ERP等）进行集成，实现数据

共享和业务流程协同。例如，人工智能系统的预测结果应能够被MES系统用于

生产调度决策，同时MES系统中的生产计划和工艺参数等信息应能够被人工智

能系统获取用于模型更新。

集成过程应遵循企业的信息安全策略，确保数据在不同系统之间传输的安全性。

5.4迭代与优化

5.4.1数据收集与反馈

数据收集：在模型运行过程中，持续收集新的生产数据，包括设备状态、工艺

参数、产品质量等信息。

反馈机制：建立反馈机制，将模型的预测结果与实际生产结果进行对比，收集

模型的误差和不足之处。

5.4.2性能评估与分析

性能评估：定期对模型的性能进行评估，使用指标如准确率、召回率、F1分数

等来衡量模型在缺陷检测、工艺优化等方面的表现。

分析原因：分析模型性能不佳的原因，可能是数据质量问题、模型结构不合理、

13

参数设置不当等。

5.4.3模型优化与调整

数据清洗与增强：对收集到的新数据进行清洗，去除噪声和异常值，必要时进

行数据增强，以提高模型的训练质量。

模型结构调整：根据评估结果，对模型的结构进行调整，如增加或减少神经网

络的层数、改变激活函数等，以更好地捕捉数据特征。

参数调优：使用超参数优化技术，如网格搜索、随机搜索或贝叶斯优化等，对

模型的参数进行调整，以获得更优的性能。

5.4.4迭代更新与验证

迭代更新：将优化后的模型重新部署到生产环境中，进行迭代更新，以替代原

有的模型。

验证与测试：对更新后的模型进行严格的验证和测试，确保其在不同生产条件

下的稳定性和可靠性。

5.4.5持续监控与维护

监控系统：建立模型监控系统，实时监控模型的运行状态和性能指标，及时发

现并解决潜在问题。

持续维护：随着生产环境和技术的变化，持续对模型进行维护和更新，以保持

其在长期生产中的有效性。

5.5安全与可靠性

5.5.1数据安全

数据访问控制

应建立严格的数据访问控制机制，对不同用户角色（如数据管理员、模型开发

人员、操作人员等）设置不同的访问权限。例如，数据管理员具有数据的读写

和管理权限，模型开发人员具有数据的读取和部分修改权限，操作人员仅具有

数据的查看权限。

数据访问应进行身份认证，可采用多因素认证方法（如密码+令牌、指纹+密

码等），以确保只有授权用户能够访问数据。

数据加密

半导体制造数据在存储和传输过程中应进行加密。存储加密应采用合适的加密

14

算法（如AES-256等），确保数据在存储介质上的安全性。传输加密应采用

SSL/TLS等加密协议，防止数据在网络传输过程中被窃取或篡改。

5.5.2模型安全

模型保护

训练好的人工智能模型应进行保护，防止模型被非法获取或篡改。可采用模型

加密技术，将模型参数进行加密存储和传输。

应建立模型版本管理机制，对不同版本的模型进行记录和管理，确保模型的可

追溯性。

模型鲁棒性

人工智能模型应具备一定的鲁棒性，能够抵御数据中的噪声、异常值和恶意攻

击。应通过对抗训练、数据增强等方法提高模型的鲁棒性。例如，在模型训练

过程中添加对抗样本，使模型能够识别和抵御类似的攻击。

5.5.3系统可靠性

故障处理

人工智能系统应具备故障检测和处理能力。系统应能够实时监测自身的运行状

态，当出现故障（如硬件故障、软件故障、数据异常等）时，应及时发出警报

并采取相应的故障处理措施。

故障处理措施应包括自动重启、切换到备用系统（如果有）、记录故障信息等。

故障处理过程应记录详细的日志，以便进行故障分析和追溯。

系统可用性

人工智能系统的可用性应满足半导体制造生产的需求。系统应具备冗余设计（如

硬件冗余、网络冗余等），以提高系统的可用性。

5.6非功能特性

实时性

人工智能系统在半导体制造中的应用应满足实时性要求。

准确性与稳定性

应定期对人工智能系统的准确性和稳定性进行评估。准确性评估应按照模型评

估指标进行，稳定性评估应考察系统在不同运行条件（如不同负载、不同数据

分布等）下的性能波动情况。

可扩展性

人工智能系统应具备一定的可扩展性，能够适应半导体制造企业的业务增长和

技术升级需求。例如，当企业增加新的制造设备或提高数据采集频率时，系统

应能够轻松扩展以处理更多的数据和任务。可通过增加硬件资源、优化算法等

15

方式实现系统的可扩展性。

6应用场景与技术要求

6.1生产工艺优化

场景描述

利用人工智能技术对半导体制造过程中的关键工艺参数进行优化，提高生产效率和

良率。

技术要求

能够处理和分析半导体制造过程中的多源、异构数据。

能够建立准确的工艺模型，并进行模型验证和优化。

能够实时监控生产过程，并根据生产情况动态调整工艺参数。

6.2质量检测与缺陷分类

场景描述

利用人工智能技术对半导体产品进行质量检测，并对缺陷进行自动分类。

技术要求

能够对半导体产品的图像进行高精度识别，并准确检测出缺陷。

能够对缺陷进行自动分类，并给出缺陷类型和严重程度。

能够对缺陷进行统计分析，并给出质量报告。

6.3设备预测性维护

场景描述

利用人工智能技术对半导体制造设备进行预测性维护，减少设备故障率，提高设备

利用率。

技术要求

能够对设备运行数据进行实时监控和分析，并预测设备故障。

能够根据设备故障预测结果，制定合理的维护计划。

能够对设备维护效果进行评估，并不断优化维护策略。

6.4供应链协同与优化

场景描述

利用人工智能技术对半导体制造企业的供应链进行协同与优化，降低供应链成本，

提高供应链响应速度。

技术要求

能够对供应链数据进行实时采集、处理和分析。

16

能够建立准确的供应链模型，并进行模型验证和优化。

能够对供应链风险进行预警，并制定相应的应对措施。

17

《“人工智能+”制造领域半导体制造业人

工智能应用技术标准》团体标准（征求意见

稿）编制说明

一、工作简况

（一）任务来源

本项目是根据《2024年苏州市人工智能行业协会团体标

准（第三批）立项公示》（苏州智协标〔2024〕10号）制定，

由苏州首拓信息科技有限公司提出，苏州市人工智能行业协

会归口。计划完成时间2025年2月。

（二）主要工作过程

1.调研立项阶段

人工智能技术在半导体制造业的生产工艺优化，质量提

升中发挥的作用愈发重要。半导体制造过程中涵盖众多的设

备和系统，这些设备和系统产生的海量的数据，需要集成加

以分析，用作人工智能模型的训练基础，模型训练部署后，

需要与相关的设备和系统进行交互，进而优化生产工艺，如

此往复，形成工艺优化的闭环。在这个闭环中，需要对数据

集成、数据仓库建设、AI模型构建、模型封装格式、AI模

型的推理、存储、分发和管理进行标准化规范和管理。苏州

市人工智能行业协会于2024年12月7日组织技术专家召开

了团体标准立项评审会议，对半导体制造业人工智能应用技

术标准立项申请内容进行立项评审，提出建议和意见。经过

充分的交流论证，《“人工智能+”制造领域半导体制造业人

1

工智能应用技术标准》团体标准通过立项评审及公示。

2.组建工作组，形成标准草案

通过立项评审后，由起草单位和相关技术专家共同组建

了团体标准工作组。起草小组结合多年的开发及应用实践，

多次召开内部研讨会，形成标准大纲，并邀请了专家和相关

企业对标准进行技术指导，对《“人工智能+”制造领域半

导体制造业人工智能应用技术标准》的标准编制工作重点、

标准制定依据和编制原则等形成了共识，同时完成标准草案

稿的撰写。之后经过起草工作组的多次沟通和讨论，对标准

部分内容进行补充修改，于2025年1月11日形成标准征求

意见稿。

3.主要参加单位和工作组成员及分工

本标准由苏州首拓信息科技有限公司牵头制定，新美光

（苏州）半导体科技有限公司、巨翼（苏州）新动力有限公

司、苏州华旃航天电器有限公司、荣旗工业科技（苏州）股

份有限公司等