在这篇博客中，应用材料公司全球产品经理Sam与应用材料公司工作流自动化与工厂分析全球产品经理 Michael展开对谈，探讨FactoryView如何通过实时运营可视化、标准化指标体系以及可直接指导运营决策的洞察，推动晶圆厂运营方式的全面升级。此外，双方还进一步阐释了AI如何推动FactoryView从实时运营监控平台，演进为面向晶圆厂的智能决策助理。

Sam：按照惯例，我还是想从AI这个话题聊起。不过我们是不是可以先明确一下， FactoryView到底是什么？它能给制造商带来哪些实际价值？ 

Michael：当然。FactoryView属于我们SmartFactory报表解决方案（SmartFactory Reporting）的一部分。它通过对工厂运行状态及关键绩效指标（KPI）的实时可视化呈现，帮助制造组织监控最关注的核心运营指标，并确保规划与排程目标在整个制造组织内保持一致。理想情况下，它应作为一套面向日常运营的决策支持系统，帮助制造团队提升资源利用效率，聚焦并处理影响晶圆厂运行的关键问题区域。

Sam：明白了。那这套系统是预设好的固定报表，还是说用户可以自定义运营看板内容？ 

Michael：看什么内容，我们有预设。不过，客户也可以根据预设的瓶颈判定逻辑，来确定每个班次中哪些区域最需要关注。不同晶圆厂识别瓶颈的方法也不尽相同。报表的设计充分考虑了不同用户的视角：高层概览图主要面向制造经理或制造总监，而各个模块区域的视图则服务于相应的生产区域经理。

Sam：在这个系统里，“实时”具体是怎么定义的？ 

Michael：所谓实时，是指工厂的MES系统（制造执行系统）每发生一笔事务，这笔事务会立即被复制并显示在FactoryView应用中。跟这些事务关联的KPI指标也会同步刷新。比如说，一个批次从当前工序流转到下一道工序，这是一笔事务；设备宕机了，记录状态变化，这是一笔事务；设备恢复运行了，这也是一笔事务。所有与设备实时状态相关的报表，以及反映工厂内物料流转情况的关键指标，都会受到FactoryView实时特性的影响。

Sam：听起来确实很有价值。但说实话，这和制造组织中的工程团队（如制造运营工程师）使用其他工具自行开发定制化看板相比，到底有什么实质性的不同？ 

Michael：问得好！关键要理解一点：FactoryView不需要制造运营工程师、IT或开发人员去搭建和维护运营看板。它是开箱即用的，制造运营工程师或IT人员完全可以把它当作辅助决策、协调制造团队的工具。换句话说，就是把报表开发的工作从 IT和IE的职责中剥离出来，让他们能专注于利用数据为工厂做更优决策。另外想补充的是，大多数客户其实都有自己的工厂报表体系——他们都需要从宏观上掌握工厂的运行状态，朝着既定目标推进。但问题是，制作这些报表对负责这项工作的人来说相当繁琐，开发和维护都要花大量时间。而且这些报表往往分散在不同的团队或系统中，形成了数据孤岛，甚至存在信息缺口。说到运营报表，经常出现的情况是：好几张报表都在统计同一个KPI，但计算逻辑却不一致。更重要的是，有些报表是工厂原本没有、但FactoryView能提供的。其一大优势就在于，能够为晶圆厂运营报表提供一个统一、权威的“单一数据源”。

Sam：所以，我们是在做标准化和可扩展的事，并向客户提供他们过去并不具备的报表能力。不过我们再深入一点——相比现有的报表工具或自行开发的定制化看板，FactoryView到底能为团队带来哪些实质性的增益？ 

Michael：我们的解决方案是建立在多年为客户部署定制化报表的经验之上的，因此积累了大量的半导体行业特定需求。当向客户展示某个方案时，他们通常能获得新的洞察，比如发现一些原本没想过要追踪、但其实是源自业界最佳实践（Best Known Methods）。当客户参与到这一报表解决方案的产品路线规划中时，他们就能借鉴行业通用的报表方面的最佳实践，而不是仅仅依赖自己一直在用的那套指标体系。

Sam：听你这么介绍，FactoryView的价值已经非常清楚了。那我们来聊聊实际落地的问题——实施这类系统，最棘手的准备工作是什么？制造商应该提前考虑哪些方面才能确保顺利落地？ 

Michael：我建议先做好变更管理。制造团队多年来已经形成了自己的一套关键指标审视方式，而引入新系统可能会改变这种固有模式。每天的站会流程可能需要微调，要把新报表融入进去，团队也需要一个学习如何使用这套应用的过程。所以，前期必然会经历一个变更管理周期。除了变更管理，另一个非常关键的前期工作是验证指标。每次部署，我们都需要全面采集MES系统数据，确保应用能够适配客户需求，最关键的是要让每项指标的计算逻辑和客户定义完全对齐。

Sam：总结一下——变更管理能否成功，很大程度上取决于这个解决方案与现有系统的集成难易度，可以这么说吗？ 

Michael：没错。因为FactoryView与我们所有EngineeredWorks解决方案基于相同的通用数据模型，所以在这个方案中使用的许多输入数据以及所生成的工厂 KPI，都可以与其他解决方案实现共享。举个例子，我们计算排程所需的吞吐量统计数据，和FactoryView里用的是同一个口径。在FactoryView里显示为“运行”的设备，在排程解决方案里也同样被视为“运行”，而且设备清单也是完全一致的。实施这套报表解决方案，实际上也是在为后续部署排程解决方案打下很好的基础——因为报表所需的关键数据，排程系统也同样需要。这样就能有效缩短部署周期。

Sam：现在我对FactoryView有了更深入的了解，我们来聊聊 AI 吧。你能介绍一下，目前用户是如何使用 FactoryView 的吗？如果 AI 能够在这个过程中提供智能建议，那么用户的体验或最终结果会发生怎样的变化？ 

Michael：目前，用户需要手动监测并解读工厂的关键绩效指标（KPI）。他们会根据应用中看到的数据，决定在特定时间点应该关注哪个区域，或者将资源部署到哪里。当前决策仍主要依赖人工判断，而 FactoryView提供的是一个面向晶圆厂日常运营的决策支持平台，协助用户更高效地做出判断。而AI的真正价值在于提升决策本身的质量。人工决策往往会因为决策者未能掌握晶圆厂整体运行状态，而给产线引入更多不稳定性。比方说，操作员可能会非常专注于某个特定区域的特定问题，但他们并不清楚这种局部优化会对整座晶圆厂的绩效产生什么影响。理想的做法是，利用AI从全局审视工厂，并确定对整体最优的行动方案。这样才能避免那种有时会导致工厂运行效率低下的局部优化。

Sam：听起来，你希望AI能够通过实时的洞察和建议来主动引导用户，对吗？ 

Michael：没错。我认为可以先从提供类似建议开始，比如：“某区域的1号机台宕机了，如果优先恢复该设备，将能提升工厂整体吞吐量X%。”同时，系统还会给出决策背后的理由，比如：“基于接下来几小时即将进入该区的在制品数量，以及该设备过去一周的运行次数，我们预测如果能重启这台设备，工厂吞吐量将提升 X%。”

Sam：明白了——所以不仅仅是解释预测结果，还要提供可操作的建议。换个话题，你能谈谈 AI 如何预测的准确性吗？特别是在缺乏或没有历史数据可供参考的情况下。 

Michael：目前，FactoryView依赖统计方法，基于历史数据做出预测。当数据基础扎实时，效果不错。但如果数据有限或不可靠，比如晶圆厂导入新设备时，就会面临挑战。在这种情况下，传统统计方法的预测准确性会显著受限，因为没有足够的运行历史来做精准预测。而这正是AI的用武之地。它可以通过分析类似产品来生成合成数据，填补数据空白，从而提升预测的准确性。举个例子，在FactoryView中，有一张图表追踪每个批次从投入到出货的全流程。对于已完成的步骤，我们可以显示真实数据；但对于未来的步骤，目前只能依靠基于历史平均值的基础预测。这种方法对于几乎没有历史记录的新设备就失效了。而AI可以介入，做出更智能、更具上下文感知的预测——将预期在制品数量、设备性能以及类似产品的生产模式等因素都考虑进去。这将使系统更加可靠，尤其是在高度动态、快速变化的生产环境中。

Sam：明白了。现在我扮演一下怀疑论者。如果有人觉得他们需要的不是AI，而是更好的报表工具，你会怎么回应？我们如何证明AI带来的是本质上的不同？ 

Michael：我会说，在半导体工厂里，变量太多了，人类根本无法凭一己之力判断自己的决策是否最优。人们在晶圆厂里做出自认最优的决策时，常常会忽略掉很多变量；他们看到的只是所有变量中的一小部分。即便有报表能够呈现所有相关变量，人工也很难在有限时间内完成跨系统、跨流程的综合判断。

Sam：很有见地！我希望能继续聊下去，但最后我们还是来谈谈信任问题。如果用户连手动决策都难以完全信任，我们又如何帮助他们建立起对AI驱动型建议的信心呢？ 

Michael：在我看来，这需要采用一种分阶段的方法。首先，AI只是提出建议并解释其理由。这个阶段需要接受制造运营团队一定程度的审视和训练，因为总有一些AI尚未掌握的情况，需要从该团队的反馈中学习。一旦制造团队开始信任这些更加充分、更加全面的建议，晶圆厂就可以开始允许AI不仅提出建议，还能采取行动。例如，执行MES系统（制造执行系统）变更、处理自动化晶圆厂中的特定警报、调度自动物料搬运系统将物料运送到指定区域等等。

总结

FactoryView 作为面向日常运营的决策支持系统，助力半导体企业高效利用资源，精准定位并处理影响晶圆厂绩效的关键问题。借助AI技术，FactoryView将不仅能够识别影响晶圆厂的问题，还能提供优化建议，并在未来逐步实现从“识别问题”到“预测风险”，再到“自动化执行优化动作”的闭环运营能力。

作者简介

Samantha Duchscherer，全球产品经理

Samantha 是 SmartFactory AI™ Productivity、Simulation AutoSched™ 和 Simulation AutoMod™ 的全球产品经理。在加入应用材料公司自动化产品事业部之前，她曾担任博世工业4.0项目经理，并曾任数据科学家一职。早期她还曾作为研究助理任职于橡树岭国家实验室地理信息科学与技术组。Samantha 持有田纳西大学诺克斯维尔分校数学硕士学位，以及北乔治亚大学达洛尼加分校数学学士学位。

Michael Frenna，工作流自动化与工厂分析全球产品经理

在现任职位上，Michael 负责推动工作流自动化和工厂分析产品的路线图规划，以满足全球半导体客户不断增长的业务需求。在此之前，Michael 曾在半导体行业从事制造运营与系统优化工程工作，积累了深厚的专业经验，在一家 150mm/200mm 前道晶圆厂任职期间主导并推进了多项数字化转型和工业 4.0 相关项目。凭借对技术的热忱以及持续推动创新的使命感，Michael 目前正与全球各地的客户紧密合作，持续提升制造能力和运营效率。

关于应用材料公司 SmartFactory™ 解决方案

我们的综合解决方案助力半导体制造商增长生产效率，优化质量，提高产出，降低成本，减少风险以及提高良率。使用应用材料公司SmartFactory和SmartFactory Rx解决方案来助您量化KPI的影响。

关于应用材料公司

应用材料公司（纳斯达克：AMAT）是材料工程解决方案的领先企业之一，该领域是世界上几乎所有新型半导体和先进显示的基石。我们的技术对于推动人工智能发展和加速下一代芯片的商业化至关重要。在应用材料公司，我们不断挑战科学和工程的极限，致力于引领材料创新，驱动全球变革。