專家對談：從?FactoryView（運營可視化）邁向智能決策支持

應用材料公司全球產品經理Sam與應用材料公司工作流自動化與工廠分析全球產品經理 Michael展開對談，探討FactoryView如何通過實時運營可視化、標準化指標體系以及可直接指導運營決策的洞察，推動晶圓廠運營方式的全面升級。此外，雙方還進一步闡釋了AI如何推動FactoryView從實時運營監控平臺，演進為面向晶圓廠的智能決策助理。

圖1：應用材料公司FactoryView工具通過先進的決策支持系統，推動工廠運營轉型

Sam：按照慣例，我還是想從AI這個話題聊起。不過我們是不是可以先明確一下， FactoryView到底是什么？它能給制造商帶來哪些實際價值？

Michael：當然。FactoryView屬于我們SmartFactory報表解決方案（SmartFactory Reporting）的一部分。它通過對工廠運行狀態及關鍵績效指標（KPI）的實時可視化呈現，幫助制造組織監控最關注的核心運營指標，并確保規劃與排程目標在整個制造組織內保持一致。理想情況下，它應作為一套面向日常運營的決策支持系統，幫助制造團隊提升資源利用效率，聚焦并處理影響晶圓廠運行的關鍵問題區域。

Sam：明白了。那這套系統是預設好的固定報表，還是說用戶可以自定義運營看板內容？

Michael：看什么內容，我們有預設。不過，客戶也可以根據預設的瓶頸判定邏輯，來確定每個班次中哪些區域最需要關注。不同晶圓廠識別瓶頸的方法也不盡相同。報表的設計充分考慮了不同用戶的視角：高層概覽圖主要面向制造經理或制造總監，而各個模塊區域的視圖則服務于相應的生產區域經理。

Sam：在這個系統里，“實時”具體是怎么定義的？

Michael：所謂實時，是指工廠的MES系統（制造執行系統）每發生一筆事務，這筆事務會立即被復制并顯示在FactoryView應用中。跟這些事務關聯的KPI指標也會同步刷新。比如說，一個批次從當前工序流轉到下一道工序，這是一筆事務；設備宕機了，記錄狀態變化，這是一筆事務；設備恢復運行了，這也是一筆事務。所有與設備實時狀態相關的報表，以及反映工廠內物料流轉情況的關鍵指標，都會受到FactoryView實時特性的影響。

Sam：聽起來確實很有價值。但說實話，這和制造組織中的工程團隊（如制造運營工程師）使用其他工具自行開發定制化看板相比，到底有什么實質性的不同？

Michael：問得好！關鍵要理解一點：FactoryView不需要制造運營工程師、IT或開發人員去搭建和維護運營看板。它是開箱即用的，制造運營工程師或IT人員完全可以把它當作輔助決策、協調制造團隊的工具。換句話說，就是把報表開發的工作從 IT和IE的職責中剝離出來，讓他們能專注于利用數據為工廠做更優決策。另外想補充的是，大多數客戶其實都有自己的工廠報表體系——他們都需要從宏觀上掌握工廠的運行狀態，朝著既定目標推進。但問題是，制作這些報表對負責這項工作的人來說相當繁瑣，開發和維護都要花大量時間。而且這些報表往往分散在不同的團隊或系統中，形成了數據孤島，甚至存在信息缺口。說到運營報表，經常出現的情況是：好幾張報表都在統計同一個KPI，但計算邏輯卻不一致。更重要的是，有些報表是工廠原本沒有、但FactoryView能提供的。其一大優勢就在于，能夠為晶圓廠運營報表提供一個統一、權威的“單一數據源”。

Sam：所以，我們是在做標準化和可擴展的事，并向客戶提供他們過去并不具備的報表能力。不過我們再深入一點——相比現有的報表工具或自行開發的定制化看板，FactoryView到底能為團隊帶來哪些實質性的增益？

Michael：我們的解決方案是建立在多年為客戶部署定制化報表的經驗之上的，因此積累了大量的半導體行業特定需求。當向客戶展示某個方案時，他們通常能獲得新的洞察，比如發現一些原本沒想過要追蹤、但其實是源自業界最佳實踐（Best Known Methods）。當客戶參與到這一報表解決方案的產品路線規劃中時，他們就能借鑒行業通用的報表方面的最佳實踐，而不是僅僅依賴自己一直在用的那套指標體系。

Sam：聽你這么介紹，FactoryView的價值已經非常清楚了。那我們來聊聊實際落地的問題——實施這類系統，最棘手的準備工作是什么？制造商應該提前考慮哪些方面才能確保順利落地？

Michael：我建議先做好變更管理。制造團隊多年來已經形成了自己的一套關鍵指標審視方式，而引入新系統可能會改變這種固有模式。每天的站會流程可能需要微調，要把新報表融入進去，團隊也需要一個學習如何使用這套應用的過程。所以，前期必然會經歷一個變更管理周期。除了變更管理，另一個非常關鍵的前期工作是驗證指標。每次部署，我們都需要全面采集MES系統數據，確保應用能夠適配客戶需求，最關鍵的是要讓每項指標的計算邏輯和客戶定義完全對齊。

Sam：總結一下——變更管理能否成功，很大程度上取決于這個解決方案與現有系統的集成難易度，可以這么說嗎？

Michael：沒錯。因為FactoryView與我們所有EngineeredWorks解決方案基于相同的通用數據模型，所以在這個方案中使用的許多輸入數據以及所生成的工廠 KPI，都可以與其他解決方案實現共享。舉個例子，我們計算排程所需的吞吐量統計數據，和FactoryView里用的是同一個口徑。在FactoryView里顯示為“運行”的設備，在排程解決方案里也同樣被視為“運行”，而且設備清單也是完全一致的。實施這套報表解決方案，實際上也是在為后續部署排程解決方案打下很好的基礎——因為報表所需的關鍵數據，排程系統也同樣需要。這樣就能有效縮短部署周期。

圖2：應用材料公司FactoryView工具通過 AI 賦能，提升晶圓廠運營決策效率與整體績效

Sam：現在我對FactoryView有了更深入的了解，我們來聊聊 AI 吧。你能介紹一下，目前用戶是如何使用 FactoryView 的嗎？如果 AI 能夠在這個過程中提供智能建議，那么用戶的體驗或最終結果會發生怎樣的變化？

Michael：目前，用戶需要手動監測并解讀工廠的關鍵績效指標（KPI）。他們會根據應用中看到的數據，決定在特定時間點應該關注哪個區域，或者將資源部署到哪里。當前決策仍主要依賴人工判斷，而 FactoryView提供的是一個面向晶圓廠日常運營的決策支持平臺，協助用戶更高效地做出判斷。而AI的真正價值在于提升決策本身的質量。人工決策往往會因為決策者未能掌握晶圓廠整體運行狀態，而給產線引入更多不穩定性。比方說，操作員可能會非常專注于某個特定區域的特定問題，但他們并不清楚這種局部優化會對整座晶圓廠的績效產生什么影響。理想的做法是，利用AI從全局審視工廠，并確定對整體最優的行動方案。這樣才能避免那種有時會導致工廠運行效率低下的局部優化。

Sam：聽起來，你希望AI能夠通過實時的洞察和建議來主動引導用戶，對嗎？

Michael：沒錯。我認為可以先從提供類似建議開始，比如：“某區域的1號機臺宕機了，如果優先恢復該設備，將能提升工廠整體吞吐量X%。”同時，系統還會給出決策背后的理由，比如：“基于接下來幾小時即將進入該區的在制品數量，以及該設備過去一周的運行次數，我們預測如果能重啟這臺設備，工廠吞吐量將提升 X%。”

Sam：明白了——所以不僅僅是解釋預測結果，還要提供可操作的建議。換個話題，你能談談 AI 如何預測的準確性嗎？特別是在缺乏或沒有歷史數據可供參考的情況下。

Michael：目前，FactoryView依賴統計方法，基于歷史數據做出預測。當數據基礎扎實時，效果不錯。但如果數據有限或不可靠，比如晶圓廠導入新設備時，就會面臨挑戰。在這種情況下，傳統統計方法的預測準確性會顯著受限，因為沒有足夠的運行歷史來做精準預測。而這正是AI的用武之地。它可以通過分析類似產品來生成合成數據，填補數據空白，從而提升預測的準確性。舉個例子，在FactoryView中，有一張圖表追蹤每個批次從投入到出貨的全流程。對于已完成的步驟，我們可以顯示真實數據；但對于未來的步驟，目前只能依靠基于歷史平均值的基礎預測。這種方法對于幾乎沒有歷史記錄的新設備就失效了。而AI可以介入，做出更智能、更具上下文感知的預測——將預期在制品數量、設備性能以及類似產品的生產模式等因素都考慮進去。這將使系統更加可靠，尤其是在高度動態、快速變化的生產環境中。

Sam：明白了。現在我扮演一下懷疑論者。如果有人覺得他們需要的不是AI，而是更好的報表工具，你會怎么回應？我們如何證明AI帶來的是本質上的不同？

Michael：我會說，在半導體工廠里，變量太多了，人類根本無法憑一己之力判斷自己的決策是否最優。人們在晶圓廠里做出自認最優的決策時，常常會忽略掉很多變量；他們看到的只是所有變量中的一小部分。即便有報表能夠呈現所有相關變量，人工也很難在有限時間內完成跨系統、跨流程的綜合判斷。

Sam：很有見地！我希望能繼續聊下去，但最后我們還是來談談信任問題。如果用戶連手動決策都難以完全信任，我們又如何幫助他們建立起對AI驅動型建議的信心呢？

Michael：在我看來，這需要采用一種分階段的方法。首先，AI只是提出建議并解釋其理由。這個階段需要接受制造運營團隊一定程度的審視和訓練，因為總有一些AI尚未掌握的情況，需要從該團隊的反饋中學習。一旦制造團隊開始信任這些更加充分、更加全面的建議，晶圓廠就可以開始允許AI不僅提出建議，還能采取行動。例如，執行MES系統（制造執行系統）變更、處理自動化晶圓廠中的特定警報、調度自動物料搬運系統將物料運送到指定區域等等。

總結

FactoryView 作為面向日常運營的決策支持系統，助力半導體企業高效利用資源，精準定位并處理影響晶圓廠績效的關鍵問題。借助AI技術，FactoryView將不僅能夠識別影響晶圓廠的問題，還能提供優化建議，并在未來逐步實現從“識別問題”到“預測風險”，再到“自動化執行優化動作”的閉環運營能力。

作者簡介

Samantha Duchscherer，全球產品經理

Samantha 是 SmartFactory AI™ Productivity、Simulation AutoSched™ 和 Simulation AutoMod™ 的全球產品經理。在加入應用材料公司自動化產品事業部之前，她曾擔任博世工業4.0項目經理，并曾任數據科學家一職。早期她還曾作為研究助理任職于橡樹嶺國家實驗室地理信息科學與技術組。Samantha 持有田納西大學諾克斯維爾分校數學碩士學位，以及北喬治亞大學達洛尼加分校數學學士學位。

Michael Frenna，工作流自動化與工廠分析全球產品經理

在現任職位上，Michael 負責推動工作流自動化和工廠分析產品的路線圖規劃，以滿足全球半導體客戶不斷增長的業務需求。在此之前，Michael 曾在半導體行業從事制造運營與系統優化工程工作，積累了深厚的專業經驗，在一家 150mm/200mm 前道晶圓廠任職期間主導并推進了多項數字化轉型和工業 4.0 相關項目。憑借對技術的熱忱以及持續推動創新的使命感，Michael 目前正與全球各地的客戶緊密合作，持續提升制造能力和運營效率。