十一月三日，英伟达发文提出AI定义晶圆厂的技术路径。它把四层东西串起来：GPU加速的求解器负责算得快，学习型物理模型负责不用每次从头算，AI智能体负责挑对工具，数字孪生负责把整座工厂的运行逻辑先复刻一遍。合作方给出的自测里，光刻仿真最高快十七倍，形貌仿真最高快三十五倍。
先进制程的容错窗口在收窄。线宽逼近物理极限之后，一个参数的微调会牵动薄膜厚度、刻蚀形貌、掺杂分布、应力状态一连串变量，良率的波动越来越难靠经验判断。
传统做法是跑高精度物理仿真、分析结果、比较方案，必要时安排真机投片。一轮下来常常数天，而真机实验更贵：一片试片要占用产线档期，材料、人力、机台折旧全算进去，失败一次的成本是六位数起步。
仿真存在的意义本来是替代实验，但仿真本身也很贵。多物理场耦合的方程组规模巨大，纯CPU跑一次要几小时到几天。于是工程师被迫少算多赌：只挑两三个方案验证，剩下的靠经验兜底。加速的价值就是把这个决策结构翻过来。
翻过来之后，稀缺的东西也换了。过去稀缺的是排队等算力，现在稀缺的是设计虚拟实验的能力：该扫哪些参数、用多大的格子、哪些变量固定。这套本事在传统仿真训练里恰恰最弱，因为过去根本没机会跑那么多次。
第一层是把稀疏直接求解器搬到GPU上。这类计算的特点是矩阵极稀疏、内存访问不规则，过去被认为不适合并行，近几年随着稀疏算子库成熟才开始迁移。
落地案例已经出现在商用软件里。多物理场仿真软件接入后，半导体制造相关仿真最高快十倍；材料设备厂商把求解器集成进自家的薄膜沉积仿真平台，相比纯CPU方案同样最高快十倍；西门子把光刻加速库集成进版图软件，关键光刻仿真负载最高快十七倍。
光刻这一项尤其关键，因为它直接决定电路图形能不能准确地印到硅片上。图形越细，光学邻近效应越强，需要反复做掩模优化与工艺窗口计算。这一步从数小时压到十几分钟，意味着工程师可以在投片前扫完几十种照明与掩模组合，而不是只试两三种。
有一个公开的自测数据更能说明量级：同一个化学机械抛光模型，改用两张GPU加速求解之后，耗时从十三小时四十四分降到两小时九分。绝对时间仍然不短，但性质变了，从隔夜任务变成当天可以再跑一轮。迭代次数从每天一次到每天四次，带来的差别比单次快多少更影响项目周期。
第二层是用机器学习去拟合物理规律。做法是用高精度仿真与产线数据训练一个代理模型，学习温度、压力、材料、电磁场、等离子体这些变量之间的映射关系。训练好之后，给一组新参数，它能在毫秒级给出预测，不必重跑完整方程。
数据上看，设备厂商的多物理场平台借助这套模型，形貌仿真最高快三十五倍；刻蚀设备厂商用它预测等离子体行为，原来需要数天的完整仿真变成毫秒级响应。刻蚀里的等离子体涉及电磁场、化学反应与热传导的强耦合，是传统仿真里最费时的一段。
但代理模型有个绕不开的前提：它只在训练数据覆盖的工况内可信。工艺一改、设备一换代、甚至换了批次的气体，模型就可能悄悄失真，而且失真的方式往往很安静，输出看起来依然合理。所以这套东西真正难的不是训练，是决定什么时候必须回退到全物理仿真复核一遍。
这件事最难自动化，也最离不开人。置信区间怎么划、漂移怎么监测、回退的门槛定在哪里，都需要工艺工程师与算法工程师一起定。买软件买不到这套规矩，它只能在自己的产线上一条条磨出来。这也是为什么同样买了工具，有的厂能提速，有的厂只得到一堆跑得很快但不敢用的结果。
第三层是数字孪生。材料设备厂商正在基于实时渲染与仿真库构建整座晶圆厂的虚拟副本，用来模拟物料流动、发现瓶颈、验证布局与运营策略，确认之后再动真实产线。这一步贵在建模，一座真实工厂的管路、机台、物流路径要一条条对齐，买不到现成的。
第四层是智能体。日本测试设备厂商用智能体自动为任务挑选合适的模型与参数，把原本需要数小时的流程压到数分钟。这一层看起来最轻，实际最贴近日常：工程师面对几十个模型和上百个参数组合，选错一次就白跑一天。
英伟达自己的概括是模型负责算得快、智能体负责选得对、孪生负责看得全。三者是递进关系，缺一层，效率提升就卡在那一层。只加速求解器，决策数量上不去；只有代理模型，容易在边界工况上出错；只有孪生，没有快速仿真支撑，孪生也只是个漂亮的三维模型。
这些提速数字全部来自厂商自测与官方博客，测试条件与基准并不统一，跨平台横向比较并不严谨。三十五倍是形貌仿真单项的峰值，不代表整条工艺流程的整体提速；十倍、十七倍也各自对应特定的负载。
还有一个容易被忽略的换算。一次仿真从十三小时四十四分压到两小时九分，听着是六倍多，但对工程师的意义不是“省了十一小时”，而是“当天能再跑一轮”。迭代次数从每天一次变成每天四次的差别，比单次快多少更影响项目周期。
国内这条赛道也在跟进。有国产CAE厂商披露，前三季度物理AI产品线收入约一千五百万元，占总营收不到一成，同时发布了面向仿真流程的智能体与世界物理模型。体量还小，但方向一致：把仿真从算结果的工具，变成设计虚拟实验的平台。对从业者来说，值钱的能力正在从“会用求解器”转向“会设计实验、会判断模型什么时候不可信”。