半導體的未來：從新材料到新晶片，AI能否推動自身進化？｜矽谷101年度線下大會

Duke 大學助理教授 Harry Wang 認為，矽晶片的微縮已逼近物理極限，二維半導體是下一代溝道材料，而真正的瓶頸在良率——他主張讓 AI 直接控制顯微鏡與晶圓製造裝置，把良率從 65.6% 提升約 30%，最終形成「AI 設計並製造自己的晶片、晶片再訓練 AI」的閉環。這場約 29 分鐘的演講大部分時間花在半導體製程的基礎科普（電晶體如何開關、為何要變薄、為何漏電）與他實驗室的兩項工作：用大語言模型驅動顯微鏡表徵二維材料，以及與 Google DeepMind 合作把 Co-Scientist 接上實體實驗裝置；標題所問的「AI 能否推動自身進化」只在最後約五分鐘以「Autogenic intelligence（自生成智慧）」的概念出現。

Wang 的資歷讓這些主張有分量：上海交通大學本科、MIT 博士、Caltech 博士後，約三年前（即 2023 年前後）在 Duke 建立實驗室，研究二維半導體的製備與 AI for Science／Engineering。讀者從這場演講能拿到的核心資訊有三：矽之後的材料路線圖與它的良率障礙、AI 在材料表徵與配方生成上已被驗證的具體數字，以及一個關於「模型與晶片合一」的推測性框架——後者應被當作願景而非結論來讀。

矽的極限不是「節點數字」，而是 5 奈米以下的電子遷移率

Wang 的核心技術論點是：產業新聞裡的「2 奈米、1 奈米節點」是名義名稱，不是物理尺寸，真正的物理極限出現在矽溝道厚度低於 5 奈米時，電子遷移率與速度會下降，即使柵極開啟，電子也流不動。他用一個反覆出現的比喻解釋電晶體：它像水龍頭，gate（柵極）控制電子能否從 source（源極）流向 drain（漏極），開是 1、關是 0。材料越厚，關閉時電子仍會從下方漏過，這就是 leakage（漏電），既耗電又發熱，所以每個單元「越小越好、越薄越好」。

他對節點數字的拆解值得記住：目前主流的 nanosheet（奈米片）結構是把矽層堆疊起來，即使每層是 7 奈米，三層堆疊後「7 除以 3」大約就對應 2 奈米節點；Intel 從 Pentium 1、2、3 走到 12 核、14 核也是同一邏輯——單元縮不下去，就增加堆疊。這意味著摩爾定律的延續有一部分是靠結構工程而非純粹微縮在撐。

他引 TSMC 的路線圖說明產業時序：從 nanosheet 走向 CFET（互補場效電晶體），「不久的將來」再走向二維過渡金屬硫族化合物如 MoS₂。對比矽的純度——物理法製備可達「10 個 9」到「12 個 9」，12 吋晶圓上檢查每個原子也只有一兩個堆垛層錯——二維材料目前做不到這種完美度，而這正是既有工業流程必須改變的原因。

良率是二維材料進不了手機的唯一障礙

Wang 把「這種材料看起來很神奇，為什麼還沒進手機」壓縮成一個詞：yield（良率）。一顆晶片要裝進數千億個電晶體，任何半導體公司想在行業立足，良率管理都是門票；他點名 TSMC 的良率管理全球領先，Intel 與 Samsung 也很出色。但對新型二維半導體，良率管理需要新思路，而整個行業「至少還要靠人觀察材料、檢視缺陷、判斷材料好不好」。

他給出的量化錨點很具體：NVIDIA Blackwell 300 AI 處理器單顆晶片有 2000 億個開關（電晶體）。這個數字是他全場論證的支點——要在這種規模上保證每個電晶體都工作，人工目檢在物理上不可能，這才是 AI 介入的正當性來源，而不是「AI 很酷」。

大語言模型驅動顯微鏡，識別準確率 99.7%，且無需訓練

約兩年前（即 2024 年前後）實驗室啟動的工作，去年（2025 年）發表，他們稱之為 ATOMIC：用大語言模型控制顯微鏡觀察與表徵奈米材料。當時 agent（智慧體）概念還在早期，所以他們稱之為「工作流」。技術堆疊很樸素——LLM 控制顯微鏡、用 Meta 的 SAM 分割拍攝到的影象、再用無監督聚類分類，Wang 特別提醒「機器學習是 AI 的起點」。

結果分三層，一層比一層值得注意：

• 準確率：與人眼識別相比達 99.7%；延遲仍需約 6 秒（人看一眼即可），團隊正在壓縮。
• 超越人眼的任務：標註 MoS₂ 薄片時，人只會標出顯眼的紅色區域，模型逐畫素分析，能識別完整的薄片以及 domain boundary（疇界）——不同晶疇之間的邊界本身就是一種缺陷。
• 零訓練：不需要資料中心，只需搭建智慧體系統並編寫提示詞，就能服務他們的應用；模型對石墨烯與各類二維半導體同樣表現良好。

他坦言當時外界還在質疑 ChatGPT 的幻覺問題，這項工作的價值之一就是驗證了「確實可行」。這段也貢獻了全場最生動的插曲：材料印在柔性襯底上會像尺蠖一樣朝一個方向移動，他開玩笑說「這就是讀博士，導師和學生說話時他們就稍微彎一下腰，我不和他們說話他們就躺平了」——現場有管理者笑了。

從 AI for Science 到 AI for Engineering：AI 自己查文獻、出配方、一次成功

Wang 判斷重心正在轉移：過去兩年 AI for Science 很重要，接下來 AI for Engineering 會變得非常重要。他的觀察是 AI 已很擅長提出假設與研究思路（他舉 Google 去年發布的 Co-Scientist 與 AlphaEvolve 為例），但「實際開展物理實驗並在現實世界驗證」仍然非常困難——這正是他四周前（即 2026 年 9 月下旬）剛發布的論文要解決的事。

這項工作與 Google DeepMind 合作，把 Co-Scientist 架構引入物理世界：它不只能做文獻綜述，還能提出想法、制定實驗計畫、連線並控制實驗儀器與自建裝置，形成文獻閱讀、實驗設計、驗證的端到端流程。影片中它預測前驅體、生成可執行方案、操作軟體面板；仍需人工稱量前驅體、放入反應管、密封，他預計很快可用機械臂替代。

兩個結果特別有商業含義：

1. 新材料的可能性：他們在論文中相當有信心地認為，有可能製備出此前從未製備出來、僅被理論預測過的新半導體材料。
2. 跨裝置復現：學術結果難以復現，很大程度是因為各實驗室爐管結構不同。把自家裝置結構提供給 AI，讓它查文獻後生成專用配方，效果非常好——輸入是提示詞與任務描述，輸出直接來自定製儀器。他有個學生原本說「Wang 博士，我得先查文獻，可能要花幾個星期」，改用大語言模型出配方後一次成功，Wang 說這幫他省了好幾個月，「我一直催學生，對我自已也是一種精神折磨」。

他也留下那句自嘲式的判斷：「大約一年前有人說『Harry，未來不用博士生了』，看到這項工作後我說，也許連教授都不用了，因為 AI 的想法比我的還好，而且它還能自己寫論文。」

AI 原生製造：用「垃圾」材料做出高良率電晶體陣列

這是演講中最新、尚未發表的成果。他們把顯微鏡系統與潔淨室的各類製造裝置連線，讓 AI 直接在觀察到的材料上造晶片。實驗故意選了不理想的材料——滿是黑點（缺陷），Wang 說拿給產業合作夥伴會被回「這是垃圾，根本不可能在上面製造晶片」。

AI 的解法是放棄傳統「數十億個電晶體結構完全一致」的範式：它選擇好的區域，讓每個電晶體都可以不同。規模上還做不到數十億，但已能整合千個級別的電晶體，他稱之為「一個很好的開始」。關鍵數字是：這種材料原本良率只有 65.6%，在此基礎上仍能得到高良率的電晶體陣列，良率提高約 30%。

約一個月前（即 2026 年 9 月前後）他成立了一家初創公司，方向是 AI 原生半導體製造，探索 yield intelligence（良率智慧）與 lab-to-fab（實驗室到晶圓廠）解決方案，並可能建立一條針對新型二維半導體的小型試驗線。他的成本論證很直白：大家的錢最終流向 NVIDIA，NVIDIA 又付給 TSMC，「歸根結底，製造這些晶片才是最花錢的」。

flowchart TD
    A["AI 模型"] -->|"設計與製造"| B["晶片"]
    B -->|"訓練"| A
    A --> C["良率智慧 yield intelligence"]
    C --> D["lab-to-fab 試驗線"]
    D --> B
    E["二維半導體材料"] --> D

「自生成智慧」：把模型與晶片合一，補上 RSI 缺失的一環

演講最後五分鐘從工程轉向推測。Wang 指出當前模型與晶片是分離的，而生物的大腦與思維從不分離；如果能讓 AI 設計晶片、製造晶片、晶片再訓練 AI，中間以資料連線，就形成一個更高效的飛輪。他把這稱為補上 RSI（遞迴自我改進）缺失的一環——「如何讓 AI 製造自己的大腦」。

他給這個閉環起了名字：Autogenic intelligence（自生成智慧），讓它「重新回到 AI」，完成迴圈。若把思維與大腦（模型與晶片）結合，他認為這是一種新的生命形態，可稱為矽基生命的新形態。結尾他借用 1916 年提出、距今逾百年的 carcinization（蟹化）概念——海洋動物歷經數百萬年往往演化成螃蟹形狀，如魚變成帝王蟹、海龜變成藍蟹——把問題拋給聽眾：AI 加晶片會走向分化還是趨同，這種矽基生命也會有它的「螃蟹形態」嗎？「也許下次吃螃蟹時，你們可以想想這個問題，也許你吃的是非常聰明的動物。」

這部分應被讀作一個教授的思想實驗，而非可檢驗的預測：他沒有給出時間表、成本模型或技術路徑，且明確用「也許」「我認為」框定。真正的可追蹤訊號在別處——那家一個月前成立的公司、尚未發表的 AI 製造論文，以及 65.6% 到提升約 30% 這組數字能否在更大規模上重現。若良率智慧真能讓「不完美材料」產出高良率陣列，它衝擊的不只是材料科學，而是整個晶圓廠的資本支出邏輯與良率工程的人力結構；這也是為什麼他把 AI for Engineering 而非 AI for Science 稱為下一個重心。