专家对谈：从 FactoryView(运营可视化)迈向智能决策支持

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。

图：应用材料公司FactoryView工具通过先进的决策支持系统，推动工厂运营转型

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。

图：应用材料公司FactoryView工具通过 AI 赋能，提升晶圆厂运营决策效率与整体绩效

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。