30 秒看懂
在硅谷 101 Alignment 2026 大会上，杜克大学助理教授 Harry Wang 解释硅材料缩小的困难，以及二维半导体面临的制造和良率挑战。他介绍实验室的 AI 辅助显微镜、与 Google DeepMind 合作的实验，以及尚未发表的小规模制造演示，最后提出模型和芯片共同演化的设想。
- 1为什么需要薄材料Wang 用漏电与栅极控制解释人们为何关注薄半导体沟道。
- 2良率是制造难关有潜力的单个器件必须能够在大量晶体管中可靠地制造出来。
- 3AI 控制的显微镜ATOMIC 结合仪器控制、分割和聚类来检查材料。
- 4真实世界中的实验与 Google DeepMind 的合作把科学规划连接到实验仪器，同时保留人工步骤。
- 5尚未发表的制造原型Wang 介绍了在不完美材料上选择较好位置，制造小规模晶体管阵列的工作。
- 6关于反馈循环的设想他提出“自生智能”，描述 AI 和芯片可能共同演化的未来。
要点建议
- 二维半导体可以非常薄，但大规模生产均匀材料仍然困难。
- Wang 介绍了利用 AI 观察和分类材料及缺陷的显微镜流程。
- 实验室合作使用 AI 提出实验并与仪器交互，但部分物理步骤仍由人完成。
- Wang 展示了一种在不完美材料上选择制造位置的未发表原型，它还不是量产规模芯片。
- AI 与芯片制造之间的反馈循环是未来研究愿景，不是已经实现的自主系统。
按章节阅读整理后的全文
AI 与芯片的循环及半导体基础
Wang 介绍晶体管、缩放，以及 AI 与芯片研发的联系。
我想介绍芯片如何从原材料制造出来、硅之后可能出现什么，以及我们的实验室如何用 AI 加快半导体的发现和制造。核心想法是一个反馈循环：AI 需要芯片，芯片研发也越来越需要 AI。
先从半导体基础讲起。即便复杂的计算，底层也依赖二进制状态。晶体管像水龙头，栅极控制电子能否从源极流向漏极，让电路表示开和关。
在芯片中放入更多晶体管，可以提升芯片的能力。我以拥有数千亿个晶体管的 AI 处理器为例，说明长期以来的一个问题：如何在有限面积内容纳这么多开关。
半导体行业把晶体管尺寸从微米缩小到纳米，并从平面结构发展到 FinFET 和堆叠纳米片。但堆叠带来界面散热等问题，进一步缩小也让漏电和控制更加困难。
硅之后的材料
他讨论漏电、超薄材料，以及标称节点和实际物理尺寸的区别。
沿用水龙头的比喻，漏电就像阀门关闭后电流仍找到路径。更薄的沟道有助于控制：理想情况下，关闭时阻断电子，打开时让电子通过。这也是研究超薄半导体材料的原因之一。
我认为硅很难无限缩小：厚度极小时，载流子迁移率会下降。研究人员正在探索包括二硫化钼在内的二维材料，因为它们在极薄时仍可能保持有用的电子特性。
如果存在硅的物理极限，为什么厂商还会宣传 2 纳米或 1 纳米节点？现代节点名称是标称标签，并不直接等于每个结构的实际尺寸。堆叠结构也能提高密度，而不是无限缩小单个元件。
单层二硫化钼的厚度约为 0.65 纳米。研究已展示这种材料制成的单个器件具有潜力，但实验室中的成功晶体管并不等于可以量产的芯片。
材料与制造良率
他介绍材料生长、晶圆级质量，以及良率为何是核心挑战。
我展示了台积电的技术路线：从纳米片走向 CFET，并可能进一步采用二维过渡金属硫属化物。挑战在于如何可靠地制造材料，满足一枚芯片上大量晶体管的需求。
实验室的一种方法是化学气相沉积：气态前驱物发生反应，在基底上生长极薄的半导体。它可以作为晶体管沟道，但要在晶圆尺度达到硅材料那样的均匀度和纯度很困难。
实际问题是良率。芯片可能包含大量晶体管，制造过程必须让它们可靠工作。我认为，新的二维半导体需要针对其缺陷和工艺设计良率管理方法。
AI 辅助显微镜
实验室利用仪器控制和图像分析检查材料并识别缺陷。
传统流程中，人需要检查材料和缺陷。大约在演讲前两年，我们的实验室开始研究 AI 能否帮助观察和分类这些微小结构，起点是显微镜。
我们把已发表的工作称为 ATOMIC。语言模型帮助控制显微镜，图像分割和聚类再识别拍摄图像中的特征。目标是区分有用材料、缺陷、裸露基底和其他区域。
我介绍说，系统能识别单层和多层材料，并对观察结果分类。幻灯片给出的单层 MoS₂ 像素级准确率为 99.7%，每个视野约需 6 秒；我指出延迟仍是问题，我们正在降低延迟。
在一个例子中，人标出可见的材料薄片，而模型还能识别作为缺陷的畴边界。我认为逐像素分析是原因之一，也强调这只是特定任务中的结果，并不代表所有科学判断。
我们还尝试了石墨烯和其他二维半导体。我介绍说，这些实验使用通用系统和提示来适配任务，而不是为每种材料都重新训练一个模型。
AI 设计实验
他介绍把科学规划连接到实验仪器的合作，并说明仍需人工参与。
观察材料只是问题的一部分，研究人员还必须制造材料。我预计，除了 AI for science，AI for engineering 也会越来越重要，尤其是在想法必须通过真实实验检验时。
我们的实验室与 Google DeepMind 合作，将 co-scientist 方法扩展到真实实验。系统可以查阅文献、提出想法、生成实验计划，并与实验设备交互以检验方案。
当前流程还不是完全自主的。在演示中，人仍需称量前驱物、放入反应管并封好。我认为机械臂未来可能协助这些物理步骤，但那仍是设想。
系统为已知二维材料生成了实验配方，我们的论文也探索能否生长理论预测但尚未制造出的材料。后者是研究方向，并非已经证明具备的通用能力。
实验复现困难的一个原因是不同实验室使用不同的炉子、反应管和几何结构。我介绍了把本实验室的设备条件交给 AI，让它调整文献中的配方；我们在实验中看到了令人鼓舞的结果。
我回忆，曾让学生尝试生长两种材料，后来试用语言模型生成的配方。在这个例子里配方成功了，我认为它节省了时间。这是实验室案例，不代表生成配方总能一次成功。
从材料到芯片原型
他介绍尚未发表的小规模制造结果和可能的商业方向。
下一步的问题是，AI 能否不仅观察或生长材料，还能帮助制造芯片。我展示了一项当时尚未发表的工作：显微镜检查刻意选择的不完美材料，系统为制造晶体管挑选较好的区域。
这一流程不假定每个位置都同样适合，而是根据局部缺陷调整。我说原型连接了 AI 和洁净室设备，制造出数千个晶体管的阵列；这还是小规模起点，并非量产规模芯片。
幻灯片显示，原型把器件良率从 65.6% 提高到 94.4%，增加了 28.8 个百分点。我认为结果有潜力，但这项成果当时尚未发表，晶体管阵列也远小于工业芯片。
我提到近期成立的一家初创公司，以及良率智能、从实验室到工厂的工具和二维半导体试验线等计划。这些是拟议的商业方向，并不意味着该方法已经在工业规模部署。
共同演化的智能愿景
Wang 提出模型与芯片制造之间的设想性循环，并追问系统是否会趋同。
更长期的设想是一个飞轮：AI 帮助设计和制造芯片，而这些芯片再用于运行和训练 AI。我把这种可能的闭环称为“自生智能”。这是一项概念性提议，不是已经实现的自主系统。
我把这种模型与硬件的结合类比为心智与大脑的关系，并推测可能出现新的智能形式。这个类比旨在引出共同演化的问题，并不能证明芯片与模型组成的系统具有生命。
最后，我借“蟹化”这一类比提出问题：这样的系统会走向多样化，还是收敛到相似形态？这是对假设性未来的开放问题，并非证明所有不相关动物都会变成螃蟹的生物学结论。
