硅基极限与摩尔定律的物理困境

芯片性能的提升在过去几十年中主要依赖于晶体管尺寸的缩小，但随着硅基材料逼近物理极限，半导体行业正面临严峻挑战。芯片的最底层逻辑是二进制（0和1），其基本工作单元是晶体管，它像水龙头一样控制电子从源极流向漏极。根据摩尔定律和规模效应，在单块芯片上集成更多晶体管能显著提升性能。例如，NVIDIA Blackwell B200 AI处理器单块芯片就集成了2000亿个晶体管。为了容纳这些单元，行业通过不断缩小尺寸（从微米到纳米）和改变结构（如FinFET、Nanosheet堆叠）来延续发展。

然而，硅材料在5纳米以下的尺度面临根本性失效问题。当晶体管缩小到极小尺度时，即使栅极关闭，电子仍可能从下方穿过材料，产生漏电（Leakage）现象。这不仅浪费电力，还会导致严重的散热问题。“如果硅材料从较大的尺度缩小到5纳米以下，电子的迁移率和速度就会下降”。目前的行业节点名称（如2nm、1nm）多为名义上的营销概念，实际是通过堆叠硅层来模拟更小节点的效果。但硅材料无法像其他二维材料那样保持极薄状态下的电子迁移率，这迫使科学家寻找下一代半导体材料。

二维半导体的潜力与制备挑战

为突破硅的物理极限，学术界和工业界将目光投向了二维（2D）半导体材料，如石墨烯和二硫化钼（MoS₂）。这类材料的厚度仅为一个分子层级别。以二硫化钼为例，其结构包含一个钼原子和两个硫原子，总厚度约为0.65纳米。尽管极薄，但研究表明用这种材料制造的单个器件性能远优于硅基器件。“即使厚度低于5纳米也可以”保持电子流动能力，解决了漏电和散热问题。台积电（TSMC）的技术路线图也显示，未来将从纳米片结构过渡到互补场效应晶体管（CFET），并最终采用二维过渡金属硫族化合物。

尽管材料性能优越，但其大规模工业化应用面临巨大的良率（Yield）挑战。硅材料的纯度极高（达到“12个9”），缺陷极少；而二维材料在制备过程中很难做到同等完美，存在堆垛层错等缺陷。目前半导体行业仍高度依赖人工进行良率管理，通过肉眼观察材料来判断优劣。“任何半导体企业如果想在行业里占据一席之地，良率管理都非常重要”。对于新型二维材料，传统的工业流程无法直接适用，需要新的思路来确保数千亿个晶体管中每一个都能正常工作。目前大学实验室和产业合作伙伴正在通过化学气相沉积（CVD）等技术尝试制备这些材料，但如何高效、高良率地生产仍是未解之谜。

AI驱动的材料表征：ATOMIC系统

为了解决二维材料制备中的良率和缺陷识别难题，Duke大学Harry Wang教授实验室开发了名为ATOMIC的AI系统。该系统利用大语言模型（LLM）控制显微镜，对纳米材料进行自主观察、图像分割和缺陷识别。研究团队使用Meta的SAM（图像分割模型）和无监督聚类技术，让AI理解材料状态。“我们使用大语言模型控制显微镜，让它观察这些纳米材料……这样就能让AI理解这里有哪些材料”。这一工作属于“AI for Science”范畴，旨在通过自动化流程替代人工肉眼观察。

实验结果显示，该AI模型在材料识别上的准确率达到了99.7%。虽然目前存在约6秒的延迟，但其在特定任务上表现优于人类专家。“与人眼识别相比，模型的识别准确率达到99.7%……在某些任务中它甚至比人做得更好”。例如，在识别二硫化钼薄片时，人类往往只能标出完整区域，而AI能逐像素分析并识别出畴界（Domain Boundary）——即不同晶畴之间的边界，这本身也是一种缺陷。该系统无需庞大的数据中心训练，仅通过搭建智能体系统和编写提示词即可运行。“我们甚至不需要训练它……只需搭建智能体系统并编写提示词就能让它服务于我们的应用”。这证明了AI在纳米尺度材料表征中的可行性和高效性。

AI加速实验：Co-Scientist与端到端验证

除了材料观察，AI还被用于加速新材料的发现与制备。Harry Wang实验室与Google DeepMind合作，引入了Co-Scientist（科研协作者）架构。该系统不仅能进行文献综述和提出假设，还能制定实验计划并控制物理仪器。“Co-Scientist现在不只能做文献综述，它可以提出想法还能制定实验或执行计划”。通过连接实验室设备，AI实现了从文献阅读、方案设计到物理验证的端到端流程。

在实际测试中，AI成功预测了前驱体配方并生成了可执行的实验方案。研究人员只需手动称量材料放入反应管，后续步骤由AI控制。“它已经能生成很好的配方……有可能制备出新的半导体材料”。更令人惊讶的是，AI在复现实验结果方面表现优异。“我们发现AI在复现实验结果方面表现很好……让它查阅文献然后看看能否生成专用配方用在我的定制仪器上”。由于不同实验室设备结构差异导致复现困难，AI能根据特定装置生成定制配方，节省了大量时间。在一次实验中，学生原本需要几周查阅文献和尝试的材料制备，AI在几次提示后直接给出了成功配方。“结果成功了……这帮我省了好几个月”。这表明AI不仅能加速发现，还能解决工程复现中的痛点。

从材料到芯片：AI原生制造与良率飞跃

在掌握材料表征和制备后，研究团队进一步尝试让AI直接参与芯片制造。通过结合显微镜观察系统和洁净室设备，AI能够选择材料中的优质区域进行晶体管构建。“传统方法中的晶体管结构都是一致的……但使用AI每个晶体管都可以不同”。虽然目前仅集成了千级规模的晶体管，但这被视为重要的起点。“我们仍能集成千个级别的晶体管……我们认为这是一个很好的开始”。更重要的是，AI介入显著提升了良率。

实验数据显示，使用这种二维材料的原始晶圆良率仅为65.6%。然而，通过AI筛选优质区域并优化制造流程，最终得到的晶体管阵列良率提高了约30%。“这种材料原来的良率只有65.6%……基于这种低良率的材料我们仍能得到高良率的晶体管阵列”。这一突破意味着AI原生半导体制造可能颠覆传统行业。“我认为这将彻底改变甚至颠覆整个未来的半导体制造行业”。基于此，团队成立了一家初创公司，致力于开发“良率智能”和从实验室到晶圆厂（Lab-to-Fab）的解决方案，探索建立小型试验线以生产新型二维半导体芯片。

自生成智能与硅基生命的未来闭环

Harry Wang教授提出了一个关于AI与芯片关系演进的宏大愿景：从“AI需要芯片”到“芯片也需要AI”，最终形成自生成智能（Autogenic Intelligence）的闭环。目前，模型和芯片是分离的；但如果AI能设计并制造自己的大脑（芯片），而芯片又能运行和训练更强大的模型，两者将紧密结合。“如果把思维和大脑也就是芯片和模型结合起来就有了新的生命形态”。这种结合类似于生物体中思维与大脑的关系，可能催生一种新的智能形式。

这一过程被描述为一个飞轮效应：AI设计芯片 -> 制造芯片 -> 芯片训练更强大的AI。“如果AI能设计芯片能制造芯片芯片又能训练AI中间有数据连接就能形成更高效的飞轮”。教授借用生物学中的“蟹化（Carcinization）”概念——即不同海洋生物在进化中趋同变成螃蟹形态，来比喻AI与芯片融合后的未来走向。“你们认为AI加上芯片会走向分化还是趋同……这种硅基生命形态也会有一种螃蟹形态吗”。这引发了对技术终极形态的哲学思考：当智能体能够自主进化其硬件基础时，它将走向何种演化路径？

结论

本演讲详细阐述了半导体行业在硅基物理极限面前的困境，以及二维材料作为替代方案的潜力与挑战。通过引入AI技术，Duke大学实验室在ATOMIC系统中实现了99.7%准确率的纳米材料缺陷识别，并与Google DeepMind合作利用Co-Scientist架构加速了新材料的配方发现与实验复现。更重要的是，AI介入制造流程使原本低良率（65.6%）的材料实现了约30%的良率提升，证明了AI原生半导体制造的可行性。最终，演讲提出了“自生成智能”的概念，认为当AI能够自主设计、制造并运行芯片时，将形成硬件与软件深度融合的新智能形态。这一闭环不仅解决了当前的良率和效率问题，更指向了半导体行业从“人工辅助”向“AI自主进化”的根本性转变。