过去几十年，芯片性能的提升很大程度上依赖于晶体管不断缩小。但随着传统硅基芯片逐渐逼近物理极限，半导体行业正在寻找下一代材料和制造技术。有意思的是，AI不仅是这场技术变革的需求推动者，也可能成为下一代芯片的设计者。那么，当AI开始参与创造下一代AI芯片时，智能的发展会走向什么方向？接下来让我们回到ALIGNMENT 2026大会现场，观看这场Keynote的完整演讲。

接下来大约30分钟，我想介绍芯片如何由原材料制成，以及硅芯片之后超越硅材料的未来是什么样。之后我会介绍我们实验室尝试用AI来加速硅或半导体材料的发现与制备。先简单介绍一下我自己，我是Harry Wang，目前任Duke电气与计算机工程系助理教授。我本科毕业于上海交通大学，之后在MIT获得博士学位，在Caltech做了几年博士后，大约三年前在Duke建立实验室。

今天是“硅谷101”，我也想从“硅材料101”讲起，介绍一些基础知识：芯片究竟如何工作。首先我很喜欢这页幻灯片，它呼应了刚才的圆桌讨论。以前我们会说AI运行肯定需要芯片，训练、推理都需要；但在过去两三年里，大家会注意到硅和芯片相关产业蓬勃发展（至少股市表现如此）。我们也看到一些初创公司尝试用AI改进芯片设计等工作，因此这可以形成一个循环：AI需要芯片，芯片也需要AI。

但芯片是什么？芯片的基本组成单元又是什么？最底层的一切都是二进制，即使大语言模型和计算在今天已经非常复杂，但最底层仍然是0和1。那么芯片是如何工作的？基本单元叫transistor（晶体管），它很像水龙头：如果关闭gate（栅极），电子无法从source（源极）流向drain（漏极）；如果打开栅极让它导通，大家可以看到电子能从源极流向漏极。这就是最基本的单元，它从0变成1再从1变成0，实现今天基于芯片和AI的一切。

我们常讨论scaling law（规模定律），但它早已存在于硅和芯片领域。在半导体领域我们相信，如果在单块芯片上集成更多晶体管，芯片就更强大、性能更高。这里从单个晶体管开始，如果集成数十亿个晶体管就能形成一块功能强大的芯片。比如这个例子：NVIDIA Blackwell 300 AI处理器，单块芯片有2000亿个开关（也就是晶体管）。所以如果想要更好的芯片就要在单个器件中集成更多晶体管。

于是一个自然的问题出现了：如何把这么多晶体管装进一块芯片？这正是硅谷成功的起点。我们身处硅谷，它的名字就由此而来。Gordon Moore提出摩尔定律：把晶体管做得更小，让每个单元都尽可能小，就能在一定面积内容纳更多晶体管。这里回顾一下过去50年晶体管的发展：从微米尺度缩小到纳米尺度，结构也从平面发展到FinFET（鳍式晶体管），再到nanosheet（纳米片）结构，我们把结构堆叠在一起。

但最近出现了一些问题。目前我们有FinFET结构再将它堆叠起来，堆叠后又会出现其他问题，例如散热问题。这些界面产生的热量带来了挑战。我想介绍一下晶体管常见的一种失效模式：当晶体管缩小到很小的尺度时有时就会出现问题，就像家里的水龙头一样。如果材料很厚，电子有时并不只从这里流过；即使把它关闭，电子不直接从这里流过却能从下方流过。这叫leakage（漏电）。

漏电会消耗大量电力，造成电力浪费并产生热量。如果使用很厚的材料像这样，电子有时就能从下面流过；所以要把材料做得尽可能薄。材料薄了，我们就能关上这个“水龙头”：在关闭状态下电子无法流过，在开启状态下电子可以顺畅流过。我想介绍一些基本概念，也就是“硅材料101”或“半导体101”：每个单元越小越好，每个单元或半导体材料越薄越好。我们已经看到了这个趋势。

但我想让大家认识到硅材料目前有个大问题，我很担心。刚才圆桌上我们讨论融资可能有问题或仍能继续发展，但我想强调硅材料目前确实有问题。原因是我们无法无限缩小硅材料：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。最终大家可以看到，即使处于开启状态，电子流动也不再顺畅无法流过。当硅材料的尺度非常小时，作为科学家我们认为可能有下一代半导体。

我们称它为2D（二维）半导体，如graphene（石墨烯）以及MoS₂（二硫化钼）。石墨烯相关研究获得了2010年诺贝尔物理学奖，但相比之下二维半导体可以保持电子迁移率（也就是电子流动的能力），即使厚度低于5纳米也可以。大家可能会困惑，因为新闻里半导体行业总在说我们现在有2纳米节点、未来还有1纳米节点。为什么我刚才却说5纳米是极限？

我想说这里的节点数字目前都是名义上的节点名称。也就是说如果回顾半导体和晶体管的结构与历史，目前我们使用纳米片结构：将硅层堆叠起来。即使每层是7纳米，但你有3层，用7除以3大约就是2纳米。Intel早期也有类似情况：有Pentium 1、2、3，现在则有12核、14核。因为单个单元很难继续缩小所以行业决定增加堆叠。我想强调硅材料仍存在根本问题，它无法像其他二维材料那样做到极小的尺度。

但这些材料正如我所说只有一个分子层厚（这里展示的是两层）：有一个钼原子以及两个硫原子。这种材料的总厚度不到1纳米，大约是0.65纳米，但它仍能用作半导体。过去10年的学术研究表明用这种材料制造的单个器件比用硅制造的单个器件好得多。那么这种材料何时能进入手机和电脑成为真正的电子产品？这是TSMC的技术路线图：图中显示我们现在正从纳米片结构走向CFET（互补场效应晶体管），在不久的将来会走向二维过渡金属硫族化合物比如刚才展示的MoS₂。

大家可能会想：这种材料非常薄也能作为晶体管的沟道材料，问题在于如何高效地制备它。即使我们已有小片材料证明了单个器件性能很好，但正如刚才所说单块芯片需要数千亿个晶体管。在制备这些材料方面目前大学实验室和一些产业合作伙伴都在开展类似研究：我们采用CVD（化学气相沉积），使用两种precursor（前驱体）由气体携带制备出这种极薄的半导体材料在substrate（衬底）上。

问题是这种单层材料作为晶体管沟道时性能很好，但它和硅不同：我们用物理方法制备硅其纯度非常高达到“10个9”或“12个9”。也就是说在12英寸晶圆上如果检查每一个原子整片也只有一两个堆垛层错。但对于这种材料仍很难做到像硅一样完美：如果做不到像硅一样完美现有工业流程就需要改变。另外我还想提一下这种材料不只可用于半导体器件，我们实验室还开发了一些应用：我们发现把材料打印在柔性衬底上它就能对光作出响应。

大家看它就像尺蠖能朝一个方向移动，我和朋友开玩笑说这就是读博士：导师和学生说话时他们就稍微弯一下腰，我不和他们说话他们就躺平了。不过我们在移动我们一直在移动总不能一直弯着腰（有些管理者在笑看来你们懂我的意思）。大家可能会问这种材料看起来很神奇为什么还没进入手机、还没进入日常生活？问题可以用一个词概括：yield（良率）。

TSMC非常出色因为它的良率管理全球领先，Intel和Samsung在良率管理方面也很出色。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：你要在一块芯片上制造数千亿个晶体管但如何确保它们都能工作、确保一切正常运行？每个晶体管都能工作，TSMC在这方面做得很好。但对于新型二维半导体良率管理需要新的思路这是必须解决的问题。

回过头来看整个半导体行业我们仍依赖人工进行良率管理，至少还要靠人观察材料、查看缺陷判断材料好不好。大约两年前我们实验室开始研究能否用AI观察这些材料或识别材料的缺陷。昨天有一场精彩的演讲谈到用望远镜观察恒星等天体，那是在宏观尺度上观察世界；而在我们实验室如果要在纳米尺度开展工程研究就必须能观察尽可能微小的事物。

因此我们去年发表了一篇论文，我们称它为ATOMIC：我们使用AI也就是大语言模型控制显微镜让它观察这些纳米材料，对纳米材料进行表征并理解这些材料。这项工作是两年前完成的当时agent（智能体）的概念还处于早期阶段所以我们称它为工作流：我们用大语言模型控制显微镜，分割拍摄到的图像使用Meta的SAM（图像分割模型），然后使用无监督聚类。这是很基础的机器学习，别忘了机器学习是AI的起点：这样就能让AI理解这里有哪些材料、是否干净、有没有缺陷或者什么都没有。

大家可以看到这很有意思（现在它没反应了，也许该换成不基于硅的东西？看来是卡住了）。回到刚才的话题：我们能让显微镜自主执行科研任务，通过这种方式属于AI for Science的范畴或者说它提供了一套架构让AI观察半导体的制造过程。更重要的是我们发现这确实可行：当时人们还在质疑ChatGPT是否仍有很多幻觉（最近科研中不太常提到这个词但当时确实是个问题），我们验证了它确实可行。

用AI识别材料并最终对结果进行分类：只要观察这些材料，哪些是单层、哪些是多层的、哪些是裸露的硅、哪里什么都没有。我们发现这个模型表现很好（现在恢复了），与人眼识别相比模型的识别准确率达到99.7%。虽然延迟仍是个问题（人看一眼就能得到结果我们仍需要6秒），最近我们正在降低延迟效果相当不错。在某些任务中它甚至比人做得更好：看左边这张图如果让大家标出所有可能的MoS₂薄片，人有时只会标出这些红色区域但模型不仅能看到完整的薄片。

还能识别domain boundary（畴界），也就是不同晶畴之间的边界，这些边界其实也是一种缺陷。这里并没有什么诀窍：人只是凭视觉直觉判断但模型逐像素地分析。所以在某些特定任务中我想让大家相信AI确实可以比人做得更好。我们还测试了不同的半导体材料，例如这里展示的石墨烯（这种诺贝尔奖相关材料）以及各类二维半导体模型的表现都很好。

最重要的是我们甚至不需要训练它（你们能相信吗？）。我们不需要数据中心，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。即使我们教会了AI观察这些材料，我们距离真正制备出这些材料仍有很长的路要走。过去两年AI for Science（科研）非常重要，我想很快会发生转变：AI for Engineering（工程）可能会变得非常重要。我们认为对于这些新型半导体可以用AI加速材料发现并加速材料制备：我们已经看到AI很擅长提出假设和研究思路。

Google去年发布了Co-Scientist，也有AlphaEvolve这样的系统：AI能提出更多思路。但正如昨天AI for Science圆桌提到，实际开展物理实验并在现实世界中验证仍然非常困难。因此我们开展了这项工作：这篇论文刚刚发布就在四周前，我们实验室与Google DeepMind合作尝试采用Co-Scientist的架构将它引入物理世界和物理实验，实现端到端的验证与发现。

我简单介绍一下这项工作：Co-Scientist（科研协作者）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。我们还连接了实验仪器以及自己搭建的实验装置让AI来控制：现在它可以自己做实验（大约一年前有人说“Harry未来不用博士生了”，看到这项工作后我说“也许连教授都不用了”——因为AI的想法比我的还好那还要教授做什么？而且它还能自己写论文，也许我们都该去做数据中心了）。

这项工作能实现文献阅读、实验设计验证的端到端流程。更重要的是这段视频展示了它如何工作：Co-Scientist可以预测前驱体并生成可执行的实验方案，还能控制软件中的操作面板。目前仍然需要人参与：我们还要手动称量前驱体把它放进反应管然后密封起来。也许很快我们就能用机械臂替代这一步，但它已经能生成很好的配方：甚至我们在论文中非常有信心地认为有可能制备出新的半导体材料（这些材料此前从未被真正制备出来过，虽然理论上预测过但很难）。

对于常规的二维半导体例如刚才展示的MoS₂等结果也非常好。我们只需让AI控制仪器，它查阅文献然后得到实验结果。更重要的是我们发现：在学术界很多结果很难复现因为不同实验室的设备结构不同（我的实验室有这种炉子和管子但论文中用的是另一套装置）。我们发现AI在复现实验结果方面表现很好：我们把实验室的设备结构提供给AI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，效果非常好。

这里展示的就是输入是提示词和任务描述输出则直接来自定制仪器（这里有一个演示）。我一直催学生制备这些材料，我们实验室长期在制备这种材料而这些材料我也一直催学生：“能不能制备出来？”学生说“Wang博士我得先查文献可能要花几个星期”。后来有一天我说：“能不能试试大语言模型让它给个配方看看是否可行？”结果成功了。我就和学生开玩笑说：“以后你们甚至不用查文献了照着模型说的做就行。”这帮我省了好几个月，我一直催学生对我自己也是一种精神折磨。

这里展示的是AI可以在一次尝试中实现工业规模制造，也就是第一次尝试就成功（如果你想复现某项结果但用的是一套新装置AI就能节省你的时间加速材料发现和研究）。如果我们再往前走一步：已经能观察材料也能制备材料，那直接制造真正的芯片怎么样？这里的图像还没有发表。我们结合了这套显微镜系统：显微镜在观察我们制备的材料（这些材料不太理想，我们故意选了不理想的材料）。

大家看到很多黑点它们其实是缺陷。如果把材料给产业合作伙伴他们会说“这是垃圾根本不可能在上面制造芯片”。但如果使用我们的AI让AI来制造：AI会选择好的区域。传统方法中的晶体管结构都是一致的数量有数十亿个；但使用AI每个晶体管都可以不同。现在我们把AI连接到洁净室中的各类制造设备让它真正制造出芯片：虽然还不是数十亿的规模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，我们还发现让AI控制整个半导体制造流程能提高良率：这种材料原来的良率只有65.6%非常糟糕，但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（它就是最基础的芯片），良率提高了大约30%。我们认为这将彻底改变甚至颠覆整个未来的半导体制造行业，这是我的信念（最近我们成立了一家初创公司大约在一个月前：我们认为用AI颠覆半导体行业会很有意思）。

我们相信AI原生半导体制造会越来越重要，我们想探索yield intelligence（良率智能）或lab-to-fab（实验室到晶圆厂）的解决方案。也许我们还想建立一条小型试验线用于新型二维半导体。回到今天大家讨论的话题：你们的钱最终都流向NVIDIA，NVIDIA最终又得付给TSMC。归根结底制造这些芯片才是最花钱的，虽然我们谈AI、数据中心等等现在我给大家一个替代方案：它的成本更低。

AI已经能编写一些模型，最近很多人谈到RSI（递归自我改进）。我们想补上缺失的一环：如何让AI制造自己的大脑？这非常重要。这里展示了一个飞轮：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。也就是说模型和芯片最终能够结合在一起，类似于我们的生物大脑（比如我们的思维和大脑从来都不分离）。但目前模型和芯片在某种程度上是分离的。

如果把芯片和模型结合起来用模型制造芯片再用芯片运行模型，我认为这是一种新的生命形态。也许可以称为硅基生命的新形态随你怎么称呼：这可能就是下一步（从传统AI开始接下来有RSI，也许可以把它称为超级智能。最近SI似乎比AI更受青睐）。如果把制造芯片也纳入其中我认为这可以是一种新的智能。既然还没人给它命名也许我可以起个名字让它重新回到AI：Autogenic intelligence（自生成智能）。这样又回到了AI完成了这个闭环。

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，问题是它会走向哪里？作为教授我总会思考。我想借用一个概念：它在1916年被提出距今已有100多年，叫carcinization（蟹化）。什么意思呢？人们发现无论哪种海洋动物经过数百万年都会变成螃蟹。比如你有一条鱼，数百万年后变成螃蟹（可能是帝王蟹）；如果你有一只海龟，数百万年后比如会变成蓝蟹。

蟹化现象在大自然中已经存在了数百万年。所以我想给大家留一个问题：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？也许下次吃螃蟹时你们可以想想这个问题，也许你吃的是非常聪明的动物。我的演讲就到这里非常感谢大家。