10月大会即将揭晓 | 普迪飞全新 Exensio Aurora 高可扩展架构，重塑半导体智造AI分析能力！

 

在将于10月15日至16日于加利福尼亚州旧金山举行的普迪飞（PDF Solutions）CONNECT 大会上，我们将展示并演示 Exensio Aurora——其 Exensio 分析解决方案的全新高可扩展架构。Exensio Aurora 专为处理 PB 级半导体制造数据而构建，并可在制造运营和供应链中安全部署智能体 AI（Agentic AI）。

 

在本篇博客中，普迪飞总经理兼研发负责人 Said Akar 分享了他对推动 Exensio Aurora 开发的四个重要问题的见解。

 

普迪飞如何持续将最新 IT 技术发展融入 Exensio？

为何半导体制造业必须超越传统 BI 工具？

支持在线与离线制造用例的价值何在？

如何在关键任务型工业应用中利用并增强 LLM 解决方案的能力？

 

问题一：普迪飞在半导体制造领域拥有 30 多年经验，推动 Exensio 解决方案架构演进至 Exensio Aurora 的背后原因是什么？

 

我们用 “演进” 来形容本次架构升级十分贴切，这正是普迪飞每隔数年就会开展的工作。

 

每隔数年，半导体行业都会出现新一轮亟待解决的技术挑战，同时也会涌现新技术、新机遇，为这些问题提供解决思路。

 

Exensio 平台始终遵循持续演进的升级思路，本次架构迭代并非首次技术升级。平台上一轮重大版本更新，重点优化数据存储与数据摄取架构，解决当时数据集规模快速扩张带来的存储、吞吐与摄取压力，完成关键的底层能力升级。

 

相较于以往迭代，本轮架构升级的驱动因素更为综合，不再局限于数据体量增长带来的压力，而是要求数据分析体系具备更高的自动化水平，并深度融合机器学习、人工智能技术。自动化、机器学习及人工智能相关技术取得进展，也让上述融合成为可能。

 

基于行业需求与技术趋势的双重变化，我们对 Exensio 整体架构进行了系统性升级。新架构不仅在存储层支撑超大体量数据，在分析层适配半导体数据独特的形态、规模及多样性。通过本次演进，平台实现分析流程自动化，深度集成机器学习、并行处理与AI分析能力。需求场景的迭代升级与前沿技术的落地成熟，共同推动 Exensio 完成此次重要的架构演进。

 

总结

Exensio Aurora 源于普迪飞每隔数年开展的架构演进。面对半导体数据在规模、形态与多样性上的新挑战，加之自动化与 AI 技术的发展，Exensio Aurora 旨在将海量数据处理能力与机器学习、并行计算及人工智能深度整合到分析流程中。
 

问题二：为何传统 BI 解决方案不足以分析半导体制造数据？
 

这是行业内较为普遍的技术问题。在数据存储与数据分析领域，现有工具与技术体系涵盖商业智能工具、数据库及各类存储架构，尽管多年来持续迭代优化，但它们都会对数据形态、特定行业的数据多样性做出预设假设，难以适配垂直行业的差异化数据特征。

 

半导体制造数据具备鲜明的行业特殊性，首要特征即为超大的数据体量。多数客户的实践反馈显示，半导体生产数据往往是企业内部规模最大的数据资产。

 

除此之外，极高的数据多样性是半导体数据的另一核心特质。半导体数据并非单一数据类型，而是由大量属性、结构差异显著的数据类别共同构成，不存在可覆盖全部场景的通用方案，需要整合多种解决方案，才能保障整套体系正常运行。

 

同时，半导体数据具备独特的数据形态，最典型的特征为数据结构“宽而浅”，这种特殊结构产生了专属的数据处理难点，对解析、运算与分析能力提出了特殊要求。通用型解决方案虽可勉强运行，但无法实现精准、高效的适配。

 

整体而言，只有充分认知半导体数据的多样性特征，精准把握不同类型数据的形态差异，才能真正实现高效的数据分析。

 

总结

传统 BI 与通用数据库通常基于对数据形态和多样性的特定假设进行设计，而半导体数据不仅体量庞大，更包含众多差异极大的数据类型，且常呈现"超宽但浅"的独特结构。因此，唯有深入理解半导体数据特征的专用架构，才能实现高效、可靠的分析。

 

问题三：在新的 Exensio 架构中，如何结合云端数据管理与在线实时解决方案？

 

我们在长期的客户合作中发现，客户在实施数据湖、湖仓一体等方案时，核心能力集中在离线数据分析场景，往往忽视生产边缘端的实时运行状态，涵盖晶圆厂、产线及封装车间等核心生产场景，这也是传统数据架构普遍存在的短板。

 

相较于传统割裂的部署模式，一体化集成架构具备显著技术优势。一套完整的系统可同时承载离线数据分析、数据湖、数据仓库能力，同时统筹管理边缘端解决方案，实现多场景协同运行。边缘端主要完成数据采集与设备控制，二者均可通过与离线分析集成得到优化，离线分析同样也能从中获益。

 

以数据采集为例，数据质量对分析至关重要，包括数据是否完整、是否准确、是否经过校验。在车间部署同一套集成系统，能够从源头改善上述各项指标，实现数据采集、控制与分析协同优化。

 

在设备控制层面，架构依托完善的反馈循环机制实现能力升级。通过离线数据分析训练、迭代优化的算法模型，可直接落地应用于产线设备控制，持续优化生产控制策略。同时，高质量、多元化的边缘采集数据，能够进一步夯实模型训练基础，丰富数据维度、完善数据内容，持续提升模型精度与适配性。

 

边缘端采集控制与离线数据分析的深度集成，是 Exensio 架构体系的核心组成部分。不采用集成系统也能够分别实现数据分析、边缘控制能力，但会出现场景割裂，整体落地难度要高得多。而一体化集成架构能够有效打通数据与业务壁垒，更高效地适配半导体智能制造的全流程数据应用需求。

 

总结

我们认为，仅聚焦离线分析而忽视晶圆厂等边缘端场景是一大短板。通过将云端离线分析与边缘端的数据采集、工艺控制进行一体化集成，可实现数据质量与模型策略的双向优化，形成从分析洞察到生产控制的闭环反馈。

 

 

问题四：机器学习已应用多年，在 Exensio 中我们如何支持包括 LLM 在内的多种 AI 方法？

 

 

大语言模型（LLM）能力持续迭代升级，行业普遍认可其强大的通用性与增长潜力，且整体性能仍在持续指数级提升。真正的核心问题，不在于 LLM 当下或是未来数月的能力水平，而在于作为供应商，我们能否在现有 LLM 基础之上做增强优化，无论 LLM 在任意时间节点达到怎样的能力。

 

幻觉在某种意义上就是一种创造力。我们希望系统具备创造力，但并非所有场景都需要。工业场景需要一套可控的 LLM 应用体系，既能发挥模型的创造性优势，又能在关键生产环节约束随机输出，保障业务严谨性。

 

这种场景化的精准调控无法通过通用方案实现，必须依托半导体垂直领域知识，区分不同业务场景对模型确定性与创造性的需求，实现精细化管控。

 

同时，通用LLM普遍存在输出稳定性差、可复现性弱、运行过程不透明的问题。相同输入在不同时段、不同模型版本下的输出存在差异，该特性不适用于标准化、高严谨度的工业生产场景。

 

工业级AI应用需要打破算法黑盒，实现结果可溯源、逻辑可解释、内容可编辑。保障模型输出的可重复性、可编辑性与可视化能力，是工业智能化落地的关键，也是Exensio架构的核心优化方向。

 

此外，半导体行业拥有大量专属领域知识与场景化业务逻辑，这类垂直专业内容，难以被通用LLM精准覆盖和理解。

 

对此，我们通过注入行业知识完成 LLM 多维度定制，同时强化可复现、可追溯、可视化能力，这也为系统赋予记忆能力。无论通用大模型如何演进，这套深度结合行业知识、安全可控的 AI 架构，都是半导体工业智能应用必不可少的基础。

 

总结

尽管 LLM 能力持续提升，但其固有的幻觉、非确定性及缺乏领域知识等问题，使其难以直接用于关键工业场景。Exensio 通过注入半导体领域知识、控制推理的创造性边界，并增强结果的可重复性、可见性与可编辑性，构建起工业级的 AI 增强层。