半导体制造引入AI，哪些技能会变得重要？

近期，三星电子与法国AI公司Mistral AI签署战略合作协议，计划结合半导体技术和制造数据开发专有AI模型，并逐步应用于数据分析、缺陷预测和工艺优化。消息提到，这一合作旨在缩短开发时间、提高制造效率和质量。

对求职者而言，这释放了一个信号：AI正在进入半导体制造的核心环节，但并非取代工艺知识，而是与之结合。那么，哪些技能会变得重要？从应用场景看，缺陷预测需要理解图像识别和异常检测，工艺优化需要掌握回归分析和优化算法，数据分析则要求熟悉统计方法和数据清洗。因此，具备数据分析基础、了解机器学习基本概念（如分类、聚类）的工艺工程师，可能更容易适应这种变化。但请注意，这并不意味着所有岗位都要求会写模型，更多是要求能与数据科学家协作，理解模型输出并转化为工艺调整。

工艺工程师如何补充AI知识而不偏离主业？

如果你是工艺或制造工程师，想跟上趋势，建议优先学习与工艺数据相关的机器学习应用，而非通用AI开发。例如，可以学习如何用Python处理设备日志数据，或了解常见的缺陷检测模型（如卷积神经网络）的原理，但不必深入模型训练细节。

一个假设场景：你在做刻蚀工艺，发现某批产品的缺陷率上升。传统做法是手动检查参数，而AI辅助下，你可以用历史数据训练一个模型来预测缺陷概率。这时，你的核心价值在于理解哪些参数（如气体流量、温度）可能相关，而不是写模型代码。因此，学习重点应放在数据解读和问题定义上，而不是成为算法专家。

同时，保持工艺专业优势至关重要。AI模型需要高质量的工艺数据，而只有懂工艺的人才能判断数据是否可靠、特征是否有效。所以，建议你继续深耕工艺知识，再补充一门机器学习基础课程（如吴恩达的《机器学习》），并尝试用实际数据做小项目，比如分析一段时间的良率数据，找出相关性。

求职时如何判断公司在AI+制造的真实进展？

面试时，你可以通过提问来判断公司是否真正落地AI，而非停留在合作层面。例如，问“贵公司在缺陷预测方面有哪些具体应用案例？”或“AI团队和工艺团队如何协作？”如果对方能举出实际场景，说明已有实践；如果只是说“我们正在探索”，可能还处于早期。

另外，关注公司的数据基础设施。AI应用需要大量历史数据，如果公司连数据采集和存储都不完善，那么AI落地可能尚远。你可以问“目前工艺数据是如何管理的？是否方便用于分析？”这类问题能帮你评估实际环境。

最后，不要被“AI+半导体”的宏大叙事迷惑。三星与Mistral的合作是战略层面的，具体效果尚未验证。求职时，应核查目标岗位的职责描述，看是否真的涉及数据分析或模型应用，而不是只看公司宣传。

一个实际可做的小建议：在投递简历前，找到目标公司近一年的技术博客或专利，看看他们是否在工艺优化或缺陷检测上有AI相关产出。这能帮你判断其真实方向，也能在面试中展示你的主动性。