凌晨3点，手机铃声刺破夜的寂静。老周从床上弹起来，值班手机屏幕上是光刻车间的紧急报警：Track涂胶单元报“光刻胶厚度偏低”，连续3片Wafer边缘异常。他从寮步镇骑车赶到FAB门口，换上bunny suit，花了15分钟过气闸。到达机台前，MES系统显示这台光刻Track在过去4小时里，光刻胶厚度已经从目标值下跌了8%——而他上周刚把涂胶Recipe的温度补偿参数手动改过。这不是设备坏了，而是“数据幽灵”在作祟：夜间温控波动没有实时同步到Recipe里，涂胶系统还在用白天的参数对付夜里的Wafer。他花了40分钟定位问题、更改参数、验证新批次，然后才敢在交接班记录里写下“已处理”三个字。这就是FAB工程师的日常——深夜的报警电话，是每一个半导体人真实的成人礼。

【AI质检实战】从Demo到产线：我踩过的5个坑，第3个最致命

一、FAB实战场景与问题

今天我们从这个问题出发，系统聊聊设备在FAB生产中的实战要点。

本文约4600字，含完整AI质检落地checklist代码。老板看了AI质检Demo拍板上线，结果产线准确率从95%掉到70%。这5个坑每个都是真金白银换来的。

<hr/>

2022年给老板演示AI视觉质检（AOI替代人工目检），实验室准确率95%，老板当场拍板全产线替换。上线首周准确率掉到70%，漏检3批不良品，客户投诉。

复盘发现：Demo用的是"精选干净图"，产线全是噪点/反光/模糊图；光照条件和Demo完全不同。

痛点：AI质检落地远比Demo难，环境/数据/集成每个环节都是坑。

图1：模型训练曲线，验证集准确率收敛到 95%+

坑1：数据偏差——Demo用干净图，产线脏图。解法：用产线真实图训练（不是实验室图）。

坑2：光照变化——产线光照波动导致模型失效。解法：光照归一化+多光照增强。

坑3（最致命）：域漂移——产线设备/产品微变，模型悄悄退化无人知。解法：持续监控+自动重训练。

坑4：误检成本——AI错杀良品=产线停摆。解法：人机协作（AI初筛+人工复核）。

坑5：集成脆弱——和MES/设备对接断链。解法：健壮接口+降级方案。

三、实战案例：某PCB外观质检落地

2023年重做AI质检：用产线3个月真实图（含噪点/反光）训练，准确率92%（vs Demo 95%但稳定）。

关键改进：域监控（每天抽检100片算准确率，<90%触发告警）；人机协作（AI判疑+人工复核，漏检归零）。

踩坑3（域漂移）教训：上线2月后产品换型，准确率悄悄掉到82%，靠监控发现重训练恢复。

图1：用真实产线数据训练后准确率回归92%

四、完整代码