最近,某大型半导体制造企业H公司的产线人员小刘常常会遇到这样的抓狂处境——硅片产线质检图片数据部分文件夹无法打开,即使能查看的文件也需要等3分钟以上,严重影响质检效率。
订单生产急,产线不能停,存储系统升级成为头等大事。
![]()
在中国,半导体大硅片,由于制造难度大且壁垒高,市场份额长期被欧日韩厂商所占据,供需格局一直紧张。加强自主创新,实现硅片国产化替代是我国实现强国梦的重要一环。这其中,H公司是目前国内极少数能量产12英寸(300mm)大硅片的半导体材料企业,产品广泛应用于显示器件、人工智能、车联网、可穿戴设备等领域。
随着中国大陆晶圆产线越来越多,产能的急剧扩充带来了对关键原材料硅片的庞大需求。为此,H公司努力突破产业短板,不断扩大产能,在产品生产上精益求精。其中,涉及核心生产系统的存储系统成为关注的焦点。
产线扩充,海量产线数据存储难题凸显
作为高端制造行业,半导体硅片行业使用了大量高精密仪器设备,生产过程中通过中央信息系统发出指令由机台设备自动运行。针对集成电路先进微纳制程对硅片的需求,为制造无位错、无原生缺陷、超平坦和优良纳米形貌的12英寸硅片。H公司采用了大量智能制造设备和技术,如工业机器视觉设备、良率分析系统,随着产线规模的不断扩大,以图片为主的大量非结构化数据产生,随之而来的产线数据存储难题凸显:
存储空间不足:在生产过程中历经拉晶、成型、抛光、清洗、外延等5大工艺,其中为了确保每个流程质量合格,产线通过工业机器设备完成质检,质检系统产生亿级数量的小文件数据,随着产线产能的不断扩大,预计未来三年,文件数量将达到10亿级以上,数据容量将达到百TB级别。现有NAS存储架构扩容成本高、且无法满足未来存储性能线性扩展的要求,运维管理效率低。
数据无法共享:YMS(良率管理系统)需要更高性能的底层存储平台,确保对机台数据解析和数据复制的同步性。受限于当下NAS存储特性,不同产线、设备和系统之间数据无法打通,系统采用传统的FTP服务器作为中转,在应用间传递数据,文件数量受限,繁琐耗时。
数据检索不便:在进行产线质量追溯时,原有存储系统只能通过文件名查找方式进行检索;例如目前在清洗工艺个别工序产生的文件数量达亿级,导致该工序对应文件夹无法打开,严重影响生产效率。
权限控制缺失:原有存储系统无法根据产线不同用户进行多用户的数据读/写权限控制,存在数据安全风险。
各个击破,杉岩MOS破解数据存储难题
面对产线机台量测数据的存储挑战,H公司决定部署一套稳定、可靠、高性能的存储系统来保障产线生产的高质量运行。经过对比,在众多的服务商中,H公司选择了深耕软件定义存储领域多年、在智能制造行业有着丰富实践经验的杉岩数据,共同打造产线数据存储资源系统,实现产线生产的连续、高效和智能化升级。

图 H公司半导体硅片产线数据存储架构图
采用杉岩MOS海量对象存储产品,全分布式存储架构,容量和性能可随节点数量线性增长,支持百亿级别文件数量,确保多并发、高带宽和低时延读写。根据产线数据保存时间和访问性能要求,基于硅片行业质量体系要求,配置数据生命周期管理策略,将产线数据保存18个月后,自动归档到后端磁带库。
建立统一的图片数据存储和管理平台,满足众多产线设备同时保存数据的需求。数据在线统一管理,支持跨应用的数据迁移,自动将原有NAS存储的数据迁移到MOS集群,解决原有NAS方案的文件数量限制。
使用杉岩MOS智能数据处理解决方案,将各类机器视觉设备生成的数据文件根据解析信息进行标签化,自动生成时间戳、工艺、工序、文件类型等标签信息,质量回溯时可根据标签快速检索特定文件,提升检索效率和速度。
为不同产线、不同工种人员设置不同的“读写删查”权限,保障数据安全性。
成效显著:性能大幅提升,秒级检索,部署时间节省60%
H公司与杉岩数据合作,使用杉岩MOS海量对象存储,取得了以下收益:
(1)分布式存储系统支持百亿级文件存储,全面解决了原有NAS存储方案的文件数量限制,满足未来产线数据存储需求。增加产线或者接入新的存储业务,只需要增加服务器,不中断业务,与原有NAS存储部署时间相比节省60%。
(2)建立了统一的文件数据存储和管理平台,高效的跨应用的数据迁移,运维更简单高效。结合数据生命周期管理,降低存储整体成本。
(3)解决了原有的检索数据慢、部分文件无法查看的问题。内置元数据和标签检索机制,快速调阅指定文件,质量回溯检索性能提升百倍,检索性能从分钟级提升到秒级,降低了TCO。
(4)基于产线人员灵活设置“读写删查”权限,提升了数据安全性。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。