YT YouTube2Text

YouTube2Text → Transcripts → 半导体的未来：从新材料到新芯片，AI能否推动自身进化？｜硅谷101年度线下大会

半导体的未来：从新材料到新芯片，AI能否推动自身进化？｜硅谷101年度线下大会 — Transcript

by 硅谷101 · 640 words · 616 segments · language zh · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00过去几十年
0:00芯片性能的提升很大程度上依赖于晶体管不断缩小
0:05但随着传统硅基芯片逐渐逼近物理极限
0:08半导体行业正在寻找下一代材料和制造技术
0:11而有意思的是
0:13AI不仅是这场技术变革的需求推动者
0:15也可能成为下一代芯片的设计者
0:18那么当AI开始参与创造下一代AI芯片
0:22智能的发展会走向什么方向
0:24接下来让我们回到ALIGNMENT 2026大会现场
0:27观看这场Keynote的完整演讲
0:32接下来大约30分钟
0:35我想介绍芯片如何由原材料制成
0:41以及硅芯片之后
0:44超越硅材料的未来是什么样
0:47之后我会介绍我们实验室
0:50我们尝试用AI来加速
0:53硅或半导体材料的发现与制备
0:57先简单介绍一下我自己
0:59我是Harry Wang目前任助理教授
1:02在Duke电气与计算机工程系
1:04我本科毕业于上海交通大学
1:08之后在MIT获得博士学位
1:11在Caltech做了几年博士后
1:13大约三年前在Duke建立实验室
1:19今天是“硅谷101”
1:20我也想从“硅材料101”讲起
1:25介绍一些基础知识
1:27芯片究竟如何工作
1:30首先我很喜欢这页幻灯片
1:33它呼应了刚才的圆桌讨论
1:36以前我们会说
1:38AI运行肯定需要芯片
1:40训练、推理都需要
1:42但在过去两三年里
1:45大家会注意到
1:46硅和芯片相关产业蓬勃发展
1:51至少股市表现如此
1:53我们也看到一些初创公司
1:57尝试用AI
1:59改进芯片设计等工作
2:03因此这可以形成一个循环
2:05AI需要芯片
2:06芯片也需要AI
2:08但芯片是什么
2:09芯片的基本组成单元又是什么
2:13最底层的一切都是二进制
2:16即使大语言模型和计算
2:20在今天已经非常复杂
2:24但最底层仍然是0和1
2:28那么芯片是如何工作的
2:31基本单元叫transistor（晶体管）
2:34它很像水龙头
2:37如果关闭gate（栅极）
2:40电子无法从source（源极）流向drain（漏极）
2:43如果打开栅极让它导通
2:46大家可以看到电子能从源极流向漏极
2:50这就是最基本的单元
2:52它从0变成1再从1变成0
2:56实现今天基于芯片和AI的一切
3:01我们常讨论scaling law（规模定律）
3:04但它早已存在于硅和芯片领域
3:10在半导体领域我们相信
3:13如果在单块芯片上集成更多晶体管
3:16芯片就更强大、性能更高
3:20这里从单个晶体管开始
3:23如果集成数十亿个晶体管
3:27就能形成一块功能强大的芯片
3:29比如这里这个例子
3:32NVIDIA Blackwell 300 AI处理器
3:37单块芯片有2000亿个开关
3:40也就是晶体管
3:44所以如果想要更好的芯片
3:48就要在单个器件中集成更多晶体管
3:52于是一个自然的问题出现了
3:56如何把这么多晶体管
4:00装进一块芯片
4:01这正是硅谷成功的起点
4:07我们身处硅谷
4:09它的名字就由此而来
4:10Gordon Moore提出摩尔定律
4:16它的意思是
4:17把晶体管做得更小
4:20让每个单元都尽可能小
4:22就能在一定面积内
4:23容纳更多晶体管
4:28这里回顾一下
4:31过去50年晶体管的发展
4:35晶体管最初比较大
4:38后来不断缩小
4:39从微米尺度缩小到纳米尺度
4:42从平面结构
4:46FinFET（鳍式晶体管）
4:47再到nanosheet（纳米片）结构
4:50我们把结构堆叠在一起
4:52但最近出现了一些问题
4:55目前我们有FinFET结构
4:58再将它堆叠起来
4:59堆叠后又会出现其他问题
5:01例如散热问题
5:03这些界面产生的热量带来了问题
5:09我想介绍一下
5:13晶体管常见的一种失效模式
5:17当晶体管缩小到很小的尺度
5:20有时就会出现问题
5:21就像家里的水龙头一样
5:25如果材料很厚
5:28电子有时并不只从这里流过
5:31即使把它关闭
5:33电子不直接从这里流过
5:35却能从下方流过
5:38这叫leakage（漏电）
5:39漏电会消耗大量电力
5:43造成电力浪费
5:45并产生热量
5:47如果使用很厚的材料
5:50像这样厚的材料
5:52电子有时就能从下面流过
5:56所以要把材料做得尽可能薄
6:00材料薄了
6:02我们就能关上这个水龙头
6:04在关闭状态下
6:06电子无法流过
6:08在开启状态下
6:09电子可以顺畅流过
6:12我想介绍一些基本概念
6:17也就是“硅材料101”
6:19或“半导体101”
6:20每个单元越小越好
6:23每个单元或半导体材料越薄越好
6:28我们已经看到了这个趋势
6:29但我想让大家认识到
6:31硅材料目前有个大问题
6:35我很担心
6:36刚才圆桌上我们讨论融资
6:39可能有问题或仍能继续发展
6:41但我想强调
6:43硅材料目前确实有问题
6:46原因是我们无法无限缩小硅材料
6:52如果硅材料从较大的尺度
6:58缩小到5纳米以下
7:03电子的迁移率和速度就会下降
7:06最终大家可以看到
7:08电子流动不再顺畅
7:10即使处于开启状态
7:12电子也无法流过
7:14当硅材料的尺度非常小时
7:17所以作为科学家
7:20我们认为可能有下一代半导体
7:24我们称它为2D（二维）半导体
7:27如graphene（石墨烯）
7:29以及MoS₂（二硫化钼）
7:32石墨烯相关研究获得了
7:362010年诺贝尔物理学奖
7:40但相比之下
7:45二维半导体可以保持电子迁移率
7:50也就是电子流动的能力
7:53即使厚度低于5纳米也可以
7:57大家可能会困惑
7:58因为新闻里
8:01半导体行业总在说
8:03我们现在有2纳米节点
8:06未来还有1纳米节点
8:09为什么我刚才却说
8:115纳米是极限
8:13我想说这里的节点数字
8:17目前都是名义上的节点名称
8:20也就是说
8:21如果回顾半导体和晶体管的
8:25结构与历史
8:30目前我们使用纳米片结构
8:33纳米片结构将硅层堆叠起来
8:36即使每层是7纳米
8:39但你有3层
8:41用7除以3
8:42大约就是2纳米
8:45Intel早期也有类似情况
8:49有Pentium 1、2、3
8:52现在则有12核、14核
8:55因为单个单元很难继续缩小
8:59所以行业决定增加堆叠
9:02我想强调
9:06硅材料仍存在根本问题
9:08它无法像其他二维材料那样
9:10做到极小的尺度
9:14但这些材料正如我所说
9:16只有一个分子层厚
9:19这里展示的是两层
9:21这里有一个钼原子
9:25以及两个硫原子
9:27这种材料的总厚度不到1纳米
9:31大约是0.65纳米
9:34但它仍能用作半导体
9:38过去10年的学术研究表明
9:41用这种材料制造的单个器件
9:45比用硅制造的单个器件好得多
9:50那么这种材料何时
9:54能进入手机和电脑
9:56成为真正的电子产品
9:59这是TSMC的技术路线图
10:02图中显示我们现在
10:05正从纳米片结构
10:07走向CFET（互补场效应晶体管）
10:11在不久的将来
10:12会走向二维过渡金属硫族化合物
10:17比如刚才展示的MoS₂
10:21大家可能会想
10:24这种材料非常薄
10:29也能作为晶体管的沟道材料
10:32问题在于如何高效地制备它
10:37即使我们已有小片材料
10:40证明了单个器件性能很好
10:42但正如刚才所说
10:45单块芯片需要数千亿个晶体管
10:49在制备这些材料方面
10:51目前大学实验室
10:54和一些产业合作伙伴
10:57都在开展类似研究
10:59我们采用CVD（化学气相沉积）
11:02使用两种precursor（前驱体）
11:03前驱体由气体携带
11:06制备出这种极薄的半导体材料
11:10在substrate（衬底）上
11:13问题是这种单层材料
11:15作为晶体管沟道时性能很好
11:20但它和硅不同
11:22我们用物理方法制备硅
11:25它的纯度非常高
11:27达到“10个9”或“12个9”
11:29也就是说在12英寸晶圆上
11:32如果检查每一个原子
11:34整片也只有一两个堆垛层错
11:38但对于这种材料
11:39仍很难做到像硅一样完美
11:44如果做不到像硅一样完美
11:46现有工业流程就需要改变
11:50另外我还想提一下
11:54这种材料不只可用于半导体器件
11:57我们实验室还开发了一些应用
11:59我们发现把材料打印在柔性衬底上
12:04它就能对光作出响应
12:07大家看它就像尺蠖
12:09能朝一个方向移动
12:11我和朋友开玩笑说
12:13这就是读博士
12:14导师和学生说话时
12:16他们就稍微弯一下腰
12:17我不和他们说话
12:18他们就躺平了
12:20不过我们在移动
12:22我们一直在移动
12:23总不能一直弯着腰
12:28有些管理者在笑
12:30看来你们懂我的意思
12:31大家可能会问
12:34这种材料看起来很神奇
12:36为什么还没进入手机
12:39还没进入日常生活
12:41问题可以用一个词概括
12:44yield（良率）
12:46TSMC非常出色
12:48因为它的良率管理全球领先
12:52Intel和Samsung
12:53在良率管理方面也很出色
12:56任何半导体企业
12:59如果想在行业里占据一席之地
13:04良率管理都非常重要
13:06你要在一块芯片上
13:09制造数千亿个晶体管
13:13但如何确保它们都能工作
13:16确保一切正常运行
13:18每个晶体管都能工作
13:19TSMC在这方面做得很好
13:21但对于新型二维半导体
13:24良率管理需要新的思路
13:26这是必须解决的问题
13:30回过头来看整个半导体行业
13:36我们仍依赖人工进行良率管理
13:40至少还要靠人观察材料
13:43查看缺陷
13:45判断材料好不好
13:48大约两年前
13:51我们实验室开始研究
13:54能否用AI观察这些材料
13:58或识别材料的缺陷
14:01昨天有一场精彩的演讲
14:05谈到用望远镜观察恒星等天体
14:08那是在宏观尺度上观察世界
14:12而在我们实验室
14:13如果要在纳米尺度开展工程研究
14:15就必须能观察尽可能微小的事物
14:20因此我们去年发表了一篇论文
14:23我们称它为ATOMIC
14:24我们使用AI也就是大语言模型
14:27控制显微镜
14:29让它观察这些纳米材料
14:33对纳米材料进行表征
14:36并理解这些材料
14:40这项工作是两年前完成的
14:42当时agent（智能体）的概念
14:44还处于早期阶段
14:46所以我们称它为工作流
14:47我们用大语言模型控制显微镜
14:53分割拍摄到的图像
14:58使用Meta的SAM（图像分割模型）
15:00然后使用无监督聚类
15:02这是很基础的机器学习
15:05别忘了机器学习是AI的起点
15:08这样就能让AI理解
15:13这里有哪些材料
15:14材料是否干净
15:15有没有缺陷
15:16或者这里什么都没有
15:19大家可以看到这很有意思
15:22现在它没反应了
15:24也许该换成不基于硅的东西
15:31看来是卡住了
15:34回到刚才的话题
15:38我们能让显微镜自主执行科研任务
15:43通过这种方式
15:47属于AI for Science的范畴
15:51或者说它提供了一套架构
15:57让AI观察
15:59半导体的制造过程
16:03更重要的是我们发现这确实可行
16:09当时人们还在质疑
16:12ChatGPT是否仍有很多幻觉
16:17最近科研中不太常提到这个词
16:20但当时幻觉确实是个问题
16:22我们验证了它确实可行
16:25用AI识别材料
16:29并最终对结果进行分类
16:31只要观察这些材料
16:34哪些是单层材料
16:35哪些是多层材料
16:36哪些是裸露的硅
16:37哪些地方什么都没有
16:40我们发现这个模型表现很好
16:44现在恢复了
16:46这个模型表现很好
16:48与人眼识别相比
16:51模型的识别准确率达到99.7%
16:55虽然延迟仍是个问题
16:57人看一眼就能得到结果
17:00我们仍需要6秒
17:02最近我们正在降低延迟
17:04效果相当不错
17:06在某些任务中
17:09它甚至比人做得更好
17:11看左边这张图
17:14如果让大家标出
17:16所有可能的MoS₂薄片
17:21人有时只会标出这些红色区域
17:24但模型不仅能看到完整的薄片
17:28还能识别domain boundary（畴界）
17:32也就是不同晶畴之间的边界
17:35这些边界其实也是一种缺陷
17:38这里并没有什么诀窍
17:40人只是凭视觉直觉判断
17:44但模型逐像素地分析
17:49所以在某些特定任务中
17:51我想让大家相信
17:52AI确实可以比人做得更好
17:55我们还测试了不同的半导体材料
17:59例如这里展示的
18:03石墨烯这种诺贝尔奖相关材料
18:06以及各类二维半导体
18:09模型的表现都很好
18:10最重要的是
18:12我们甚至不需要训练它
18:14你们能相信吗
18:14我们不需要数据中心
18:16只需搭建智能体系统
18:19并编写提示词
18:21就能让它服务于我们的应用
18:27即使我们教会了AI
18:32观察这些材料
18:33我们距离真正制备出这些材料
18:35仍有很长的路要走
18:38过去两年
18:40AI for Science（科研）非常重要
18:42我想很快会发生转变
18:45AI for Engineering（工程）可能会变得非常重要
18:49我们认为
18:50对于这些新型半导体
18:52可以用AI加速材料发现
18:56并加速材料制备
18:59我们已经看到AI很擅长
19:02提出假设和研究思路
19:05Google去年发布了Co-Scientist
19:10也有AlphaEvolve这样的系统
19:16AI能提出更多思路
19:19但正如昨天
19:22AI for Science圆桌提到
19:24实际开展物理实验
19:27并在现实世界中验证
19:30仍然非常困难
19:33因此我们开展了这项工作
19:35这篇论文刚刚发布
19:38就在四周前
19:39我们实验室与Google DeepMind合作
19:42尝试采用Co-Scientist的架构
19:46将它引入物理世界和物理实验
19:51实现端到端的验证与发现
19:55我简单介绍一下这项工作
20:00Co-Scientist（科研协作者）现在不只能做文献综述
20:04它可以提出想法
20:06还能制定实验或执行计划
20:12我们还连接了实验仪器
20:15以及自己搭建的实验装置
20:19让AI来控制
20:21现在它可以自己做实验
20:24大约一年前有人说
20:27“Harry 未来不用博士生了”
20:32看到这项工作后我说
20:34“也许连教授都不用了”
20:36因为AI的想法比我的还好
20:40那还要教授做什么
20:42而且它还能自己写论文
20:45也许我们都该去做数据中心了
20:52这项工作能实现文献阅读
20:56实验设计、验证的端到端流程
20:59更重要的是
21:00这段视频展示了它如何工作
21:02Co-Scientist可以预测前驱体
21:07并生成可执行的实验方案
21:11还能控制软件中的操作面板
21:14目前仍然需要人参与
21:17我们还要手动称量前驱体
21:20把它放进反应管
21:23然后密封起来
21:25也许很快我们就能用机械臂
21:29替代这一步
21:31但它已经能生成很好的配方
21:34甚至我们在论文中
21:36非常有信心地认为
21:39有可能制备出新的半导体材料
21:42这些材料此前从未制备出来过
21:44虽然理论上预测过
21:46但很难真正制备出来
21:48对于常规的二维半导体
21:51例如刚才展示的MoS₂等
21:53结果也非常好
21:55我们只需让AI控制仪器
21:58它查阅文献然后得到实验结果
22:02更重要的是我们发现
22:05在学术界
22:07很多结果很难复现
22:10因为不同实验室的设备结构不同
22:13我的实验室有这种炉子和管子
22:16但论文中用的是另一套装置
22:19我们发现
22:21AI在复现实验结果方面表现很好
22:25我们把实验室的设备结构
22:29提供给AI
22:30让它查阅文献
22:32然后看看
22:34能否生成专用配方
22:36用在我的定制仪器上
22:38效果非常好
22:40这里展示的就是
22:43输入是提示词和任务描述
22:46输出则直接来自定制仪器
22:52这里有一个演示
22:54我一直催学生制备这些材料
22:57我们实验室长期在制备这种材料
23:00而这些材料
23:01我一直催学生
23:03“能不能制备出来”
23:04学生说“Wang博士”
23:07“我得先查文献”
23:08“可能要花几个星期”
23:10后来有一天我说
23:12“能不能试试大语言模型”
23:13“让它给个配方看看是否可行”
23:16结果成功了
23:18我就和学生开玩笑说
23:21“以后你们”
23:22“甚至不用查文献了”
23:25“照着模型说的做就行”
23:28这帮我省了好几个月
23:30我一直催学生
23:33对我自己也是一种精神折磨
23:37这里展示的是AI可以
23:42在一次尝试中实现工业规模制造
23:46也就是第一次尝试就成功
23:49如果你想复现某项结果
23:52但用的是一套新装置
23:54AI就能节省你的时间
23:56加速材料发现和研究
23:59如果我们再往前走一步
24:04已经能观察材料
24:06也能制备材料
24:07那直接制造真正的芯片怎么样
24:10这里的图像还没有发表
24:13我们结合了这套显微镜系统
24:15显微镜在观察我们制备的材料
24:19这些材料不太理想
24:20我们故意选了不理想的材料
24:22大家看到很多黑点
24:24它们其实是缺陷
24:26如果把材料给产业合作伙伴
24:28他们会说“这是垃圾”
24:30“根本不可能在上面制造芯片”
24:32但如果使用我们的AI
24:34让AI来制造
24:36AI会选择好的区域
24:41传统方法中的晶体管
24:43结构都是一致的
24:45数量有数十亿个
24:46但使用AI
24:47每个晶体管都可以不同
24:50现在我们把AI连接到
24:52洁净室中的各类制造设备
24:54让它真正制造出芯片
24:59虽然还不是数十亿的规模
25:02我们仍能集成千个级别的晶体管
25:05我们认为这是一个很好的开始
25:08我们还发现
25:11让AI控制整个半导体制造流程
25:15能提高良率
25:17这种材料原来的良率
25:19只有65.6%
25:23非常糟糕
25:24但基于这种低良率的材料
25:27我们仍能得到高良率的晶体管阵列
25:31它就是最基础的芯片
25:33良率提高了大约30%
25:37我们认为这将彻底改变
25:40甚至颠覆整个
25:43未来的半导体制造行业
25:45这是我的信念
25:47最近我们成立了一家初创公司
25:52大约在一个月前
25:53我们认为用AI颠覆
25:57半导体行业会很有意思
25:59我们相信AI原生半导体制造
26:04会越来越重要
26:05我们想探索yield intelligence（良率智能）
26:08或lab-to-fab（实验室到晶圆厂）的解决方案
26:10也许我们还想建立一条小型试验线
26:13用于新型二维半导体
26:16回到今天大家讨论的话题
26:19你们的钱最终都流向NVIDIA
26:24NVIDIA最终又得付给TSMC
26:27归根结底
26:28制造这些芯片才是最花钱的
26:32虽然我们谈AI、数据中心等等
26:35现在我给大家一个替代方案
26:37它的成本更低
26:41AI已经能编写一些模型
26:45最近很多人谈到
26:47RSI（递归自我改进）
26:50我们想补上缺失的一环
26:53如何让AI制造自己的大脑
26:56这非常重要
26:58这里展示了一个飞轮
27:00如果AI能设计芯片
27:03能制造芯片
27:05芯片又能训练AI
27:07中间有数据连接
27:09就能形成更高效的飞轮
27:12也就是说模型和芯片
27:15最终能够结合在一起
27:18类似于我们的生物大脑
27:20比如我们的思维和大脑
27:22从来都不分离
27:24但目前模型和芯片
27:26在某种程度上是分离的
27:29如果把芯片和模型结合起来
27:31用模型制造芯片
27:33再用芯片运行模型
27:35我认为这是一种新的生命形态
27:38也许可以称为硅基生命的新形态
27:42随你怎么称呼
27:44这可能就是下一步
27:46从传统AI开始
27:49接下来有RSI
27:51也许可以把它称为超级智能
27:53最近SI似乎比AI更受青睐
28:00如果把制造芯片也纳入其中
28:06我认为这可以是一种新的智能
28:08既然还没人给它命名
28:11也许我可以起个名字
28:13让它重新回到AI
28:14Autogenic intelligence（自生成智能）这样又回到了AI
28:17完成了这个闭环
28:19如果把思维和大脑
28:24也就是芯片和模型结合起来
28:27就有了新的生命形态
28:29问题是它会走向哪里
28:32作为教授我总会思考
28:34我想借用一个概念
28:37它在1916年被提出
28:40距今已有100多年
28:43叫carcinization（蟹化）
28:46什么意思呢
28:48人们发现无论哪种海洋动物
28:51经过数百万年都会变成螃蟹
28:58比如你有一条鱼
29:01数百万年后变成螃蟹
29:03可能是帝王蟹
29:04如果你有一只海龟
29:06数百万年后比如会变成蓝蟹
29:09蟹化现象在大自然中
29:13已经存在了数百万年
29:16所以我想给大家留一个问题
29:20你们认为AI加上芯片
29:22会走向分化还是趋同
29:25这种硅基生命形态
29:26也会有一种“螃蟹形态”吗
29:30也许下次吃螃蟹时
29:33你们可以想想这个问题
29:36也许你吃的是非常聪明的动物
29:40我的演讲就到这里
29:41非常感谢大家

About this transcript

This page contains the full transcript of 半导体的未来：从新材料到新芯片，AI能否推动自身进化？｜硅谷101年度线下大会 by 硅谷101, generated from the public captions YouTube serves with the video. The transcript has 640 words across 616 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.