我做 SPC 那几年最怕凌晨报警：膜厚连续漂、CPK 暴跌。后来把大模型当"第二大脑"辅助分析，排查时间从 2.5 小时砍到 40 分钟。这篇讲清怎么喂数据、真实案例、局限和我的标准人机双保险流程。

一、SPC异常为什么让工程师头大

我做 SPC（统计过程控制）那几年，最怕凌晨被报警叫醒：某台机膜厚连续三点往一个方向漂，CPK 从 1.5 掉到 0.9。传统做法是我爬起来翻 trend、查机台日志、问 EE 是不是 calibrate 过期，一通排查两小时，还经常查错方向。

后来我发现，ChatGPT 这类大模型最擅长干"把一堆杂乱信号快速归纳出假设"的活。它不替代你对 FAB 的理解，但能当个不知疲倦的"第二大脑"，先把可能的根因列给你，你再去验证，排查时间能砍掉一大半。这篇就讲我怎么把它用进 SPC 异常分析。

二、关键不是模型，是怎么喂数据

很多人把一张控制图截图丢给 ChatGPT 就说"帮我看哪异常"，结果它瞎编。正确姿势是把结构化数据喂进去：一段时间点的测量值、规格上下限、机台号、班次、同时段其他参数。给它上下文，它才推得动。

我常用的 prompt 模板是："以下是某薄膜膜厚的 30 个连续测量值（附数组），规格 100±5nm，请判断是否存在 Nelson 规则触发的异常，列出最可疑的 3 个根因假设，并给出验证每一步需要的机台数据。"这样它输出的是可执行的排查清单，而不是泛泛而谈。

三、真实案例：一次膜厚漂移

去年一条线膜厚连续 5 点单边下降，人工看了半天以为是气体流量问题。我把数据 + 同时段 RF 功率、腔体压力、前驱体温度喂给模型，它指出"更可能是腔体 seasoning 老化导致的均匀性偏移，而非气体流量"，并建议我查最近一次 PM 后的 baseline。

我顺着去查 PM 记录，果然那次 PM 换了密封件后没做完整 seasoning，前 50 片均匀性一直在变。提前干预后避免了整批报废。那次模型省了我至少 3 小时，也纠正了我的方向性误判。

四、它的局限，别迷信

模型不懂你们厂的具体语境：它不知道你这台机上周刚换过 MFC，不知道你们 OCAP 流程怎么做。所以它给的"根因假设"必须你拿真实数据去证伪，不能直接照做。我也踩过坑——一次它信誓旦旦说"是光刻 overlay 漂移导致的电性异常"，实际是封装测试误测。

另一个坑是数据隐私：产线数据别往公开模型传。我们用的是内部部署的模型，或者脱敏后只传参数趋势不传绝对数值。这点必须卡死，否则违反合规。

五、我现在的标准用法：人机双保险

流程固定成三步：第一步，模型基于数据给出可疑根因排序；第二步，我按排序用机台实时数据逐一验证；第三步，验证结论回填给模型做下一轮更精准的建议。相当于模型当"假设生成器"，我当"验证器"，分工明确。

效果上，平均异常定位时间从 2.5 小时降到 40 分钟，误判率也降了。但前提是数据要干净、上下文要给全。垃圾进垃圾出，这句话在 AI 辅助分析里比哪都准。

六、给新手的落地清单

别一上来就想"AI 替代工程师"。先把你的 SPC 数据结构理清楚：测量值、规格、机台、时间、关联参数，做成能直接粘贴的文本块。再写固定 prompt 模板，沉淀成团队资产。

小步快跑：先挑一类高频异常（比如膜厚漂移）跑通闭环，验证有效再扩展到其他类型。记住，AI 是放大镜不是替身，你自己的 FAB 经验才是底盘。

写在最后

你们厂用 AI 辅助过 SPC 或良率分析吗？遇到过模型瞎编根因的情况吗？评论区说说，我整理一篇"AI辅助分析的避坑清单"。