NVIDIA 副總裁暨工業與計算工程總經理 Timothy Costa 在 SEMICON West 主題演講中分享公司在 AI 工廠的布局，説明加速運算與人工智慧（AI）如何改變半導體設計及製造流程。
Costa 表示，半導體晶片的設計與製造涉及複雜的工作流程，需要不同領域的專家在設計端與製造端協同合作，NVIDIA 將相關技術分為四大領域，包括加速運算、AI 物理學（AI Physics）、代理式 AI（AI Agents）及實體 AI（Physical AI）。
其中，加速運算是整體技術基礎，AI 物理學用於加速科學與工程運算，代理型 AI 協助工程師執行任務並探索更多設計方案，實體 AI 則將 AI 導入能夠感知、推理及採取行動的實體設備，推動晶圓廠自動化。其中，在加速運算方面，NVIDIA 透過 CUDA-X 函式庫，將 GPU 運算能力導入半導體設計與製造流程。相關技術涵蓋計算曝光、電路與電源模擬、熱與多物理場分析，以及晶圓檢測等應用。其中，NVIDIA cuLitho 專門用於加速計算曝光，已為光學鄰近效應修正工作負載帶來最高 20 倍的效能提升。西門子 EDA 也宣布將在其 Calibre 軟體中採用 cuLitho，加速相關運算。
此外，NVIDIA 也透過其他 CUDA-X 函式庫加速半導體相關工作負載，Costa 也介紹 cuDSS、NPP、cuPotential 庫的功能，並表示新思科技是 cuPotential 的首位採用者。在 AI 物理學方面，NVIDIA 推出 Physics NeMo 庫，協助客戶訓練物理模型，加速半導體製程開發、設備模擬與控制，並獲得科林研發運用。Costa 表示，從 CPU 運算轉向結合加速運算的 CUDA-X 技術，可帶來約 50 至 100 倍的效能提升；進一步導入 AI 物理學後，則有機會實現即時或近乎即時的模擬，讓工程師更快速探索製程參數與設計空間，縮短開發週期。在代理式 AI 部分，NVIDIA 推出專為設計與工程打造的 NVIDIA Agent Toolkit。 Costa 指出，當時支援的技能與函式庫數量仍有限，但隨著 cuDA-X 函式庫陣容持續擴大，以及相關技能陸續開發完成，工程代理可運用的工具也將不斷增加，進一步擴展其能夠協助解決的工程問題。在實際應用方面，愛德萬測試已將 NVIDIA NeMo Switchyard AI 代理來自動選擇模型，簡化半導體測試工作流程，並將響應時間從數小時縮短到數分鐘。
最後是實體 AI 部分，首先必須透過數位孿生準確模擬實體系統的運作情況，預測 AI 在真實環境中的行為。Costa 表示，從加速運算、AI 物理模型、代理型工程到實體 AI，各階段的技術發展並非彼此取代，而是建立在先前的技術投資之上，形成相互累積的架構。
目前相關應用已逐步展開，包括應材運用 cuDA-X 與 AI 物理模型支援材料、設備腔體及製程研究；歐姆龍結合 NVIDIA Omniverse 與 Metropolis，整合光學表面與 X 光內部數據，協助工程師分析電路板元件變形及缺陷；發那科（FANUC）與富士康透過 Omniverse 機器人模型及模擬，在實際部署前評估工作站運作；SK 海力士運用 Omniverse 與 OpenUSD 開發晶圓廠數位孿生。
Costa 指出，數位孿生將設備、流程和晶圓廠營運帶入共享的虛擬環境中，在將變更引入現實世界之前對系統進行優化。在每個階段，AI 代理整合 AI 模型和專業技能，以協助工程師改進設計和流程，並引導操作員完成預測設備問題和排除半導體測試系統故障等任務，再透過機器人搬運材料、監控設備，並與人類一起安全地執行複雜任務。每個結果都會反饋到模型中，創造學習和改進的持續循環。建立在 NVIDIA 技術上的 AI 正打造將加速整個半導體產業創新的晶片。