這條產線是一條十二寸的中型產線，有台光刻機，型號是阿斯麥0di，但應該已經經過了一輪的魔改。
另外離子注入機0台、刻蝕機0台，還有研磨機、電子電壓監測設備等等一係列的設備。
紀弘一邊參觀一邊了解著情況，同時，產線這邊的負責人還給他送來了產線以及產線設備的相關技術資料——這些資料與原版已經有所不同，尤其是光刻機，經過了很大程度的魔改。
產能方麵，以成熟產線的n工藝計，這條產線月產晶圓大約為一萬片，以一般芯片的麵積計，一片晶圓大約切割良品芯片約五六十，也就是說，這條產線月芯片產量大約在五六十萬左右。
但麒麟000s用AQP四重曝光技術，效率大約要下降0%，再加上良率受到的影響，實際產能可能隻剩下一半，也就是大約二三十萬片。
……
改造產線，紀弘沒打算從硬件入手，這裡的情況和宏圖微電子的情況還不同，那裡的硬件設備確實落後，一些自動化和智能化的模塊不夠用才需要重新設計和改造。
但這裡，本就是先進製程工藝產線，尤其是華為和中芯的工程師已經還已經對它進行過改造，硬件設備已經完全能夠滿足智能化的需要了。
對產線的優化，紀弘不懂，即便懂，也不可能比得上先後在AMD、台積電、三星，現在是中芯國際聯席CO的梁鬆。
這裡的產線大概率就是他負責設計和工藝、良率以及產能的提升的。
雖然沒有可靠的證據，但是，能夠幫助華為建立先進工藝產線，先後實現等效n等效n工藝的量產，不說國內，找遍全世界可能也就隻有一個梁鬆。
梁鬆這個人很傳奇，早年在AMD，加入台積電的第一件事兒，就是帶領台積電在0n製程領域擊敗了老牌強敵IBM。
後來因為一些原因離開台積電加入三星，直接助力三星在n這個工藝節點領先台積電半年，後被台積電起訴履行競業限製條款離開三星。
加入中芯國際之後，更是直接提升了中芯國際n工藝的良品率。隨後更是跳過n等中間節點，直接跳代研發n工藝，隻用了一年不到的時間就並成功實現量產，而且良品率達到0%以上。
前兩年，華為麒麟0A中芯國際重置版就是利用的這個工藝生產的。
而現在，DUV光刻機量產的n和n……
梁鬆，紀弘還特意查了查，的年的人，現年已經歲了，主要工作估計是頤養天年了，隻有有重大情況或者問題的時候才會出手。
此時，這邊在產線上負責的是一位高工，名叫曾學成。
“曾工，你現在有梁先生幾分的功力啊？”紀弘半開玩笑的問道。
“紀總彆開玩笑了，十個我捆一起也不如梁先生一半！”曾學成介紹著梁鬆的豐功偉績，紀弘也確認了，這邊的核心工作確實出自他手。
“想不想超過他？”紀弘誘惑道。
曾學成心道：我在家哄我兒子也是這口氣，想不想考年級第一？問題是有那實力嗎？
他要真能考年級第一，那我就該懷疑這是不是我的種了。
不過心裡這麼想，嘴上不可能這麼說，他也知道紀弘是過來乾什麼的，於是說道：“但憑紀總吩咐！”
紀弘知道他不信，但配合就好。
雖然得到了一些芯片設計和光刻機相關的靈感，但先進工藝這種東西十分複雜和係統，不是說有三兩個好點子就能搞定的。
他的主業還是訓練AI。
“我這邊先了解一下產線的情況，”紀弘介紹著自己的工作安排：“然後生產的各個環節、流程相關數據實時給到我這邊。
“前期主要用於AI訓練，後期，根據AI的反饋調整和升級產線工藝。”
紀弘強調道：“我剛剛跟你說的話，你可以不信，但是一定要不打折扣的執行。”
“明白！”曾學成對卷耳智能科技是做什麼的門兒清，隻不過以前都是軟件和設計層麵的，難道AI對產線的優化也能起到關鍵作用？
他心裡突然就冒出一個想法：我自己比梁老師那是這輩子都沒希望了，但是如果我加上AI呢？
顯然，曾學成對紀弘的思想和言論也是關注了的，一小會兒的功夫就想明白了這一層，也意識到紀弘剛剛的問他的問題並不是隨口一說，也並不是開玩笑。
一念至此，曾學成更加的積極了——如果說之前的表態隻是為了工作，那現在就完全充滿期待了。
……
一連好幾天的時間，紀弘都在產線這邊，產線的數據不斷的在提供，類思維AI的訓練也一直在進行。
“這裡，看到了沒？”紀弘說道：“矽片對準標識和掩膜板對準標識的中心坐標差值，根據這些數據分析，AI認為還有優化空間。
“主要是……”
紀弘跟曾學成講解著相關內容，並讓他配合對產線的運動控製模塊兒的算法進行著調整。
曾學成稍微一計算，就知道這東西應該對產線工藝是增益的。
雖然具體的結果還需要生產來驗證，但，能夠有找到梁鬆老師設計和規劃，甚至優化了好久的產線的一個問題，還是讓曾學成十分激動：
“我加上AI，真的能達到梁鬆老師的水平？”
能夠找到問題，就是水平的體現，哪怕調整完了是副作用，也是實力。
畢竟，沒有哪個人敢說我動一下就是升級，哪怕是梁鬆，調整產線的相關模塊兒也是摸索摸索再摸索，最終才確定的方案。
紀弘沒有回答他這個問題，而是問道：“你比梁鬆老師差在哪兒？最關鍵的點！”
要說差在哪兒，以曾學成現在的水平，那差的多了去了。
要說最關鍵的點，他沉思了一會兒，說道：“就是對問題的敏銳程度。比如一個新的工藝節點，測試產線放在這兒了，梁鬆老師的對問題就非常敏銳。
“他手一指，這兒是瓶頸，改進這兒，可以提升良率，那兒可能有問題。排查下去，幾乎**不離十。
“事實上，怎麼說呢，當他把問題指出來之後，我去看，大多數時候我也能看出來，甚至能解決。”
“但，就是知道哪兒有問題，才是最關鍵的是吧？”紀弘笑道：“那今天這個問題呢？你看出來了嗎？”
“現在我也能看出來！”曾學成突然明悟：“AI現在扮演的是梁鬆老師的角色？”
梁鬆怎麼判斷問題所在的，紀弘不清楚，可能是直覺，也可能是經驗。
但，AI是怎麼判斷的，紀弘清楚的很——少部分的類思維加上大量的計算，甚至還有一部分推演在裡邊。
世界模型一直在運行，n以下級彆的智能DA工具靈韻在各大高校實驗室也已經開始使用，流片式仿真的訓練也一直在進行。
類推能力，尤其是精密工業領域的類推能力也有了不少的提升。
比如今天發現的這個問題，改進了之後能有多少提升，AI都已經做過類推了。
但方式不重要，能發現問題，能優化和改進才是最關鍵的。
“能調整嗎？”紀弘問道。