[E-DailyShin Yeong-bin 记者] 三星电子(SamsungElectronics(005930))提出目标,计划利用人工智能(AI)将半导体新材料研发周期从原有的5年缩短至2年。
三星电子专家崔永相于26日在首尔瑞草洞汽车会馆举行的由韩国产业联合论坛(KIAF)主办的“AI安全·治理研讨会”上,介绍了这一半导体材料研发方向。
三星电子专家崔永相于26日在首尔瑞草区汽车会馆举行的韩国产业联合论坛“AI安全·治理研讨会”上,发表了基于AI的半导体材料开发战略。(照片来源:韩国产业联合论坛)
半导体材料开发是一项在海量候选组合中筛选出满足性能和工艺条件物质的工作。
崔英相大师解释道:“半导体材料由多层薄膜构成,以7层为基准,物质组合超过1亿种,但实际实验每月最多仅能进行50余次。”
有观点指出,仅依赖研究人员经验和直觉的探索方式不仅需要耗费数月至数年时间,且无法充分利用失败的实验数据。三星电子计划将AI应用于这一探索过程,以提高开发效率。
崔大师表示:“我们的目标是利用AI将半导体新材料开发周期从原有的5年缩短至2年,将有前景的材料候选数量增加5倍以上,同时将用于探索最佳条件的实验次数减少80%以上。”他解释称,这不仅能降低开发成本,还能将应用范围扩展至电池材料等其他产业领域。
实现这一目标的基础是“科学AI”。该体系通过整合论文、专利及公司内部实验数据来结构化知识,AI以此为基础生成有前景的假设,设计实验方案,并通过模拟进行验证。这种方式将研究过程中积累的数据用于后续的探索和验证。
公司还提出了与实际设备连接的方案。其构想是,当AI代理将实验计划传递给设备后,与能够自动执行工艺、测量和分析的“自主实验室”联动,使整个研究过程以循环模式运行。
但仍存在待解决的课题。其一,AI的假设生成与验证能力受限于其基础的大规模语言模型(LLM)的性能;其二,失败的实验数据和研究人员的经验尚未充分数据化。
崔大师解释称,必须改善模拟的计算复杂度以及搜索增强生成(RAG)的准确度限制。他强调,为防止核心研究数据外泄,必须在内部构建的本地环境中进行处理。
Salesforce副总裁凯西·巴克斯特于26日在首尔瑞草区汽车会馆举行的韩国产业联合论坛“AI安全·治理研讨会”上,就自主型AI的安全性及治理构建方案发表了演讲。(照片来源:韩国产业联合论坛)
AI设计实验并控制设备的变革也带来了新的安全挑战。当天发表主旨演讲的Salesforce副总裁凯西·巴克斯特指出,随着AI从聊天机器人发展为能够自主制定计划并操作系统的自主型AI,错误的连锁反应正日益加剧。
巴克斯特副总裁表示:“以往的错误回答,如今可能导致数据变更或系统故障等实际损害。”她解释称,必须追踪AI检索的数据、调用外部工具以及内存变更的记录。她指出,即使有人监督,也必须防止因反复警告而感到疲惫,从而流于形式地批准的情况。
他提出了一套分类AI功能、自主性和权限,并评估其在实际环境中的性能及潜在危害的体系。他特别强调,应按设计与评估、部署准备、运营与改进等阶段管理权限,并指出“每当AI的自主性扩大时,都需要重新批准的机制”。
高丽大学信息保护研究生院名誉教授林钟仁表示,需要建立从外部独立监控和控制AI的机制。具体而言,他提出了“认知零信任”、“独立杀死开关”和“网络韧性”这三大安全机制。
这是一种从外部验证AI行为意图,并仅在短期内授予业务所需最低权限的方式。其核心在于,一旦发生故障,必须立即切断网络和应用程序接口(API)的访问,并迅速恢复核心业务。
林教授还建议在产品发布前审查安全机制、报告重大事故,并制定开发方与采用企业之间的责任划分标准。林教授表示:“随着AI代理的自主性不断提升,构建能够从外部独立进行监控和控制的控制系统势在必行。”
三星电子专家崔永相于26日在首尔瑞草洞汽车会馆举行的由韩国产业联合论坛(KIAF)主办的“AI安全·治理研讨会”上,介绍了这一半导体材料研发方向。
半导体材料开发是一项在海量候选组合中筛选出满足性能和工艺条件物质的工作。
崔英相大师解释道:“半导体材料由多层薄膜构成,以7层为基准,物质组合超过1亿种,但实际实验每月最多仅能进行50余次。”
有观点指出,仅依赖研究人员经验和直觉的探索方式不仅需要耗费数月至数年时间,且无法充分利用失败的实验数据。三星电子计划将AI应用于这一探索过程,以提高开发效率。
崔大师表示:“我们的目标是利用AI将半导体新材料开发周期从原有的5年缩短至2年,将有前景的材料候选数量增加5倍以上,同时将用于探索最佳条件的实验次数减少80%以上。”他解释称,这不仅能降低开发成本,还能将应用范围扩展至电池材料等其他产业领域。
实现这一目标的基础是“科学AI”。该体系通过整合论文、专利及公司内部实验数据来结构化知识,AI以此为基础生成有前景的假设,设计实验方案,并通过模拟进行验证。这种方式将研究过程中积累的数据用于后续的探索和验证。
公司还提出了与实际设备连接的方案。其构想是,当AI代理将实验计划传递给设备后,与能够自动执行工艺、测量和分析的“自主实验室”联动,使整个研究过程以循环模式运行。
但仍存在待解决的课题。其一,AI的假设生成与验证能力受限于其基础的大规模语言模型(LLM)的性能;其二,失败的实验数据和研究人员的经验尚未充分数据化。
崔大师解释称,必须改善模拟的计算复杂度以及搜索增强生成(RAG)的准确度限制。他强调,为防止核心研究数据外泄,必须在内部构建的本地环境中进行处理。
AI设计实验并控制设备的变革也带来了新的安全挑战。当天发表主旨演讲的Salesforce副总裁凯西·巴克斯特指出,随着AI从聊天机器人发展为能够自主制定计划并操作系统的自主型AI,错误的连锁反应正日益加剧。
巴克斯特副总裁表示:“以往的错误回答,如今可能导致数据变更或系统故障等实际损害。”她解释称,必须追踪AI检索的数据、调用外部工具以及内存变更的记录。她指出,即使有人监督,也必须防止因反复警告而感到疲惫,从而流于形式地批准的情况。
他提出了一套分类AI功能、自主性和权限,并评估其在实际环境中的性能及潜在危害的体系。他特别强调,应按设计与评估、部署准备、运营与改进等阶段管理权限,并指出“每当AI的自主性扩大时,都需要重新批准的机制”。
高丽大学信息保护研究生院名誉教授林钟仁表示,需要建立从外部独立监控和控制AI的机制。具体而言,他提出了“认知零信任”、“独立杀死开关”和“网络韧性”这三大安全机制。
这是一种从外部验证AI行为意图,并仅在短期内授予业务所需最低权限的方式。其核心在于,一旦发生故障,必须立即切断网络和应用程序接口(API)的访问,并迅速恢复核心业务。
林教授还建议在产品发布前审查安全机制、报告重大事故,并制定开发方与采用企业之间的责任划分标准。林教授表示:“随着AI代理的自主性不断提升,构建能够从外部独立进行监控和控制的控制系统势在必行。”