2026年，AI正从数字世界加速涌入物理世界。制造业和半导体等重交付场景，被业界视为Physical AI率先落地的核心方向之一。三星计划2030年前将所有晶圆厂改造为AI驱动的无人化工厂；SK海力士正与英伟达探索将数字孪生与智能体AI工作流打通；NVIDIA在GTC台北大会上将半导体制造作为重点展示的应用场景。Agentic AI作为驱动Physical AI落地的关键技术，已被列为2026年半导体三大主轴趋势之一。在这场从“AI概念”走向“AI产能”的竞赛中，一家跨界进入半导体领域的中国AI 公司正悄然站上潮头。
创立于2016年的镁伽科技，是国内少数同时具备AI、自动化与行业关键工艺融合能力，并实现规模化产业落地的企业之一，以2024年智慧实验室收入计位居中国国内自主智能体供应商首位，成长为AI智能体赛道独角兽，估值超百亿元。目前，镁伽Manavis系列晶圆缺陷检测设备已经将漏检率做到了万分之五以内，过检率降至千分之一，缺陷分类准确率达98%以上，达到全世界同类设备指标第一流水平。与此同时，镁伽高端晶圆切割设备量产发货已达数百台，产线部署目标正稳步向千台规模迈进。
近日，SEMI中国《半导体制造》专访了镁伽科技创始人兼CEO黄瑜清，听他讲述这家创业公司如何用“AI原生”的思维重新理解半导体制造背后的硬核真相。
从生物医药到晶圆制造：一场主动的战略布局
外界对镁伽科技的认知往往始于生物医药——高通量自动化实验室、液体工作站、细胞成像分析。但黄瑜清告诉记者，公司布局半导体并非临时起意。
回到镁伽科技创立的十年前，正值互联网风口，鲜有资本愿意听硬科技创业的故事。
“硬科技没有天上掉下来的。
”黄瑜清说，“我们一直坚持做几件事：
融最多的钱，招最好的人，
做最难的产品，服务最好的客户。”
什么是最难的产品？2020年镁伽科技在生命科学领域已经站稳脚跟，黄瑜清却做了一个让团队内部都捏把汗的决定——布局半导体。“当时我们一口气布局了晶圆切割、激光微纳加工、量检测三条产品线。”回忆起来他承认“肯定有风险”。“但我们当时选半导体封测这条线选对了。”
为什么是半导体？黄瑜清的回答是：“我们当时选择进入半导体，是因为在这个行业中作业流程最复杂、精度要求最高、可靠性要求最苛刻。我们也希望在更难的场景下，完成整个公司技术能力和平台能力的一次升级。”
黄瑜清的这个在当时看来冒险的决策在2022年底迎来了意外的催化剂——chatGPT的爆发带动了整个AI产业链,从数据中心到产业应用，从关键材料到半导体封测。
业务爆发的背后是持续的技术研发投入。2022-2024年，镁伽科技研发投入超过10亿元，占三年总营收的一半以上。截至2024年底，镁伽科技已为超过880 家客户提供服务，2022年新获取的主要客户复购率达74%，收入留存率达115%。2024年智能制造业务收入占比已升至68%，其中半导体板块成为公司最大的营收来源。
用结果说话：从“门外候场”到行业龙头的信任
谈及一个新晋创业公司如何打入半导体行业头部晶圆厂，黄瑜清没有回避过程的艰难。“客户让我们在旁边“小黑屋”坐几个小时冷板凳，然后只给我们一个很短的时间去交流。”
回顾在半导体行业开出的第一单，黄瑜清说当时客户面临的核心痛点是为了杜绝漏检，把检测标准设得极高，导致大量过检，需要耗费巨大人力做复判。客户给镁伽科技的命题是：在漏检率无限逼近于0的前提下，把过检率大幅降下来。
“当时我们跟国内外友商经过好几轮PK。”最终，镁伽的晶圆缺陷检测设备把漏检率做到了万分之五以内，过检率降到千分之一，缺陷分类准确率达98%以上，远优于当时竞品水平，以绝对优势胜出。
“这个行业只有做出第一流的产品才有机会，二流产品根本没机会。”黄瑜清相信破冰靠硬指标。如今镁伽科技已成功将多款自研的AI 模型规模化部署到客户产线，在端侧做实时推理，在边侧做训练和迭代。
“AI不但把人解放出来了，还让设备具备了学习能力。”黄瑜清说，“以前增加新的检测项目，需要原厂派工程师到现场改程序、停机测试升级，往往要数天时间。而镁伽的产品是模型驱动的，增加检测项目只需要让模型学习一下就好。而且一台学会了，就意味着同类型的产品全部都会了，事半功倍。”据了解，实际部署中，新检测项目的模型从样本准备到上线通常可在数小时内完成，相比传统方案的数天停机升级，在效率方面实现数量级提升。
AI for Semi 基础设施：做淘金时代的“卖铲人”
AI赋能制造的前提是高质量的数据。但晶圆厂的数据是核心资产，几乎没有哪家愿意轻易开放。镁伽科技如何打破这个“鸡生蛋还是蛋生鸡”的困局？
在黄瑜清的战略定位中，镁伽科技要做的是先进生产力工具的提供商，因此AI 的落地，不会依赖客户先开放数据，要靠产品开发过程中积累的大量测试集、训练集和验证集，实现模型的冷启动能力。“我们提供工具，客户使用工具产生价值。他不是把数据直接卖给我们，而是让我们帮助他更好地利用数据。”
在垂直场景，数据是很大的壁垒。
但信任一旦建立，
数据壁垒会成为先发者的护城河。
“原始数据的主权肯定是客户的。镁伽能做到的是，让我们的模型在客户现场冷启动时就能达到非常不错的推理命中率。之后用客户产线上的少量真实样本数据就可以让模型达到、甚至超过最有经验的人类工程师的水平。”
“相信AI for Semi发展到最后也会是高度聚集到头部的几家公司。第一名的公司拥有最多的客户，就意味着有最多的数据以及迭代机会。”
对于未来，黄瑜清将镁伽科技定义为一家“AI for Semi等领域的基础设施公司”。“我们不会自己下场做半导体芯片，但会持续为行业提供更强大的生产力工具——包括硬件、软件、数据、模型，缺一不可。”
从概念到产能：AI 要从底层重构制造
“很长一段时间，传统火箭公司对“火箭回收”嗤之以鼻，视作天方夜谭。但马斯克创立SpaceX从重新设计发动机开始，重新优化箭体表面材料、动力控制系统，几乎所有基础工作自己干，目的只有一个——把火箭发射成本做到最低、再次发射的速度做到最快。而随之被颠覆的，不只是技术本身，更是整个航天产业的商业逻辑。”
黄瑜清说，“我们也尝试在做类似的事，目标就是要把新药研发等科学发现的速度做到最快、成本做到最低。”他称之为“学习第一性原理的思考”——从底层逻辑重新审视，而不是在既有框架里做渐进式改良。在他看来，AI要落地半导体制造，同样不能只做软件和模型，也不能只做硬件装备。
“你可以理解为量检测设备本身其实就是AI for Semi的眼睛。”黄瑜清解释道，“在半导体制造场景，AI要观察和学习的是极端微观尺度下的特征和规律。首先要让AI能够看到微观世界，然后是让AI能够看得懂，并且让AI能够持续学习和进化。”
这正是镁伽科技“感知-构思-执行”三大技术架构的核心逻辑。“感知”负责捕获多模态的环境与现场数据，“构思”将其注入模型驱动的学习和理解机制，“执行”则将决策转化为精准的物理操作，三者形成持续闭环，使AI智能体具备持续自我迭代的能力。
而在极限精度、极限可靠性要求的半导体制造行业，良率即利润率。要打入这样远比一般工业制造更严苛的约束体系，模型的“黑盒”问题如何解决？黄瑜清给出的答案是“大小脑结合”，“端侧设备做实时推理，类比于小脑，让硬件在决策之后能够快速执行。在产线级需要规模更大的模型，类比于大脑，做更复杂的多模态训练，从而生成工艺改进建议。推理放在端侧保证实时性，训练放在边级保证持续优化，这种架构让AI的决策过程变得可追溯、可验证，也更经济可落地。
此外，镁伽能穿透" 黑盒" 的另一层保障，来自设备本身的物理验证闭环——AI的判断是否正确，晶圆切割、检测的实际结果立刻给出反馈，不需要等到下游工序才暴露问题。
可以想见，要实现对半导体Fab工厂的智能化升级，无论是传统的设备公司、强模型公司、软件公司……任何一家公司都无法独立完成这样的使命。只有能够将硬件、软件、数据、模型融在一起的新型公司、以及强大的生态才有机会。
“镁伽的优势恰恰在于跨界，我们比传统半导体制造行业的人更懂AI，比AI大模型领域的人更懂半导体。我们能够把供需两端打通。”黄瑜清透露，镁伽科技正在尝试打破传统设备孤岛，将多个半导体制造工艺模块高度整合于单一设备，做更大胆的创新。
从2016年创业至今十年历程，镁伽科技经历了从做标准化单一产品、到在行业真实需求驱动下打造智能自动化系统、再到如今聚焦自主智能体的三次跃迁。
未来，人工智能现实接管Fab工厂还有多远？
黄瑜清笃信这一天正在到来。