AIと半導体をめぐる興味深い話は、もはやどのチップがモデルを訓練するかではない。AIがそれらのチップを生産する設計ツールや工場のフロアにどう組み込まれているかだ。機械学習はEDAにおける配置配線、検査画像の欠陥分類、かつてはベテランエンジニアの直感に頼っていたプロセスレシピの調整に適用されている。各ステップは、かつて四半期単位を要していた設計や立ち上げサイクルを圧縮する。

グローバルな影響は、先行者と後発者の差の拡大だ。何年分ものクリーンなプロセスデータをモデルに投入できるファブは、歩留まりと立ち上げ時間で優位に立つ一方、断片的で不十分にラベル付けされたデータしか持たないファブはほとんど恩恵を受けない。これは規模とデータ管理を重視し、最大規模のファウンドリとIDMに優位性を集中させる。静かなリスクも生じる:あるツールセットやノードに調整されたモデルはきれいに移植できないため、生産性向上はベンダーのメッセージが示唆するほど棚から買えるものではない。

日本にとって、レバレッジは最先端ロジック製造ではなく上流にある。フォトレジスト、成膜・エッチング装置、検査システム、テスト機器を供給する企業は、AI駆動のプロセス最適化によって価値が高まるポジションを保持している。なぜなら、より優れたモデルは豊富なセンサーデータと緊密なツール統合を必要とするからだ。商業的な問題は、これらのサプライヤーが自社ツールに分析機能を組み込んでその価値を捕捉するか、ファブレベルのデータを所有するファウンドリ顧客に譲るかだ。後者の道は、時間とともにハードウェアベンダーを交換可能な部品サプライヤーに変える。

日本の半導体メーカーと先端ロジックを構築するRapidusの取り組みにとって、AI支援プロセス開発は機会であり依存でもある。レガシーデータのないノードで学習曲線を短縮できる可能性があるが、それはすでに成熟したモデルとラベル付きデータセットを持つパートナーと組んだ場合のみだ。ゼロからその能力を社内構築するのは遅い。

製造業を支援するSIerやエンタープライズITチームは、これを生成AI案件ではなく具体的なMLOps機会として読むべきだ。短期的な仕事は地味だ:ファブ装置からのデータパイプライン、ラベリングワークフロー、プロセス変動に耐えるモデル監視。チャットボットではなく、信頼性の高い産業用データインフラを提供できるチームが、この分野から持続的な需要を見出すだろう。