半導體 Fab 已經在虛擬量測、anomaly detection、RCA、process recommendation、APC 使用 AI。但 PoC 表現好，不代表模型可以直接在量產跑很多年。
使用 AI，和讓 AI 參與營運，是不同問題
一般 AI 導入重視 model development 與 accuracy；真正由 AI 參與運行的 Fab，還要看 production stability、repeatability、workflow integration、process change response 與 validated method reuse。
Model performance 和 production performance 要分開看
除了 MAE、RMSE、R²，也要看 equipment state、consumable、product mix、upstream condition 改變後模型能不能繼續用，以及 trust boundary 在哪裡。
量產每天都在重複
PoC 在定義好的 dataset 與 scope 驗證假設；量產裡產品與機台狀態持續變化，因此 consistency 與 change response 有時比 peak offline performance 更重要。
AI 不應該變成新的人工工作
如果工程師每天仍要看新的 dashboard、手動解讀所有 output、自己管理 model state，那 workload 並沒有真正下降。
製程改變時，model 也需要重新確認
設備狀態會變、耗材會更換、新產品會導入，recipe 也會修改。如果一直只以最初導入時的條件為基準，model 與真實生產環境之間的差距會隨時間增加。
量產中必須持續確認 model 狀態與製程變化，必要時重新驗證。
Scale 應該看 operating burden，不只是 model count
模型從 1 個變成 10 個，如果管理工作也變成 10 倍，就不是真正的 scale。
Production AI 處理的是 model 之後的工作
Amously 所說的 Production AI，包含 model 開發完成之後的營運。Virtual Metrology 與 APC 經過驗證後連到 production data，並在現場持續確認狀態與結果、持續運行。