現場にAIを入れようとして、最初に突き当たる壁はアルゴリズムではない。「学習させる不良品の写真が、そもそも足りない」である。しかも良い工場ほど不良を出さないので、優秀な現場ほどデータが集まらないという皮肉が起きる。この矛盾に、半導体ファウンドリの現場エンジニア自身が出した答えが今回の論文だ。結論から言えば、足りないデータは合成で埋め、モデルは小さくして自社の中に置く。クラウドの巨大モデルに投げない前提で、実用水準に届かせている点が本質的に新しい。
1. なぜ今、この研究なのか
理由1：課題設定が「精度」ではなく「データが無い」に置かれている。 検査AIの論文の多くは十分なラベル付きデータを前提に精度を競う。本研究は、限られたラベルから約29,000件の学習用データを合成する工程そのものを提案の中心に据えている。日本の中堅・中小製造業が直面している壁と、課題設定が一致している。
理由2：著者が研究者ではなく、実際のファウンドリの人間である。 筆頭著者は上海華虹宏力半導体（Huahong Grace Semiconductor Manufacturing）に所属し、華東理工大学 自動化学科を兼ねる。歩留まりが直接収益に響く事業体の内側から書かれている。
理由3：40億パラメータという「自社に置ける」サイズで成立させている。 提案手法は4Bモデルで、1,060億パラメータの大型モデルを大きく上回るスコアを出した。オンプレミス運用を前提に設計されており、機密データを社外に出せない現場の制約と噛み合う。
この記事で持ち帰れる3つのこと
- 不良サンプル不足を「合成データ」で回避する具体的な工程設計
- 大型クラウドモデルと小型オンプレモデルの、現時点での実力差の実数
- 自社で試すときの費用感・回収期間・稟議で通すための論点
2. 論文を読む：WaferSAGEは何を解いたのか
2-1. 解こうとした課題
半導体のウェハ検査では、不良の分布パターン（ウェハマップ）を見て「どの工程が原因か」を推定する。従来のAIは「この不良は9分類のうちどれか」を当てるところで止まっていた。本研究が狙うのは、分類ではなく説明である。空間分布・形状・推定原因を、人間が読める言葉で答えさせる。論文はこれを視覚的質問応答（VQA）のタスクとして定式化している。
2-2. 手法：3段階の合成データパイプライン
論文の中核は、少ないラベルから学習データを作り出す3段階の工程だ。
- 記述生成：既存の大型モデル（Gemini 3 Flash）に、ウェハマップの全体分析・空間分布のみ・推定原因のみ・構造化JSONの4種類の説明を書かせる。
- ルーブリック生成：その説明を、空間・形状・原因の3観点ごとに「必ず含むべき語」と「書いてはいけない語」のJSON採点表へ変換する。
- 問答生成：1枚のウェハマップにつき8〜10問の質問と答えを自動生成する。種類判定、空間分析、形状、原因推定、整合性検証の5種類。
この工程で、WM811K（81.1万枚のウェハマップ、9欠陥カテゴリ）とMixedWM38（38クラスの混在パターン）から、約29,000件の学習用問答ペアを合成した。学習はQwen3-VL-4B-InstructへのLoRA微調整と、GSPOによる強化学習を組み合わせている。
2-3. 結果
専門家が採点表を付けた54枚のウェハマップ、324問で評価した結果は次の通り（10点満点、GPT-5-miniによる採点）。
| モデル | 規模 | 総合スコア |
|---|---|---|
| Gemini-3-Flash（クラウド大型） | 非公開 | 7.149 |
| Qwen3-4B-RL（提案手法） | 4B | 6.493 |
| Qwen3-4B-SFT（微調整のみ） | 4B | 6.484 |
| Qwen3.5-plus | 非公開 | 6.224 |
| GLM-4.6V | 106B | 4.750 |
読み取るべき点は3つある。第一に、4Bモデルがクラウド大型モデルの約91%のスコアに到達した。第二に、素の同モデルは約4.0点だったので、合成データによる微調整だけで2.48点、率にして6割強の改善が出ている。第三に、106Bの大型モデルが4.750点にとどまった。パラメータ数ではなく、タスクに合わせた学習の有無が効くことを示している。
なお強化学習の追加寄与は総合スコアで+0.09点と小さく、改善の大半は合成データによる微調整で説明できる。ここは論文自身も表で明示している。
2-4. 誠実な限界
本論文は査読付き会議・論文誌への採択情報が示されていないプレプリントである。当社では「最新研究」として扱い、確定した学術的評価とは区別する。論文自身が挙げる限界も併記しておく。
- 評価用テストセットが54枚と小さく、全欠陥タイプを網羅できていない
- 自動評価指標と採点モデルの相関が低い（Spearman ρ=0.2861）
- 合成データの生成をGemini 3 Flashに依存しており、生成元モデルの偏りが混入する可能性がある
- 検証対象はウェハマップに限定され、他の産業検査タスクへの一般化は未検証
2-5. シリーズの地図
第1号『AnomalyR1』は画像から不良を「見つける」話だった。第5号『SOPRAG』はベテランの手順知を「引き出す」話。今回はその中間、不良の原因を言葉で説明させる領域にあたる。第11号の自動車外観検査が撮像・判定の速度を扱ったのに対し、本号は判定の後段、原因究明の自動化に踏み込んでいる。
3. 日本のビジネスに置き換えると何が起きるか
本章以降の適用シナリオは、論文が直接検証した範囲を超えた、当社の応用解釈である。論文はウェハマップのみを対象としており、他工程・他業種での成立は実測による確認が必要になる。
| 論点 | 論文が示したこと | 当社の解釈（日本の現場に置くと） |
|---|---|---|
| データ不足 | 限られたラベルから29,000件の問答を合成し実用水準に到達 | 不良品が年に数十件しか出ない現場でも、AI導入の入口に立てる |
| モデル規模 | 4Bで106Bを上回る | 産業用GPU1枚規模の設備投資で内製運用が視野に入る |
| 機密性 | オンプレミス運用を前提に設計 | 図面・工程条件を社外に出せない受託製造でも適用余地がある |
| 出力形式 | 分類ではなく自然言語での原因説明 | 検査員の教育教材、不具合報告書の一次ドラフトに転用できる |
| 熟練依存 | 採点表で「書くべき／書いてはいけない」を明文化 | 暗黙知だった判定基準を、レビュー可能な形式知に変換できる |
特に3点目を強調したい。日本の受託製造では、顧客の図面や工程条件を外部クラウドに送れないという制約が導入の最大の障壁になってきた。4B規模で成立するなら、この障壁の高さが実務的に下がる。
4. 導入シナリオ：PoC → 拡大 → 展開
フェーズ1：PoC（3ヶ月）
既存の検査画像・不良報告書を100〜300件集め、うち30件程度に熟練者が採点表を作る。合成データ生成と微調整を1ラインに限定して試し、熟練者の判断と一致するかを測る。GPU環境はクラウドの時間貸しで足りる。
フェーズ2：拡大（6ヶ月）
対象を3〜5ラインへ広げ、オンプレGPUを1〜2台調達する。既存のMES・品質管理システムとの接続、検査員のレビュー画面を整備する。ここで運用担当を1名専任化しないと、まず形骸化する。
フェーズ3：展開（以降）
全ライン適用と、月次でのモデル再学習を定常運用に載せる。新しい不良モードが出るたびに採点表を追記する運用ルールを、品質保証部門の業務手順に組み込む。
5. 残っている課題3点
課題1：合成データの偏りが、そのまま判定の偏りになる。 論文自身が生成元モデルの偏り混入を限界として挙げている。合成データだけで完結させず、実データによる定期的な検証を運用に組み込む必要がある。
課題2：「もっともらしい原因説明」が現場を誤誘導する。 自然言語で原因を語らせる以上、誤った説明も流暢に出る。原因の断定はAIに任せず、あくまで仮説の提示にとどめ、最終判断は人が行う運用境界を最初に決めておくこと。
課題3：評価指標が現場感覚とずれる。 論文でも自動評価と採点モデルの相関は0.29と低い。スコアが上がったのに現場の納得感が上がらない事態は起こりうる。導入初期は「熟練者との一致率」という現場側の指標を別に持つべきである。
6. 稟議で使えるキーワードと自己診断
キーワード1：データ主権。 学習も推論も自社設備内で完結する構成であること。顧客との機密保持契約に抵触しない点を、稟議書の冒頭に置く。
キーワード2：暗黙知の形式知化。 採点表という形で判定基準を文書化する工程そのものが、AIを入れなくても価値を持つ。技能伝承の投資として説明できる。
キーワード3：小さく始めて縮退できる設計。 4B規模なら、失敗したときの撤退コストが小さい。大型システム刷新ではないことを明示する。
自己診断チェックリスト
- 過去3年分の不良画像と不良報告書が、紐付いた状態で残っているか
- 「この不良の原因はこれ」と判断できる人が、社内に何名いるか
- その判断基準は文書化されているか、それとも個人の頭の中か
- 顧客との契約上、検査画像を外部クラウドに送ることは許されるか
- 不良原因の究明に、月あたり何時間を使っているか把握しているか
- 新しい不良モードが出たとき、判定基準を更新する担当者は決まっているか
上記の自己診断と稟議キーワードは、社内で最初の一歩を決めるための叩き台にしてほしい。
7. まとめ
キーメッセージ1：データが足りないことは、もはやAI導入を見送る理由にならない。 合成データで学習セットを作る工程が、実運用に耐える水準まで来ている。
キーメッセージ2：モデルは大きければ良いわけではない。 4Bがタスク特化学習によって106Bを上回った事実は、投資判断の前提を変える。
キーメッセージ3：AIに語らせるべきは「答え」ではなく「仮説」である。 原因説明の自動化は強力だが、断定させた瞬間に品質保証が壊れる。運用境界の設計が導入の成否を分ける。
一次ソース
- Ke Xu, Zhongyuan Lian. “WaferSAGE: Large Language Model-Powered Wafer Defect Analysis via Synthetic Data Generation and Rubric-Guided Reinforcement Learning.” arXiv:2604.27629v4, 2026年4月30日投稿（最新版2026年5月11日）
- 所属：上海華虹宏力半導体、華東理工大学 自動化学科
- 使用データセット：WM811K、MixedWM38
- 掲載状況：査読付き会議・論文誌への採択情報は公開されていない
次号予告
第13号は、電力・エネルギー分野を取り上げる。設備保全と需給変動という、製造業とは異なる時間軸を持つ現場で、AIがどこまで実務に食い込んでいるかを扱う。
