物理的なプロセス調整
90実際に設置された物理的なファブ装置を調整するには、現場での立ち会いと、訓練データからは簡単に移転できない装置固有の暗黙知が必要だ。
濃いマスほど、このテーマでその指標が高いことを示します。
低高
専門分野によって大きく異なる。チップ設計エンジニアは一日の大半をソフトウェア上で過ごし、回路をレイアウトし、実際に製造される前にその挙動をシミュレーションする。プロセス・デバイスエンジニアは物理的なファブの現場に近く、シリコンウェハーに成膜・エッチング・パターニングを行う装置を調整し、ロットの歩留まりが落ちた原因を突き止める仕事をする。
電気工学・材料科学・物理学の学士号があれば、多くの新人向け設計・ファブ職には十分だ。先端プロセス開発や新しいデバイス構造、国立研究所での研究職といった研究色の強い職種では、通常修士号や博士号が求められる。約10ナノメートル以下になると関わる物理学が本当に難しくなるためだ。
一部のタスクはすでにそうなりつつある。AIツールはチップレイアウトの配置配線を助け、ウェハー画像の欠陥を分類し、検証テストの初稿を生成している。しかし数百万ドル規模のエッチング装置を物理的に調整すること、誰も見たことのない欠陥を診断すること、ファブ全体のウェハーロットが廃棄された際に責任を負うことは、依然としてモデルに任せるのがはるかに難しい。
国と専門分野によって大きく異なる。米国ではこの分野のエンジニアは通常六桁台後半の年収を得ており、経験を積むほど急激に上がる。実際に先端チップの大半を製造している台湾では、業界の世界的重要性に比して基本給が低いことで有名だが、世界的な人材不足の中で急速に上昇している。
ファブとはチップを製造する物理工場のことで、一つを所有・運営するには技術世代ごとに数百億ドルの費用がかかる。ファブレス企業――NvidiaやQualcommなど――はチップを設計するが、TSMCやSamsungといったファウンドリに製造を委託する。この分業は1987年に始まったモリス・チャンのファウンドリモデルによって広まった。
1987年に新竹で設立されたTSMCは、数十年にわたる製造ノウハウを蓄積し、競合他社が追いつくのに苦労するほどの地位を築いた。今では世界の最先端ロジックチップの大部分を製造している。この集中は時に台湾の『シリコンの盾』と呼ばれ、東アジアを超えた各国政府が台湾を戦略的に重要視する中心的な理由となっている。
半導体エンジニアリングは異例な立場にある。この職業への需要を作り直しているのと同じAIブームが、チップレイアウト最適化から欠陥分類まで、日々の業務の一部を自動化し始めているのだ。しかし純粋なソフトウェア職とは異なり、作業の大部分は一台あたり数千万ドルする機械を動かす物理的な工場現場で行われ、誰かがそれについて法的・財務的な責任を負わなければならない。
その物理的で資本集約的な中核こそが、この職業の自動化リスクをソフトウェアエンジニアリングよりも穏やかに保っている要因だ。以下のセクションでは、すでにアルゴリズムに任されている業務と、今のところクリーンルームに立つ人間や数百万ドル相当の決断に署名する人間をまだ必要とする業務を分けて見ていく。
ウェハー欠陥を画像から分類する、チップの物理レイアウトを最適化する、検証テストの初稿を生成するといった、明確に定義された特定のタスクは、すでにAIツールが同程度の速さで処理できるようになっている。自動化が依然として難しいのは、隣のラインの双子機とわずかに挙動の異なる実際のファブ装置を物理的に調整すること、前例のない欠陥を診断すること、そして数百万ドル相当のウェハーロットに影響する決定に責任を持つことだ。
肩書きではなく業務単位で算定。低いほど安全。
AIが奪えない仕事 →実際に設置された物理的なファブ装置を調整するには、現場での立ち会いと、訓練データからは簡単に移転できない装置固有の暗黙知が必要だ。
ファブ全体のウェハーロットが廃棄された場合や安全事故が発生した場合、誰かが責任を負わなければならない――モデルはその責任を負うことができない。
ファブはアルシンやホスフィンといった有毒・自然発火性のガスを高電圧装置とともに扱う。ここでの判断には実際の物理的リスクが伴い、委任できない。
前例に一致しない故障モード――新しい材料スタック、前例のない異常――を診断するには、プレッシャーの中で仮説を立てて検証する人間が依然として必要だ。
設計とプロセスのどちらが回避策のコストを負担するか、あるいは相反する二つの締め切りのどちらを延ばすかを決めることは、政治的であると同時に技術的な判断だ。
コンピュータビジョンモデルは今や、手作業による目視検査よりも速く、多くの場合より一貫してウェハーや顕微鏡画像の欠陥を検出する。
先端EDAアルゴリズムと、2021年発表のGoogleの研究を含む強化学習研究は、かつては反復的な手作業調整を必要とした配置・配線の判断をますます自動化しているが、結果と再現性については議論が続いている。
AIツールは設計検証のためのテストベクトルとカバレッジシナリオの候補を生成できるが、正しいコーナーケースを試しているかどうかの判断は依然としてエンジニアが行う。
統計的工程管理ソフトウェアはすでにファブの逸脱パラメータを自動でフラグ付けしている。かつてはエンジニアがチャートを目視で確認する必要があった業務だ。
設計業務の増加分は、すべてのブロックをゼロから手作業で配置するのではなく、AI支援によるレイアウトやフロアプランを確認・調整することに向かっている。
設計の複雑さが増し、その多くが機械生成になるにつれ、後戻りできないテープアウトの前に微妙な正確性の誤りを見つけることが、この分野で最も希少で価値ある技能になりつつある。
米CHIPS法、EUチップス法、日本のラピダス計画を含む輸出規制と各国の補助金プログラムが、ファブ建設とエンジニアリング職を新しい地域に積極的に移転させている。
新規採用の増加分の相当割合が、汎用コンピューティングではなく機械学習の訓練・推論向けにチップを設計する仕事に向かっている。2010年代以前にはほとんど独立した専門分野として存在しなかった分野だ。
汎用コンピューティングではなく機械学習ワークロードに最適化されたカスタムシリコンを設計する、急成長中の専門分野。従来のチップ設計から人材を引き寄せている。
純粋なトランジスタのスケーリングが鈍化する中、データをより速く動かすため光インターコネクトをチップの上または近くに統合する。電気工学と光工学の橋渡しをする新興分野。
顧客を審査し、最終用途を追跡し、急速に変化する米国・EU・中国の貿易規則に対応する。2020年代以前は専任の職としてほとんど存在しなかった役職。
個々のトランジスタの縮小が収穫逓減になるにつれ、より多くの性能向上がTSMCのCoWoSやIntelのFoverosのような、一つのパッケージ内で複数のチップレットを積層・接続することから生まれるようになっている。
可逆の3レンズ: 補助、一部置換、新ニッチ。教材であり予測ではありません。
役割は残し、AIが下書き・仕分け・調査を加速。判断と責任は人側。
狭いタスク群が先に圧縮され、隣接スキルが伸びることも。
規制下でAI出力を信頼する監督・統合・ドメインQAが生まれ得る。
半導体エンジニアへの需要は今後10年、AIアクセラレータ需要と、現在の少数の支配的拠点の外に製造能力を築こうとする政府主導の意図的な取り組みに牽引され、堅調に見える。しかしこの仕事も破壊と無縁ではない。定型的なレイアウトと検査業務はすでに縮小しており、この職業の極端な資本コストのため、雇用の伸びは数十億ドル規模のファブに資金を出せるごく少数の国に集中し続ける。
優位性は今後も、物理とデジタルの境界で働けるエンジニア――ウェハーマップを読み、実測したシリコンが裏付ける範囲でしかシミュレーションを信頼せず、自動化ツールの提案が微妙に間違っていたときに責任を取ることができるエンジニア――の側にあり続けるだろう。
分野だけでなく、6つのスコアが近い職業です。
一度の手術ではなく、診察と根拠に基づいて何年にもわたり病気を見極め健康を管理し続ける——医学のジェネラリストであり長期的な伴走者。
AI耐性 67 🔐デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63 🧫臨床データ、治験データ、医療システムのデータを用いて、より安全な医療、研究、業務上の意思決定のための信頼できるエビデンスを生み出す。
AI耐性 68 📦本番環境で機械学習モデルを訓練・配備・監視・ガバナンスするためのシステムを構築する仕事。
AI耐性 54 🦾感知し、判断し、物理世界で行動する機械を設計する仕事。真の難問は知能ではなく、世界そのものだった。
AI耐性 65 🌬️再生可能な資源を信頼できる電力に変える、風力、太陽光、蓄電、送電網のシステムを設計・構築・改善する。
AI耐性 72現代生活を動かすコードを書き、テストし、保守する仕事であり、AIが自分自身の日々の作業を自動化していく様子を最初に目の当たりにしている職業の一つでもある。
AI耐性 35 🤖機械知能を支えるアルゴリズムを設計・検証する仕事。今やその研究プロセス自体の自動化を競う分野になりつつある。
AI耐性 50 🛰️地上を離れる航空機・ロケット・宇宙船を設計・解析・認証する仕事で、推測の余地を残さない安全マージンを守り続ける。
AI耐性 74 🌉川と岩と重力を橋・道路・清潔な水に変える職業――イムホテプ以来、文明を静かに支え続ける仕事。
AI耐性 72 🦾感知し、判断し、物理世界で行動する機械を設計する仕事。真の難問は知能ではなく、世界そのものだった。
AI耐性 65 🔐デジタル攻撃を発見、防止し、対応することで、システム、データ、人々を保護します。
AI耐性 63 📦本番環境で機械学習モデルを訓練・配備・監視・ガバナンスするためのシステムを構築する仕事。
AI耐性 54 🌬️再生可能な資源を信頼できる電力に変える、風力、太陽光、蓄電、送電網のシステムを設計・構築・改善する。
AI耐性 72