半導体製造における欠陥分類の精度向上に向け、ジェネレーティブAIとビジョンファウンデーションモデル（VFM）の活用が進んでいる。現代の電子機器を支えるシリコンチップは、微細な欠陥一つで製品の良否が決まるほど精密なプロセスで作られる。従来の欠陥分類には畳み込みニューラルネットワーク（CNN）が使われてきたが、データ量の多さ、新しい欠陥タイプへの対応困難、再トレーニングの頻度といった課題に直面しており、生産現場でのスケーラビリティに限界がある。 こうした課題を解決するため、NVIDIAはビジョン言語モデル（VLM）とビジョンファウンデーションモデル（VFM）を活用した新しいアプローチを提案している。特に「Cosmos Reason」のようなVLMは、ウェーハマップ画像を自然言語で解釈し、欠陥の種類を自動分類、原因分析まで行える。実験では、ゼロショット状態からわずかの微調整で分類精度が96％以上にまで向上した。 一方、ダイレベルの欠陥検出にはNV-DINOv2といったVFMを活用。大量のラベルなし画像データを用いた自己教師学習（SSL）により、工業現場に特化したモデルへの適応を実現。NVIDIA TAOツールキットを活用した実験では、100万枚以上の未ラベル画像を用いたドメイン適応により、欠陥検出精度が93.84％から98.51％へと飛躍的に向上。わずか600枚程度のラベルデータで十分な性能が得られるため、手動ラベリングの負担を大幅に削減できる。 このアプローチにより、製造現場での欠陥分析のスピードと正確性が飛躍的に向上。さらに、AIによるリアルタイム監視や安全遵守のための動画解析にも応用され、スマートファブの実現に向けた基盤が整いつつある。半導体メーカーは今後、AIによる自動欠陥分類をさらに標準化し、生産性と品質の向上を加速していく。