研发中心计划连接模型与硅片反馈
PG关注到，意法半导体介绍在意大利Castelletto建设研发数字孪生中心的计划，将物理建模、仿真、数据、AI及工程知识放入共同环境，并用实际硅片结果持续校准。目标是更早识别问题，缩短重复开发周期。
计划第一阶段延续至2027年底，重点为基础设施和概念验证；随后预计再用三至五年完善并部署新的工程模式。中心预计最多有250名研发人员参与，相关安排属于逐步建设方向，尚不能当作全部能力已经交付。
这一项目面向技术研发及相关工程活动，公司也明确制造执行仍由独立制造数字化计划管理。研发模型与工厂运行能够相互支持，但职责与应用范围需要保持清楚，避免将一个中心理解为覆盖全部生产系统。
数字孪生需要持续接受真实测量
半导体器件行为受工艺、结构和工作条件影响，模型只有与测量保持联系，才有机会提高预测能力。数字孪生的重点因此不是绘制一次虚拟外形，而是让实际实验不断更新对器件和工艺的理解。
当模型与测量出现差异，团队需要知道差异来自参数、结构还是实验条件。保留版本、测试方法与输入范围，有助于把一次发现转化为可复用知识，而不是只在单个项目里修正局部问题。
这种循环也要求不同专业使用能够衔接的数据。设计、工艺和测试各自掌握部分信息，清楚的定义与接口，可以让团队在早期就比较假设，减少进入后期后才发现相互影响。
提前探索可以改变开发取舍
物理试验具有不可替代的价值，也需要制造与表征资源。若能先在数字环境中筛选候选方案，团队便可以把后续实验集中到更有价值的问题上，提升每轮硅片验证能够获得的信息。
预测能力仍有适用边界。模型在已经校准的条件下较有依据，超出范围则需要进一步验证。工程决策应当知道模型支持什么判断，以及哪些不确定性需要通过真实器件继续确认。
AI可以帮助处理复杂数据和发现关联，最终结论仍需与物理机制、实验记录和工程知识结合。让分析结果可追溯，有助于团队判断哪些线索值得投入，并避免把统计关联直接当成确定原因。
共同数据环境还需要确定访问和维护责任。模型由谁更新、哪些结果已经验证以及新实验怎样进入平台，应当形成清楚规则，使研究人员能够复用可信知识，同时知道何处仍需继续检验。
跨团队复用决定长期价值
一个研发平台能否产生持续收益，取决于知识是否能够进入后续项目。成熟模型、测试流程和经验若有清楚条件，就更容易在不同产品之间复用，减少团队反复解决相似问题。
人员与合作生态也需要共同建设。高校、工具供应商与产业工程团队各有专长，围绕明确任务形成共同验证方法，能够让研究结果更容易进入真实开发，而不只停留在演示环境。
PG认为，数字孪生中心的看点是研发方式的变化。建设进度、模型校准和实际项目应用需要逐步验证，后续值得观察它是否帮助团队以更清楚的依据作出设计选择，并把学习成果带到更多产品中。