关于 Mango AI
AI for Empirical Scientific Computing
让 AI 连接真实测量、专业计算与可复核的证据，帮助工程师理解问题、检验假设并推进调查。
面向实测数据驱动的科学与工程分析，将真实观测、专业计算方法与可复核证据组织成可追溯的工作流程。
Mango AI 的第一个产品，目前专注于晶圆检测结果分析与异常调查，服务半导体工艺与良率工程师。
Mango AI 关注什么
科学与工程中的许多问题，需要把图像、测量结果、实验记录和现场背景放在一起，选择合适的方法进行计算，再判断现有数据究竟说明了什么。数据的统计对象、单位、范围、计算假设和证据来源，都会直接影响最终结论。
Mango AI 关注基于实证的科学与工程计算（Empirical Scientific Computing）。我们希望把这一过程组织成可执行、可追溯、可复核的工作流程：从真实观测出发，调用专业方法形成分析结果，解释证据能支持什么，并明确尚不能回答的问题。
这里的 Empirical（实证）强调观测与检验。统计、仿真和近似计算都可以参与，同时保留各自的方法假设、适用范围及不确定性：
协助理解工程问题、选择合适的计算方法与对照材料，判断现有证据的充分性，并区分已支持结论与待回答问题。
负责准备材料、按明确口径执行确定性计算、完整记录数据来源并校验输出，确保结果不依赖语言模型臆测。
直接核对原始材料、统计口径与计算记录，结合现场工艺判断审阅分析结果，并作出需要承担责任的工程决定。
当前产品：WaferPilot
我们目前专注于开发第一个产品 WaferPilot（AI for Wafer Fabrication），从晶圆制造中的检测结果分析与异常调查切入，服务工艺与良率工程师。
在日常异常排查中，工程师需要回答一系列具体问题：这片晶圆观察到了什么？异常主要集中在哪里？采用了什么统计口径？现有材料支持哪些判断，还缺什么证据？围绕这一调查闭环，WaferPilot 重点支持四个环节：
结合已登记的晶圆检测数据、空间图像和分析报告，确认分析对象、统计范围与可用方法。
按问题选取合适的方法，展示统计指标、空间分布和对比图表，完整保留原值、计算口径及数据来源。
将观察结果、证据支持、方法限制和待补充材料分别说明；工程师可以直接查看原始材料并继续追问。
把问题、计算结果、证据引用、未确认事项和下一步建议整理成结构化材料，便于审阅与跨团队交接。
创始人与背景
Mango AI 由 Feng Gao 创立。
在创立 Mango AI 之前，他曾在 Google 工作多年，负责搜索（Search）与 AI 相关项目；加入 Google 之前，他曾先后就职于 Synopsys（从事 EDA 软件研发）与 Lattice Semiconductor（从事 FPGA 芯片设计）。他拥有电子工程（EE）硕士与计算机科学（CS，机器学习方向）双硕士学位，并完成了斯坦福大学商学院（Stanford GSB）的 LEAD 项目。
这段横跨芯片设计、EDA 工程计算与大规模 AI 系统的经历，促使他在 2023 年开始探索两者的结合方向，并于 2025 年正式投入创业。选择从晶圆制造中的实测数据分析切入，是因为这里的工程判断高度依赖真实观测数据与严谨的数值计算，而现有的通用 AI 工具很难直接满足可追溯、可复核的工程要求。
多年负责 Search 与 AI 相关项目的工程研发与落地。
曾于 Synopsys 从事 EDA 软件研发，并于 Lattice Semiconductor 从事 FPGA 芯片设计。
电子工程（EE）硕士、计算机科学（CS，机器学习方向）硕士；完成斯坦福大学商学院 LEAD 项目。
产品入口与联系方式
如果你正在从事晶圆制造、良率分析、工艺工程或半导体设备研发，欢迎了解 WaferPilot 的当前能力，或通过邮件与我们直接交流具体场景。