普迪飛Fabless Solutions副總裁Dr. Ming Zhang在TestConX 2025 大會上分享了以《測試AI：半導體制造的新前沿》為主題的演講。他以 “學習、探索、分享” 為基調，結合行業(yè)變革趨勢，分享普迪飛在半導體測試領域的AI實踐經驗，剖析有效與無效的技術路徑。

測試紐帶瓦解：先進封裝下的多重挑戰(zhàn)

測試是連接設計與制造的紐帶，正因先進封裝復雜性及多供應商合作模式而逐漸弱化。盡管數據復雜性、模型適應性和安全性相關的挑戰(zhàn)依然存在，但AI建模、互聯(lián)數據系統(tǒng)和自適應測試策略的進步展現(xiàn)了未來的可能性。Dr. Ming Zhang認為，率先布局AI的半導體制造商有望成為行業(yè)領導者。

當前，測試工程師面臨三大核心挑戰(zhàn)：

設計復雜性：芯片架構升級帶來測試難度激增。

工藝多變性：制造環(huán)節(jié)參數波動影響測試穩(wěn)定性。

供應鏈安全：數據敏感型場景下隱私與合規(guī)風險。

而AI可以通過增強數據源之間的連接以及更快、更可靠的決策來應對這些挑戰(zhàn)。

技術落地瓶頸：數據、模型與部署約束

Dr. Ming Zhang表示，通過理解數據、建模和基礎設施之間的相互作用，利益相關者可以充分釋放AI在半導體測試領域的潛力。但這并不像看起來那么容易。將AI融入半導體測試，面臨著跨越技術、運營和物流領域的獨特挑戰(zhàn)。例如，半導體數據本身就包含數值結果、參數測量和視覺記錄等異構數據。數據集之間的不一致性增加了采用通用AI算法的難度。

模型維護是一個重要的考慮因素，因為制造業(yè)的AI模型需要持續(xù)監(jiān)控和維護，以應對不斷變化的物理條件（例如設備校準變化和工藝輸出的演變），這需要實時調整以確保準確性。不容忽視的是，部署約束會根據需求而變化。邊緣計算提供設備級別的控制，而基于服務器和云的部署可能提供更復雜的分析，從而增加延遲。鑒于測試數據本身就很敏感，其涵蓋良率、成本和覆蓋率，以及安全敏感性（或許是當今最重要的考慮因素），更需要在利用AI洞察的同時保持安全性。

部分演講內容圖示

AI應用場景：從自適應測試到全流程優(yōu)化

目前AI在多個測試應用中釋放了巨大的潛力，首先是自適應測試。它支持基于歷史組件數據的動態(tài)測試策略，從而優(yōu)化測試覆蓋率和成本。例如，重點保障關鍵組件測試精度，減少低要求場景冗余。

智能系統(tǒng)分選工具可將具有相似特性的芯片組合在一起，從而實現(xiàn)經濟價值最大化。隨著芯片設計轉向多芯片配置，這種方法將變得越來越重要。預測性分檔和減少老化測試也能帶來好處。預測算法將在芯片生命周期的早期識別潛在故障，從而降低下游測試和封裝相關的成本。這對于優(yōu)化復雜AI系統(tǒng)中的系統(tǒng)級測試 (SLT) 尤其重要。

互聯(lián)數據系統(tǒng)可以整合來自Foundry、Fabless和裝配線的信息，通過AI生成切實可執(zhí)行的洞察，確保高質量的輸出，保障長期可靠性和安全性。

部分演講內容圖示

未來方向：全生命周期集成與策略創(chuàng)新

Dr. Ming Zhang強調，半導體測試需貫穿 “設計-制造-運營” 全生命周期，AI解決方案需跨階段集成以釋放整體效益。

面對“小數據” 帶來的挑戰(zhàn)，可以通過動態(tài)跟蹤數據健康與跨場景經驗復用加速AI部署。與互聯(lián)網搜索等擁有海量數據集的環(huán)境不同，半導體測試通常受限于高度可變的數據集，這凸顯了對靈活應變的AI策略的需求，進一步探索策略如：

實時監(jiān)控策略，即持續(xù)跟蹤數據健康狀況和模型性能，以便及時調整；

遷移學習策略，即利用從一個產品或工廠中獲得的洞察來加速人工智能在不同場景中的部署，以及采用將數據管理、模型開發(fā)和自動化相分離的分區(qū)架構。

生成式AI通過自動化測試平臺上的規(guī)則創(chuàng)建和校準任務，可以在保持精度的同時減少人工干預。因此，為確保系統(tǒng)性能可靠準確，工作流程通常需要在AI驅動的決策與專家監(jiān)督之間取得平衡。

結語：AI驅動測試革命，挑戰(zhàn)與機遇并存

半導體測試不斷的 “孤立環(huán)節(jié)” 向 “智能協(xié)同” 轉型，通過增強連接性和預測建模，進而實現(xiàn)“高質量、低成本、快交付”的目標。盡管數據復雜性、模型適配性與安全風險仍需攻克，但AI在自適應策略、數據整合、全流程優(yōu)化中的潛力已清晰顯現(xiàn)。行業(yè)需以開放視角探索技術融合，在挑戰(zhàn)中構建下一代測試體系。