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(diào)，結(jié)合行業(yè)變革趨勢，分享普迪飛在半導體測試領(lǐng)域的AI實踐經(jīng)驗，剖析有效與無效的技術(shù)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(shè)計與制造的紐帶，正因先進封裝復(fù)雜性及多供應(yīng)商合作模式而逐漸弱化。盡管數(shù)據(jù)復(fù)雜性、模型適應(yīng)性和安全性相關(guān)的挑戰(zhàn)依然存在，但AI建模、互聯(lián)數(shù)據(jù)系統(tǒng)和自適應(yīng)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(lǐng)導者。

當前，測試工程師面臨三大核心挑戰(zhàn)：

設(shè)計復(fù)雜性：芯片架構(gòu)升級帶來測試難度激增。

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

供應(yīng)鏈安全：數(shù)據(jù)敏感型場景下隱私與合規(guī)風險。

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

技術(shù)落地瓶頸：數(shù)據(jù)、模型與部署約束

Dr. Ming Zhang表示，通過理解數(shù)據(jù)、建模和基礎(chǔ)設(shè)施之間的相互作用，利益相關(guān)者可以充分釋放AI在半導體測試領(lǐng)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(shù)、運營和物流領(lǐng)域的獨特挑戰(zhàn)。例如，半導體數(shù)據(jù)本身就包含數(shù)值結(jié)果、參數(shù)測量和視覺記錄等異構(gòu)數(shù)據(jù)。數(shù)據(jù)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(yīng)對不斷變化的物理條件（例如設(shè)備校準變化和工藝輸出的演變），這需要實時調(diào)整以確保準確性。不容忽視的是，部署約束會根據(jù)需求而變化。邊緣計算提供設(shè)備級別的控制，而基于服務(wù)器和云的部署可能提供更復(fù)雜的分析，從而增加延遲。鑒于測試數(shù)據(jù)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(nèi)容圖示

AI應(yīng)用場景：從自適應(yīng)測試到全流程優(yōu)化

目前AI在多個測試應(yīng)用中釋放了巨大的潛力，首先是自適應(yīng)測試。它支持基于歷史組件數(shù)據(jù)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(guān)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(jīng)濟價值最大化。隨著芯片設(shè)計轉(zhuǎn)向多芯片配置，這種方法將變得越來越重要。預(yù)測性分檔和減少老化測試也能帶來好處。預(yù)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(guān)的成本。這對于優(yōu)化復(fù)雜AI系統(tǒng)中的系統(tǒng)級測試 (SLT) 尤其重要。

互聯(lián)數(shù)據(jù)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(zhì)量的輸出，保障長期可靠性和安全性。

部分演講內(nèi)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(diào)，半導體測試需貫穿 “設(shè)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(shù)據(jù)” 帶來的挑戰(zhàn)，可以通過動態(tài)跟蹤數(shù)據(jù)健康與跨場景經(jīng)驗復(fù)用加速AI部署。與互聯(lián)網(wǎng)搜索等擁有海量數(shù)據(jù)集的環(huán)境不同，半導體測試通常受限于高度可變的數(shù)據(jù)集，這凸顯了對靈活應(yīng)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(shù)據(jù)健康狀況和模型性能，以便及時調(diào)整；

遷移學習策略，即利用從一個產(chǎn)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(shù)據(jù)管理、模型開發(fā)和自動化相分離的分區(qū)架構(gòu)。

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(wù)，可以在保持精度的同時減少人工干預(yù)。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(qū)動的決策與專家監(jiān)督之間取得平衡。

結(jié)語：AI驅(qū)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(zhuǎn)型，通過增強連接性和預(yù)測建模，進而實現(xiàn)“高質(zhì)量、低成本、快交付”的目標。盡管數(shù)據(jù)復(fù)雜性、模型適配性與安全風險仍需攻克，但AI在自適應(yīng)策略、數(shù)據(jù)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(shù)融合，在挑戰(zhàn)中構(gòu)建下一代測試體系。