無論是名為人工智慧(AI)、機器學習(ML)還是專家系統,AI都已成為今天的新聞熱點。Elon Musk曾經警告說,快速採用AI存在潛在風險,而IBM則已在其Watson服務中部署AI,用來處理某些需要進行某種判斷的技術問題。科幻小說經常在情節中融入機器智慧元素,例如《終結者(Terminator)》系列電影中的天網(Skynet)、《2001太空漫遊(2001: A Space Odyssey)》中的HAL 9000(圖1),或者冷戰傑作《巨人:福賓計畫(Colossus: The Forbin Project)》。

20190704EDNNT31P1 圖1 《2001太空漫遊》中有一台AI電腦HAL 9000,它成為了「發現一號(Discovery One)」機組人員的敵人。AI變壞的假設例子不一而足,這就是其中之一。那麼,測試領域如果有一台這樣的新款HAL,它是否會告訴測試工程師說,「對不起,我不能那樣重新調整測試順序」?(圖片來源:Pixabay)

暫且不提各種威脅情景,AI有可能在各種模棱兩可的情況下做出決策。這不僅僅是遵循自動流程圖,這些情況以往通常需要人來進行判斷。這就引出了電子測試和測試工程話題,AI在這裡有用嗎?為了找到答案,筆者聯繫了許多公司,就他們的AI工作,以及如何看待未來進行了討論。

對於這個討論,我詢問了幾個具體問題:

˙AI是否真的適用?

˙今天是否有產品或服務使用了AI?

˙未來是否會有產品使用AI?

˙如果有的話,哪些應用最有希望?

˙你認為提供AI產品和服務有哪些商業模式?

˙公司現在提供哪些AI產品和服務?

我的第一個有關AI適用性的問題缺少正面回覆。有幾家公司只是說他們沒有做AI方面的工作,或者至少他們覺得不方便說。所以,我們知道AI在測試領域不是主流,至少現在還不是。

從我收到的回覆中確實可以看到一個重要的關聯性:半導體測試產業似乎已在追求AI。

Teradyne最佳化設計(DfX)經理Mark Hutner和產品經理Yi Zhang一起進行了回答。他們看到AI在兩個方面具有應用前景:客戶生產經濟性和整體設備效率(以避免意外停機)。他們表示:「兩者都將透過提高良率和測試覆蓋、縮短產品上市時間和最佳化測試執行時間來為客戶創造價值。」他們看到,雖然今天是使用自我調整測試根目錄據規則進行測試最佳化,但是AI在此大有可為。「我們看到測試時間可縮短10~15%。」

在客戶生產經濟性方面,Teradyne認為,AI在觀察到初始故障後,可進行良率恢復,從而增加價值。這樣可以實現更多測試,恢復不太好的裸片。再結合基於AI的自我調整測試,這就會對產品盈利能力產生巨大影響。「良率恢復方法可使平均測試時間得到最佳化,良率得到恢復,借此,產品盈利能力可望提升超過30%。」Hutner和Zhang表示。

由於每個客戶的基礎設施各不相同,Teradyne為多種離線資料分析工具提供資料通路。Optimal+是一家為半導體和電子公司提供端到端產品分析解決方案的公司,他們就提供這類工具,筆者採訪了該公司的技術院士Michael Schuldenfrei。

Schuldenfrei指出,Optimal+在其用於半導體製造的若干軟體產品中使用AI來彙集多組產地或參數故障特徵相似的晶圓,進而辨識共同的根本原因(圖2)。電子製造領域正使用神經網路(NN)來分析各檢查步驟的輸出,借此提供更好的故障分類。「我們使用AI來找出PCB中的裂縫。」Schuldenfrei表示。AI還可用來預測昂貴或破壞性工序(例如老化)的結果,以便可以跳過已預測通過的部分。

20190704EDNNT31P2 圖2 AI可用來找出引起各產地晶圓良率問題的根本原因。(圖片來源:Optimal+)

Schuldenfrei認為AI未來充滿希望。「隨著晶片、電路板和產品的複雜性不斷增加,製造、組裝和測試過程勢必產生大量資料。為了獲得相關的高價值的見識,AI就成為了處理這些資料的關鍵組成部分。

隨著電子產品在自動駕駛車等關鍵任務應用方面變得越來越普及,為了因應這方面的品質和可靠性要求,業界將加大對AI領域的投資,以便找出製造過程中潛在的不良元件,而防止用到它們。」

Optimal+透過年度訂購提供產品。從長遠來看,Schuldenfrei預計將會出現資料科學家把他們的AI模型部署到Optimal+等提供的協力廠商平台,而將它們變現的商業模式。這樣的商業模式除了可以將AI部署到故障分析、製造和測試最佳化以外,還可以包含整個生命週期分析,他把它稱為「聖杯(Holy Grail)」。

因此業界已有基於AI的產品。但是半導體公司真的使用AI嗎?英特爾(Intel)工程總監Rohit Mittal在向EDN投稿的文章《Machne learning improves production test(機器學習改進生產測試)》中談論了英特爾在機器學習方面的應用。他表示:「本文描述了一種方法,它可以在製造測試期間,使用機器學習演算法,以及誤差補償裕量,透過常規測量的參數可靠地預測出難以測量的參數。然後,這些預測值可用於在製造測試期間動態設置其他影響良率的參數。這種方法由於不依賴於早期設計驗證測試(DVT)所得出的固定規範,還可以檢測到由於元件或製程變化而產生的品質漂移。」

從整體來看就很容易想到,為什麼半導體製造業可能最先採用機器學習進行測試。傳統的電子製造通常有賴於對已知良好的、預先測試的元件進行組裝,從理論上來講,如果設計正確,只有零件和製程缺陷才會導致故障。半導體製造卻不同——製程就是一切,包括「零件」的製造。實現高良率需要對多方面進行最佳化,而機器學習會是有用的工具。

那麼,傳統的電子製造業呢?這裡還有一段路要走。Bloomy Controls技術長Grant Gothing接受了筆者採訪,該公司在創建功能測試和資料擷取系統方面具有豐富歷史。

Gothing表示,Bloomy目前使用基於規則的演算法來最佳化生產功能測試系統(圖3)。他認為AI是未來的技術,可以協助對元件進行故障排除。這裡他強調的問題是語義:嚴格來說,基於規則的系統不算AI系統。然而,這類系統在實現許多相同結果方面非常有用。當技術人員排除故障,打開複雜的電子元件時,它們可以為其提供想法和建議。問題是,與基於規則的系統或流程圖相比,AI系統還有哪些優勢?

20190704EDNNT31P3 圖3 雖然半導體測試看起來已準備好開發AI,但電子功能測試的前景並不確定。(圖片來源:Bloomy Controls)

同時,這裡的關鍵問題是,AI增強型產品是否會在功能測試方面找到重要應用領域。從我自己的觀點來看,這也是種財務權衡。畢竟,如果良率變得夠高,是否還有令人信服的理由,要把資源用於修復無用的元件?或許有,但問題的答案非常取決於環境。

那麼,回到「AI是否會進入測試產業」的問題,我認為這對於半導體產業來說是肯定的,業界已經有產品和成熟的答案。對於研發或製造領域方面的傳統電子測試系統,答案尚不清楚。但有件事可以肯定,那就是所有這些工具都是用來幫助工程師,而不是取代他們。工程師不用擔心機器會搶了他們的工作,至少現在還不會。

(參考原文: Will AI come to the test industry?,by Larry Desjardin)