无论是叫做人工智能（AI）、机器学习（ML）还是专家系统，AI都已成为今天的新闻热点。Elon Musk曾经警告说，快速采用AI存在潜在风险，而IBM则已在其Watson服务中部署AI，用来处理某些需要进行某种判断的技术问题。科幻小说经常在情节中融入机器智能元素，例如《终结者》系列电影中的天网、《2001太空漫游》中的HAL 9000，或者冷战杰作《巨人:福宾计划》（图1）。

暂且不提各种威胁情景，AI有可能在各种模棱两可的情况下帮助做出决策。这不仅仅是遵循自动流程图，这些情况以往通常需要人来进行判断。这就引出了电子测试和测试工程话题。AI在这里有用吗？为了找到答案，我联系了许多公司，就他们的AI工作以及如何看待未来进行了讨论。

fyIednc

图1：《2001太空漫游》中有一台人工智能电脑HAL 9000，它成为了“发现一号”机组人员的敌人。AI变坏的假设例子不一而足，这就是其中之一。那么，测试领域如果有一台这样的新款HAL，它是否会告诉测试工程师说，“对不起，我不能那样重新调整测试顺序”？图片来源：Pixabay

对于这个讨论，我询问了几个具体问题：

• AI是否真的适用？

• 今天是否有产品或服务使用了AI？

• 未来是否会有产品使用AI？

• 如果有的话，哪些应用最有希望？

• 您认为提供AI产品和服务有哪些商业模式？

• 您公司现在提供哪些AI产品和服务？

我的第一个有关AI适用性的问题缺少正面回复。有几家公司只是说他们没有做AI方面的工作，或者至少他们觉得不方便说。所以，我们知道AI在测试领域不是主流，至少现在还不是。

从我收到的回复中确实可以看到一个重要的关系：半导体测试行业似乎已在追求AI。

泰利达（Teradyne）公司的最优化设计（DfX）经理Mark Hutner和产品经理Yi Zhang一起进行了回答。他们看到AI在两个方面具有应用前景：客户生产经济性和整体设备效率（以避免意外停机）。他们表示：“两者都将通过提高良率和测试覆盖、缩短产品上市时间和优化测试运行时间来为客户创造价值。”他们看到，虽然今天是使用自适应测试根据规则进行测试优化，但是AI在此大有可为。“我们看到测试时间可缩短10%到15%。”

在客户生产经济性方面，泰利达认为，AI在观察到初始故障后，可进行良率恢复，从而增加价值。这样可以实现更多测试，恢复不大好的裸片。再结合基于AI的自适应测试，这就会对产品盈利能力产生巨大影响。“良率恢复方法可使平均测试时间得到优化，良率得到恢复，借此，产品盈利能力有望提升超过30%。”Hutner和Zhang表示。

由于每个客户的基础设施各不相同，泰瑞达为多种离线数据分析工具提供数据通路。Optimal+是一家为半导体和电子公司提供端到端产品分析解决方案的公司，他们就提供这类工具。我采访了该公司的技术院士Michael Schuldenfrei。fyIednc

fyIednc

图2：AI可用来找出引起各产地晶圆良率问题的根本原因。图片来源：Optimal+

Schuldenfrei指出，Optimal+在其用于半导体制造的若干软件产品中使用AI来汇集多组产地或参数故障特征相似的晶圆，进而识别共同的根本原因（图2）。电子制造领域正使用神经网络来分析各检查步骤的输出，借此提供更好的故障分类。“我们使用AI来找出PCB中的裂缝。”Schuldenfrei表示。AI还可用来预测昂贵或破坏性工序（例如老化）的结果，以便可以跳过已预测通过的部分。

Schuldenfrei认为AI未来充满希望。“随着芯片、电路板和产品的复杂性不断增加，制造、组装和测试过程势必产生大量数据。为了获得相关的高价值的见识，人工智能就成为了处理这些数据的关键组成部分。随着电子产品在自动驾驶汽车等关键任务应用方面变得越来越普及，为了因应这方面的质量和可靠性要求，业界将加大对AI领域的投资，以便找出制造过程中潜在的不良器件，而防止用到它们。”

Optimal+通过年度订购提供产品。从长远来看，Schuldenfrei预计将会出现数据科学家把他们的AI模型部署到Optimal+等提供的第三方平台，而将它们变现的商业模式。这样的商业模式除了可以将AI部署到故障分析、制造和测试优化以外，还可以包含整个生命周期分析，他把它称为“圣杯”。

因此业界已有基于AI的产品。但是半导体公司真的使用AI吗？英特尔的工程总监Rohit Mittal在向EDN投稿的文章《Machne learning improves production test（机器学习改进生产测试）》中谈论了英特尔在机器学习方面的应用。他表示：“本文描述了一种方法，它可以在制造测试期间，使用机器学习算法以及误差补偿裕量，通过常规测量的参数可靠地预测出难以测量的参数。然后，这些预测值可用于在制造测试期间动态设置其他影响良率的参数。这种方法由于不依赖于早期设计验证测试（DVT）所得出的固定规范，还可以检测到由于元器件或工艺变化而产生的质量漂移。”

从全局来看就很容易想到，为什么半导体制造业可能最先采用机器学习进行测试。传统的电子制造通常有赖于对已知良好的、预先测试的器件进行组装。从理论上来讲，如果设计正确，只有零件和工艺缺陷才会导致故障。半导体制造却不同——工艺就是一切，包括“零件”的制造。实现高良率需要对多方面进行优化，而机器学习会是有用的工具。fyIednc

fyIednc

图3：虽然半导体测试看起来已准备好开发人工智能，但电子功能测试的前景并不确定。图片来源：Bloomy Controls

那么，传统的电子制造业呢？这里还有一段路要走。Bloomy Controls的首席技术官Grant Gothing接受了笔者采访。该公司在创建功能测试和数据采集系统方面具有丰富历史。Gothing表示，Bloomy目前使用基于规则的算法来优化生产功能测试系统（图3）。他认为AI是未来的技术，可以帮助对组件进行故障排除。这里他强调的问题是语义：严格来说，基于规则的系统不算AI系统。然而，这类系统在实现许多相同结果方面非常有用。当技术人员排除故障，打开复杂的电子组件时，它们可以为其提供见识和建议。问题是，与基于规则的系统或流程图相比，AI系统还有哪些优势？

同时，这里的关键问题是，AI增强型产品是否会在功能测试方面找到重要应用领域。从我自己的观点来看，这也是种财务权衡。毕竟，如果良率变得足够高，是否还有令人信服的理由，要把资源用于修复不工作的组件？或许有，但问题的答案非常取决于环境。

那么，回到“人工智能是否会进入测试行业”的问题，我认为这对于半导体行业来说是肯定的。业界已经有产品和成熟的答案。对于研发或制造领域方面的传统电子测试系统，答案尚不清楚。但有件事可以肯定，那就是所有这些工具都是用来帮助工程师，而不是取代他们。工程师不用担心机器会抢了他们的工作，至少现在还不会。fyIednc

本文为《电子技术设计》2019年7月刊杂志文章。原文链接：Will AI come to the test industry?fyIednc