电子产品世界

核心要点

• 智能测试的落地首先是数据链问题，而非算法问题。

• 器件即便通过所有检测点，仍可能携带测试记录未捕捉的潜在缺陷。

• 测试愈发自适应，测量环境的有效性与测量结果本身同等重要。

因此，智能测试正从测试时间优化问题，演变为成本更高的可追溯性挑战。制造商必须能够整合并利用晶圆厂制程数据、测试测量数据、模型预测数据以及器件后续现场运行数据。但模型只是其中一层，更难的是搭建数据基础设施，让模型在正确的器件、正确的测试节点、匹配完整的制程历史下做出判断。

智能测试依托自适应测试规则、机器学习模型、前馈 / 反馈数据，整合晶圆厂量测、检测、电性测试、封装与现场监控信息，动态调整测量参数、阈值、分 bin 规则或物料流向。它并非单一标准、协议或产品类别，而是描述从固定测试序列转向基于测试全流程数据做制造决策的转型方向。

PDF Solutions 公司 Exensio 解决方案总监 Greg Prewitt 表示：“对价值影响最大的，是能否收集、对齐、标准化数据，并拥有在任何需要的地方部署模型的基础设施。这背后需要大量平台数据工程支撑，以及全程可追溯性。”

如今一颗器件会依次经历晶圆测试、封装装配、老化、终测、系统级测试与现场监控，全程携带晶圆厂量测设备、检测系统、自动测试设备（ATE）、机械手、探针台及客户定制分析平台产生的数据。智能测试的价值，取决于能否让所有数据流在每一次交接中保持连通、可解释、可信赖。

过去，测试设备的优化方向是缓存数据、生成日志文件以保障吞吐量，而非降低延迟。现在它们被要求完成本质不同的任务：如果某一测量结果会影响阈值、流程、工位行为或下游测试，测试单元就需要更快的数据访问能力与足够算力，且不能拖慢生产。

泰瑞达（Teradyne）智能制造产品经理 Eli Roth 指出：“我们长期以来都能容忍数据采集到执行动作之间间隔数小时甚至数天，现在这个延迟被压缩到分钟级、甚至秒级。”

这种时间压缩暴露了制造数据链的诸多薄弱环节：

• 物理层面：热不稳定性、探针差异、插座磨损、接触电阻漂移

• 信息层面：元数据缺失、器件标识不一致、模型输出无法追溯到物理原因

这些问题都会以不同方式破坏自适应测试，但指向同一个核心要求：智能测试依赖可信、可快速用于决策的数据。

Roth 说：“我认为当下智能测试的核心不是构建模型或规则，而是在不影响吞吐量的前提下，明确延迟与算力需求。”

漏检缺陷的高昂代价

测试覆盖率始终受经济性约束。芯片厂商希望获取更多数据，但每增加一项测量，都必须在设备成本、测试时间、人力、功耗、厂房空间、吞吐量与产品均价之间权衡。

爱德万测试（Advantest）业务开发经理 Don Blair 表示：“芯片厂商有测试成本预算，他们会在预算内尽可能多测，超出后就必须想办法降低成本，包括缩短测试时间或删减测试项。”

先进封装领域的经济影响最为明显：在单芯片流程中，一个漏检缺陷可能只增加测试时间；但在多芯片装配产品中，可能直接导致整颗成品报废。这种不对称直接决定了筛选测试的价值。

proteanTecs 业务开发高级总监 Nir Sever 指出：“先进封装测试的核心挑战，是确保选入装配的裸片无缺陷。如果晶圆测试时漏检小芯片缺陷，装配后终测才发现，整颗产品都要报废，成本比单颗裸片高出数个量级。”

在复合良率环境中，微小不确定性会快速放大。一颗裸片即便通过通用统计阈值，若内部行为与自身制程、时序特征预测不符，仍存在潜在风险。反之亦然：一颗看起来异于群体的器件，若符合其个体预期特征，也可能是良品。

Sever 说：“关键在于，测试时能否收集足够数据，支撑超越简单‘通过 / 失败’的判断。芯片内部数千、数万个点位的参数数据可用于训练模型，识别其他统计方法无法发现的异常。这是个性化评估，而非统计评估。”

随着测试愈发自适应，测量环境的有效性与测量结果本身同等重要。插座磨损、碎屑、接触电阻、温度波动、校准漂移与设备状态，都会影响结果反映的是器件本身还是测量条件。如果接触问题被误判为器件故障，自适应系统可能向分 bin 或下游测试传递错误信号，且无任何异常提示。

诺信测试检测（Nordson Test and Inspection）业务开发总监 Vidya Vijay 表示：“间歇性接触电阻、假开路、碎屑导致短路是常见元凶，它们看起来都像器件故障，直到有人检查插座才发现真相。接触共面度、基准面接触高度等参数漂移极具迷惑性，会引发一系列问题。”

在测试流程需要极短时间做决策时同理。如果测试设备只有毫秒至秒级时间调整阈值或流程，数据链路必须快速区分器件信号与测试设置干扰，避免误差放大。

随着功率密度提升，热因素影响愈发显著。对先进器件而言，测试时的热状态是与所有测量交互的变量。若不仔细校准决策规则就增加监控，可能在解决旧问题的同时带来新问题。

泰瑞达功率与热仪器解决方案产品经理 Damian Megna 说：“如果灵敏度设得太高，就得频繁清洁探针针尖，缩短使用寿命。处理方式不当，反而可能背离最终目标。”

测试领域的机器学习，实际效果往往不如宣传那般惊艳。模型可识别相关性、分类异常、推荐根因，但无法自动判断输入数据是否标注正确、采集条件是否有效。在制造中，看似合理的解释仍可能错误，导致误报废良品或漏放潜在缺陷。模型输出需被视为受控数据环境的一部分：若模型影响后续操作，其输出就成为测试历史的一部分，需要存储、监控并检查漂移。

PDF Solutions 的 Prewitt 强调：“使用生成预测或特征的模型时，必须将这些结果作为虚拟测试操作回写到分析系统。这样才能设置管控，至少能识别模型突然漂移、输出异常。”

这种方式为模型治理奠定基础，将模型行为与训练时的制程条件、产品结构关联，并在当前评估条件与训练条件不一致时发出预警。

Prewitt 补充：“未来可能发展出模型监控模型的模式。一级模型做出预测，实际测试操作给出反馈，再用另一个模型监控两者差异，发现波动。”

随着自适应测试延伸至测试设备之外，在线量测与检测对下游测试决策愈发重要。结构差异可能在后续制程、封装或电压应力下才显现为电性故障，在线量测的价值不仅在于实时捕捉异常，更在于将结构证据与下游电性表现关联。

例如，碳化硅功率器件的衬底晶体缺陷会扩散至外延层，在高压负载下成为潜在失效或致命失效；3D NAND 器件的垂直结构微小畸变，可能通过所有单独检测步骤，但在多层累积后最终失效。

高质量在线量测的实际价值体现在两方面：

1. 实时捕捉关键制程异常

2. 将结构参数与测试能力关联，让量测数据在测试时同步下发，提升制程异常与故障的关联度，加速缺陷筛选

Onto Innovation 产品营销高级总监 Lei Zhong 与首席营销官 Mike Rosa 表示，3D 器件时代的制程控制挑战巨大，需与客户紧密合作封堵潜在 “漏检通道”；同时，晶圆厂量测数据与被测器件绑定，能大幅降低现场潜在缺陷与致命缺陷。

问题在于，数据交接往往在测试工程可用前就断裂。量测 / 测试数据、结构与故障模式的关联关系虽已存在，但需在晶圆厂、供应链与测试生态中严格追踪、精准绑定对应器件，而当前供应链很难做到这一点。

电性测试可定位故障大致位置，但通常无法揭示物理根因，物理分析则补齐了这一环。在先进封装中，缺陷可能隐藏在堆叠或异构结构内部，这种区分尤为关键。电性技术可将缺陷定位至微米级，但物理根因可能是裂纹、分层、润湿不良、缺失凸柱、碎屑短路等小于电性定位精度的结构问题。

蔡司显微镜（ZEISS Microscopy）市场策略高级总监 Thomas Rodgers 说：“最精准的电性测试只能将缺陷定位到微米级，但客户要理解失效根因，必须知道器件物理层面出了什么问题。”

无损成像改变了失效分析流程。若检查隐藏缺陷只能切割样品，分析过程可能破坏证据。高分辨率 3D X 射线可在破坏性分析前提供三维视图，帮助工程师判断是否需后续聚焦离子束 - 扫描电镜（FIB-SEM）或电子显微镜分析。

Rodgers 指出：“如果只能切割检查缺陷，就始终有破坏目标样品的风险。一旦切过缺陷，关键信息与经验就丢失了。这在先进封装中至关重要，因为结构越来越立体、复杂。”

物理分析由此成为智能测试的校正手段。虽不可能对所有大尺寸芯片 / 封装做高分辨率成像，但在电性测试、声学检测等定位缩小范围后，成像可验证电性信号是否对应真实结构缺陷，并将根因经验回流至制程流程。

可追溯性需求也改变了客户对测试覆盖率的要求：仅知道执行过某项测试远远不够，工程师需要知道覆盖了什么、遗漏了什么、测量是否关联有效缺陷机制。

除非明确测试能提供的证据价值，否则流程不能安全地跳过、缩短或替换测试。而随着设计变更与封装架构异构化，这种认知的衰减速度远超多数团队预期。

西门子 EDA Tessent 产品线产品经理 Étienne Racine 表示：“历史结果虽有参考价值，但设计演进与技术进步会导致历史测试结果不一致。至今有效的结论是：数字扫描测试与内存 BIST 的结构测试，在故障检测与分 bin 方面远优于功能测试。”

这使得覆盖率历史成为数据链上下文的一部分。自适应测试仅能在历史结果仍能准确描述当前器件、制程与缺陷机制时，才能依据历史结果行动。

随着延迟窗口缩小，智能测试开始下沉到测试单元内部。决策越接近探针接触瞬间，越依赖快速数据移动、本地算力与严格的吞吐量影响控制。简单规则可响应重复故障特征，复杂模型可能需要测试设备边缘算力支撑。无论哪种方式，测试系统都必须支持动作，避免智能化成为瓶颈。

泰瑞达的 Roth 说：“我们与前沿客户一起，研究如何在同一次探针接触中实时调整阈值、流程、工位映射与行为。部分方案已进入量产，客户不愿公开，以免暴露自身进度。但实验室验证已广泛开展，并逐步向重视智能测试的客户量产落地。”

架构需求远超测试设备本身。测试决策可能依赖测试数据、热条件、机械手 / 探针台状态、历史量测、封装记录与模型输出，而量产中的决策窗口极短。

Modus Test 应用与产品管理总监 Jack Lewis 表示：“实现这些功能需要大量基础设施支撑。这类器件的测试时间通常极短，例如我们做的低压差线性稳压器（LDO），包含大量高精度测试，但 500 毫秒内可完成 16 工位测试。”

最终，同一套智能测试逻辑会延伸至制造环节之外。对于 AI、云计算、汽车等高可靠性应用的高价值器件，生产测试并非器件行为的最后监控节点。现场遥测可揭示生产测试中不可见的老化、负载应力、边缘核心与潜在缺陷；在持续机械、热与电压应力下运行的器件，其退化轨迹可能与生产测试预测差异巨大。

proteanTecs 的 Sever 说：“测试不是一次、两次或三次的事件，而是从芯片首次上电到报废全程伴随的过程。”

嵌入式遥测可在单个逻辑锥级别识别异常，告警固件或系统级控制器，并支持从移除边缘核心到调整电压 / 时钟等多种响应策略。

Sever 补充：“我们在芯片内部处理的数据，以及传递给芯片内部主控制器或外部系统级控制器的信号，粒度极高。某些实现中可细化到特定逻辑锥 —— 即收敛到单个触发器的所有逻辑。”

这形成了从生产到运行的反馈闭环。现场行为可支撑预测性维护，也能揭示哪些生产特征、制程异常或边缘测试结果是后续退化的早期指标，进而回流至未来筛选、分 bin、冗余配置与可测试性设计（DFT）决策。

“客户正在将我们的遥测数据与自身数据融合，”Sever 继续说，“我们的数据主要来自芯片内部物理测量，他们的数据来自芯片内部功能监控器与系统级传感器。双方数据合并后，共同支撑自研的集群监控系统。”

制造商面临的战略问题是：能让多少数据链变得可用。行业已产生海量数据，但其价值取决于能否在时间、设备、测试节点与物理上下文之间精准对齐。

无追溯性的故障预测模型仅有参考价值；而能预测故障、绑定晶圆特征、用量测验证、核对测试条件、通过现场行为确认的模型，价值极高，但实现难度也极大。

智能测试不仅是让测试更快，更是让决策更有据可依。跳过测试、收紧阈值、报废裸片、增加测试项或停用核心等决策，都依赖对背后证据链的信心。

这条链条失效，并非因为行业缺乏算法，而是因为：

• 测量上下文丢失

• 物理根因与电性症状脱节

• 元数据破坏可追溯性

• 模型被要求基于无法完全确认的数据行动

智能测试的下一阶段，属于那些能在设计意图、制程波动、测试行为、模型输出、封装记录到现场性能全路径保留数据意义的制造商。

关键词： 智能测试 数据链 机器学习 测试数据