National Instruments 首席技术官 Thomas Benjamin 日前与 Semiconductor Engineering 探讨了一种测试的新方法,以数据为起点,以生成式 AI 作为不同功能之间的桥梁。


(资料图片)

SE:您看到的重大变化是什么?这如何影响关键数据从实验室到晶圆厂的移动?

Benjamin:如果您走进任何制造或实验室环境,您都会拥有测试、测量硬件和系统,以及在 PC 或平板电脑上运行 LabVIEW 的软件。 所有这些产品都会创建一个测试序列。 该测试表明产品(半导体芯片、晶圆或电机)的性能是否符合或偏离规格。 但它们都在孤岛中运行,世界各地的工厂中可能有数百个这样的设备。 现在,随着高带宽和低价格的连接变得无处不在,如果您从一台机器上了解异常情况并了解其根本原因,您就可以在多个系统中实现迅速布局。 这与谷歌地图的工作方式非常相似。 谷歌地图在手机上运行,并且在云端有一个中心。 当您遇到交通拥堵时,它会通过一个自治的超自动化系统自动为您重新安排路线。 同样,我们相信测试的未来不是仪器,而是一个自治的超自动化系统,它将硬件、软件、数据、工作流程和智能结合在一起。最终,生成式人工智能将用于创建、部署和执行序列测试,甚至可能查看测试的根本原因分析。

SE:您在这里所做的是采用生成式人工智能并利用它将各种功能连接在一起?

Benjamin:这是正确的。但这是基于悠久的历史。我们虚拟化了测试仪器,因此我们能够将这些仪器连接在一起。 我们在高级分析方面进行了大量投资。 进化的下一个逻辑层面是使用人工智能。 我们正在利用技术释放的新功能继续创新,使事情变得更简单、更有效。

SE:您在人工智能领域工作了多长时间?

Benjamin:我们从今年开始,但我们在数据方面已经工作了几年。 NVIDIA 正在使用我们的先进分析软件进行合同制造,因为所有芯片制造分布在世界各地的多个合同制造商中。 我们讨论了虚拟工程师使用 NI 软件来补充物理工程师的概念,这有助于提高他们的产量。

SE:它是如何从实验室转移到晶圆厂的? 这在其他领域有应用吗?

Benjamin:我们谈到的涉及 NVIDIA 的产品已经完全投入生产。 在实验室中,您可以测量 1,000 个参数并进行测试。 我们对其进行微调,以测量生产中一组有意义的参数,然后将其关联回实验室,因为两个地方运行的基础设施相同。 我们可以回过头来,甚至可以根据我们在生产中看到的情况来改造该设计并改进它。 这只是一部分。 它包括设计、验证、生产和使用。 我们从实验室开始,并将其扩展到生产中。 我们还需要能够通过使用中的数据来跟踪这一点,并在这个完整的循环中重新验证和微调设计。 这是圣杯,随着行业和市场的成熟,我们将分阶段追求它。

SE:其中很多是由汽车行业推动的吗?

Benjamin:是的,我们可以在汽车行业更进一步。 我们正在结合我们的硬件和软件能力,并将这一循环从设计、验证、生产和使用扩展到半导体行业、汽车行业、航空航天/国防行业以及教育部分,这是一个广泛的领域。

SE:您如何看待汽车市场的变化?

Benjamin:首先,车辆现在将由计算机驱动,计算机必须处理计划内或计划外的任何场景。 计划场景的一个示例是如何穿过交叉路口。 计划外的场景是您如何阅读部分被遮挡的街道标志。 车辆不断地做出决策,为此需要进行大量的测试和测量。 如果决策准确,您就会开始信任这辆车,因为它会带您到达目的地。 这意味着您需要大量有关测试系统的不同场景的数据。 过去通常进行基于激励/响应的测试。 现在您必须进行基于场景的测试。 您必须确定可以测试的所有这些复杂场景,这基本上基于您收集的数据。 为了自动驾驶和测试,我们必须做很多这样的事情。 现在,当我们审视 6G 时,我们正在尝试从本质上复制其中一些模式,因为我们认为大部分模式都是从自动驾驶到 6G 的交叉传播。 但在 6G 汽车领域,有几件事是赌注。 一是收集、管理和存储数据的良好标准化方法。 我们没有标准规格。 因此,在 DARPA 计划和国家科学基金会的支持下,NI 和东北大学一直致力于一个名为 RF 数据工厂的项目,该项目提供了一套自动化工具来以标准化格式收集、管理和存储数据,称为SigMF。 我们刚刚向开源社区发布了 RF 数据记录 API,以便研究人员和其他人可以使用此基础设施从这些不同的测试中收集数据。 我们在现场有很多 NI USRP(通用软件无线电外设)设备能够做到这一点,并且我们开源了一个平台,供研究人员使用此 API 并记录和测试数据。 因此,一旦收集了这些数据,您就拥有了创建这些无限场景的基础设施,例如在汽车驾驶领域。 例如6G,干扰场景有哪些? 您如何维护您的手机信号? 您如何组织所有这些事情以使沟通更加有效和高效? 如果我们能够推出一个人人都可以使用的低成本版本,它将加速 6G 空间测试和测量的采用。

SE:这确实是人工智能的口头禅,对吧? 降低一切成本。

Benjamin:是的,这正是我们想要介入的地方。但这只是等式的一部分,因为一旦你有了无数个这样的测试场景,你如何测试它? 例如,如果您访问 ChatGPT 并询问它“厨房这个词中字母 E 的位置是什么”,它会告诉您厨房中没有字母 E。原因是机器学习模型没有针对此类场景进行训练。 当你得到这些无限的场景时,人类不可能测试所有这些场景。 那么可以使用AI引擎来测试AI本身吗? 这是我们开始研究的另一个领域。 这是我们在汽车领域经常使用的概念。 我们现在正尝试跨入 6G 领域,吸取其中的一些经验教训,并针对 6G 对其进行改进、个性化和情境化。

SE:随着我们的发展,谁拥有这些数据? ChatGPT 或任何生成式人工智能程序的担忧之一是,数据来自许多不同的地方。

Benjamin:我们仍在努力解决这个问题。 第一个目标是收集数据并保持正确的控制结构。 目前 Azure 上提供了基础设施,您可以在其中获取可用于培训的本地化实例。 我们正在研究它,但现在还处于早期阶段。 我们必须提出一些模型,以及行业联盟或类似的东西,以确保定义数据的正确所有权。 但更重要的是,必须设置保护敏感信息的护栏。 有同态加密之类的概念。 但在简化并为实际消费做好准备之前,还有很多工作要做。

SE:6G 会像 4G LTE 一样使用吗? 终端设备是手机还是与公寓楼的点对点连接?

Benjamin:6G 的承诺是能够拥有 10 Gbps 以上的带宽。 这将使计算更加身临其境,因为在过去的 40 年里,我们仅使用键盘和鼠标,现在可能还使用平板电脑与计算机进行交互。 我们可以将其提升到更加身临其境的水平。 到底是什么,时间会告诉我们答案。 我们将拥有自动驾驶汽车。 汽车可以开始与道路或信号灯对话,由此可以衍生出所有这些不同的用例,而 6G 就是铺路石之一。 千兆赫/毫米波范围内仍有大量网络带宽尚未使用。 有很多事情需要融合。 如果你回顾 20 年前,我们会质疑 5G 是否真的会出现。 6G也是一样。 过去 20 年发生了很多变化,而且发生得相当快。

SE:但这并不是说你拿起 5G 手机并期望它在你开车时持续提供海量数据能力,对吧? 也许这是点对点连接而不是汽车中的移动设备?

Benjamin:说得对。 随着我们的前进,机器对机器的通信将会得到促进。 如果你看看 1G 和 2G,那就是语音通话。 今天,事情远不止于此。 如果具有弹性的带宽可以通过相关的安全网获得,那么这样的情况还会更多。

SE:5G和6G的无线测试解决了吗? 您要寻找的是信号有多强,但这是否是硬件、软件或信号本身的问题?

Benjamin:我们还没有解决这个问题。 我们正在努力通过这个过程。 这就是不同场景发挥作用的地方,因为它将是地面站、无线信号和其他模块的组合。 这些不同的特征可能会干扰信号——尤其是当你在体育场、机场或类似的拥挤场所,那里的消费密度要大得多——需要发挥这些不同的场景。 出现的问题会有不同的特征,可能需要根据具体情况来解决。

SE:所以它需要很多中继器?

Benjamin:这可能是正确的。

SE:到目前为止我们讨论的一切都需要大量芯片,而且越来越多的小芯片。 我们如何管理这些?

Benjamin:对于每个小芯片或组件,您可以使用用户 ID 对其进行标记,以便您拥有用户所有权和特定的输入加密密钥吗? 这些是我们必须使用的技术。 ERP人员在某种程度上解决了这个问题。 作为组织的经理,您可以查看组织内员工的工资。 但你无法查看同行的组织。 这是一个小得多的规模,但我们必须推断出一些模式。 我们需要设置基础护栏才能成功实现这一目标。

SE:您认为人工智能面临的最大挑战是什么? 您认为最大的机遇是什么?

Benjamin:人工智能面临的巨大挑战,尤其是在 6G 领域,是获取数据并创建大量有意义的场景。 这将是第一个重大挑战,我们必须与一些设计合作伙伴、实际运营商、芯片或零部件制造商共同解决这个问题,才能促进这一目标。第二部分是如何保护这些数据,并以可消耗的价格进行保护。 计算成本不应超过其产生的商业价值。 如何仔细而微妙地穿越这两者,是我们需要弄清楚的。 随着这些能力开始融合,未来 12 到 18 个月内有大量学习要做。

SE:NI 一直与德克萨斯大学密切合作,现在正在进一步与其他大学和研究小组合作。 这是否有助于弥补一直限制芯片行业的人才短缺?

Benjamin:我们必须看看研究是在哪里进行的,并不是所有的研究都发生在我们附近。 因此,我们正在利用我们开发的全球基础设施。 目前我们是一个全球性组织。

SE:新的大机会在哪里?

Benjamin:当然是汽车领域,尤其是电动汽车。 但其中很多也可以推广到航空航天和国防领域,因为所有这些都将作为一个互联的系统网格发挥作用。 测试的未来不是仪器。 它是一个自主的、超自动化的系统。 它不仅仅是一个孤立运行的系统。 它是一个协同工作的网格,为最终客户提供业务或产品性能的最终输出。

SE:您现在是否考虑随着时间的推移进行测试,而不是仅仅在制造过程中进行一系列测试并准备好进入市场?

Benjamin:随着时间的推移,它会观察它以检测异常,而在什么时间出现什么异常可能是使用特征和系统负载的函数。 所以这些是我们传统上没有考虑过的维度。 想想新年庆祝活动,当一个地方的人员密度增加并改变系统的行为特征时。 每当密度增加时,这些特征就会批量出现,并且当您随着时间的推移查看导致这些系统异常的因素时(因为异常很少会立即发生),就会出现退化模式。 您甚至可以在异常发生之前检测退化模式的斜率。

SE:预测那些异质集成和不均匀老化的异常是否会变得更加困难?

Benjamin:系统变得越来越复杂。与单一系统相比,有更多的移动部件组合在一起形成一个系统。 还有更多的子模块以不同的排列和组合组装在一起。 这就是为什么测试和测量的机会仍然越来越强大。

SE:那么最终目标是弹性吗?

Benjamin:是的,这是你在软件行业看到的事情。 在黑色星期五,当有数百万用户试图购物时,如果一台机器或容器出现故障,它会自动重新路由,但您的服务不会中断。 现在的问题是您是否可以将相同的功能引入硬件领域,并确保产品的性能不会变差。

SE:现在的极端情况比以往任何时候都多,我们需要更快地识别它们并处理它们。 我们该怎么做呢?

Benjamin:这就是基于场景的测试的用武之地,而大量的测试场景就是宝贵的经验。 你需要一个可以适应任何场景的网络。 这就是我们将测试和测量民主化作为下一个逻辑演变的方式。

SE:您所寻求的是更快的上市时间和更少的失败,对吗?

Benjamin:是的,这需要一些时间才能实现。但我们可以帮助促进这一点,因为测试和测量无处不在地跨越这些功能的不同构建模块。

SE:所有这些都会产生更多数据。 您如何管理所有这些数据? 您保留多少以及保存多长时间?

Benjamin:我们的想法不是存储所有数据。它是找到导致异常的关键模式并将其聚合,然后存储并压缩,甚至归档,或者根据需要清除。 您不需要每行数据。 诀窍是弄清楚什么是关键聚合存储以及什么要丢弃。

标签: