核心要點

• 智能測試的落地首先是數據鏈問題，而非算法問題。

• 器件即便通過所有檢測點，仍可能攜帶測試記錄未捕捉的潛在缺陷。

• 測試愈發自適應，測量環境的有效性與測量結果本身同等重要。

因此，智能測試正從測試時間優化問題，演變為成本更高的可追溯性挑戰。制造商必須能夠整合并利用晶圓廠制程數據、測試測量數據、模型預測數據以及器件后續現場運行數據。但模型只是其中一層，更難的是搭建數據基礎設施，讓模型在正確的器件、正確的測試節點、匹配完整的制程歷史下做出判斷。

智能測試依托自適應測試規則、機器學習模型、前饋 / 反饋數據，整合晶圓廠量測、檢測、電性測試、封裝與現場監控信息，動態調整測量參數、閾值、分 bin 規則或物料流向。它并非單一標準、協議或產品類別，而是描述從固定測試序列轉向基于測試全流程數據做制造決策的轉型方向。

PDF Solutions 公司 Exensio 解決方案總監 Greg Prewitt 表示：“對價值影響最大的，是能否收集、對齊、標準化數據，并擁有在任何需要的地方部署模型的基礎設施。這背后需要大量平臺數據工程支撐，以及全程可追溯性。”

如今一顆器件會依次經歷晶圓測試、封裝裝配、老化、終測、系統級測試與現場監控，全程攜帶晶圓廠量測設備、檢測系統、自動測試設備（ATE）、機械手、探針臺及客戶定制分析平臺產生的數據。智能測試的價值，取決于能否讓所有數據流在每一次交接中保持連通、可解釋、可信賴。

過去，測試設備的優化方向是緩存數據、生成日志文件以保障吞吐量，而非降低延遲。現在它們被要求完成本質不同的任務：如果某一測量結果會影響閾值、流程、工位行為或下游測試，測試單元就需要更快的數據訪問能力與足夠算力，且不能拖慢生產。

泰瑞達（Teradyne）智能制造產品經理 Eli Roth 指出：“我們長期以來都能容忍數據采集到執行動作之間間隔數小時甚至數天，現在這個延遲被壓縮到分鐘級、甚至秒級。”

這種時間壓縮暴露了制造數據鏈的諸多薄弱環節：

• 物理層面：熱不穩定性、探針差異、插座磨損、接觸電阻漂移

• 信息層面：元數據缺失、器件標識不一致、模型輸出無法追溯到物理原因

這些問題都會以不同方式破壞自適應測試，但指向同一個核心要求：智能測試依賴可信、可快速用于決策的數據。

Roth 說：“我認為當下智能測試的核心不是構建模型或規則，而是在不影響吞吐量的前提下，明確延遲與算力需求。”

漏檢缺陷的高昂代價

測試覆蓋率始終受經濟性約束。芯片廠商希望獲取更多數據，但每增加一項測量，都必須在設備成本、測試時間、人力、功耗、廠房空間、吞吐量與產品均價之間權衡。

愛德萬測試（Advantest）業務開發經理 Don Blair 表示：“芯片廠商有測試成本預算，他們會在預算內盡可能多測，超出后就必須想辦法降低成本，包括縮短測試時間或刪減測試項。”

先進封裝領域的經濟影響最為明顯：在單芯片流程中，一個漏檢缺陷可能只增加測試時間；但在多芯片裝配產品中，可能直接導致整顆成品報廢。這種不對稱直接決定了篩選測試的價值。

proteanTecs 業務開發高級總監 Nir Sever 指出：“先進封裝測試的核心挑戰，是確保選入裝配的裸片無缺陷。如果晶圓測試時漏檢小芯片缺陷，裝配后終測才發現，整顆產品都要報廢，成本比單顆裸片高出數個量級。”

在復合良率環境中，微小不確定性會快速放大。一顆裸片即便通過通用統計閾值，若內部行為與自身制程、時序特征預測不符，仍存在潛在風險。反之亦然：一顆看起來異于群體的器件，若符合其個體預期特征，也可能是良品。

Sever 說：“關鍵在于，測試時能否收集足夠數據，支撐超越簡單‘通過 / 失敗’的判斷。芯片內部數千、數萬個點位的參數數據可用于訓練模型，識別其他統計方法無法發現的異常。這是個性化評估，而非統計評估。”

隨著測試愈發自適應，測量環境的有效性與測量結果本身同等重要。插座磨損、碎屑、接觸電阻、溫度波動、校準漂移與設備狀態，都會影響結果反映的是器件本身還是測量條件。如果接觸問題被誤判為器件故障，自適應系統可能向分 bin 或下游測試傳遞錯誤信號，且無任何異常提示。

諾信測試檢測（Nordson Test and Inspection）業務開發總監 Vidya Vijay 表示：“間歇性接觸電阻、假開路、碎屑導致短路是常見元兇，它們看起來都像器件故障，直到有人檢查插座才發現真相。接觸共面度、基準面接觸高度等參數漂移極具迷惑性，會引發一系列問題。”

在測試流程需要極短時間做決策時同理。如果測試設備只有毫秒至秒級時間調整閾值或流程，數據鏈路必須快速區分器件信號與測試設置干擾，避免誤差放大。

隨著功率密度提升，熱因素影響愈發顯著。對先進器件而言，測試時的熱狀態是與所有測量交互的變量。若不仔細校準決策規則就增加監控，可能在解決舊問題的同時帶來新問題。

泰瑞達功率與熱儀器解決方案產品經理 Damian Megna 說：“如果靈敏度設得太高，就得頻繁清潔探針針尖，縮短使用壽命。處理方式不當，反而可能背離最終目標。”

測試領域的機器學習，實際效果往往不如宣傳那般驚艷。模型可識別相關性、分類異常、推薦根因，但無法自動判斷輸入數據是否標注正確、采集條件是否有效。在制造中，看似合理的解釋仍可能錯誤，導致誤報廢良品或漏放潛在缺陷。模型輸出需被視為受控數據環境的一部分：若模型影響后續操作，其輸出就成為測試歷史的一部分，需要存儲、監控并檢查漂移。

PDF Solutions 的 Prewitt 強調：“使用生成預測或特征的模型時，必須將這些結果作為虛擬測試操作回寫到分析系統。這樣才能設置管控，至少能識別模型突然漂移、輸出異常。”

這種方式為模型治理奠定基礎，將模型行為與訓練時的制程條件、產品結構關聯，并在當前評估條件與訓練條件不一致時發出預警。

Prewitt 補充：“未來可能發展出模型監控模型的模式。一級模型做出預測，實際測試操作給出反饋，再用另一個模型監控兩者差異，發現波動。”

隨著自適應測試延伸至測試設備之外，在線量測與檢測對下游測試決策愈發重要。結構差異可能在后續制程、封裝或電壓應力下才顯現為電性故障，在線量測的價值不僅在于實時捕捉異常，更在于將結構證據與下游電性表現關聯。

例如，碳化硅功率器件的襯底晶體缺陷會擴散至外延層，在高壓負載下成為潛在失效或致命失效；3D NAND 器件的垂直結構微小畸變，可能通過所有單獨檢測步驟，但在多層累積后最終失效。

高質量在線量測的實際價值體現在兩方面：

1. 實時捕捉關鍵制程異常

2. 將結構參數與測試能力關聯，讓量測數據在測試時同步下發，提升制程異常與故障的關聯度，加速缺陷篩選

Onto Innovation 產品營銷高級總監 Lei Zhong 與首席營銷官 Mike Rosa 表示，3D 器件時代的制程控制挑戰巨大，需與客戶緊密合作封堵潛在 “漏檢通道”；同時，晶圓廠量測數據與被測器件綁定，能大幅降低現場潛在缺陷與致命缺陷。

問題在于，數據交接往往在測試工程可用前就斷裂。量測 / 測試數據、結構與故障模式的關聯關系雖已存在，但需在晶圓廠、供應鏈與測試生態中嚴格追蹤、精準綁定對應器件，而當前供應鏈很難做到這一點。

電性測試可定位故障大致位置，但通常無法揭示物理根因，物理分析則補齊了這一環。在先進封裝中，缺陷可能隱藏在堆疊或異構結構內部，這種區分尤為關鍵。電性技術可將缺陷定位至微米級，但物理根因可能是裂紋、分層、潤濕不良、缺失凸柱、碎屑短路等小于電性定位精度的結構問題。

蔡司顯微鏡（ZEISS Microscopy）市場策略高級總監 Thomas Rodgers 說：“最精準的電性測試只能將缺陷定位到微米級，但客戶要理解失效根因，必須知道器件物理層面出了什么問題。”

無損成像改變了失效分析流程。若檢查隱藏缺陷只能切割樣品，分析過程可能破壞證據。高分辨率 3D X 射線可在破壞性分析前提供三維視圖，幫助工程師判斷是否需后續聚焦離子束 - 掃描電鏡（FIB-SEM）或電子顯微鏡分析。

Rodgers 指出：“如果只能切割檢查缺陷，就始終有破壞目標樣品的風險。一旦切過缺陷，關鍵信息與經驗就丟失了。這在先進封裝中至關重要，因為結構越來越立體、復雜。”

物理分析由此成為智能測試的校正手段。雖不可能對所有大尺寸芯片 / 封裝做高分辨率成像，但在電性測試、聲學檢測等定位縮小范圍后，成像可驗證電性信號是否對應真實結構缺陷，并將根因經驗回流至制程流程。

可追溯性需求也改變了客戶對測試覆蓋率的要求：僅知道執行過某項測試遠遠不夠，工程師需要知道覆蓋了什么、遺漏了什么、測量是否關聯有效缺陷機制。

除非明確測試能提供的證據價值，否則流程不能安全地跳過、縮短或替換測試。而隨著設計變更與封裝架構異構化，這種認知的衰減速度遠超多數團隊預期。

西門子 EDA Tessent 產品線產品經理 étienne Racine 表示：“歷史結果雖有參考價值，但設計演進與技術進步會導致歷史測試結果不一致。至今有效的結論是：數字掃描測試與內存 BIST 的結構測試，在故障檢測與分 bin 方面遠優于功能測試。”

這使得覆蓋率歷史成為數據鏈上下文的一部分。自適應測試僅能在歷史結果仍能準確描述當前器件、制程與缺陷機制時，才能依據歷史結果行動。

隨著延遲窗口縮小，智能測試開始下沉到測試單元內部。決策越接近探針接觸瞬間，越依賴快速數據移動、本地算力與嚴格的吞吐量影響控制。簡單規則可響應重復故障特征，復雜模型可能需要測試設備邊緣算力支撐。無論哪種方式，測試系統都必須支持動作，避免智能化成為瓶頸。

泰瑞達的 Roth 說：“我們與前沿客戶一起，研究如何在同一次探針接觸中實時調整閾值、流程、工位映射與行為。部分方案已進入量產，客戶不愿公開，以免暴露自身進度。但實驗室驗證已廣泛開展，并逐步向重視智能測試的客戶量產落地。”

架構需求遠超測試設備本身。測試決策可能依賴測試數據、熱條件、機械手 / 探針臺狀態、歷史量測、封裝記錄與模型輸出，而量產中的決策窗口極短。

Modus Test 應用與產品管理總監 Jack Lewis 表示：“實現這些功能需要大量基礎設施支撐。這類器件的測試時間通常極短，例如我們做的低壓差線性穩壓器（LDO），包含大量高精度測試，但 500 毫秒內可完成 16 工位測試。”

最終，同一套智能測試邏輯會延伸至制造環節之外。對于 AI、云計算、汽車等高可靠性應用的高價值器件，生產測試并非器件行為的最后監控節點。現場遙測可揭示生產測試中不可見的老化、負載應力、邊緣核心與潛在缺陷；在持續機械、熱與電壓應力下運行的器件，其退化軌跡可能與生產測試預測差異巨大。

proteanTecs 的 Sever 說：“測試不是一次、兩次或三次的事件，而是從芯片首次上電到報廢全程伴隨的過程。”

嵌入式遙測可在單個邏輯錐級別識別異常，告警固件或系統級控制器，并支持從移除邊緣核心到調整電壓 / 時鐘等多種響應策略。

Sever 補充：“我們在芯片內部處理的數據，以及傳遞給芯片內部主控制器或外部系統級控制器的信號，粒度極高。某些實現中可細化到特定邏輯錐 —— 即收斂到單個觸發器的所有邏輯。”

這形成了從生產到運行的反饋閉環。現場行為可支撐預測性維護，也能揭示哪些生產特征、制程異常或邊緣測試結果是后續退化的早期指標，進而回流至未來篩選、分 bin、冗余配置與可測試性設計（DFT）決策。

“客戶正在將我們的遙測數據與自身數據融合，”Sever 繼續說，“我們的數據主要來自芯片內部物理測量，他們的數據來自芯片內部功能監控器與系統級傳感器。雙方數據合并后，共同支撐自研的集群監控系統。”

制造商面臨的戰略問題是：能讓多少數據鏈變得可用。行業已產生海量數據，但其價值取決于能否在時間、設備、測試節點與物理上下文之間精準對齊。

無追溯性的故障預測模型僅有參考價值；而能預測故障、綁定晶圓特征、用量測驗證、核對測試條件、通過現場行為確認的模型，價值極高，但實現難度也極大。

智能測試不僅是讓測試更快，更是讓決策更有據可依。跳過測試、收緊閾值、報廢裸片、增加測試項或停用核心等決策，都依賴對背后證據鏈的信心。

這條鏈條失效，并非因為行業缺乏算法，而是因為：

• 測量上下文丟失

• 物理根因與電性癥狀脫節

• 元數據破壞可追溯性

• 模型被要求基于無法完全確認的數據行動

智能測試的下一階段，屬于那些能在設計意圖、制程波動、測試行為、模型輸出、封裝記錄到現場性能全路徑保留數據意義的制造商。