以數(shù)據(jù)為起點，探索生成式AI在測試行業(yè)的應用前景

NI的首席技術官將智能且統(tǒng)一的數(shù)據(jù)模型視為未來測試的關鍵要素。

NI首席技術官Thomas Benjamin與Semiconductor Engineering 主編Ed Sperling探討測試的新方法，以數(shù)據(jù)為起點，以生成式AI 作為不同功能之間的橋梁。

Ed Sperling：您看到了哪些重大變化？它們?nèi)绾斡绊戧P鍵數(shù)據(jù)從實驗室到工廠的移動？

Thomas：如果您走進制造車間或?qū)嶒炇遥寄芸吹綔y試、測量硬件和系統(tǒng)，以及在桌面電腦或平板電腦上正在運行的LabVIEW軟件。所有這些產(chǎn)品都會創(chuàng)建一個測試序列。通過測試可以證明這個產(chǎn)品（半導體芯片、晶圓或電機）的性能是符合還是偏離了設計規(guī)范。但它們都像孤島一樣在運行，分散在世界各地數(shù)百個工廠中。隨著價格低廉的高帶寬通信讓萬物互聯(lián)，任何一臺機器上出現(xiàn)異常情況都能被快速識別并洞察到根本原因，并很快部署到在多個系統(tǒng)中。這和谷歌地圖的工作方式非常相似。谷歌地圖在手機上運行，并且在云端有一個樞紐。當你遇到交通擁堵時，它會通過一個自治的超自動化系統(tǒng)自動為您重新安排路線。同樣，我們相信測試的未來不是一臺儀器，而是一個自治的超自動化系統(tǒng)，它將硬件、軟件、數(shù)據(jù)、工作流程和智慧結合在一起。最終，生成式人工智能將用于創(chuàng)建、部署和執(zhí)行序列測試，甚至可以深入測試后的底層原因分析。

Ed Sperling：所以您所做的是采用生成式人工智能將各種功能整合起來？

Thomas：是的。但這是基于NI多年的積累。之前我們虛擬化了測試儀器，因此我們能夠很靈活地將這些“儀器”整合在一起。我們在先進的數(shù)據(jù)分析領域也進行了大量投資，演進的下一個邏輯是使用人工智能。我們正在利用技術釋放的新功能繼續(xù)創(chuàng)新，使事情變得更簡單、更有效。NVIDIA正在使用我們先進的數(shù)據(jù)分析軟件管理分布在世界各地的多個合同制造商。我們討論了虛擬工程師使用NI軟件來補充實際工程師的概念，這有助于提高他們的產(chǎn)量。

Ed Sperling：它是如何從實驗室轉(zhuǎn)移到晶圓廠的？在其他領域有應用嗎？

Thomas：我們談到的涉及NVIDIA的產(chǎn)品已經(jīng)完全投入生產(chǎn)。在實驗室中，您可以測量1,000個參數(shù)并對它們做測試。到了量產(chǎn)階段，就只需對其中最有價值的一組參數(shù)做測量，因為實驗室和量產(chǎn)兩地運行的設備基礎設施相同，量產(chǎn)測得的數(shù)據(jù)可以很容易關聯(lián)回實驗室的參數(shù)，這樣我們可以根據(jù)在生產(chǎn)中獲得的數(shù)據(jù)來改進設計。這個模式貫穿在設計、驗證、生產(chǎn)和使用的全過程。我們從實驗室開始，并將其數(shù)據(jù)洞察復制到生產(chǎn)中。我們還需要能夠通過使用中的數(shù)據(jù)來跟蹤這一點，并在這個完整的循環(huán)中再次驗證和微調(diào)設計。這是我們追求的最終目標，隨著行業(yè)和市場的成熟，我們將分階段實現(xiàn)它。

Ed Sperling：這個技術方向是由汽車行業(yè)推動的嗎？您如何看待汽車市場的變化？

Thomas：是的，我們的策略正在汽車行業(yè)獲得進一步驗證。結合我們的硬件和軟件能力，并將這一循環(huán)（從設計、驗證、生產(chǎn)和使用）擴展到半導體行業(yè)、汽車行業(yè)、航空航天/國防行業(yè)以及部分教育環(huán)節(jié)。

首先，未來的車輛將由計算機驅(qū)動，計算機必須處理計劃內(nèi)或計劃外的任何場景。計劃內(nèi)場景的例子有“如何穿過交叉路口”；計劃外場景例如如何閱讀部分被遮擋的街道標志。車輛需要不斷做出決策，為此需要進行大量的測試和測量。如果決策準確，我們就會開始信任這輛車，它會帶我們到達目的地。這意味著需要大量不同場景的數(shù)據(jù)來用于測試系統(tǒng)。過去通行的做法是基于刺激/反應的測試?，F(xiàn)在我們必須進行基于場景的測試，為此需要識別所有可測試的復雜場景，而這須要基于我們收集到的數(shù)據(jù)?，F(xiàn)在，當我們看向6G領域時，我們正在復制其中的核心模式，因為我們認為大部分模式是從自動駕駛到6G的交叉影響。但在6G汽車領域，需要押注以下幾個領域：一是收集、管理和存儲數(shù)據(jù)的標準化方法。目前我們還沒有標準規(guī)范。因此，在DARPA倡議和國家科學基金會的贊助下，NI和東北大學（美國）一直在進行一個名為RF數(shù)據(jù)工廠（RF Data Factory）的項目，該項目提供了一套自動化工具，以一種稱為SigMF的標準化格式收集、管理和存儲數(shù)據(jù)。我們剛剛向開源社區(qū)發(fā)布了RF數(shù)據(jù)記錄API，以便研究人員和其他人可以以此為基礎設施，從不同的測試中收集數(shù)據(jù)。我們在該領域有很多NI USRP（通用軟件無線電外設）設備能夠做到這一點，我們?yōu)檠芯咳藛T開放了一個平臺，以獲取這種API并記錄和測試數(shù)據(jù)。因此，一旦收集了這些數(shù)據(jù)，您就擁有了創(chuàng)建這些無限場景的基礎設施，例如在汽車駕駛領域；例如6G，有哪些干擾場景？您如何維護您的手機****？您如何組織所有這些事情、使溝通更加有效和高效？如果我們能夠推出一個人人都可以使用的低成本版本，它將加速6G空間測試和測量的采用。

Ed Sperling：這確實是人工智能的口頭禪，對嗎？降低一切成本。

Thomas：是的，這正是我們想要做的。但這只是等式的一部分，因為一旦你有了無限多的測試場景，你如何測試它？例如，如果您問ChatGPT “kitchen一詞中字母E的位置是什么”，它會告訴您kitchen中沒有字母E。原因是機器學習模型沒有針對此類場景進行訓練。當您遇到這無限多的場景時，人類不可能測試所有這些場景。那么可以使用AI引擎來測試AI本身嗎？這是我們開始研究的另一個領域。這是我們在汽車領域經(jīng)常使用的概念。我們現(xiàn)在正嘗試跨入6G領域，吸取其中的一些經(jīng)驗教訓，并針對6G對其進行改進、個性化和情境化。

Ed Sperling：隨著我們的發(fā)展，誰擁有這些數(shù)據(jù)？ChatGPT或任何生成式人工智能程序的擔憂之一是，數(shù)據(jù)來自許多不同的地方。

Thomas：我們?nèi)栽谂鉀Q這個問題。第一個目標是收集數(shù)據(jù)并保持正確的控制結構。目前Azure上提供了一些基礎架構，您可以在其中獲取可用于培訓的本地化實例。我們正在研究它，但現(xiàn)在還處于早期階段。我們必須提出一些模型，以及行業(yè)聯(lián)盟或類似的機構，以確保定義正確的數(shù)據(jù)所有權。但更重要的是，保護敏感信息的護欄必須到位。存在諸如同態(tài)加密之類的概念。但在這一過程得以簡化并為實際消費做好準備之前，還有很多工作要做。

Ed Sperling：6G會像4G LTE一樣可用嗎？終端設備是手機、還是與公寓樓的點對點連接？

Thomas：6G的前景是能夠擁有10 Gbps以上的帶寬。這將使計算更加身臨其境，因為在過去的40年里，我們只用鍵盤和鼠標，現(xiàn)在可能還用平板電腦與計算機進行交互。我們可以將其提升到更加身臨其境的水平。它到底是什么，時間會告訴我們答案。我們將擁有自動駕駛汽車。汽車可以開始與道路或信號燈對話嗎？由此可以衍生出所有這些不同的用例，而6G就是其中一塊墊腳石。千兆赫/毫米波范圍內(nèi)仍有大量網(wǎng)絡帶寬尚未使用。有很多事情需要融合。如果你回顧20年前，我們會質(zhì)疑5G是否真的會出現(xiàn)。6G也是如此。過去20年發(fā)生了很多變化，而且變化非常迅速。

Ed Sperling：但這并不是說你拿起5G手機并期望它在你開車時持續(xù)提供海量數(shù)據(jù)能力，對嗎？也許這是點對點連接而不是汽車中的移動設備？

Thomas：你說得對。在我們前進過程中，機器對機器的通信將會得以推進。如果你看1G和2G，那就是語音通話。今天則遠不止于此。如果具有彈性的這種級別的帶寬可以通過相關的安全網(wǎng)獲得，那么這樣的情況還會更多。

Ed Sperling：5G和6G的OTA測試解決了嗎？您要尋找的是信號有多強，但這是否是硬件、軟件或信號本身的問題？

Thomas：我們還沒有解決這個問題，正在處理過程中。這就是不同情境發(fā)揮作用的地方，因為它將是地面站、無線信號和其他構建模塊的組合。這些可能會干擾信號的不同的情境表征--尤其是當你在體育場、機場或類似的擁擠場所，那里的消費密度要大得多--需要模擬這些不同的場景，出現(xiàn)的問題會有不同的特征，需要根據(jù)具體情況來解決。

Ed Sperling：所以需要很多的重復？

Thomas：是的

Ed Sperling：新的大機遇在哪里？

Thomas：當然是汽車領域，尤其是電動汽車。但其中很多也可以推廣到航空航天和衛(wèi)星通信等領域，因為所有這些都將作為一個互聯(lián)的系統(tǒng)網(wǎng)格發(fā)揮作用。測試的未來不是儀器。它是一個自主的、超自動化的系統(tǒng)連結而成的系統(tǒng)。它不僅僅是一個孤立工作的系統(tǒng)，它是一個協(xié)同工作的網(wǎng)格，為最終客戶提供業(yè)務或產(chǎn)品性能的最終輸出。

Ed Sperling：您現(xiàn)在是否在考慮隨著時間的推移進行測試，而不是僅僅在制造過程中進行一系列測試然后投入市場？

Thomas：是的，我們在整個產(chǎn)品生命周期內(nèi)，隨著時間的推移來檢測異常，什么異常在什么時候出現(xiàn)可能是使用特性和系統(tǒng)負載的函數(shù)。所以這些都是我們傳統(tǒng)上沒有看到的維度。想想新年慶?；顒?，當一個地方的人員密度增加并改變系統(tǒng)的行為特征時。每當密度增加時，這些特征就會批量出現(xiàn)，當你隨著時間的推移觀察導致這些系統(tǒng)異常的因素時--因為異常很少會瞬間發(fā)生--就會出現(xiàn)退化模式，甚至在出現(xiàn)異常之前，您就可以檢測到退化模式的斜率。

Ed Sperling：預測那些異質(zhì)集成和不均勻老化的異常是否會變得更加困難？

Thomas：系統(tǒng)變得越來越復雜。與單一整體相比，有更多的可移動部件組合在一起形成一個系統(tǒng)。還有更多的子模塊以不同的排列組合組裝在一起。這就是為什么測試和測量的機會越來越強大。

Ed Sperling：那么最終目標是彈性嗎？

Thomas：是的，這是你在軟件行業(yè)看到的事情。在黑色星期五，當有數(shù)百萬用戶試圖購物時，如果一臺機器出現(xiàn)故障，它會自動重新規(guī)劃路線，您的服務不會中斷。現(xiàn)在的問題是您是否可以將相同的功能引入硬件領域，并確保產(chǎn)品的最終客戶體驗不會惡化。

Ed Sperling：現(xiàn)在的極端情況比以往任何時候都多，我們需要更快地識別并處理它們。我們該怎么做呢？

Thomas：這就是基于場景的測試的用武之地，而大量的測試場景就是寶貴的金粉。你需要一個可以玩任何場景的場景網(wǎng)絡。這就是我們將測試和測量民主化（democratize test and measurement）作為下一個邏輯演變的方式。

Ed Sperling：您所尋求的是更快的上市時間和更少的失敗，對嗎？

Thomas：是的，而且需要一些時間才能到達那里。但我們可以幫助促進這一點，因為測試和測量無處不在地跨越這些功能的不同構建模塊。

Ed Sperling：所有這些都會產(chǎn)生更多數(shù)據(jù)。您如何管理所有這些數(shù)據(jù)？您保留多少以及保存多長時間？

Thomas：我們的想法不是存儲所有數(shù)據(jù)。它是找到導致異常的關鍵模式并將其聚合，然后冷存儲并壓縮它，甚至歸檔它，或者根據(jù)需要清除它。您不需要每一行數(shù)據(jù)。訣竅是弄清楚什么是關鍵聚合存儲、以及應該扔掉什么。

原文轉(zhuǎn)載自媒體Semiconductor Engineering：

https://semiengineering.com/using-generative-ai-to-connect-lab-to-fab-test/