以数据为起点，探索生成式AI在测试行业的应用前景

NI的首席技术官将智能且统一的数据模型视为未来测试的关键要素。

NI首席技术官Thomas Benjamin与Semiconductor Engineering 主编Ed Sperling探讨测试的新方法，以数据为起点，以生成式AI 作为不同功能之间的桥梁。

Ed Sperling：您看到了哪些重大变化？它们如何影响关键数据从实验室到工厂的移动？

Thomas：如果您走进制造车间或实验室，您都能看到测试、测量硬件和系统，以及在桌面电脑或平板电脑上正在运行的LabVIEW软件。所有这些产品都会创建一个测试序列。通过测试可以证明这个产品（半导体芯片、晶圆或电机）的性能是符合还是偏离了设计规范。但它们都像孤岛一样在运行，分散在世界各地数百个工厂中。随着价格低廉的高带宽通信让万物互联，任何一台机器上出现异常情况都能被快速识别并洞察到根本原因，并很快部署到在多个系统中。这和谷歌地图的工作方式非常相似。谷歌地图在手机上运行，并且在云端有一个枢纽。当你遇到交通拥堵时，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一台仪器，而是一个自治的超自动化系统，它将硬件、软件、数据、工作流程和智慧结合在一起。最终，生成式人工智能将用于创建、部署和执行序列测试，甚至可以深入测试后的底层原因分析。

Ed Sperling：所以您所做的是采用生成式人工智能将各种功能整合起来？

Thomas：是的。但这是基于NI多年的积累。之前我们虚拟化了测试仪器，因此我们能够很灵活地将这些“仪器”整合在一起。我们在先进的数据分析领域也进行了大量投资，演进的下一个逻辑是使用人工智能。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。NVIDIA正在使用我们先进的数据分析软件管理分布在世界各地的多个合同制造商。我们讨论了虚拟工程师使用NI软件来补充实际工程师的概念，这有助于提高他们的产量。

Ed Sperling：它是如何从实验室转移到晶圆厂的？在其他领域有应用吗？

Thomas：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个参数并对它们做测试。到了量产阶段，就只需对其中最有价值的一组参数做测量，因为实验室和量产两地运行的设备基础设施相同，量产测得的数据可以很容易关联回实验室的参数，这样我们可以根据在生产中获得的数据来改进设计。这个模式贯穿在设计、验证、生产和使用的全过程。我们从实验室开始，并将其数据洞察复制到生产中。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再次验证和微调设计。这是我们追求的最终目标，随着行业和市场的成熟，我们将分阶段实现它。

Ed Sperling：这个技术方向是由汽车行业推动的吗？您如何看待汽车市场的变化？

Thomas：是的，我们的策略正在汽车行业获得进一步验证。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/国防行业以及部分教育环节。

首先，未来的车辆将由计算机驱动，计算机必须处理计划内或计划外的任何场景。计划内场景的例子有“如何穿过交叉路口”；计划外场景例如如何阅读部分被遮挡的街道标志。车辆需要不断做出决策，为此需要进行大量的测试和测量。如果决策准确，我们就会开始信任这辆车，它会带我们到达目的地。这意味着需要大量不同场景的数据来用于测试系统。过去通行的做法是基于刺激/反应的测试。现在我们必须进行基于场景的测试，为此需要识别所有可测试的复杂场景，而这须要基于我们收集到的数据。现在，当我们看向6G领域时，我们正在复制其中的核心模式，因为我们认为大部分模式是从自动驾驶到6G的交叉影响。但在6G汽车领域，需要押注以下几个领域：一是收集、管理和存储数据的标准化方法。目前我们还没有标准规范。因此，在DARPA倡议和国家科学基金会的赞助下，NI和东北大学（美国）一直在进行一个名为RF数据工厂（RF Data Factory）的项目，该项目提供了一套自动化工具，以一种称为SigMF的标准化格式收集、管理和存储数据。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以此为基础设施，从不同的测试中收集数据。我们在该领域有很多NI USRP（通用软件无线电外设）设备能够做到这一点，我们为研究人员开放了一个平台，以获取这种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，有哪些干扰场景？您如何维护您的手机****？您如何组织所有这些事情、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。

Ed Sperling：这确实是人工智能的口头禅，对吗？降低一切成本。

Thomas：是的，这正是我们想要做的。但这只是等式的一部分，因为一旦你有了无限多的测试场景，你如何测试它？例如，如果您问ChatGPT “kitchen一词中字母E的位置是什么”，它会告诉您kitchen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。当您遇到这无限多的场景时，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。

Ed Sperling：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。

Thomas：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上提供了一些基础架构，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机构，以确保定义正确的数据所有权。但更重要的是，保护敏感信息的护栏必须到位。存在诸如同态加密之类的概念。但在这一过程得以简化并为实际消费做好准备之前，还有很多工作要做。

Ed Sperling：6G会像4G LTE一样可用吗？终端设备是手机、还是与公寓楼的点对点连接？

Thomas：6G的前景是能够拥有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，我们只用键盘和鼠标，现在可能还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。它到底是什么，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吗？由此可以衍生出所有这些不同的用例，而6G就是其中一块垫脚石。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也是如此。过去20年发生了很多变化，而且变化非常迅速。

Ed Sperling：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，对吗？也许这是点对点连接而不是汽车中的移动设备？

Thomas：你说得对。在我们前进过程中，机器对机器的通信将会得以推进。如果你看1G和2G，那就是语音通话。今天则远不止于此。如果具有弹性的这种级别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。

Ed Sperling：5G和6G的OTA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？

Thomas：我们还没有解决这个问题，正在处理过程中。这就是不同情境发挥作用的地方，因为它将是地面站、无线信号和其他构建模块的组合。这些可能会干扰信号的不同的情境表征--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--需要模拟这些不同的场景，出现的问题会有不同的特征，需要根据具体情况来解决。

Ed Sperling：所以需要很多的重复？

Thomas：是的

Ed Sperling：新的大机遇在哪里？

Thomas：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卫星通信等领域，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、超自动化的系统连结而成的系统。它不仅仅是一个孤立工作的系统，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。

Ed Sperling：您现在是否在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然后投入市场？

Thomas：是的，我们在整个产品生命周期内，随着时间的推移来检测异常，什么异常在什么时候出现可能是使用特性和系统负载的函数。所以这些都是我们传统上没有看到的维度。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，当你随着时间的推移观察导致这些系统异常的因素时--因为异常很少会瞬间发生--就会出现退化模式，甚至在出现异常之前，您就可以检测到退化模式的斜率。

Ed Sperling：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？

Thomas：系统变得越来越复杂。与单一整体相比，有更多的可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组合组装在一起。这就是为什么测试和测量的机会越来越强大。

Ed Sperling：那么最终目标是弹性吗？

Thomas：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，如果一台机器出现故障，它会自动重新规划路线，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，并确保产品的最终客户体验不会恶化。

Ed Sperling：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并处理它们。我们该怎么做呢？

Thomas：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金粉。你需要一个可以玩任何场景的场景网络。这就是我们将测试和测量民主化（democratize test and measurement）作为下一个逻辑演变的方式。

Ed Sperling：您所寻求的是更快的上市时间和更少的失败，对吗？

Thomas：是的，而且需要一些时间才能到达那里。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。

Ed Sperling：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？

Thomas：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，然后冷存储并压缩它，甚至归档它，或者根据需要清除它。您不需要每一行数据。诀窍是弄清楚什么是关键聚合存储、以及应该扔掉什么。

原文转载自媒体Semiconductor Engineering：

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