National Instruments 首席技術(shù)官 Thomas Benjamin 日前與 Semiconductor Engineering 探討了一種測試的新方法，以數(shù)據(jù)為起點，以生成式 AI 作為不同功能之間的橋梁。

【資料圖】

SE：您看到的重大變化是什么？這如何影響關(guān)鍵數(shù)據(jù)從實驗室到晶圓廠的移動？

Benjamin：如果您走進任何制造或?qū)嶒炇噎h(huán)境，您都會擁有測試、測量硬件和系統(tǒng)，以及在 PC 或平板電腦上運行 LabVIEW 的軟件。 所有這些產(chǎn)品都會創(chuàng)建一個測試序列。 該測試表明產(chǎn)品（半導(dǎo)體芯片、晶圓或電機）的性能是否符合或偏離規(guī)格。 但它們都在孤島中運行，世界各地的工廠中可能有數(shù)百個這樣的設(shè)備。 現(xiàn)在，隨著高帶寬和低價格的連接變得無處不在，如果您從一臺機器上了解異常情況并了解其根本原因，您就可以在多個系統(tǒng)中實現(xiàn)迅速布局。 這與谷歌地圖的工作方式非常相似。 谷歌地圖在手機上運行，并且在云端有一個中心。 當(dāng)您遇到交通擁堵時，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)、工作流程和智能結(jié)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，甚至可能查看測試的根本原因分析。

SE：您在這里所做的是采用生成式人工智能并利用它將各種功能連接在一起？

Benjamin：這是正確的。但這是基于悠久的歷史。我們虛擬化了測試儀器，因此我們能夠?qū)⑦@些儀器連接在一起。 我們在高級分析方面進行了大量投資。 進化的下一個邏輯層面是使用人工智能。 我們正在利用技術(shù)釋放的新功能繼續(xù)創(chuàng)新，使事情變得更簡單、更有效。

SE：您在人工智能領(lǐng)域工作了多長時間？

Benjamin：我們從今年開始，但我們在數(shù)據(jù)方面已經(jīng)工作了幾年。 NVIDIA 正在使用我們的先進分析軟件進行合同制造，因為所有芯片制造分布在世界各地的多個合同制造商中。 我們討論了虛擬工程師使用 NI 軟件來補充物理工程師的概念，這有助于提高他們的產(chǎn)量。

SE：它是如何從實驗室轉(zhuǎn)移到晶圓廠的？ 這在其他領(lǐng)域有應(yīng)用嗎？

Benjamin：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)并進行測試。 我們對其進行微調(diào)，以測量生產(chǎn)中一組有意義的參數(shù)，然后將其關(guān)聯(lián)回實驗室，因為兩個地方運行的基礎(chǔ)設(shè)施相同。 我們可以回過頭來，甚至可以根據(jù)我們在生產(chǎn)中看到的情況來改造該設(shè)計并改進它。 這只是一部分。 它包括設(shè)計、驗證、生產(chǎn)和使用。 我們從實驗室開始，并將其擴展到生產(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)中重新驗證和微調(diào)設(shè)計。 這是圣杯，隨著行業(yè)和市場的成熟，我們將分階段追求它。

SE：其中很多是由汽車行業(yè)推動的嗎？

Benjamin：是的，我們可以在汽車行業(yè)更進一步。 我們正在結(jié)合我們的硬件和軟件能力，并將這一循環(huán)從設(shè)計、驗證、生產(chǎn)和使用擴展到半導(dǎo)體行業(yè)、汽車行業(yè)、航空航天/國防行業(yè)以及教育部分，這是一個廣泛的領(lǐng)域。

SE：您如何看待汽車市場的變化？

Benjamin：首先，車輛現(xiàn)在將由計算機驅(qū)動，計算機必須處理計劃內(nèi)或計劃外的任何場景。 計劃場景的一個示例是如何穿過交叉路口。 計劃外的場景是您如何閱讀部分被遮擋的街道標(biāo)志。 車輛不斷地做出決策，為此需要進行大量的測試和測量。 如果決策準(zhǔn)確，您就會開始信任這輛車，因為它會帶您到達目的地。 這意味著您需要大量有關(guān)測試系統(tǒng)的不同場景的數(shù)據(jù)。 過去通常進行基于激勵/響應(yīng)的測試。 現(xiàn)在您必須進行基于場景的測試。 您必須確定可以測試的所有這些復(fù)雜場景，這基本上基于您收集的數(shù)據(jù)。 為了自動駕駛和測試，我們必須做很多這樣的事情。 現(xiàn)在，當(dāng)我們審視 6G 時，我們正在嘗試從本質(zhì)上復(fù)制其中一些模式，因為我們認(rèn)為大部分模式都是從自動駕駛到 6G 的交叉?zhèn)鞑ァ?但在 6G 汽車領(lǐng)域，有幾件事是賭注。 一是收集、管理和存儲數(shù)據(jù)的良好標(biāo)準(zhǔn)化方法。 我們沒有標(biāo)準(zhǔn)規(guī)格。 因此，在 DARPA 計劃和國家科學(xué)基金會的支持下，NI 和東北大學(xué)一直致力于一個名為 RF 數(shù)據(jù)工廠的項目，該項目提供了一套自動化工具來以標(biāo)準(zhǔn)化格式收集、管理和存儲數(shù)據(jù)，稱為SigMF。 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使用此基礎(chǔ)設(shè)施從這些不同的測試中收集數(shù)據(jù)。 我們在現(xiàn)場有很多 NI USRP（通用軟件無線電外設(shè)）設(shè)備能夠做到這一點，并且我們開源了一個平臺，供研究人員使用此 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(chǔ)設(shè)施，例如在汽車駕駛領(lǐng)域。 例如6G，干擾場景有哪些？ 您如何維護您的手機信號？ 您如何組織所有這些事情以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。

SE：這確實是人工智能的口頭禪，對吧？ 降低一切成本。

Benjamin：是的，這正是我們想要介入的地方。但這只是等式的一部分，因為一旦你有了無數(shù)個這樣的測試場景，你如何測試它？ 例如，如果您訪問 ChatGPT 并詢問它“廚房這個詞中字母 E 的位置是什么”，它會告訴您廚房中沒有字母 E。原因是機器學(xué)習(xí)模型沒有針對此類場景進行訓(xùn)練。 當(dāng)你得到這些無限的場景時，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(lǐng)域。 這是我們在汽車領(lǐng)域經(jīng)常使用的概念。 我們現(xiàn)在正嘗試跨入 6G 領(lǐng)域，吸取其中的一些經(jīng)驗教訓(xùn)，并針對 6G 對其進行改進、個性化和情境化。

SE：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(dān)憂之一是，數(shù)據(jù)來自許多不同的地方。

Benjamin：我們?nèi)栽谂鉀Q這個問題。 第一個目標(biāo)是收集數(shù)據(jù)并保持正確的控制結(jié)構(gòu)。 目前 Azure 上提供了基礎(chǔ)設(shè)施，您可以在其中獲取可用于培訓(xùn)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)盟或類似的東西，以確保定義數(shù)據(jù)的正確所有權(quán)。 但更重要的是，必須設(shè)置保護敏感信息的護欄。 有同態(tài)加密之類的概念。 但在簡化并為實際消費做好準(zhǔn)備之前，還有很多工作要做。

SE：6G 會像 4G LTE 一樣使用嗎？ 終端設(shè)備是手機還是與公寓樓的點對點連接？

Benjamin：6G 的承諾是能夠擁有 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，我們僅使用鍵盤和鼠標(biāo)，現(xiàn)在可能還使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。 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，由此可以衍生出所有這些不同的用例，而 6G 就是鋪路石之一。 千兆赫/毫米波范圍內(nèi)仍有大量網(wǎng)絡(luò)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也是一樣。 過去 20 年發(fā)生了很多變化，而且發(fā)生得相當(dāng)快。

SE：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，對吧？ 也許這是點對點連接而不是汽車中的移動設(shè)備？

Benjamin：說得對。 隨著我們的前進，機器對機器的通信將會得到促進。 如果你看看 1G 和 2G，那就是語音通話。 今天，事情遠不止于此。 如果具有彈性的帶寬可以通過相關(guān)的安全網(wǎng)獲得，那么這樣的情況還會更多。

SE：5G和6G的無線測試解決了嗎？ 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？

Benjamin：我們還沒有解決這個問題。 我們正在努力通過這個過程。 這就是不同場景發(fā)揮作用的地方，因為它將是地面站、無線信號和其他模塊的組合。 這些不同的特征可能會干擾信號——尤其是當(dāng)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——需要發(fā)揮這些不同的場景。 出現(xiàn)的問題會有不同的特征，可能需要根據(jù)具體情況來解決。

SE：所以它需要很多中繼器？

Benjamin：這可能是正確的。

SE：到目前為止我們討論的一切都需要大量芯片，而且越來越多的小芯片。 我們?nèi)绾喂芾磉@些？

Benjamin：對于每個小芯片或組件，您可以使用用戶 ID 對其進行標(biāo)記，以便您擁有用戶所有權(quán)和特定的輸入加密密鑰嗎？ 這些是我們必須使用的技術(shù)。 ERP人員在某種程度上解決了這個問題。 作為組織的經(jīng)理，您可以查看組織內(nèi)員工的工資。 但你無法查看同行的組織。 這是一個小得多的規(guī)模，但我們必須推斷出一些模式。 我們需要設(shè)置基礎(chǔ)護欄才能成功實現(xiàn)這一目標(biāo)。

SE：您認(rèn)為人工智能面臨的最大挑戰(zhàn)是什么？ 您認(rèn)為最大的機遇是什么？

Benjamin：人工智能面臨的巨大挑戰(zhàn)，尤其是在 6G 領(lǐng)域，是獲取數(shù)據(jù)并創(chuàng)建大量有意義的場景。 這將是第一個重大挑戰(zhàn)，我們必須與一些設(shè)計合作伙伴、實際運營商、芯片或零部件制造商共同解決這個問題，才能促進這一目標(biāo)。第二部分是如何保護這些數(shù)據(jù)，并以可消耗的價格進行保護。 計算成本不應(yīng)超過其產(chǎn)生的商業(yè)價值。 如何仔細(xì)而微妙地穿越這兩者，是我們需要弄清楚的。 隨著這些能力開始融合，未來 12 到 18 個月內(nèi)有大量學(xué)習(xí)要做。

SE：NI 一直與德克薩斯大學(xué)密切合作，現(xiàn)在正在進一步與其他大學(xué)和研究小組合作。 這是否有助于彌補一直限制芯片行業(yè)的人才短缺？

Benjamin：我們必須看看研究是在哪里進行的，并不是所有的研究都發(fā)生在我們附近。 因此，我們正在利用我們開發(fā)的全球基礎(chǔ)設(shè)施。 目前我們是一個全球性組織。

SE：新的大機會在哪里？

Benjamin：當(dāng)然是汽車領(lǐng)域，尤其是電動汽車。 但其中很多也可以推廣到航空航天和國防領(lǐng)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)。 它不僅僅是一個孤立運行的系統(tǒng)。 它是一個協(xié)同工作的網(wǎng)格，為最終客戶提供業(yè)務(wù)或產(chǎn)品性能的最終輸出。

SE：您現(xiàn)在是否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并準(zhǔn)備好進入市場？

Benjamin：隨著時間的推移，它會觀察它以檢測異常，而在什么時間出現(xiàn)什么異常可能是使用特征和系統(tǒng)負(fù)載的函數(shù)。 所以這些是我們傳統(tǒng)上沒有考慮過的維度。 想想新年慶?；顒樱?dāng)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(dāng)密度增加時，這些特征就會批量出現(xiàn)，并且當(dāng)您隨著時間的推移查看導(dǎo)致這些系統(tǒng)異常的因素時（因為異常很少會立即發(fā)生），就會出現(xiàn)退化模式。 您甚至可以在異常發(fā)生之前檢測退化模式的斜率。

SE：預(yù)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？

Benjamin：系統(tǒng)變得越來越復(fù)雜。與單一系統(tǒng)相比，有更多的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和組合組裝在一起。 這就是為什么測試和測量的機會仍然越來越強大。

SE：那么最終目標(biāo)是彈性嗎？

Benjamin：是的，這是你在軟件行業(yè)看到的事情。 在黑色星期五，當(dāng)有數(shù)百萬用戶試圖購物時，如果一臺機器或容器出現(xiàn)故障，它會自動重新路由，但您的服務(wù)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(lǐng)域，并確保產(chǎn)品的性能不會變差。

SE：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它們并處理它們。 我們該怎么做呢？

Benjamin：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經(jīng)驗。 你需要一個可以適應(yīng)任何場景的網(wǎng)絡(luò)。 這就是我們將測試和測量民主化作為下一個邏輯演變的方式。

SE：您所尋求的是更快的上市時間和更少的失敗，對嗎？

Benjamin：是的，這需要一些時間才能實現(xiàn)。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(gòu)建模塊。

SE：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？

Benjamin：我們的想法不是存儲所有數(shù)據(jù)。它是找到導(dǎo)致異常的關(guān)鍵模式并將其聚合，然后存儲并壓縮，甚至歸檔，或者根據(jù)需要清除。 您不需要每行數(shù)據(jù)。 訣竅是弄清楚什么是關(guān)鍵聚合存儲以及什么要丟棄。