美国国家仪器公司（National Instruments）的首席技术官Thomas Benjamin接受了《半导体工程》（Semiconductor Engineering，简称SE）的采访，讨论了一种新的测试视角，以数据为起点，利用生成式AI作为不同功能之间的桥梁。

SE：您发现了哪些重大变化，这如何影响了关键数据从实验室到晶圆厂的流动？

Benjamin：如果您进入任何制造或实验室环境，您都会看到测试、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。该测试显示了产品（如半导体芯片、晶圆或电动机）的性能是否符合规格要求或偏离规格要求。但它们都在各自的孤立环境中运行，并且全球各地的工厂可能有数百个这样的系统。现在，随着高带宽连接变得普及且价格低廉，如果您从一台机器上发现异常并了解其根本原因，您可以在多个系统之间进行共享。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，云端有一个中心枢纽。当您遇到交通拥堵时，它会通过一个自治的超自动化系统将为您重新安排路线。同样，我们认为未来的测试不仅仅是一个仪器，而是一个自主的超自动化系统，将硬件、软件、数据、工作流程和智能集成起来。然后，最终，生成式AI将用于创建、部署和执行序列测试，甚至还能查看测试的根本原因分析。

SE：您在这里所做的是利用生成式AI将各种功能联系在一起吗？

Benjamin：没错。但这是基于长时间的历史基础。我们实现了测试仪器的虚拟化，因此我们可以将这些仪器连接在一起。我们在先进分析方面进行了大量投资。发展的下一个逻辑阶段就是使用人工智能。我们正在利用技术释放出来的新功能不断创新，使事情变得更简单、更有效。

SE：您从事AI方面的工作有多长时间了？

Benjamin：我们今年开始进行AI研究，但我们在数据方面已经工作了几年。英伟达公司使用我们的先进分析软件进行合同制造，因为芯片制造业务分散在全球多个合同制造商之间。我们谈论了虚拟工程师通过NI软件对物理工程师进行补充的概念，这有助于他们提高产量。

SE：它是如何从实验室应用到工厂的？这个过程在其他领域是否也有应用？

Benjamin：我们与英伟达合作的项目已经完全进入生产阶段。在实验室中，您可以测量1000个参数并进行测试。我们对其进行调整，以在生产中测量一组有意义的参数，然后将其与实验室进行相关性分析，因为两者都在相同的基础设施上运行。我们可以回到实验室，甚至根据我们在生产中观察到的情况来改进设计并进行改装。这只是等式的一部分。涉及设计、验证、生产和使用。我们从实验室开始，并将其扩展到生产环境中。我们还要能够通过使用数据来跟踪，并重新验证和微调设计，形成一个完整的循环。这是我们追求的终极目标，并且随着行业和市场的成熟，我们将分阶段逐步实现它。

SE：这在很大程度上是由汽车行业推动的吗？

Benjamin：是的，我们可以在汽车行业进一步发展。我们正在将硬件和软件能力结合起来，并将这个从设计、验证、生产到使用的循环扩展到半导体行业、汽车行业、航空/国防行业以及广泛的教育领域中。

SE:您如何看待汽车市场的变化？

Benjamin：首先，现在的汽车将由计算机驱动，计算机必须处理计划内或计划外的任何场景。情景计划的例子是你如何穿越一个十字路口。一个非情景计划是你如何阅读一个部分被遮挡的街道标志。汽车会不断做出决策，要做到这一点就需要大量的测试和测量。如果决策准确，你就会开始信任这辆车，因为它可以带你到目的地。这意味着你需要大量关于不同情境下测试系统的数据。过去，通常是进行刺激/反应测试。现在你必须进行基于情境的测试。你必须识别出所有这些可以测试的复杂情境，这基本上是基于你所收集的数据。我们必须为了自动驾驶和测试做很多这样的工作。现在，在我们看6G领域时，我们正在尝试复制其中的一些模式，因为我们认为大多数这些模式是从自动驾驶中跨界转移出来的。但在6G汽车领域，有几个必备的基本条件。

一是收集、管理和存储数据的良好标准化方式。我们目前没有一个标准规范。因此，在美国国防高级研究计划局（DARPA）的倡议和国家科学基金会的支持下，NI和东北大学一直在进行一个被称为RF Data Factory的项目，并开发了一套自动化工具，以标准格式（称为SigMF）来收集、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使用这个基础架构来收集不同测试的数据。我们在现场有很多NI USRP（通用软件无线电外设）设备来进行这项工作，同时我们也开源了一个平台供研究人员使用这个API来记录和测试数据。因此，一旦您收集到这些数据，您就有了创建无限情景的基础架构，就像在汽车驾驶领域一样。例如，对于6G，有哪些干扰情景？如何保持手机信号塔？如何组织所有这些事情，以便通信更加高效有效？如果我们能提供一个成本低廉且适用于所有人的版本，它将加速6G空间的测试和测量的采用。

SE：这确实是AI的宗旨，降低一切成本。

Benjamin：是的，这正是我们希望介入的领域。但这只是方程式的一部分，因为一旦有了无数个测试情景，如何进行测试呢？例如，如果你去问ChatGPT，“kitchen”这个词中字母E的位置是什么，它会告诉你“kitchen”中没有字母E。原因是机器学习模型并未针对这类情景进行训练。当你遇到无限的情景时，人类不可能测试所有这些情景。那么，能否使用一个AI引擎来测试AI自身呢？这是我们现在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。现在，我们正在努力将其应用于6G领域，借鉴这些经验，并针对6G进行改进、个性化和情境化。

SE：在我们继续向前发展的过程中，谁拥有这些数据？与ChatGPT或其他生成式AI程序一样，一个担忧是数据来自于许多不同的地方。

Benjamin：我们还在努力解决这个问题。首要目标是收集数据并保持正确的控制结构。目前在Azure上提供了基础架构，你可以获取一个本地化的实例用于训练。我们正在研究这个领域，但现在仍处于早期阶段。我们必须想出一些模型，以及一个行业联盟或类似的机构，来确保正确定义数据的归属权。但更重要的是，必须建立保护敏感信息的监管措施。例如，使用同态加密这样的概念。但在这个领域真正成熟和为实际使用做好准备之前，还有很多工作要做。

SE：6G是否会像4G LTE那样可用？最终设备是手机还是与公寓楼建立点对点连接？

Benjamin：6G的承诺是具有大约10 Gbps以上的带宽。这将计算变得更加“沉浸式”，因为在过去的40年里，我们只是通过键盘、鼠标和现如今可能使用的平板电脑与计算机进行交互。我们可以将其提升到更高的沉浸式体验水平。具体是什么，时间会告诉我们答案。我们将拥有自动驾驶汽车。汽车能否开始与道路或信号进行通信？这些不同的用例都可能从中出现，而6G正是其中的一个阶段。目前在千兆赫/毫米波范围内仍有很多未被利用的网络带宽。许多事物需要融合。如果回顾20年前，我们当时曾质疑5G是否真的会实现。6G也是如此。在过去的20年里，发生了很多进化，并且发展速度相当快。

SE：但并不是说你在使用5G手机时，就能指望它在你开车的过程中持续不断地提供海量数据能力，对吗？也许这是一种点对点连接，而不是车载移动设备？

Benjamin：你说得对。随着我们的技术进步，将会实现机器之间的通信。如果回顾1G和2G，那就是语音通话。而今天，它已经远远超出了这个范畴。如果这种级别的带宽有相关的安全网可用，那么这种机器之间通信的情况会更加普遍。

SE：5G和6G的无线测试问题解决了吗？您在寻找的是信号强度如何，这是否是硬件、软件或信号本身的问题？

Benjamin：这个问题我们还没有解决。我们正在进行这个过程中。这就是不同场景发挥作用的地方，因为它将是地面站、无线信号和其他构建模块的结合。尤其是当你在体育场、机场或人流密集的地方，消费密度要大得多，会存在可能会干扰信号不同的特征，需要对这些不同的情景下进行测试。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：那么它需要大量的信号中继器？

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的芯片，而且越来越多是小芯片。我们如何管理这些芯片？

Benjamin：对于每个小芯片或组件，您能为其添加租户ID吗？这样您就可以有租户所有权和特定的输入加密密钥。这些是我们必须使用的技术。企业资源计划（ERP）领域的专家在某种程度上已经解决了这个问题。作为组织的管理者，您可以查看组织内员工的工资，但无法查看同行组织的情况。尽管规模要小得多，但我们仍需推断出某些模式。我们需要制定基础的保护措施，以确保其成功实施。

SE：整体来看，您认为人工智能面临的重大挑战是什么？又有哪些重大机会？

Benjamin：对于人工智能而言，特别是在6G领域，最大的挑战是获取数据并创建一系列有意义的场景。这将是第一个重大挑战，我们需要与一些设计合作伙伴、实际运营商、半导体制造商或零部件制造商一起解决这个问题，以促进这一过程。这是第一步。第二个问题是如何安全地保护这些数据，并以可消费的价格进行。计算成本不应超过其带来的商业价值。我们需要谨慎而仔细地平衡这两者，这是我们需要解决的问题。在接下来的12到18个月中，随着这些能力的融合，我们需要进行大量学习。

SE：NI一直与德克萨斯大学保持密切合作，现在正在进一步与其他大学和研究团体合作。这有助于弥补限制芯片行业发展的人才短缺吗？

Benjamin：我们必须看看研究正在哪里进行，并不是所有研究都在我们附近进行。因此，我们正在利用我们建立的全球基础设施。而且，我们目前是一个全球性的组织。

SE：重大的新机遇在哪里呢？

Benjamin：当然是汽车行业，尤其是电动汽车领域。但这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相互连接的系统网格运行。测试的未来不仅仅是一台仪器，而是一种自主的、超自动化的系统集合。它不仅仅是一个孤立运行的系统，而是一个整体通过协同作用为最终客户提供业务或产品性能输出。

SE：您现在是否在考虑随时间的推移进行测试，而不仅仅是在制造过程中进行一系列测试，然后准备投入市场？

Benjamin：我们正在随时间推移进行测试，以检测异常情况。在什么时间出现异常情况可能与使用特性和系统上负载的函数有关。所以这些是我们传统上没有考虑过的维度。想象一下新年庆祝活动，当一个地方的人群密度增加并改变了系统的行为特性时。

SE：在异质集成和不均匀老化的情况下，预测这些异常会变得更加困难吗？

Benjamin：系统变得更加复杂。与单一整体相比，各个部分汇聚在一起形成系统。有更多的子模块以不同的排列和组合方式组装在一起。这就是为什么测试和测量的机会仍然越来越强大的原因。

SE：那么最终的目标是“弹性”吗？

Benjamin：是的，这是在软件行业中可以看到的情况。在黑色星期五，当有数百万用户试图购物时，如果一个机器或容器出现故障，它会自动重新调整路径，但您的服务不会中断。现在的问题是，是否能够将这种能力引入到硬件领域，并确保产品的最终客户性能不会下降。

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并处理它们。我们应该如何做到这一点？

Benjamin：这就是场景测试发挥作用的地方，而且大量测试场景非常有价值。您需要一个可以适用于任何情况的场景网络。这就是我们将测试和测量民主化作为下一个逻辑演进的方式。

SE：你所追求的是更快的上市时间和更少的故障，对吗？

Benjamin：是的，但要实现这一目标需要一些时间。但我们可以帮助促进这一过程，因为可以在不同的能力构建块之间进行测试和测量。

SE：所有这些都会产生更多的数据。你们如何管理所有这些数据？你们保留多少数据，存储多长时间？

Benjamin：我们的理念不是存储所有的数据。而是找到导致异常的关键模式，并将其进行聚合，然后将其冷存储、压缩甚至归档，或者根据需要进行清除。你不需要每一条数据。关键在于找出哪些是关键的聚合存储，以及哪些数据可以丢弃。