半導體產業正處於結構性轉型的過程中。正如近期某份產業分析報告所言：「先進封裝已取代製程節點微縮，成為提升半導體性能的主要驅動力。」這項轉型不僅止於設計與組裝，更直接影響到測試環節，以及測試所產生的數據。
在單晶片世界中，測試優化雖困難，但範圍是有限的。只需對單一整合晶片進行驗證，相關數據與決策範圍也相對有限。基於小晶片（chiplet）的架構則打破了這種限制。它使封裝內的元件數量、製程步驟間的轉換次數，以及收集並依據測試資訊採取行動的機會都大幅增加。
因此，核心問題正在發生變化。重點不再是單一流程能產生多少測試數據，而是這些數據能否在適當的時間、透過分散式的供應鏈傳遞到正確的位置，並應用於實際的生產決策中。這正是「資料前饋」（Data Feed Forward, DFF）所致力解決的問題。
這篇部落格文章將說明：為何基於 chiplet 的封裝技術顛覆了傳統的測試模式；何謂「資料前饋」（Data Feed Forward）及其架構設計；以及當DFF建構於生產級平台之上時，如何在效率、品質和效能方面帶來可量化的價值。
在此，「上游」指的是較早階段的工序，例如晶圓製造與晶圓分級；「下游」則指的是較後階段的工序，例如封裝測試、最終測試及系統級測試（SLT）。
1. 為何微晶片會改變測試的難度？
基於晶片單元的裝置並非僅經單次驗證。其驗證過程會橫跨多個晶片、多個組裝與整合階段，以及多次測試環節。目前典型的流程涵蓋晶圓廠作業，並包含 PCM → 晶圓分選 → 組裝與鍵合 → 封裝測試 → 最終測試 → 老化測試／SLT。每個測試環節都會產生有用的訊號，但每個環節的結果也都是基於上游階段所發生情況的進展。
隨後出現了兩項結構性變革：
- 更多晶粒、更多介面。每個小晶片都有其獨特的測試需求，而介面的增加不僅會使失效模式增多，也會提高測試覆蓋率的需求。
- 相互依存的決策。晶圓分選階段的結果，會直接影響封裝測試、最終測試或 SLT 階段的後續流程。若未及時修正錯誤，這些問題將在整個製程中不斷累積。
傳統的逐步式模型在處理這方面表現不佳，因為每次插入操作往往僅針對其自身的局部資料進行。若在晶圓分選階段獲得了重要資訊，通常缺乏機制能讓這些資訊在後續階段被運用。因此，挑戰不僅在於資料量增加，更在於下游的決策若要更有效地運用上游的背景資訊，其能力正日益提升，但現今的決策通常並未如此。
2. 為何分散式供應鏈才是真正的障礙？
更深層的障礙在於結構性問題。半導體的製造與測試高度分散，橫跨不同的工廠、國家和組織：設計公司 → 晶圓廠 → OSAT/ATMP → 最終 OEM → 現場。每個據點都運行著各自的資料堆疊。
原則上，大多數團隊都明白上游數據具有價值。但在實際操作中，當下游必須做出決策之際，這些數據往往處於零散、延遲，或是根本無法取得狀態。一旦發生這種情況，工程師便會退而求其次，採用更簡單、更孤立的決策模型，而這會導致以下三方面同時受到影響：
- 由於下游團隊缺乏完整的裝置歷史紀錄，導致可視性受到影響。
- 可追溯性會因此減弱，因為較難將最終結果與較早的測試週期建立關聯。
- AI/ML 的部署受到限制，因為邊緣模型只能存取其運行所在位置當下可用的資料。
因此，在自適應測試、優化或進階建模能夠創造價值之前，有個更基礎的營運問題需要解答：如何在分散式的供應鏈中，將正確的資料在正確的時間傳送到正確的地點？
3. 何謂資料前饋（DFF）？
「資料前饋」（Data Feed Forward）正是這個問題的解答，其關鍵區別在於：DFF 是一種運作概念，而非儲存概念。重點不在於保存資料以供日後分析，而在於讓上游資料能為下游的即時決策提供實質助益。
實際上，早期製程（例如晶圓分選）所產生的結果，會被轉換為後續步驟可依據的資訊：例如工程化特徵、推斷出的元件屬性、模型預測、品質指標或佈線建議。這些輸出結果隨後會傳送至下游製程，而這些製程可能位於遠端設施或外部供應鏈節點。
其效果在於將上游測試結果轉化為下游流程智慧，在原本可能相互脫節的各個階段之間建立連續性。一旦建立這種連續性，便能實現一種更為智慧且具適應性的測試方法論。
4. 資料前饋架構的結構是怎樣的？
最佳實務的 DFF 實施方案可理解為五個運作層級，從原始資料逐步發展至閉環智慧：
- 收集。從晶圓分選、探針測試及早期測試階段擷取資料：參數資料、檢測結果、分級資料、波形特徵以及製程背景資訊。
- 轉換。透過特徵工程、規則生成、模型推論或決策閾值，將原始資料轉化為可付諸行動的資訊。原始資料通常體積過大且結構過於鬆散，無法直接用於後續處理，因此這層處理至關重要，絕非可有可無。
- 傳輸。將轉換後的輸出資料安全地傳輸至各據點及合作夥伴。在分散式環境中，可靠且安全的傳輸是不可或缺的必要條件。
- 應用。將輸出結果饋入後續處理流程，以推動具體行動：更智慧的篩選、自適應限值、修整目標預測、路由，或測試套件選取。實際上，這會轉化為諸如「歸類」、「跳過」、「調整」或「標記」等決策。
- 進行回饋。記錄結果，以確保系統具有可追溯性並能持續改進。隨後可將預測值與實際結果進行比較，並藉此逐步優化演算法及重新訓練模型。
正是這個最終的閉環機制，讓 DFF具備可擴展性並在運作上具有實質意義。智慧並非僅被單次推送一次；系統會持續學習。
5. 哪些基礎設施能讓 DFF 具備投入生產的條件？
一個框架需要具備生產級的基礎架構，以支援資料傳輸與模型部署。以下兩項功能使 DFF 得以實現：
- Exensio Test Operations負責處理安全資料蒐集、資料管理、製程監控、品質控制、邊緣部署以及供應鏈連通性。由於該系統通常直接與測試設備介接，因此能擷取最高保真度且最即時的測試資料來源，並可套用規則來監控製程，以防出現可能損害資料品質的異常情況。
- Exensio StudioAI進一步擴展了這項功能，提供涵蓋機器學習生命週期各階段（包括模型建構、訓練、部署及治理）的完整模型運維能力，並支援選用開源演算法或自帶演算法。由於該平台直接運用 Exensio 系統中現有的、經過對齊且值得信賴的製造數據，資料科學家得以專注於建模工作，無需耗費心力於資料蒐集或規劃部署路徑。
正如英特爾的一位客戶所指出的，StudioAI 讓資料科學家能夠運用開源或自訂演算法，並支援持續整合與部署，因此團隊能夠建構出他們真正需要的解決方案。這兩款產品相輔相成，將 DFF 從一個構想轉化為邊緣端的實際部署。
6. DFF 在哪些方面創造價值？
回報涵蓋三個類別。
效率。許多下游測試的設計都偏向保守，因為下游步驟無法得知上游已獲得的資訊，因此只能採取「一刀切」的做法。若能可靠地將這些資訊前置，便可針對每顆裝置精準調整測試覆蓋率。 一個常被引用的例子是選擇性避免老化測試：當預測可信度高且製程控制良好時，預測為合格的裝置可跳過不必要的應力測試步驟，在維持產品目標的同時節省時間與成本，並將老化測試產能留給真正有早期失效風險的裝置。另一種無風險的做法是將特徵搜尋（例如 Vmin）範圍縮小至上游已識別的邊界，藉此縮短測試時間卻不增加風險。 此處的效率，與其說是粗放式的成本削減，不如說是「在正確的時間，對正確的裝置執行正確的測試」。
品質。這點的重要性甚至可能超過效率。在步驟執行前預測修整目標，可減少修整失誤，這正是上游資訊直接改善下游作業的典型案例。透過監測各插入點與測試點的特徵訊號，能及早偵測漂移現象，藉此標示測試不穩定性，或更嚴重地，因過早老化或應力導致的元件變化，這些都預示著長期可靠性風險。在各廠區與合作夥伴間統一閾值設定，能帶來更一致的結果；而更完善的上游篩選則可減少瑕疵品漏過。 更廣泛的觀點是：整體品質是供應鏈的屬性，而非單一測試結果；而 DFF 正是使其能夠端到端可控的關鍵，將品質管理從被動反應轉變為預測性管理。
效能。這正是 DFF 與 AI 驅動方法最直接的連結之處，而此處的「效能」意指決策效能的提升，而不僅是裝置速度的加快。最先進的內嵌模型往往受到限制，因為它們只能看到當前步驟的數據。透過將晶圓分選特徵與封裝層級的觀察結果結合，或將製程歷史資料與測試測量值融合，為這些模型注入上游或歷史背景資訊，預測結果將變得更加精準且更具情境感知能力。 這有助於針對昂貴的先進封裝進行更智慧的分級與路由——鑑於其成本，這些封裝無法簡單地報廢，而必須經過特性分析與分級，以匹配合適的應用場景。SLT 測試同樣受惠於此：前饋數據能讓SLT 測試套件動態聚焦於特定裝置功能。相同的邏輯亦延伸至組裝優化，將子元件的性能與目標應用相匹配，從而最大化成品裝置的性價比。
7. 有哪些關鍵要點？
- 基於晶片模組的封裝技術需要供應鏈全流程的數據串聯。數據方面的挑戰已不再僅限於單一組裝環節。
- DFF 是大規模人工智慧驅動測試的運作中樞。它為上游資訊轉化為下游決策支援開闢了一條途徑。
- 真正的價值在於讓上游資料能在下游被有效運用，其帶來的好處涵蓋效率、品質與效能等各方面。
- 資料傳輸的重要性已逐漸與測試量測並駕齊驅。在先進封裝時代，競爭優勢已越來越不再取決於你能蒐集多少資料，而是取決於你能否有效地將智慧傳遞下去，並在關鍵處加以運用。
歸根結柢，這是一種從數據累積轉向數據活化的轉變，與生產過程相契合。
參考文獻
- Exensio 分析平台：概覽
- Exensio 進階測試解決方案
- Exensio StudioAI
- 《EE Times》線上研討會：邁向 2026 年晶片片（Chiplet）可擴展性的道路——由人工智慧驅動的資料前饋